Gleitender Durchschnitt Vorhersage Einleitung. Wie Sie vermutlich schauen, betrachten wir einige der primitivsten Ansätze zur Prognose. Aber hoffentlich sind diese zumindest eine lohnende Einführung in einige der Rechenprobleme im Zusammenhang mit der Umsetzung von Prognosen in Tabellenkalkulationen. In diesem Sinne werden wir von Anfang an beginnen und beginnen mit Moving Average Prognosen zu arbeiten. Gleitende durchschnittliche Prognosen. Jeder ist vertraut mit gleitenden durchschnittlichen Prognosen, unabhängig davon, ob sie glauben, sie sind. Alle Studenten tun sie die ganze Zeit. Denken Sie an Ihre Testergebnisse in einem Kurs, in dem Sie vier Tests während des Semesters haben werden. Angenommen, Sie haben eine 85 auf Ihrem ersten Test. Was würden Sie vorhersagen, für Ihre zweite Test-Score Was glauben Sie, Ihr Lehrer würde für Ihre nächste Test-Punkt vorhersagen Was denken Sie, Ihre Freunde könnten für Ihre nächste Test-Punkt vorherzusagen Was denken Sie, Ihre Eltern könnten für Ihre nächste Test-Score Unabhängig davon vorhersagen Alle die blabbing Sie tun könnten, um Ihre Freunde und Eltern, sie und Ihr Lehrer sind sehr wahrscheinlich zu erwarten, dass Sie etwas im Bereich der 85 erhalten Sie gerade bekommen. Nun, jetzt gehen wir davon aus, dass trotz Ihrer Selbst-Förderung an Ihre Freunde, Sie über-schätzen Sie sich und Figur, die Sie weniger für den zweiten Test lernen können und so erhalten Sie eine 73. Nun, was sind alle betroffenen und unbekümmerten gehen Erwarten Sie erhalten auf Ihrem dritten Test Es gibt zwei sehr wahrscheinlich Ansätze, damit sie eine Schätzung unabhängig davon entwickeln, ob sie es mit Ihnen teilen. Sie können zu sich selbst sagen, dieser Kerl ist immer bläst Rauch über seine smarts. Hes gehend, ein anderes 73 zu erhalten, wenn hes glücklich. Vielleicht werden die Eltern versuchen, mehr unterstützend und sagen, quotWell, so weit youve bekommen eine 85 und eine 73, so vielleicht sollten Sie auf eine über (85 73) 2 79. Ich weiß nicht, vielleicht, wenn Sie weniger feiern Und werent wedelte das Wiesel ganz über dem Platz und wenn Sie anfingen, viel mehr zu studieren, konnten Sie einen höheren score. quot erhalten. Beide dieser Schätzungen sind wirklich gleitende durchschnittliche Prognosen. Der erste verwendet nur Ihre jüngste Punktzahl, um Ihre zukünftige Leistung zu prognostizieren. Dies wird als gleitende Durchschnittsprognose mit einer Datenperiode bezeichnet. Die zweite ist auch eine gleitende durchschnittliche Prognose, aber mit zwei Perioden von Daten. Nehmen wir an, dass alle diese Leute, die auf deinem großen Verstand zerschmettern, Art von dich angepisst haben und du entscheidest, auf dem dritten Test aus deinen eigenen Gründen gut zu tun und eine höhere Kerbe vor deinen quotalliesquot zu setzen. Sie nehmen den Test und Ihre Gäste ist eigentlich ein 89 Jeder, einschließlich selbst, ist beeindruckt. So jetzt haben Sie die abschließende Prüfung des Semesters herauf und wie üblich spüren Sie die Notwendigkeit, alle in die Vorhersagen zu machen, wie youll auf dem letzten Test tun. Nun, hoffentlich sehen Sie das Muster. Nun, hoffentlich können Sie das Muster sehen. Was glauben Sie, ist die genaueste Pfeife, während wir arbeiten. Nun kehren wir zu unserer neuen Reinigungsfirma zurück, die von Ihrer entfremdeten Halbschwester namens Whistle While We Work begonnen wurde. Sie haben einige vergangene Verkaufsdaten, die durch den folgenden Abschnitt aus einer Kalkulationstabelle dargestellt werden. Zuerst präsentieren wir die Daten für eine dreidimensionale gleitende Durchschnittsprognose. Der Eintrag für Zelle C6 sollte jetzt sein Sie können diese Zellformel auf die anderen Zellen C7 bis C11 kopieren. Beachten Sie, wie der Durchschnitt bewegt sich über die jüngsten historischen Daten, sondern verwendet genau die drei letzten Perioden zur Verfügung für jede Vorhersage. Sie sollten auch bemerken, dass wir nicht wirklich brauchen, um die Vorhersagen für die vergangenen Perioden zu machen, um unsere jüngste Vorhersage zu entwickeln. Dies ist definitiv anders als das exponentielle Glättungsmodell. Ive eingeschlossen das quotpast predictionsquot, weil wir sie auf der folgenden Webseite verwenden, um Vorhersagegültigkeit zu messen. Nun möchte ich die analogen Ergebnisse für eine zwei-Periode gleitenden Durchschnitt Prognose zu präsentieren. Der Eintrag für Zelle C5 sollte jetzt sein Sie können diese Zellformel auf die anderen Zellen C6 bis C11 kopieren. Beachten Sie, wie jetzt nur die beiden letzten Stücke der historischen Daten für jede Vorhersage verwendet werden. Wieder habe ich die quotpast Vorhersagequot für illustrative Zwecke und für die spätere Verwendung in der Prognose Validierung enthalten. Einige andere Dinge, die wichtig zu beachten sind. Für eine m-Periode gleitende Durchschnittsprognose werden nur die m neuesten Datenwerte verwendet, um die Vorhersage durchzuführen. Nichts anderes ist notwendig. Für eine m-Periode gleitende durchschnittliche Prognose, wenn Sie Quotpast Vorhersagequot, beachten Sie, dass die erste Vorhersage tritt im Zeitraum m 1 auf. Diese beiden Fragen werden sehr wichtig sein, wenn wir unseren Code entwickeln. Entwicklung der Moving Average Funktion. Nun müssen wir den Code für die gleitende Durchschnittsprognose entwickeln, die flexibler genutzt werden kann. Der Code folgt. Beachten Sie, dass die Eingaben für die Anzahl der Perioden sind, die Sie in der Prognose und dem Array der historischen Werte verwenden möchten. Sie können es in beliebiger Arbeitsmappe speichern. Funktion MovingAverage (Historical, NumberOfPeriods) als einzelne Deklarations - und Initialisierungsvariablen Dim Item als Variant Dim Zähler als Integer Dim Summe als Single Dim HistoricalSize als Integer Initialisierung von Variablen Zähler 1 Akkumulation 0 Festlegung der Größe des Historical Arrays HistoricalSize Historical. Count For Counter 1 bis NumberOfPeriods Summieren der entsprechenden Anzahl der zuletzt beobachteten Werte Accumulation Accumulation Historical (HistoricalSize - NumberOfPeriods Counter) MovingAverage Accumulation NumberOfPeriods Der Code wird in der Klasse erklärt. Sie möchten die Funktion in der Tabellenkalkulation positionieren, sodass das Ergebnis der Berechnung dort erscheint, wo sie die folgenden Informationen haben soll.3 Erläuterung von Prognoseebenen und Methoden Sie können sowohl Detailprognosen (Einzelposten) als auch Prognosen für die Zusammenfassung (Produktlinie) erzeugen, die das Produkt widerspiegeln Nachfragemethoden. Das System analysiert die bisherigen Verkäufe, um die Prognosen mit Hilfe von 12 Prognosemethoden zu berechnen. Die Prognosen umfassen Detailinformationen auf Positionsebene und übergeordnete Informationen über eine Branche oder das Unternehmen als Ganzes. 3.1 Kriterien für die Bewertung der Projektergebnisse Abhängig von der Auswahl der Verarbeitungsoptionen und der Trends und Muster in den Verkaufsdaten sind einige Prognosemethoden für einen bestimmten historischen Datensatz besser als andere. Eine für ein Produkt geeignete Prognosemethode ist möglicherweise nicht für ein anderes Produkt geeignet. Sie können feststellen, dass eine Prognosemethode, die gute Ergebnisse in einem Stadium eines Produktlebenszyklus bereitstellt, über den gesamten Lebenszyklus hinweg angemessen bleibt. Sie können zwischen zwei Methoden wählen, um die aktuelle Leistung der Prognosemethoden zu bewerten: Prozent der Genauigkeit (POA). Mittlere absolute Abweichung (MAD). Diese beiden Leistungsbewertungsmethoden erfordern historische Verkaufsdaten für einen angegebenen Zeitraum. Dieser Zeitraum wird als Halteperiode oder Periode der besten Passung bezeichnet. Die Daten in diesem Zeitraum dienen als Grundlage für die Empfehlung, welche Prognosemethode bei der nächsten Prognoseprojektion verwendet wird. Diese Empfehlung ist spezifisch für jedes Produkt und kann von einer Prognosegeneration zur nächsten wechseln. 3.1.1 Best Fit Das System empfiehlt die Best-Fit-Prognose, indem die ausgewählten Prognosemethoden auf die Vergangenheit des Bestellverlaufs angewendet und die Prognosesimulation mit dem aktuellen Verlauf verglichen werden. Wenn Sie eine Best-Fit-Prognose generieren, vergleicht das System die tatsächlichen Kundenauftragshistorien mit Prognosen für einen bestimmten Zeitraum und berechnet, wie genau die einzelnen Prognosemethoden den Umsatz prognostizieren. Dann empfiehlt das System die genaueste Prognose als die beste Passform. Diese Grafik veranschaulicht die besten Anpassungsprognosen: Abbildung 3-1 Best-Fit-Prognose Das System verwendet diese Sequenz von Schritten, um die beste Anpassung zu ermitteln: Verwenden Sie jede angegebene Methode, um eine Prognose für die Halteperiode zu simulieren. Vergleichen Sie die tatsächlichen Verkäufe mit den simulierten Prognosen für die Halteperiode. Berechnen Sie die POA oder die MAD, um zu bestimmen, welche Prognosemethode am ehesten mit den bisherigen tatsächlichen Umsätzen übereinstimmt. Das System verwendet entweder POA oder MAD, basierend auf den Verarbeitungsoptionen, die Sie auswählen. Empfehlen Sie eine Best-Fit-Prognose durch die POA, die am nächsten zu 100 Prozent (über oder unter) oder die MAD, die am nächsten zu Null ist. 3.2 Prognosemethoden JD Edwards EnterpriseOne Forecast Management nutzt 12 Methoden zur quantitativen Prognose und zeigt an, welche Methode die beste Prognosesituation bietet. Dieser Abschnitt behandelt: Methode 1: Prozent über dem letzten Jahr. Methode 2: Berechnet Prozent über Letztes Jahr. Methode 3: Letztes Jahr zu diesem Jahr. Methode 4: Gleitender Durchschnitt. Methode 5: Lineare Approximation. Methode 6: Least Squares Regression. Methode 7: Zweite Grad Approximation. Methode 8: Flexible Methode. Methode 9: Gewichteter gleitender Durchschnitt. Methode 10: Lineare Glättung. Methode 11: Exponentielle Glättung. Methode 12: Exponentielle Glättung mit Trend - und Saisonalität. Geben Sie die Methode an, die Sie in den Verarbeitungsoptionen für das Prognosegenerierungsprogramm (R34650) verwenden möchten. Die meisten dieser Methoden bieten eine begrenzte Kontrolle. Zum Beispiel können Sie das Gewicht, das auf die jüngsten historischen Daten oder den Zeitraum der historischen Daten, die in den Berechnungen verwendet wird, platziert werden. Die Beispiele in dem Leitfaden zeigen die Berechnungsprozedur für jede der verfügbaren Prognosemethoden an, wenn ein identischer Satz von historischen Daten vorliegt. Die Methodenbeispiele im Leitfaden verwenden einen Teil oder alle dieser Datensätze, die historische Daten der letzten zwei Jahre sind. Die Prognose geht ins nächste Jahr. Diese Verkäufe Geschichte Daten ist stabil mit kleinen saisonalen Zunahmen im Juli und Dezember. Dieses Muster ist charakteristisch für ein reifes Produkt, das sich der Veralterung nähern könnte. 3.2.1 Methode 1: Prozentsatz über letztem Jahr Diese Methode verwendet die Prozentsatz über letztes Jahr Formel, um jede Prognoseperiode mit der angegebenen prozentualen Erhöhung oder Abnahme zu multiplizieren. Zur Prognose der Nachfrage, erfordert diese Methode die Anzahl der Perioden für die beste Passform plus ein Jahr der Umsatz Geschichte. Diese Methode ist nützlich, um die Nachfrage nach saisonalen Produkten mit Wachstum oder Rückgang prognostizieren. 3.2.1.1 Beispiel: Methode 1: Prozentsatz über dem letzten Jahr Die Formel "Prozent über letztes Jahr" multipliziert die Umsatzdaten des Vorjahres mit einem Faktor, den Sie angeben, und dann Projekte, die sich über das nächste Jahr ergeben. Diese Methode kann in der Budgetierung nützlich sein, um den Einfluss einer bestimmten Wachstumsrate zu simulieren, oder wenn die Verkaufsgeschichte eine signifikante saisonale Komponente aufweist. Vorhersage-Spezifikationen: Multiplikationsfaktor. Geben Sie beispielsweise 110 in der Verarbeitungsoption an, um die Verkaufsverlaufsdaten der letzten Jahre um 10 Prozent zu erhöhen. Erforderliche Verkaufsgeschichte: Ein Jahr für die Berechnung der Prognose plus die Anzahl der Zeiträume, die für die Bewertung der Prognoseperformance (Perioden der besten Übereinstimmung) erforderlich sind, die Sie angeben. Diese Tabelle wird in der Prognoseberechnung verwendet: Die Februarprognose entspricht 117 mal 1,1 128,7 gerundet auf 129. Die Märzprognose entspricht 115 mal 1,1 126,5 gerundet auf 127. 3.2.2 Methode 2: Berechneter Prozentsatz über letztem Jahr Diese Methode verwendet den berechneten Prozentsatz Letztes Jahr Formel, um die vergangenen Verkäufe von bestimmten Perioden mit Verkäufen aus den gleichen Perioden des Vorjahres zu vergleichen. Das System ermittelt einen prozentualen Anstieg oder Abfall und multipliziert dann jede Periode mit dem Prozentsatz, um die Prognose zu bestimmen. Für die Prognose der Nachfrage benötigt diese Methode die Anzahl der Perioden der Kundenauftragshistorie zuzüglich eines Jahres der Verkaufsgeschichte. Diese Methode ist nützlich, um die kurzfristige Nachfrage nach Saisonartikeln mit Wachstum oder Rückgang prognostizieren. 3.2.2.1 Beispiel: Methode 2: Berechneter Prozentsatz über Letztes Jahr Die Formel des berechneten Prozentsatzes über dem letzten Jahr multipliziert Umsatzdaten des Vorjahres mit einem Faktor, der vom System berechnet wird, und dann projiziert er das Ergebnis für das nächste Jahr. Diese Methode könnte bei der Projektion der Auswirkungen der Ausweitung der jüngsten Wachstumsrate für ein Produkt in das nächste Jahr nützlich sein, während ein saisonales Muster, das in der Umsatzgeschichte vorhanden ist. Prognose Spezifikationen: Bereich der Umsatzgeschichte für die Berechnung der Wachstumsrate zu verwenden. Geben Sie z. B. n gleich 4 in der Verarbeitungsoption an, um die Verkaufsgeschichte der letzten vier Perioden mit denselben vier Perioden des Vorjahres zu vergleichen. Verwenden Sie das berechnete Verhältnis, um die Projektion für das nächste Jahr zu machen. Erforderliche Verkaufsgeschichte: Ein Jahr für die Berechnung der Prognose plus die Anzahl der Zeiträume, die für die Bewertung der Prognoseperformance (Perioden der besten Passung) erforderlich sind. Diese Tabelle ist die Vorgeschichte, die bei der Prognoseberechnung verwendet wird: n 4: Februar-Prognose entspricht 117 mal 0,9766 114,26 gerundet auf 114. März-Prognose entspricht 115 mal 0,9766 112,31 gerundet auf 112. 3.2.3 Methode 3: Letztes Jahr in diesem Jahr Diese Methode wird verwendet Letzten Jahren Umsatz für die nächsten Jahre Prognose. Um die Nachfrage prognostizieren zu können, erfordert diese Methode die Anzahl der Perioden, die am besten geeignet sind, plus einem Jahr der Kundenauftragshistorie. Diese Methode ist nützlich, um die Nachfrage nach ausgereiften Produkten mit Niveau Nachfrage oder saisonale Nachfrage ohne Trend prognostizieren. 3.2.3.1 Beispiel: Methode 3: Letztes Jahr zu diesem Jahr Die Formel "Letztes Jahr in diesem Jahr" kopiert die Verkaufsdaten des Vorjahres bis zum nächsten Jahr. Diese Methode könnte in der Budgetierung nützlich sein, um Verkäufe auf dem gegenwärtigen Niveau zu simulieren. Das Produkt ist reif und hat keinen Trend auf lange Sicht, aber ein erhebliches saisonales Nachfrage-Muster könnte existieren. Vorhersagevorgaben: Keine. Erforderliche Verkaufsgeschichte: Ein Jahr für die Berechnung der Prognose plus die Anzahl der Zeiträume, die für die Bewertung der Prognoseperformance (Perioden der besten Passung) erforderlich sind. Diese Tabelle ist Geschichte in der Prognose Berechnung verwendet: Januar-Prognose entspricht Januar des letzten Jahres mit einem Prognosewert von 128. Februar-Prognose entspricht Februar des letzten Jahres mit einem Prognosewert von 117. März-Prognose entspricht März des letzten Jahres mit einem Prognosewert von 115. 3.2.4 Methode 4: Moving Average Diese Methode verwendet die Moving Average-Formel, um die angegebene Anzahl von Perioden zu berechnen, um die nächste Periode zu projizieren. Sie sollten es häufig neu berechnen (monatlich oder mindestens vierteljährlich), um den sich ändernden Bedarf zu reflektieren. Um die Nachfrage prognostizieren zu können, erfordert diese Methode die Anzahl der Perioden, die am besten passen, plus die Anzahl der Perioden der Kundenauftragshistorie. Diese Methode ist nützlich, um die Nachfrage nach reifen Produkten ohne Trend prognostizieren. 3.2.4.1 Beispiel: Methode 4: Moving Average Moving Average (MA) ist eine beliebte Methode zur Mittelung der Ergebnisse der letzten Verkaufsgeschichte, um eine Projektion kurzfristig zu bestimmen. Die MA-Prognosemethode bleibt hinter Trends zurück. Forecast Bias und systematische Fehler auftreten, wenn die Produktverkäufe Geschichte zeigt starke Trend-oder saisonale Muster. Diese Methode funktioniert besser für Kurzstrecken-Prognosen von reifen Produkten als für Produkte, die in den Wachstums-oder Obsoleszenz Stufen des Lebenszyklus sind. Prognosespezifikationen: n entspricht der Anzahl der Perioden der Verkaufsgeschichte, die in der Prognoserechnung verwendet werden sollen. Geben Sie beispielsweise n 4 in der Verarbeitungsoption an, um die letzten vier Perioden als Grundlage für die Projektion in die nächste Zeitperiode zu verwenden. Ein großer Wert für n (wie 12) erfordert mehr Umsatz Geschichte. Es resultiert in einer stabilen Prognose, ist aber langsam zu erkennen Verschiebungen in der Höhe des Umsatzes. Umgekehrt ist ein kleiner Wert für n (wie z. B. 3) schneller auf Verschiebungen im Umsatzniveau zu reagieren, aber die Prognose könnte so weit schwanken, dass die Produktion nicht auf die Variationen reagieren kann. Erforderliche Verkaufsgeschichte: n plus Anzahl der Zeiträume, die für die Bewertung der Prognoseperformance (Perioden der besten Abstimmung) erforderlich sind. Diese Tabelle wird in der Prognoseberechnung verwendet: Februar-Prognose entspricht (114 119 137 125) 4 123,75 gerundet auf 124. März-Prognose entspricht (119 137 125 124) 4 126,25 gerundet auf 126. 3.2.5 Methode 5: Lineare Approximation Diese Methode Verwendet die Formel zur linearen Approximation, um einen Trend aus der Anzahl der Perioden des Kundenauftragsverlaufs zu berechnen und diesen Trend zur Prognose zu projizieren. Sie sollten den Trend monatlich neu berechnen, um Änderungen in Trends zu erkennen. Diese Methode erfordert die Anzahl der Perioden der besten Übereinstimmung plus die Anzahl der angegebenen Perioden der Kundenauftragshistorie. Diese Methode ist nützlich, um die Nachfrage nach neuen Produkten oder Produkten mit konstanten positiven oder negativen Trends, die nicht aufgrund von saisonalen Schwankungen sind prognostiziert. 3.2.5.1 Beispiel: Methode 5: Lineare Approximation Lineare Approximation berechnet einen Trend, der auf zwei Verkaufsverlaufsdatenpunkten basiert. Diese beiden Punkte definieren eine gerade Linie, die in die Zukunft projiziert wird. Verwenden Sie diese Methode mit Vorsicht, weil Langstreckenvorhersagen durch kleine Änderungen an nur zwei Datenpunkten genutzt werden. Prognosespezifikationen: n entspricht dem Datenpunkt in der Verkaufsgeschichte, der mit dem aktuellsten Datenpunkt verglichen wird, um einen Trend zu identifizieren. Geben Sie beispielsweise n 4 an, um die Differenz zwischen Dezember (jüngste Daten) und August (vier Perioden vor Dezember) als Grundlage für die Berechnung des Trends zu verwenden. Mindestens erforderlicher Umsatzverlauf: n plus 1 plus Anzahl der Zeiträume, die für die Bewertung der Prognoseperformance (Perioden der besten Abstimmung) erforderlich sind. Diese Tabelle wird in der Prognoseberechnung verwendet: Januar-Prognose Dezember des vergangenen Jahres 1 (Trend) 137 (1-mal 2) 139. Februar-Prognose Dezember des vergangenen Jahres 1 (Trend) 137 (2-mal 2) 141. März-Prognose Dezember des vergangenen Jahres 1 (Trend) entspricht 137 (3 mal 2) 143. 3.2.6 Methode 6: Least Squares Regression Die Methode der Least Squares Regression (LSR) leitet eine Gleichung ab, die eine lineare Beziehung zwischen den historischen Verkaufsdaten beschreibt Und der Lauf der Zeit. LSR paßt auf eine Zeile zum ausgewählten Datenbereich, so daß die Summe der Quadrate der Differenzen zwischen den tatsächlichen Verkaufsdatenpunkten und der Regressionsgeraden minimiert wird. Die Prognose ist eine Projektion dieser Geraden in die Zukunft. Diese Methode erfordert Verkaufsdatenhistorie für den Zeitraum, der durch die Anzahl der bestmöglichen Perioden plus der angegebenen Anzahl von historischen Datenperioden dargestellt wird. Die Mindestanforderung sind zwei historische Datenpunkte. Diese Methode ist nützlich, um die Nachfrage zu prognostizieren, wenn ein linearer Trend in den Daten ist. 3.2.6.1 Beispiel: Methode 6: Least Squares Regression Lineare Regression oder Least Squares Regression (LSR) ist die beliebteste Methode, um einen linearen Trend in historischen Verkaufsdaten zu identifizieren. Das Verfahren berechnet die Werte für a und b, die in der Formel verwendet werden sollen: Diese Gleichung beschreibt eine Gerade, wobei Y für Verkäufe steht und X für Zeit steht. Lineare Regression ist langsam zu erkennen, Wendepunkte und Schritt Funktion Verschiebungen in der Nachfrage. Die lineare Regression passt auf eine gerade Linie zu den Daten, selbst wenn die Daten saisonal oder besser durch eine Kurve beschrieben werden. Wenn Verkaufsgeschichte-Daten einer Kurve folgen oder ein starkes saisonales Muster aufweisen, treten Vorhersage-Bias und systematische Fehler auf. Prognosespezifikationen: n entspricht den Perioden der Verkaufsgeschichte, die bei der Berechnung der Werte für a und b verwendet werden. Geben Sie beispielsweise n 4 an, um die Historie von September bis Dezember als Grundlage für die Berechnungen zu verwenden. Wenn Daten verfügbar sind, würde ein grßeres n (wie beispielsweise n 24) gewöhnlich verwendet werden. LSR definiert eine Zeile für so wenige wie zwei Datenpunkte. Für dieses Beispiel wurde ein kleiner Wert für n (n 4) gewählt, um die manuellen Berechnungen zu reduzieren, die erforderlich sind, um die Ergebnisse zu verifizieren. Mindestens erforderlicher Umsatzverlauf: n Perioden plus Anzahl der Zeiträume, die für die Bewertung der Prognoseperformance (Perioden der besten Abstimmung) erforderlich sind. Diese Tabelle wird in der Prognoseberechnung verwendet: Die Märzprognose entspricht 119,5 (7 mal 2,3) 135,6 auf 136 gerundet. 3.2.7 Methode 7: Zweite Grad Approximation Um die Prognose zu projizieren, verwendet diese Methode die Zweite Grad-Approximationsformel, um eine Kurve darzustellen Die auf der Anzahl der Verkaufsphasen beruht. Diese Methode erfordert die Anzahl der Perioden am besten geeignet plus die Anzahl der Perioden der Verkaufsauftragsverlauf mal drei. Diese Methode ist nicht geeignet, die Nachfrage nach einem langfristigen Zeitraum zu prognostizieren. 3.2.7.1 Beispiel: Methode 7: Second Degree Approximation Die lineare Regression ermittelt Werte für a und b in der Prognoseformel Y a b X mit dem Ziel, eine Gerade an die Verkaufsgeschichtsdaten anzupassen. Zweite Grad Approximation ist ähnlich, aber diese Methode bestimmt Werte für a, b und c in dieser Prognose Formel: Y a b X c X 2 Das Ziel dieses Verfahrens ist es, eine Kurve auf die Verkaufsgeschichte Daten passen. Dieses Verfahren ist nützlich, wenn sich ein Produkt im Übergang zwischen den Lebenszyklusstufen befindet. Wenn sich beispielsweise ein neues Produkt von der Einführung in die Wachstumsstadien bewegt, könnte sich die Absatzentwicklung beschleunigen. Wegen des Termes der zweiten Ordnung kann die Prognose schnell an die Unendlichkeit heranreichen oder auf Null fallen (abhängig davon, ob der Koeffizient c positiv oder negativ ist). Diese Methode ist nur kurzfristig nutzbar. Prognose Spezifikationen: die Formel finden a, b und c, um eine Kurve auf genau drei Punkte passen. Sie geben n die Anzahl der Zeitperioden an, die in jedem der drei Punkte akkumuliert werden sollen. In diesem Beispiel ist n 3. Die tatsächlichen Verkaufsdaten für April bis Juni sind in den ersten Punkt Q1 zusammengefasst. Juli bis September werden addiert, um Q2 zu schaffen, und Oktober bis Dezember Summe zu Q3. Die Kurve ist an die drei Werte Q1, Q2 und Q3 angepasst. Erforderliche Verkaufsgeschichte: 3 mal n Perioden für die Berechnung der Prognose plus die Anzahl der Zeiträume, die für die Bewertung der Prognoseperformance (Perioden der besten Passform) erforderlich sind. Diese Tabelle wird in der Prognoserechnung verwendet: Q0 (Jan) (Feb) (Mar) Q1 (Apr) (Mai) (Jun), die 125 122 137 384 Q2 (Jul) (Aug) (Sep) entspricht 140 129 entspricht Der nächste Schritt besteht darin, die drei Koeffizienten a, b und c zu berechnen, die in der Prognoseformel Y ab X c X 2 verwendet werden sollen. Q1, Q2 und Q3 werden auf der Grafik dargestellt, wobei die Zeit auf der horizontalen Achse aufgetragen ist. Q1 stellt die gesamten historischen Verkäufe für April, Mai und Juni dar und ist auf X 1 Q2 dargestellt, entspricht Juli bis September Q3 entspricht Oktober bis Dezember und Q4 repräsentiert Januar bis März. Diese Grafik illustriert die Darstellung von Q1, Q2, Q3 und Q4 für die Näherung des zweiten Grades: Abbildung 3-2 Darstellung von Q1, Q2, Q3 und Q4 zur Näherung des zweiten Grades Drei Gleichungen beschreiben die drei Punkte des Graphen: (1) Q1 (Q2 a 2b 4c) (3) Q3 a bX cX 2 mit X 3 (Q3 a 3b 9c) Lösen Sie die drei Gleichungen gleichzeitig (2) ndash (1) Q2 ndash Q1 b 3c b (Q2 ndash Q1) ndash 3c Ersetzen Sie die Gleichung 1 (1) aus Gleichung 2 (2) und lösen Sie für b: B in Gleichung (3): (3) Q3 a 3 (Q2 ndash Q1) ndash 3c 9c a Q3 ndash 3 (Q2 ndash Q1) Schließe diese Gleichungen für a und b in Gleichung (1): (1) Q3 ndash ein (Q2 ndash Q2) 2 Das zweite Approximationsverfahren berechnet a, b und c wie folgt: a Q3 ndash 3 (Q2 ndash Q1) (Q2 ndash Q1) (Q2 ndash Q1) ) (N3) n0 (n3) n0 (n2) n0 (n3) n0 (n) n (n) 370 ndash 400) (384 ndash 400) 2 ndash23 Dies ist eine Berechnung der Näherungsprognose des zweiten Grades: Y a bX cX 2 322 85X (ndash23) (X 2) Wenn X 4, Q4 322 340 ndash 368 294. Die Prognose entspricht 294 3 98 pro Zeitraum. Wenn X 5, Q5 322 425 ndash 575 172. Die Prognose entspricht 172 3 58,33 auf 57 pro Periode gerundet. Wenn X 6, Q6 322 510 ndash 828 4. Die Prognose ist 4 3 1,33 gerundet auf 1 pro Periode. Dies ist die Prognose für das nächste Jahr, Letztes Jahr zu diesem Jahr: 3.2.8 Methode 8: Flexible Methode Mit dieser Methode können Sie die bestmögliche Anzahl von Perioden des Verkaufsauftragsverlaufs auswählen, die n Monate vor dem Startdatum der Prognose beginnt Wenden Sie einen prozentualen Anstieg oder Abnahme Multiplikationsfaktor, mit dem die Prognose zu ändern. Diese Methode ähnelt Methode 1, Prozent über dem letzten Jahr, außer dass Sie die Anzahl der Perioden angeben können, die Sie als Basis verwenden. Abhängig davon, was Sie als n wählen, erfordert diese Methode Perioden am besten geeignet plus die Anzahl der angegebenen Perioden der Verkaufsdaten. Diese Methode ist nützlich, um die Nachfrage nach einem geplanten Trend vorherzusagen. 3.2.8.1 Beispiel: Methode 8: Flexible Methode Die Flexible Methode (Prozentsatz über n Monate vor) ähnelt der Methode 1, Prozent über dem letzten Jahr. Beide Methoden multiplizieren Verkaufsdaten aus einem früheren Zeitraum mit einem von Ihnen angegebenen Faktor und projizieren dieses Ergebnis dann in die Zukunft. In der Percent Over Last Year Methode basiert die Projektion auf Daten aus dem gleichen Zeitraum des Vorjahres. Sie können auch die Flexible Methode verwenden, um einen anderen Zeitraum als denselben Zeitraum des letzten Jahres anzugeben, der als Grundlage für die Berechnungen verwendet werden soll. Multiplikationsfaktor. Geben Sie beispielsweise 110 in der Verarbeitungsoption an, um die vorherigen Verkaufsverlaufsdaten um 10 Prozent zu erhöhen. Basiszeitraum. Zum Beispiel bewirkt n 4, dass die erste Prognose im September des letzten Jahres auf Verkaufsdaten basiert. Mindestens erforderliche Verkaufsgeschichte: Anzahl der Perioden bis zur Basisperiode plus Anzahl der Zeiträume, die für die Bewertung der Prognoseperformance erforderlich sind (Perioden der besten Abstimmung). 3.2.9 Methode 9: Gewichteter gleitender Durchschnitt Die gewichtete gleitende Durchschnittsformel ist vergleichbar mit Methode 4, Gleitende Durchschnittsformel, da sie im Vergleich zum vorausgegangenen Geschäftsverlauf die vorhergehende Verkaufshistorie projiziert. Mit dieser Formel können Sie jedoch Gewichte für jede der vorherigen Perioden zuordnen. Diese Methode erfordert die Anzahl der gewählten Perioden plus die Anzahl der Perioden, die am besten zu den Daten passen. Ähnlich wie bei Moving Average, liegt diese Methode hinter den Nachfrage-Trends, so dass diese Methode nicht für Produkte mit starken Trends oder Saisonalität empfohlen wird. Diese Methode ist nützlich, um die Nachfrage nach ausgereiften Produkten mit einer Nachfrage zu prognostizieren, die relativ hoch ist. 3.2.9.1 Beispiel: Methode 9: Gewichteter gleitender Durchschnitt Die Methode des gewichteten gleitenden Durchschnitts (WMA) ähnelt Methode 4, Gleitender Durchschnitt (MA). Sie können jedoch den historischen Daten bei Verwendung von WMA ungleiche Gewichte zuordnen. Die Methode berechnet einen gewichteten Durchschnitt der letzten Verkäufe Geschichte, um zu einer Projektion für die kurzfristige kommen. Jüngere Daten sind in der Regel ein größeres Gewicht als ältere Daten zugeordnet, so dass WMA ist besser auf Veränderungen in der Ebene des Umsatzes. Allerdings Prognose Bias und systematische Fehler auftreten, wenn die Produktverkäufe Geschichte starke Trends oder saisonale Muster zeigt. Diese Methode funktioniert besser für Kurzstreckenvorhersagen von reifen Produkten als für Produkte in den Wachstums - oder Veralterungsstadien des Lebenszyklus. Die Anzahl der Perioden der Verkaufsgeschichte (n), die in der Prognoserechnung verwendet werden sollen. Geben Sie beispielsweise n 4 in der Verarbeitungsoption an, um die letzten vier Perioden als Grundlage für die Projektion in die nächste Zeitperiode zu verwenden. Ein großer Wert für n (wie 12) erfordert mehr Umsatz Geschichte. Ein solcher Wert führt zu einer stabilen Prognose, aber es ist langsam, Veränderungen im Absatzniveau zu erkennen. Umgekehrt reagiert ein kleiner Wert für n (wie 3) schneller auf Verschiebungen des Umsatzniveaus, doch könnte die Prognose so weit schwanken, dass die Produktion nicht auf die Variationen reagieren kann. Die Gesamtzahl der Perioden für die Verarbeitungsoption rdquo14 - Perioden bis includerdquo sollte 12 Monate nicht überschreiten. Das Gewicht, das jeder der historischen Datenperioden zugeordnet ist. Die zugeordneten Gewichte müssen 1,00 betragen. Zum Beispiel, wenn n 4, weisen Sie Gewichte von 0,50, 0,25, 0,15 und 0,10 zu, wobei die jüngsten Daten das größte Gewicht empfangen. Mindestens erforderlicher Umsatzverlauf: n plus Anzahl der Zeiträume, die für die Bewertung der Prognoseperformance (Perioden der besten Abstimmung) erforderlich sind. Diese Tabelle wird in der Prognoserechnung verwendet: Die Januarprognose entspricht (131 mal 0,10) (114 mal 0,15) (119 mal 0,25) (137 mal 0,50) (0,10 0,15 0,25 0,50) 128,45 auf 128 gerundet (119 mal 0,10) (128 mal 0,15) (128 mal 0,25) (128 mal 0,50) 1 128,45 abgerundet auf 128. März-Vorhersage entspricht 119 mal 0,10 (137 mal 0,15) (128 mal 0,25) 128. 3.2.10 Methode 10: Lineare Glättung Diese Methode berechnet einen gewichteten Durchschnitt der bisherigen Verkaufsdaten. Bei dieser Methode wird die Anzahl der Perioden der Kundenauftragshistorie (von 1 bis 12) verwendet, die in der Bearbeitungsoption angegeben ist. Das System verwendet eine mathematische Progression, um Daten im Bereich von dem ersten (am wenigsten Gewicht) bis zum letzten Gewicht (das meiste Gewicht) zu wiegen. Das System projiziert diese Informationen zu jeder Periode in der Prognose. Diese Methode benötigt für die Anzahl der Perioden, die in der Verarbeitungsoption angegeben sind, die jeweils am besten passende Monatshälfte plus den Kundenauftragshistorie. 3.2.10.1 Beispiel: Methode 10: Lineare Glättung Diese Methode ähnelt Methode 9, WMA. Jedoch wird anstelle der willkürlichen Zuweisung von Gewichten zu den historischen Daten eine Formel verwendet, um Gewichtungen zuzuweisen, die linear abnehmen und auf 1,00 summieren. Das Verfahren berechnet dann einen gewichteten Durchschnitt der letzten Verkaufsgeschichte, um zu einer Projektion für die kurze Zeit zu gelangen. Wie alle linearen gleitenden durchschnittlichen Prognosetechniken, Prognose Bias und systematische Fehler auftreten, wenn die Produktverkäufe Geschichte starke Trend-oder saisonale Muster zeigt. Diese Methode funktioniert besser für Kurzstreckenvorhersagen von reifen Produkten als für Produkte in den Wachstums - oder Veralterungsstadien des Lebenszyklus. N entspricht der Anzahl der Perioden der Verkaufsgeschichte, die in der Prognoserechnung verwendet werden sollen. Geben Sie z. B. n gleich 4 in der Verarbeitungsoption an, um die letzten vier Perioden als Basis für die Projektion in die nächste Zeitperiode zu verwenden. Das System vergibt automatisch die Gewichte den historischen Daten, die linear abnehmen und auf 1,00 summieren. Wenn z. B. n gleich 4 ist, weist das System Gewichte von 0,4, 0,3, 0,2 und 0,1 zu, wobei die neuesten Daten das größte Gewicht empfangen. Mindestens erforderlicher Umsatzverlauf: n plus Anzahl der Zeiträume, die für die Bewertung der Prognoseperformance (Perioden der besten Abstimmung) erforderlich sind. 3.2.11 Methode 11: Exponentialglättung Diese Methode berechnet einen geglätteten Durchschnitt, der zu einer Schätzung wird, die das allgemeine Umsatzniveau über die ausgewählten historischen Datenperioden darstellt. Diese Methode erfordert Umsatzdatenhistorie für den Zeitraum, der durch die Anzahl der bestmöglichen Perioden plus die Anzahl der angegebenen historischen Datenperioden dargestellt wird. Die Mindestanforderung sind zwei historische Datenperioden. Diese Methode ist nützlich, um die Nachfrage zu prognostizieren, wenn kein linearer Trend in den Daten vorhanden ist. 3.2.11.1 Beispiel: Methode 11: Exponentielle Glättung Diese Methode ist ähnlich wie Methode 10, Lineare Glättung. In Linear Smoothing weist das System Gewichte auf, die linear auf die historischen Daten zurückgehen. Bei exponentieller Glättung weist das System Gewichte auf, die exponentiell zerfallen. Die Prognose ist ein gewichteter Durchschnitt der tatsächlichen Umsätze der Vorperiode und der Prognose der Vorperiode. Die Prognose für die Exponential-Glättungsprognose lautet: Alpha ist das Gewicht, das auf die tatsächlichen Verkäufe für den vorherigen Zeitraum angewendet wird. (1 ndash alpha) ist das Gewicht, das auf die Prognose für den vorherigen Zeitraum angewendet wird. Werte für Alpha reichen von 0 bis 1 und fallen üblicherweise zwischen 0,1 und 0,4. Die Summe der Gewichte beträgt 1,00 (alpha (1 ndash alpha) 1). Sie sollten einen Wert für die Glättungskonstante, alpha, zuweisen. Wenn Sie keinen Wert für die Glättungskonstante zuweisen, berechnet das System einen angenommenen Wert, der auf der Anzahl der Perioden des Verkaufsverlaufs basiert, die in der Verarbeitungsoption angegeben ist. Alpha entspricht der Glättungskonstante, die verwendet wird, um den geglätteten Durchschnitt für das allgemeine Niveau oder die Grße der Verkäufe zu berechnen. Werte für den Alpha-Bereich von 0 bis 1. n entspricht dem Bereich der Verkaufsverlaufsdaten, der in die Berechnungen aufzunehmen ist. Im Allgemeinen reicht ein Jahr der Umsatzverlaufsdaten aus, um das allgemeine Umsatzniveau abzuschätzen. Für dieses Beispiel wurde ein kleiner Wert für n (n 4) gewählt, um die manuellen Berechnungen zu reduzieren, die erforderlich sind, um die Ergebnisse zu verifizieren. Exponentielle Glättung kann eine Prognose erzeugen, die auf nur einem historischen Datenpunkt basiert. Mindestens erforderlicher Umsatzverlauf: n plus Anzahl der Zeiträume, die für die Bewertung der Prognoseperformance (Perioden der besten Abstimmung) erforderlich sind. 3.2.12 Methode 12: Exponentielle Glättung mit Trend - und Saisonalität Diese Methode berechnet einen Trend, einen saisonalen Index und einen exponentiell geglätteten Durchschnitt aus dem Kundenauftragsverlauf. Das System wendet dann eine Projektion des Trends auf die Prognose an und passt sich dem Saisonindex an. Diese Methode erfordert die Anzahl der Perioden am besten geeignet plus zwei Jahre der Umsatzdaten und ist nützlich für Elemente, die sowohl Trend und Saisonalität in der Prognose haben. Sie können den Alpha - und Betafaktor eingeben oder das System berechnen lassen. Alpha - und Beta-Faktoren sind die Glättungskonstante, die das System verwendet, um den geglätteten Durchschnitt für das allgemeine Niveau oder die Größenordnung des Umsatzes (alpha) und die Trendkomponente der Prognose (Beta) zu berechnen. 3.2.12.1 Beispiel: Methode 12: Exponentielle Glättung mit Trend - und Saisonalität Diese Methode ähnelt Methode 11, Exponentialglättung, indem ein geglätteter Mittelwert berechnet wird. Das Verfahren 12 enthält jedoch auch einen Term in der Prognose-Gleichung, um einen geglätteten Trend zu berechnen. Die Prognose setzt sich aus einem geglätteten Durchschnitt, der für einen linearen Trend angepasst wird. Wenn in der Verarbeitungsoption angegeben, wird die Prognose auch saisonbedingt angepasst. Alpha entspricht der Glättungskonstante, die beim Berechnen des geglätteten Durchschnitts für das allgemeine Niveau oder die Grße der Verkäufe verwendet wird. Werte für Alpha reichen von 0 bis 1. Beta entspricht der Glättungskonstante, die beim Berechnen des geglätteten Durchschnitts für die Trendkomponente der Prognose verwendet wird. Werte für Beta reichen von 0 bis 1. Ob ein saisonaler Index auf die Prognose angewendet wird. Alpha und beta sind voneinander unabhängig. Sie müssen nicht auf 1,0 Summe. Mindestens erforderlicher Umsatzverlauf: Ein Jahr plus Anzahl der Zeiträume, die zur Bewertung der Prognoseperformance erforderlich sind (Perioden der besten Abstimmung). Wenn zwei oder mehr Jahre historischer Daten vorliegen, verwendet das System zwei Jahre Daten in den Berechnungen. Methode 12 verwendet zwei Exponential-Glättungsgleichungen und einen einfachen Mittelwert, um einen geglätteten Durchschnitt, einen geglätteten Trend und einen einfachen durchschnittlichen saisonalen Index zu berechnen. Ein exponentiell geglätteter Durchschnitt: Ein einfacher durchschnittlicher saisonaler Index: Abbildung 3-3 Einfacher mittlerer saisonaler Index Die Prognose wird dann unter Verwendung der Ergebnisse der drei Gleichungen berechnet: L ist die Länge der Saisonalität (L entspricht 12 Monaten oder 52 Wochen). T die aktuelle Zeitspanne ist. M ist die Anzahl der Zeiträume in die Zukunft der Prognose. S ist der multiplikative saisonale Anpassungsfaktor, der auf den entsprechenden Zeitraum indiziert ist. In dieser Tabelle wird der Verlauf der Prognoseberechnung aufgelistet: Dieser Abschnitt bietet einen Überblick über die Prognoseauswertungen und erörtert: Sie können Prognosemethoden auswählen, um so viele wie 12 Prognosen für jedes Produkt zu generieren. Jede Prognosemethode kann eine etwas andere Projektion erzeugen. Wenn Tausende von Produkten prognostiziert werden, ist eine subjektive Entscheidung unpraktisch, welche Prognose in den Plänen für jedes Produkt verwenden. Das System wertet automatisch die Leistung für jede von Ihnen ausgewählte Prognosemethode und für jedes von Ihnen prognostizierte Produkt aus. Sie können zwischen zwei Leistungskriterien wählen: MAD und POA. MAD ist ein Maß für den Prognosefehler. POA ist ein Maß für die Vorhersage. Diese beiden Leistungsbewertungsverfahren erfordern für einen von Ihnen festgelegten Zeitraum tatsächliche Umsatzverlaufsdaten. Der Zeitraum der jüngsten Geschichte für die Auswertung verwendet wird als eine Übergangszeit oder Periode der besten Passform. Um die Performance einer Prognosemethode zu messen, verwendet das System die Prognoseformeln, um eine Prognose für die historische Halteperiode zu simulieren. Stellt einen Vergleich zwischen den tatsächlichen Verkaufsdaten und der simulierten Prognose für den Haltezeitraum her. Wenn Sie mehrere Prognosemethoden auswählen, tritt dieser Prozess für jede Methode auf. Mehrere Prognosen werden für die Halteperiode berechnet und im Vergleich zu der bekannten Verkaufsgeschichte für den gleichen Zeitraum. Für die Verwendung in den Plänen wird die Prognosemethode empfohlen, die die optimale Übereinstimmung zwischen der Prognose und dem tatsächlichen Umsatz während des Haltezeitraums liefert. Diese Empfehlung ist spezifisch für jedes Produkt und kann sich jedes Mal ändern, wenn Sie eine Prognose generieren. 3.3.1 Mittlere Absolutabweichung Die mittlere Absolutabweichung (MAD) ist der Mittelwert (oder Mittelwert) der Absolutwerte (oder Größen) der Abweichungen (oder Fehler) zwischen Ist - und Prognosedaten. MAD ist ein Maß für die durchschnittliche Größe der zu erwartenden Fehler bei einer Prognosemethode und einem Datenverlauf. Da bei der Berechnung absolute Werte verwendet werden, werden positive Fehler nicht negativ ausgewertet. Beim Vergleich mehrerer Prognosemethoden ist derjenige mit dem kleinsten MAD der zuverlässigste für dieses Produkt für diesen Haltezeitraum. Wenn die Prognose unvoreingenommen ist und Fehler normal verteilt sind, existiert eine einfache mathematische Beziehung zwischen MAD und zwei anderen gemeinsamen Verteilungsmaßstäben, bei denen es sich um Standardabweichung und Mean Squared Error handelt. 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. Wenn die Prognosen konsequent zu hoch sind, sammeln sich die Vorräte an und die Lagerhaltungskosten steigen. 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 ist die Größenordnung der Prognosefehler in der Regel wichtiger als die prognostizierte 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. A Forecast Calculation Examples A.1 Forecast Calculation Methods Twelve methods of calculating forecasts are available. Most of these methods provide for limited user control. Beispielsweise könnte das Gewicht, das auf die jüngsten historischen Daten oder den Datumsbereich der in den Berechnungen verwendeten historischen Daten gesetzt wurde, spezifiziert werden. Die folgenden Beispiele zeigen das Berechnungsverfahren für jede der verfügbaren Prognosemethoden bei einem identischen Satz von historischen Daten. Die folgenden Beispiele verwenden dieselben Verkaufsdaten für 2004 und 2005, um eine Verkaufsprognose von 2006 zu erstellen. Zusätzlich zur Prognoserechnung enthält jedes Beispiel eine simulierte Prognose von 2005 für eine dreimonatige Halteperiode (Verarbeitungsoption 19 3), die dann für Prozentsätze der Genauigkeit und der mittleren Absolutabweichung (tatsächlicher Umsatz gegenüber simulierter Prognose) verwendet wird. A.2 Kriterien für die Bewertung der Prognoseleistung Abhängig von der Auswahl der Verarbeitungsoptionen und den in den Verkaufsdaten vorhandenen Trends und Mustern werden einige Prognosemethoden für einen gegebenen historischen Datensatz besser abschneiden als andere. Eine für ein Produkt geeignete Prognosemethode ist möglicherweise nicht für ein anderes Produkt geeignet. Es ist auch unwahrscheinlich, dass eine Prognosemethode, die in einem Stadium des Produktlebenszyklus gute Ergebnisse liefert, über den gesamten Lebenszyklus hinweg angemessen bleibt. Sie können zwischen zwei Methoden wählen, um die aktuelle Leistung der Prognosemethoden zu bewerten. Diese sind mittlere absolute Abweichung (MAD) und Prozent der Genauigkeit (POA). Beide dieser Leistungsbewertungsverfahren erfordern historische Verkaufsdaten für einen vom Benutzer angegebenen Zeitraum. Dieser Zeitraum wird als Halteperiode oder Perioden am besten geeignet (PBF) bezeichnet. Die Daten in diesem Zeitraum dienen als Grundlage für die Empfehlung, welche der Prognosemethoden für die nächste Prognoseprojektion verwendet werden sollen. Diese Empfehlung ist spezifisch für jedes Produkt und kann von einer Prognosegeneration zur nächsten wechseln. Die beiden prognostizierten Methoden der Leistungsbewertung werden in den Seiten nach den Beispielen der zwölf Prognosemethoden vorgestellt. A.3 Methode 1 - Festgelegter Prozentsatz über Letztes Jahr Diese Methode multipliziert Verkaufsdaten des Vorjahres mit einem vom Benutzer spezifizierten Faktor, zum Beispiel 1,10 für eine 10-Erhöhung oder 0,97 für eine 3-Abnahme. Erforderliche Verkaufsgeschichte: Ein Jahr für die Berechnung der Prognose plus die benutzerdefinierte Anzahl von Zeiträumen für die Bewertung der Prognoseperformance (Verarbeitungsoption 19). A.4.1 Prognoserechnung Berechnung des Umsatzverlaufs für die Berechnung des Wachstumsfaktors (Verarbeitungsoption 2a) 3 in diesem Beispiel. Sum the final three months of 2005: 114 119 137 370 Sum the same three months for the previous year: 123 139 133 395 The calculated factor 370395 0.9367 Calculate the forecasts: January, 2005 sales 128 0.9367 119.8036 or about 120 February, 2005 sales 117 0.9367 109.5939 or about 110 March, 2005 sales 115 0.9367 107.7205 or about 108 A.4.2 Simulated Forecast Calculation Sum the three months of 2005 prior to holdout period (July, Aug, Sept): 129 140 131 400 Sum the same three months for the previous year: 141 128 118 387 The calculated factor 400387 1.033591731 Calculate simulated forecast: October, 2004 sales 123 1.033591731 127.13178 November, 2004 sales 139 1.033591731 143.66925 December, 2004 sales 133 1.033591731 137.4677 A.4.3 Percent of Accuracy Calculation POA (127.13178 143.66925 137.4677) (114 119 137) 100 408.26873 370 100 110.3429 A.4.4 Mean Absolute Deviation Calculation MAD (127.13178 - 114 143.66925 - 119 137.4677- 137) 3 (13.13178 24.66925 0.4677)3 12.75624 A.5 Method 3 - Last year to This Year This method copies sales data from the previous year to the next year. Erforderliche Verkaufsgeschichte: Ein Jahr für die Berechnung der Prognose plus die Anzahl der für die Bewertung der Prognoseperformance angegebenen Zeiträume (Verarbeitungsoption 19). A.6.1 Prognoseberechnung Anzahl der Perioden, die in den Durchschnitt einzubeziehen sind (Verarbeitungsoption 4a) 3 in diesem Beispiel Für jeden Monat der Prognose durchschnittlich die letzten drei Monate Daten. Januar Prognose: 114 119 137 370, 370 3 123.333 oder 123. Februar Prognose: 119 137 123 379, 379 3 126.333 oder 126 März Prognose: 137 123 126 379, 386 3 128.667 oder 129 A.6.2 Simulierte Prognose Berechnung Oktober 2005 Umsatz (129 140 131 114 3 128,333 Dezember 2005 Umsatz (131 114 119) 3 121,333 A.6,3 Prozent der Genauigkeitsberechnung (133,333 128,333 121,333) (114 119 137) 100 103,513 A.6.4 Mittelwert Absolut Abweichungsberechnung MAD (133.3333 - 114 128.3333 - 119 121.3333 - 137) 3 14.7777 A.7 Methode 5 - Lineare Approximation Lineare Approximation berechnet einen Trend basierend auf zwei Verkaufsverlaufsdatenpunkten. Diese beiden Punkte definieren eine gerade Linie, die in die Zukunft projiziert wird. Verwenden Sie diese Methode mit Vorsicht, da Langstreckenvorhersagen durch kleine Änderungen an nur zwei Datenpunkten genutzt werden. Erforderliche Verkaufsgeschichte: Anzahl der in die Regression einzubeziehenden Perioden (Verarbeitungsoption 5a) plus 1 plus Anzahl der Zeiträume für die Bewertung der Prognoseperformance (Verarbeitungsoption 19). A.8.1 Forecast Calculation Number of periods to include in regression (processing option 6a) 3 in this example For each month of the forecast, add the increase or decrease during the specified periods prior to holdout period the previous period. Durchschnitt der vorangegangenen drei Monate (114 119 137) 3 123.3333 Zusammenfassung der letzten drei Monate mit betrachtetem Gewicht (114 1) (119 2) (137 3) 763 Differenz zwischen den Werten 763 - 123.3333 (1 2 3) 23 Verhältnis ( (1 n) Wert1 Wert2 4 11,5 100,333 146,333 oder 146 Prognose 5 11,5 100,333 157,8333 oder 158 Prognose 6 11,5 100,333 169,333. Vorhersage (1 n) Wert1 Wert2 4 11,5 100,333 146,333 oder 146 Vorhersage 5 11,5 100,333 157,8333 oder 158 Vorhersage 6 11,5 100,333 169,333 Oder 169 A.8.2 Simulierte Prognoseberechnung Oktober 2004 Umsatz: Durchschnitt der vorangegangenen drei Monate (129 140 131) 3 133.3333 Zusammenfassung der letzten drei Monate mit betrachtetem Gewicht (129 1) (140 2) (131 3) 802 Differenz zwischen den (1 2 3) 2 Verhältnis (12 22 32) - 2 3 14 - 12 2 Wert1 DifferenzRatio 22 1 Wert2 Durchschnitt - Wert1 Verhältnis 133,333 - 1 2 131,333 Vorhersage (1 n) Wert1 Wert2 4 1 131,333 135,333 November 2004 Umsatz Durchschnitt der vorangegangenen drei Monate (140 131 114) 3 128,333 Zusammenfassung der letzten drei Monate mit Bezugsgewicht (140 1) (131 2) (114 3) 744 Differenz zwischen den Werten 744 - 128.3333 (1 2 3) -25.9999 Wert1 DifferenzRatio -25.99992 -12.9999 Wert2 Durchschnitt - Wert1 Verhältnis 128.3333 - (-12.9999) 2 154.3333 Prognose 4 -12.9999 154.3333 102.3333 Dezember 2004 Umsatz Durchschnitt der letzten drei Monate (131 114 119) 3 121.3333 Zusammenfassung der letzten drei Monate mit Gewichtung (119 3) 716 Differenz zwischen den Werten 716 - 121,3333 (1 2 3) -11,9999 Wert1 DifferenzRatio -11,99992 -5,9999 Wert2 Mittelwert-Wert1 Verhältnis 121,3333 - (-5,9999) 2 133,333 Prognose 4 (- (135,33 - 114 102,33 - 119 109,33 - 137) 3 21,88 A.9 Verfahren 7. Verfahren nach einem der Ansprüche 1 bis 5, dadurch gekennzeichnet, - Second Degree Approximation Die lineare Regression ermittelt Werte für a und b in der Prognoseformel Y a bX mit dem Ziel, eine Gerade an die Verkaufsgeschichtsdaten anzupassen. Zweite Grad Approximation ist ähnlich. Dieses Verfahren ermittelt jedoch Werte für a, b und c in der Prognoseformel Y a bX cX2 mit dem Ziel, eine Kurve an die Verkaufsverlaufsdaten anzupassen. Dieses Verfahren kann nützlich sein, wenn sich ein Produkt im Übergang zwischen den Stufen eines Lebenszyklus befindet. Wenn sich beispielsweise ein neues Produkt von der Einführung in die Wachstumsstadien bewegt, kann sich die Umsatzentwicklung beschleunigen. Wegen des Termes der zweiten Ordnung kann die Prognose schnell an die Unendlichkeit heranreichen oder auf Null fallen (abhängig davon, ob der Koeffizient c positiv oder negativ ist). Daher ist dieses Verfahren nur kurzfristig nutzbar. Prognosedaten: Die Formeln finden a, b und c, um eine Kurve auf genau drei Punkte zu platzieren. Sie geben n in der Verarbeitungsoption 7a an, die Anzahl der Zeitperioden der Daten, die sich in jedem der drei Punkte ansammeln. In diesem Beispiel n 3. Daher werden die tatsächlichen Verkaufsdaten für April bis Juni in den ersten Punkt Q1 zusammengefasst. Juli bis September werden addiert, um Q2 zu schaffen, und Oktober bis Dezember Summe zu Q3. Die Kurve wird an die drei Werte Q1, Q2 und Q3 angepasst. Erforderliche Verkaufsgeschichte: 3 n Perioden für die Berechnung der Prognose plus die Anzahl der Zeiträume, die für die Bewertung der Prognoseperformance (PBF) erforderlich sind. Anzahl der einzubeziehenden Perioden (Verarbeitungsoption 7a) 3 in diesem Beispiel Die vorherigen (3 n) Monate in dreimonatigen Blöcken verwenden: Q1 (Apr - Jun) 125 122 137 384 Q2 (Jul - Sep) 129 140 131 400 Q3 Der nächste Schritt besteht darin, die drei Koeffizienten a, b und c zu berechnen, die in der Prognoseformel Y a bX cX2 (1) Q1 a bX cX2 (mit X 1) abc (2) Q2 verwendet werden (1) aus Gleichung (2) subtrahieren Sie die Gleichung (1) aus der Gleichung (1) aus der Gleichung (2) (3) (3) Q3 a 3 (Q2 - Q1) - 3c c Setzen Sie diese Gleichungen für a und b in die Gleichung (3) ein Gleichung (1) Q3 - 3 (Q2 - Q1) (q2 - Q1) - 3c c Q1 c (Q3 - Q2) (Q1 - Q2) 2 Das Zweite-Grad-Approximationsverfahren berechnet a, b und c wie folgt: a Q3 - 3 (Q2 - Q1) 370 - 3 (400 - 384) 322 c (Q3 - Q2) (Q1 - Q2) 2 (370 - 400) 400 - 384) - (3 -23) 85 Y a bX cX2 322 85X (-23) X2 Januar bis März Prognose (X4): (322 340 - 368) 3 2943 98 pro Zeitraum April bis Juni Prognose (X5): 322 425 - 575) 3 57.333 oder 57 pro Zeitraum Juli bis September Prognose (X6): (322 510 - 828) 3 1,33 oder 1 pro Zeitraum Oktober bis Dezember (X7) (322 595 - 11273 -70 A.9.2 Simulierte Prognoseberechnung Oktober, November und Dezember 2004 Umsatz: Q1 (Jan - März) 360 Q2 (Apr - Jun) 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 Prozent der Genauigkeitsberechnung POA (136 136 136) (114 119 137) 100 110,27 A.9.4 Mean Absolute Abweichungsberechnung MAD (136 - 114 136 - 119 136 - 137) 3 13.33 A.10 Methode 8 - Flexible Methode Die flexible Methode (Prozentsatz über n Monate vor) ähnelt der Methode 1, Prozent über dem letzten Jahr. Beide Verfahren multiplizieren Verkaufsdaten aus einer vorherigen Zeitspanne mit einem vom Benutzer spezifizierten Faktor und projizieren dieses Ergebnis dann in die Zukunft. In der Percent Over Last Year Methode basiert die Projektion auf Daten aus dem gleichen Zeitraum des Vorjahres. Das Flexible-Verfahren fügt die Möglichkeit hinzu, einen Zeitraum anzugeben, der nicht derselbe Zeitraum ist, der als Basis für die Berechnungen verwendet werden kann. Multiplikationsfaktor. Geben Sie z. B. 1.15 in der Verarbeitungsoption 8b an, um die vorherigen Verkaufsverlaufsdaten um 15. Basisperiode zu erhöhen. Zum Beispiel führt n 3 dazu, dass die erste Prognose im Oktober 2005 auf Verkaufsdaten basiert. Minimale Umsatzhistorie: Die vom Benutzer angegebene Anzahl von Perioden zurück zur Basisperiode plus die Anzahl der Zeitperioden, die für die Bewertung der Prognoseperformance erforderlich sind ( PBF). A.10.4 Mittlere Absolutabweichung MAD (148 - 114 161 - 119 151 - 137) 3 30 A.11 Methode 9 - Gewichteter gleitender Durchschnitt Die Methode des gewichteten gleitenden Durchschnitts (WMA) ist ähnlich wie bei Methode 4, Gleitender Durchschnitt (MA). Mit dem Weighted Moving Average können Sie jedoch den historischen Daten ungleiche Gewichte zuordnen. Die Methode berechnet einen gewichteten Durchschnitt der letzten Verkäufe Geschichte, um zu einer Projektion für die kurzfristige kommen. Neuere Daten sind in der Regel ein größeres Gewicht als ältere Daten zugeordnet, so dass dies WMA mehr reagiert auf Verschiebungen in der Ebene des Umsatzes. Prognosevorhersage und systematische Fehler treten jedoch immer noch auf, wenn die Produktverkäufe Geschichte starke Trend - oder saisonale Muster aufweisen. Diese Methode funktioniert besser für Kurzstreckenvorhersagen von reifen Produkten als für Produkte in den Wachstums - oder Veralterungsstadien des Lebenszyklus. N die Anzahl der Perioden der Verkaufsgeschichte, die in der Prognoserechnung verwendet werden sollen. Geben Sie z. B. n 3 in der Verarbeitungsoption 9a an, um die letzten drei Perioden als Grundlage für die Projektion in die nächste Zeitperiode zu verwenden. Ein großer Wert für n (wie 12) erfordert mehr Umsatz Geschichte. Es resultiert in einer stabilen Prognose, aber es wird nur langsam sein, Veränderungen im Umsatzniveau zu erkennen. Andererseits reagiert ein kleiner Wert für n (wie z. B. 3) schneller auf Verschiebungen des Umsatzniveaus, doch kann die Prognose so weit schwanken, dass die Produktion nicht auf die Variationen reagieren kann. Das Gewicht, das jeder der historischen Datenperioden zugewiesen ist. Die zugeordneten Gewichte müssen insgesamt 1,00 betragen. Zum Beispiel, wenn n 3, Gewichte von 0,6, 0,3 und 0,1 zuweisen, wobei die neuesten Daten das größte Gewicht empfangen. Mindestens erforderlicher Umsatzverlauf: n plus Anzahl der Zeiträume, die für die Bewertung der Prognoseperformance (PBF) erforderlich sind. MAD (133,5 - 114 121,7 - 119 118,7 - 137) 3 13,5 A.12 Methode 10 - Lineare Glättung Diese Methode ähnelt Methode 9, Weighted Moving Average (WMA). Jedoch wird anstelle der willkürlichen Zuweisung von Gewichten zu den historischen Daten eine Formel verwendet, um Gewichtungen zuzuweisen, die linear abnehmen und auf 1,00 summieren. Das Verfahren berechnet dann einen gewichteten Durchschnitt der letzten Verkaufsgeschichte, um zu einer Projektion für die kurze Zeit zu gelangen. Wie bei allen linearen gleitenden durchschnittlichen Prognosemethoden treten Prognosevorhersage und systematische Fehler auf, wenn die Produktverkaufsgeschichte starke Trend - oder saisonale Muster aufweist. Diese Methode funktioniert besser für Kurzstreckenvorhersagen von reifen Produkten als für Produkte in den Wachstums - oder Veralterungsstadien des Lebenszyklus. N die Anzahl der Perioden der Verkaufsgeschichte, die in der Prognoserechnung verwendet werden sollen. Dies ist in der Verarbeitungsoption 10a spezifiziert. Geben Sie beispielsweise n 3 in der Verarbeitungsoption 10b an, um die letzten drei Perioden als Grundlage für die Projektion in die nächste Zeitperiode zu verwenden. Das System vergibt automatisch die Gewichte der historischen Daten, die linear sinken und auf 1,00 sinken. Wenn beispielsweise n & sub3; wird das System Gewichte von 0,5, 0,3333 und 0,1 zuweisen, wobei die jüngsten Daten das größte Gewicht empfangen. Mindestens erforderlicher Umsatzverlauf: n plus Anzahl der Zeiträume, die für die Bewertung der Prognoseperformance (PBF) erforderlich sind. A.12.1 Prognoseberechnung Anzahl der Perioden, die in den Glättungsdurchschnitt einzubeziehen sind (Verarbeitungsoption 10a) 3 in diesem Beispiel Verhältnis für eine Periode vorher 3 (n2 n) 2 3 (32 3) 2 36 0.5 Verhältnis für zwei Perioden vor 2 (n2 n ) 2 2 (32 3) 2 26 0,333 .. Verhältnis für drei Perioden vorher 1 (n2 n) 2 1 (32 3) 2 16 0,1666 .. Januar Prognose: 137 0,5 119 13 114 16 127,16 oder 127 Februar Prognose: 127 0,5 137 13 119 16 129 März-Prognose: 129 0,5 127 13 137 16 129,666 oder 130 A.12.2 Simulierte Prognoseberechnung Oktober 2004 Umsatz 129 16 140 26 131 36 133,6666 November 2004 Umsatz 140 16 131 26 114 36 124 Dezember 2004 Umsatz 131 16 114 26 119 36 119,333 A.12.3 Prozentsatz der Genauigkeitsberechnung POA (133,6666 124 119,333) (114 119 137) 100 101,891 A.12.4 Mittlere Absolutabweichung MAD (133,6666 - 114 124 - 119 119,333 - 137) 3 14,1111 A.13 Methode 11 - Exponentielle Glättung Diese Methode ist ähnlich wie Methode 10, Lineare Glättung. In der Linearglättung vergibt das System Gewichte an die historischen Daten, die linear abnehmen. Bei exponentieller Glättung weist das System Gewichte auf, die exponentiell zerfallen. Die exponentielle Glättungsvorhersagegleichung lautet: Prognose a (Vorherige Ist-Verkäufe) (1 - a) Vorhergehende Prognose Die Prognose ist ein gewichteter Durchschnitt der tatsächlichen Umsätze der Vorperiode und der Prognose der Vorperiode. A ist das Gewicht auf den tatsächlichen Umsatz für die vorherige Periode angewendet. (1 - a) das auf die Prognose der Vorperiode angewandte Gewicht. Gültige Werte für einen Bereich von 0 bis 1 und üblicherweise zwischen 0,1 und 0,4 liegen. Die Summe der Gewichte beträgt 1,00. A (1 - a) 1 Sie sollten einen Wert für die Glättungskonstante zuweisen, a. Wenn Sie keine Werte für die Glättungskonstante zuordnen, berechnet das System einen angenommenen Wert auf der Grundlage der in der Verarbeitungsoption 11a angegebenen Anzahl von Perioden der Verkaufsgeschichte. Eine Glättungskonstante, die beim Berechnen des geglätteten Durchschnitts für das allgemeine Niveau oder die Grße der Verkäufe verwendet wird. Gültige Werte für einen Bereich von 0 bis 1. n der Bereich der Verkaufsgeschichtsdaten, der in die Berechnungen aufzunehmen ist. Generell reicht ein Jahr der Umsatzverlaufsdaten aus, um das allgemeine Umsatzniveau abzuschätzen. Für dieses Beispiel wurde ein kleiner Wert für n (n 3) gewählt, um die manuellen Berechnungen zur Verifizierung der Ergebnisse zu reduzieren. Eine exponentielle Glättung kann eine Prognose erzeugen, die auf nur einem historischen Datenpunkt basiert. Mindestens erforderlicher Umsatzverlauf: n plus Anzahl der Zeiträume, die für die Bewertung der Prognoseperformance (PBF) erforderlich sind. A.13.1 Prognoserechnung Die Anzahl der Perioden, die in den Glättungsdurchschnitt (Verarbeitungsoption 11a) 3 und alpha-Faktor (Verarbeitungsoption 11b) einzubeziehen sind, ist in diesem Beispiel ein Faktor für die ältesten Vertriebsdaten 2 (11) oder 1 bei der Angabe von alpha Ein Faktor für die zweitältesten Verkaufsdaten 2 (12) oder alpha, wenn alpha ein Faktor für die 3. ältesten Verkaufsdaten 2 (13) angegeben ist, oder alpha, wenn alpha ein Faktor für die letzten Verkaufsdaten 2 (1n) , Oder alpha, wenn alpha angegeben ist November Sm. Durchschn. A (Oktober-Ist) (1 - a) Oktober Sm. Durchschn. 1 114 0 0 114 Dezember Sm. Durchschn. A (November-Ist) (1 - a) November Sm. Durchschn. 23 119 13 114 117.3333 Januar Vorhersage a (Dezember Tatsächlich) (1 - a) Dezember Sm. Durchschn. 24 137 24 117.3333 127.16665 oder 127 Februar Prognose Januar Prognose 127 März Prognose Januar Prognose 127 A.13.2 Simulierte Prognoseberechnung Juli 2004 Sm. Durchschn. 22 129 129 August Sm. Durchschn. 23 140 13 129 136,333 September Sm. Durchschn. 24 131 24 136.3333 133.6666 Oktober 2004 Verkauf Sep Sm. Durchschn. 133.6666 August 2004. Sm. Durchschn. 22 140 140 September Sm. Durchschn. 23 131 13 140 134 Oktober Sm. Durchschn. 24 114 24 134 124 November 2004 Verkauf Sep Sm. Durchschn. 124 September 2004 Sm. Durchschn. 22 131 131 October Sm. Durchschn. 23 114 13 131 119,6666 November Sm. Durchschn. 24 119 24 119,6666 119,333 Dezember 2004 Umsatz Sep Sm. Durchschn. 119.3333 A.13.3 Prozentsatz der Genauigkeitsberechnung POA (133,6666 124 119,333) (114 119 137) 100 101,891 A.13.4 Mittlere Absolutabweichung MAD (133,6666 - 114 124 - 119 119,333 - 137) 3 14,1111 A.14 Methode 12 - Exponentialglättung Mit Trend und Saisonalität Diese Methode ist ähnlich wie Methode 11, Exponentialglättung, indem ein geglätteter Durchschnitt berechnet wird. Das Verfahren 12 enthält jedoch auch einen Term in der Prognose-Gleichung, um einen geglätteten Trend zu berechnen. Die Prognose setzt sich aus einem geglätteten Durchschnitt und einem linearen Trend zusammen. Wenn in der Verarbeitungsoption angegeben, wird die Prognose auch saisonbedingt angepasst. Eine Glättungskonstante, die beim Berechnen des geglätteten Durchschnitts für das allgemeine Niveau oder die Grße der Verkäufe verwendet wird. 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. Gültige Werte für Beta reichen von 0 bis 1. Ob ein saisonaler Index auf die Prognose a und b angewendet wird, sind unabhängig voneinander. Sie müssen nicht zu 1.0 hinzufügen. Mindestens erforderlicher Umsatzverlauf: zwei Jahre plus Anzahl der für die Bewertung der Prognoseperformance (PBF) erforderlichen Zeiträume. Methode 12 verwendet zwei exponentielle Glättungsgleichungen und einen einfachen Mittelwert, um einen geglätteten Durchschnitt, einen geglätteten Trend und einen einfachen durchschnittlichen saisonalen Faktor zu berechnen. A.14.1 Prognoseberechnung A) Ein exponentiell geglättetes durchschnittliches MAD (122.81 - 114 133.14 - 119 135.33 - 137) 3 8.2 A.15 Auswertung der Prognosen Sie können Prognosemethoden auswählen, um so viele wie zwölf Prognosen für jedes Produkt zu generieren. Jede Prognose-Methode wird wahrscheinlich eine etwas andere Projektion. Wenn Tausende von Produkten prognostiziert werden, ist es unpraktisch, eine subjektive Entscheidung zu treffen, welche der Prognosen in Ihren Plänen für jedes der Produkte verwendet werden. Das System wertet die Leistung automatisch für jede der von Ihnen ausgewählten Prognosemethoden und für jede der Prognoseprognosen aus. Sie können zwischen zwei Leistungskriterien, Mean Absolute Deviation (MAD) und Percent of Accuracy (POA) wählen. MAD ist ein Maß für den Prognosefehler. POA ist ein Maß für die Vorhersage. Beide dieser Leistungsbewertungsverfahren erfordern tatsächliche Verkaufsgeschichtsdaten für eine vom Benutzer angegebene Zeitspanne. Diese Periode der jüngsten Geschichte wird als Halteperiode oder Perioden am besten geeignet (PBF) bezeichnet. Um die Leistung einer Prognosemethode zu messen, verwenden Sie die Prognoseformeln, um eine Prognose für die historische Halteperiode zu simulieren. Normalerweise gibt es Unterschiede zwischen den tatsächlichen Verkaufsdaten und der simulierten Prognose für die Halteperiode. Wenn mehrere Prognosemethoden ausgewählt werden, erfolgt dieser Prozess für jede Methode. Mehrere Prognosen werden für die Halteperiode berechnet und mit dem bekannten Umsatzverlauf für denselben Zeitraum verglichen. Für die Verwendung in Ihren Plänen wird die Prognosemethode empfohlen, die die optimale Übereinstimmung zwischen der Prognose und dem tatsächlichen Umsatz während des Haltezeitraums liefert. Diese Empfehlung ist spezifisch für jedes Produkt und kann sich von einer Prognosegeneration zur nächsten ändern. A.16 Mittlere Absolutabweichung (MAD) MAD ist der Mittelwert (oder Mittelwert) der Absolutwerte (oder Größen) der Abweichungen (oder Fehler) zwischen Ist - und Prognosedaten. MAD ist ein Maß für die durchschnittliche Größe der zu erwartenden Fehler bei einer Prognosemethode und einem Datenverlauf. Da bei der Berechnung absolute Werte verwendet werden, werden positive Fehler nicht negativ ausgewertet. Beim Vergleich mehrerer Prognosemethoden hat sich diejenige mit dem kleinsten MAD als die zuverlässigste für dieses Produkt für diese Halteperiode erwiesen. Wenn die Prognose unvoreingenommen ist und Fehler normal verteilt sind, gibt es eine einfache mathematische Beziehung zwischen MAD und zwei anderen gemeinsamen Maßeinheiten für Verteilung, Standardabweichung und Mean Squared Error: A.16.1 Prozent der Genauigkeit (POA) Prozent der Genauigkeit (POA) Ein Maß für die Vorhersage Bias. Wenn die Prognosen konsequent zu hoch sind, sammeln sich die Vorräte an und die Lagerhaltungskosten steigen. Wenn die Prognosen konsequent zwei niedrig sind, werden die Vorräte verbraucht und der Kundendienst sinkt. Eine Prognose, die 10 Einheiten zu niedrig ist, dann 8 Einheiten zu hoch, dann 2 Einheiten zu hoch, wäre eine unvoreingenommene Prognose. Der positive Fehler von 10 wird durch negative Fehler von 8 und 2 gelöscht. Fehler Tatsächlich - Prognose Wenn ein Produkt im Inventar gespeichert werden kann und wenn die Prognose nicht vorhanden ist, kann eine kleine Menge an Sicherheitsbestand verwendet werden, um die Fehler zu puffern. In dieser Situation ist es nicht so wichtig, Prognosefehler zu eliminieren, da es sich um die Erzeugung von unvorhersehbaren Prognosen handelt. In der Dienstleistungsbranche wäre die obige Situation jedoch als drei Fehler zu betrachten. Der Dienst würde in der ersten Periode unterbesetzt sein, dann überbesetzt für die nächsten zwei Perioden. In Services ist die Größenordnung der Prognosefehler in der Regel wichtiger als die prognostizierte Bias. Die Summierung über die Halteperiode erlaubt positive Fehler, negative Fehler abzubrechen. 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. Wenn eine Prognose nicht vorliegt, beträgt das POA-Verhältnis 100. Daher ist es wünschenswerter, genauer als 100 genau zu sein, als 110 genau zu sein. Die POA-Kriterien wählen die Prognosemethode, die ein POA-Verhältnis am nächsten zu 100 hat. Scripting auf dieser Seite verbessert die Inhaltsnavigation, ändert aber den Inhalt in keiner Weise.
No comments:
Post a Comment