Moving Average Introduzione Previsione. Come si può immaginare che stiamo guardando alcuni degli approcci più primitive di previsione. Ma si spera che questi sono almeno un'introduzione utile per alcuni dei problemi informatici relativi all'attuazione previsioni nei fogli di calcolo. In questo filone si continuerà avviando all'inizio e iniziare a lavorare con Moving previsioni medie. Spostamento previsioni medie. Tutti conoscono lo spostamento previsioni medie indipendentemente dal fatto che credono di essere. Tutti gli studenti universitari fanno loro tutto il tempo. Pensa ai tuoi punteggi dei test in un corso dove si sta andando ad avere quattro prove durante il semestre. Consente di assumere hai un 85 sul vostro primo test. Che cosa prevedere per il secondo punteggio test Cosa pensi che la tua insegnante di prevedere per il prossimo punteggio test Cosa pensi che i tuoi amici potrebbero prevedere per il prossimo punteggio test Cosa pensi che i tuoi genitori potrebbero prevedere per il prossimo punteggio del test Indipendentemente tutto il blabbing si potrebbe fare ai tuoi amici e genitori, e il vostro insegnante è molto probabile che si aspettano di ottenere qualcosa nella zona del 85 che avete appena ottenuto. Bene, ora lascia supporre che, nonostante la vostra auto-promozione per i tuoi amici, ti sopravvalutare se stessi e capire che si può studiare meno per la seconda prova e così si ottiene un 73. Ora, che sono tutti di interessati e indifferente andare a anticipare avrete sulla vostra terza prova ci sono due approcci molto probabili per loro di sviluppare una stima indipendentemente dal fatto che condivideranno con voi. Essi possono dire a se stessi, quotThis ragazzo è sempre soffia il fumo delle sue intelligenza. Hes andando ad ottenere un altro 73 se hes fortuna. Forse i genitori cercano di essere più solidali e dire, quotWell, finora youve acquistasti un 85 e un 73, quindi forse si dovrebbe capire su come ottenere circa una (85 73) 2 79. Non so, forse se l'avete fatto meno festa e werent scodinzolante la donnola tutto il luogo e se hai iniziato a fare molto di più lo studio si potrebbe ottenere una maggiore score. quot Entrambe queste stime sono in realtà in movimento le previsioni medie. Il primo sta usando solo il tuo punteggio più recente di prevedere le prestazioni future. Questo si chiama una previsione media mobile utilizzando uno periodo di dati. Il secondo è anche una previsione media mobile ma utilizzando due periodi di dati. Lascia supporre che tutte queste persone busting sulla vostra grande mente hanno sorta di voi incazzato e si decide di fare bene sulla terza prova per le proprie ragioni e di mettere un punteggio più alto di fronte al vostro quotalliesquot. Si prende il test e il punteggio è in realtà un 89 Tutti, compreso te stesso, è impressionato. Così ora avete la prova finale del semestre in arrivo e come al solito si sente il bisogno di pungolare tutti a fare le loro previsioni su come youll fare l'ultimo test. Beh, speriamo che si vede il motivo. Ora, si spera si può vedere il modello. Quale credi sia la più accurata Whistle mentre lavoriamo. Ora torniamo alla nostra nuova impresa di pulizie ha iniziato dal sorellastra estraniato chiamato Whistle mentre lavoriamo. Hai alcuni dati di vendita del passato rappresentata dalla sezione seguente da un foglio di calcolo. Per prima cosa presentiamo i dati per un periodo di tre movimento previsione media. La voce per cella C6 dovrebbe essere Ora è possibile copiare questa formula cella verso le altre cellule C7-C11. Si noti come le mosse medi durante il più recente dei dati storici, ma utilizza esattamente i tre periodi più recenti disponibili per ogni previsione. Si dovrebbe anche notare che noi non veramente bisogno di fare le previsioni per i periodi precedenti al fine di sviluppare la nostra più recente previsione. Questo è sicuramente diverso dal modello di livellamento esponenziale. Ive ha incluso il predictionsquot quotpast perché li useremo nella pagina web successiva per misurare la previsione di validità. Ora voglio presentare i risultati analoghi per un periodo di movimento previsione media di due. La voce per cella C5 dovrebbe essere Ora è possibile copiare questa formula cella verso le altre cellule C6-C11. Notate come ora solo i due più recenti pezzi di dati storici sono utilizzati per ogni previsione. Ancora una volta ho incluso il predictionsquot quotpast a scopo illustrativo e per un uso successivo nella convalida del tempo. Alcune altre cose che sono importanti per notare. Per un periodo di m-movimento previsione media solo il m valori dei dati più recenti sono usati per fare la previsione. Nient'altro è necessario. Per un periodo di m-movimento previsione media, quando si effettua predictionsquot quotpast, si noti che la prima previsione si verifica nel periodo m 1. Entrambi questi aspetti sarà molto significativo quando sviluppiamo il nostro codice. Sviluppare la Moving Average funzione. Ora abbiamo bisogno di sviluppare il codice per la previsione media mobile che può essere utilizzato in modo più flessibile. Il codice segue. Si noti che gli ingressi sono per il numero di periodi che si desidera utilizzare nella previsione e la matrice dei valori storici. È possibile memorizzare in qualsiasi cartella di lavoro che si desidera. Media mobile Funzione (storici, NumberOfPeriods) As Single Dichiarazione e inizializzazione delle variabili ARTICOLO Dim come variante Dim contatore come Integer Dim accumulo As Single Dim HistoricalSize come numero intero inizializzazione delle variabili contatore 1 Accumulo 0 Determinazione della dimensione della matrice storica HistoricalSize Historical. Count per il contatore 1 Per NumberOfPeriods accumulare il numero appropriato di più recenti valori precedentemente osservati accumulo accumulazione storica (HistoricalSize - NumberOfPeriods Counter) media mobile accumulo NumberOfPeriods il codice verrà spiegato in classe. Si desidera posizionare la funzione sul foglio in modo che il risultato del calcolo appare dove dovrebbe come i following. A Previsioni meteo Esempi di calcolo A.1 metodi di calcolo metodi di calcolo Dodici previsioni sono disponibili. La maggior parte di questi metodi prevedono il controllo utente limitato. Ad esempio, potrebbe essere specificato il peso posto sulla recente dati storici o l'intervallo di date di dati storici utilizzati nei calcoli. I seguenti esempi mostrano la procedura di calcolo per ciascuno dei metodi di previsione disponibili, in un insieme identico di dati storici. I seguenti esempi usano gli stessi 2004 e 2005 i dati di vendita per produrre una previsione di vendita del 2006. Oltre al calcolo previsioni, ogni esempio include un 2005 elaborate simulato per un periodo di tre mesi di disinnesto (elaborazione opzione 19 3) che viene poi utilizzata per cento di accuratezza e significa calcoli deviazione assoluta (vendite effettive rispetto alla previsione simulato). A.2 previsione Criteri di valutazione delle prestazioni seconda selezione di opzioni di elaborazione e sulle tendenze ei modelli esistenti nei dati di vendita, alcuni metodi di previsione si esibiranno meglio di altri per una determinata serie di dati storici. Un metodo di previsione che è appropriato per un prodotto può non essere adatto per un altro prodotto. E 'anche improbabile che un metodo di previsione che fornisce buoni risultati in una fase del ciclo di vita dei prodotti rimarrà appropriata durante l'intero ciclo di vita. Si può scegliere tra due metodi per valutare le prestazioni attuali dei metodi di previsione. Questi sono Deviazione assoluta media (MAD) e Percentuale di Precisione (POA). Entrambi questi metodi di valutazione delle prestazioni richiedono dati di vendita storici per un periodo di tempo specificato dall'utente. Questo periodo di tempo è chiamato un periodo di disinnesto o periodi best fit (PBF). I dati di questo periodo è utilizzato come base per raccomandare quale dei metodi di previsione da utilizzare nella fabbricazione proiezione previsioni successivo. Questa raccomandazione è specifico per ciascun prodotto, e può variare da una generazione previsioni a quella successiva. I metodi di valutazione delle prestazioni di due previsioni sono dimostrati nelle pagine seguenti gli esempi dei metodi di previsione dodici. A.3 Metodo 1 - percentuale specificata rispetto allo scorso anno Questo metodo moltiplica i dati di vendita rispetto all'anno precedente di un fattore specificato dall'utente, ad esempio, 1,10 per un aumento del 10, o 0,97 per un 3 diminuzione. Richiesto storia delle vendite: un anno per il calcolo della previsione più il numero specificato dall'utente di periodi di tempo per la valutazione delle prestazioni del tempo (opzione di elaborazione 19). A.4.1 Previsione Gamma di calcolo della storia delle vendite da utilizzare per il calcolo del fattore di crescita (elaborazione opzione 2a) 3 in questo esempio. Somma gli ultimi tre mesi del 2005: 114 119 137 370 Somma gli stessi tre mesi del precedente esercizio: 123 139 133 395 Il fattore calcolato 370.395 0,9367 Calcolare le previsioni: gennaio 2005 le vendite 128 0,9367 119.8036 o circa 120 febbraio 2005 le vendite 117 0.9367 109,5939 o circa 110 marzo 2005 le vendite 115 0,9367 107.7205 o circa 108 A.4.2 Previsioni simulato calcolo Somma i tre mesi del 2005 prima di holdout periodo (luglio, agosto, settembre): 129 140 131 400 Somma gli stessi tre mesi per la anno precedente: 141 128 118 387 Il fattore calcolato 400.387 1,033,591731 millions Calcolare previsione simulata: ottobre 2004 le vendite 123 1,033,591731 millions 127,13,178 mila novembre 2004 le vendite 139 1,033,591731 millions 143,66,925 mila dicembre 2004 le vendite 133 1,033,591731 millions 137,4677 A.4.3 percentuale di precisione di calcolo POA (127,13,178 mila 143,66,925 mila 137,4677) (114 119 137) 100 408,26873 370 100 110,3429 A.4.4 medio assoluto MAD Deviazione di calcolo (127,13178-114 143,66 mila novecentoventicinque - 119 137.4677- 137) 3 (13,13178 24,66925 0,4677) 3 12,75624 A.5 metodo 3 - L'anno scorso a questo anno Questo metodo copie dei dati di vendita rispetto all'anno precedente per l'anno successivo. Richiesto storia delle vendite: un anno per il calcolo della previsione più il numero di periodi di tempo specificati per la valutazione delle prestazioni del tempo (opzione di elaborazione 19). A.6.1 Previsione calcolo Numero di periodi da includere nella media (elaborazione opzione 4a) 3 in questo esempio per ogni mese di previsione, la media dei precedenti tre mesi di dati. Gennaio previsione: 114 119 137 370, 370 3 123,333 o 123 Febbraio previsione: 119 137 123 379, 379 3 126,333 o 126 marzo previsione: 137 123 126 379, 386 3 128,667 o 129 A.6.2 Previsioni simulato di calcolo ottobre 2005 le vendite (129 140 131) 3 133,3333 novembre 2005 le vendite (140 131 114) 3 128,3333 vendite dicembre 2005 (131 114 119) 3 121,3333 A.6.3 Percentuale di POA precisione di calcolo (133,3333 128,3333 121,3333) (114 119 137) 100 103,513 A.6.4 medio assoluto deviazione Calcolo MAD (133.3333 - 114 128.3333 - 119 121.3333 - 137) 3 14,7777 A.7 Metodo 5 - Linear approssimazione lineare Approssimazione calcola una tendenza basata su due punti dati di vendita di storia. Questi due punti definiscono una linea di tendenza retta che si proietta nel futuro. Utilizzare questo metodo con cautela, in quanto le previsioni a lungo raggio vengono sfruttate da piccole variazioni in soli due punti dati. Richiesto storia delle vendite: il numero di periodi da includere nella regressione (opzione di elaborazione 5a), più 1 più il numero di periodi di tempo per la valutazione delle prestazioni del tempo (opzione di elaborazione 19). A.8.1 Previsione Calcolo numero di periodi da includere nella regressione (lavorazione opzione 6a) 3 in questo esempio per ogni mese di previsione, aggiungere l'aumento o la diminuzione durante i periodi specificati prima di Holdout periodo dell'esercizio precedente. Media dei tre mesi precedenti (114 119 137) 3 123,3333 Sintesi dei tre mesi precedenti con peso considerati (114 1) (119 2) (137 3) 763 Differenza tra i valori 763-123,3333 (1 2 3) 23 Ratio ( 12 22 32) - 2 14 marzo-2 dicembre value1 DifferenceRatio 232 11.5 valore2 media - rapporto valore1 123,3333-11,5 2 100,3333 meteo (1 n) valore1 valore2 4 11.5 100,3333 146,333 o 146 Previsione 5 11,5 100,3333 157,8333 o 158 Previsione 6 11.5 100,3333 169,3333 o 169 A.8.2 Previsioni simulato di calcolo vendite di ottobre 2004: media dei tre mesi precedenti (129 140 131) 3 133,3333 Sintesi dei tre mesi precedenti con peso considerati (129 1) (140 2) (131 3) 802 Differenza tra il valori 802-133,3333 (1 2 3) 2 ratio (12 22 32) - 2 14 marzo-2 Dicembre value1 DifferenceRatio 22 1 valore2 media - rapporto valore1 133,3333-1 2 131,3333 meteo (1 n) valore1 valore2 4 1 131,3333 135,3333 novembre 2004 vendita media dei tre mesi precedenti (140 131 114) 3 128,3333 Sintesi dei tre mesi precedenti con peso considerati (140 1) (131 2) (114 3) 744 Differenza tra i valori 744-128,3333 (1 2 3) -25,9999 value1 DifferenceRatio -25,99992 -12,9999 Valore2 media - rapporto valore1 128,3333 - (-12,9999) 2 154,3333 previsione a 4 -12,9999 154,3333 102,3333 dicembre 2004 di vendita medio dei tre mesi precedenti (131 114 119) 3 121,3333 Sintesi dei precedenti tre mesi con peso considerato (131 1) (114 2) (119 3) 716 Differenza tra i valori 716 - 121,3333 (1 2 3) -11,9999 value1 DifferenceRatio -11,99992 -5,9999 Valore2 media - rapporto valore1 121,3333 - (-5,9999) 2 133,3333 previsione a 4 (- 5,9999) 133,3333 109,3333 A.8.3 Percentuale di POA precisione di calcolo (135.33 102.33 109.33) (114 119 137) 100 93.78 A.8.4 medio assoluto MAD deviazione di calcolo (135,33-114 102,33-119 109,33-137) 3 21.88 A.9 Metodo 7 - secondo Grado approssimazione lineare di regressione determina i valori di a e B nella formula previsioni Y un bX con l'obiettivo di una linea retta ai dati storici di vendita. In secondo grado di approssimazione è simile. Tuttavia, questo metodo determina valori di a, b, e c nella formula previsioni Y a bX CX2 con l'obiettivo di montare una curva ai dati storici vendite. Questo metodo può essere utile quando il prodotto è nel passaggio tra le fasi di un ciclo di vita. Ad esempio, quando un nuovo prodotto si sposta da introduzione a stadi di crescita, la tendenza di vendita può accelerare. A causa del secondo termine di ordine, la previsione può avvicinarsi rapidamente infinito o scendere a zero (a seconda che il coefficiente c è positivo o negativo). Pertanto, questo metodo è utile solo nel breve periodo. specifiche di previsione: Le formule trova a, b, c per adattarsi una curva a esattamente tre punti. Si specifica n nell'opzione di elaborazione 7a, il numero di periodi di tempo di dati di accumulare in ognuno dei tre punti. In questo esempio n 3. Pertanto, i dati di vendita effettivi per aprile a giugno sono combinati in il primo punto, Q1. Luglio a settembre vengono aggiunti insieme per creare Q2 e ottobre a dicembre somma da Q3. La curva verrà montato tre valori Q1, Q2, Q3 e. storia delle vendite obbligatori: 3 n periodi per il calcolo della previsione più il numero di periodi di tempo necessari per la valutazione delle performance di previsione (PBF). Numero di periodi da includere (elaborazione opzione 7a) 3 in questo esempio Utilizzare i precedenti (3 N) mesi in blocchi di tre mesi: Q1 (apr-Giu) 125 122 137 384 Q2 (LUG-SET) 129 140 131 400 Q3 ( ott-dic) 114 119 137 370 la fase successiva prevede il calcolo dei tre coefficienti a, b, e c per essere utilizzata nella formula previsione Y a bX CX2 (1) Q1 un CX2 bX (dove X 1) abc (2) Q2 un CX2 bX (dove X 2) una 2b 4c (3) Q3 un CX2 bX (dove X 3) un 3b 9c risolvere le tre equazioni simultaneamente per trovare b, a, c: Sottrarre l'equazione (1) dall'equazione (2) e risolvere per b (2) - (1) Q2 - Q1 b 3c Substitute questa equazione per b nell'equazione (3) (3) Q3 3 (Q2 - Q1) - 3c c Infine, sostituire queste equazioni per ae b in l'equazione (1) Q3 - 3 (Q2 - Q1) (q2 - Q1) - 3c c Q1 c (Q3 - Q2) (Q1 - Q2) 2 Il metodo secondo grado ravvicinamento calcola a, b, e c come segue: a Q3 - 3 (Q2 - Q1) 370-3 (400 - 384) 322 C (3T - Q2) (Q1 - Q2) 2 (370 - 400) (384 - 400) 2 -23 b (Q2 - Q1) - 3 quater ( 400-384) - (3 -23) 85 Y a bX CX2 322 85X (-23) X2 gennaio a marzo del tempo (X4): (322 340-368) 3 2943 98 per periodo aprile a previsioni di giugno (X5): ( 322 425-575) 3 57,333 o 57 per periodo luglio a settembre del tempo (X6): (322 510-828) 3 1,33 o 1 per ogni periodo ottobre a dicembre (X7) (322 595-11.273 -70 A.9.2 previsioni simulato Calcolo ottobre, novembre e dicembre 2004 le vendite: Q1 (gen - mar) 360 Q2 (apr-giu) 384 Q3 (lug-SET) 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 Percentuale di POA precisione di calcolo (136 136 136) (114 119 137) 100 110.27 A.9.4 media deviazione assoluta Calcolo MAD (136-114 136-119 136-137) 3 13.33 A.10 Metodo 8 - metodo flessibile Il metodo flessibile (per cento rispetto al n mesi prima) è simile al metodo 1, cento rispetto allo scorso anno. Entrambi i metodi si moltiplicano i dati di vendita provenienti da un periodo di tempo precedente di un fattore specificato dall'utente, quindi progetto che risultano nel futuro. Nella cento rispetto allo scorso anno il metodo, la proiezione si basa sui dati dello stesso periodo dell'esercizio precedente. Il metodo flessibile aggiunge la possibilità di specificare un periodo di tempo diverso da quello dello stesso periodo dello scorso anno da utilizzare come base per i calcoli. Fattore di moltiplicazione. Ad esempio, specificare 1.15 in opzione di elaborazione 8b per aumentare i dati storici delle vendite precedenti da 15. periodo di Base. Ad esempio, n 3 causerà la prima previsione per essere basato su dati di vendita nel mese di ottobre 2005. Minimo storia delle vendite: il numero specificato dall'utente di periodi indietro al periodo base, più il numero di periodi di tempo necessari per valutare le prestazioni di previsione ( PBF). A.10.4 media assoluta Deviazione Calcolo MAD (148-114 161-119 151-137) 3 30 A.11 Metodo 9 - Weighted Moving Average Il metodo ponderata media mobile (WMA) è simile al metodo 4, media mobile (MA). Tuttavia, con la ponderata media mobile è possibile assegnare pesi diseguali ai dati storici. Il metodo calcola una media ponderata di storia recente vendite per arrivare ad una proiezione per il breve termine. Dati più recenti è di solito un fattore di ponderazione maggiore di dati più vecchi, quindi questo rende WMA più reattiva ai cambiamenti nel livello delle vendite. Tuttavia, previsione pregiudizi e gli errori sistematici ancora si verificano quando la storia delle vendite di prodotti presenta una forte tendenza o modelli stagionali. Questo metodo funziona meglio per le previsioni a breve gamma di prodotti maturi, piuttosto che per i prodotti nelle fasi di crescita o di obsolescenza del ciclo di vita. n il numero di periodi di storia delle vendite da utilizzare nel calcolo del tempo. Ad esempio, specificare n 3 nell'opzione di elaborazione 9a utilizzare gli ultimi tre periodi come base per la proiezione nel prossimo periodo di tempo. Un grande valore di n (ad esempio 12) richiede più storia di vendita. Essa si traduce in una previsione stabile, ma sarà lenta a riconoscere cambiamenti nel livello di vendite. D'altra parte, un piccolo valore per n (ad esempio 3) risponde rapidamente a cambiamenti nel livello di vendite, ma la previsione può variare così ampiamente che la produzione non può rispondere alle variazioni. Il peso assegnato a ciascuno dei periodi di dati storici. I pesi assegnati dovranno totale a 1.00. Ad esempio, quando n 3, assegnare un peso di 0,6, 0,3, e 0,1, con i dati più recenti che ricevono il maggior peso. Minimo richiesto storia delle vendite: n più il numero di periodi di tempo necessari per valutare le prestazioni di previsione (PBF). MAD (133,5-114 121,7-119 118,7-137) 3 13.5 A.12 Metodo 10 - Linear Smoothing Questo metodo è simile al metodo 9, Weighted Moving Average (WMA). Tuttavia, invece di assegnare arbitrariamente pesi ai dati storici, una formula viene utilizzata per assegnare i pesi che declinano in modo lineare e sommare a 1.00. Il metodo calcola una media ponderata di recente storia delle vendite per arrivare ad una proiezione per il breve termine. Come è vero per tutti lineare in movimento le tecniche di previsione media, pregiudizi meteorologiche e errori sistematici si verificano quando la storia di vendita del prodotto presenta forte tendenza o modelli stagionali. Questo metodo funziona meglio per le previsioni a breve gamma di prodotti maturi, piuttosto che per i prodotti nelle fasi di crescita o di obsolescenza del ciclo di vita. n il numero di periodi di storia delle vendite da utilizzare nel calcolo del tempo. Questo è specificato nella opzione di elaborazione 10a. Ad esempio, specificare n 3 nell'opzione di elaborazione 10b di utilizzare gli ultimi tre periodi come base per la proiezione nel prossimo periodo di tempo. Il sistema assegna automaticamente i pesi ai dati storici che il declino lineare e somma di 1,00. Ad esempio, quando n 3, il sistema assegna pesi di 0,5, 0,3333 e 0,1, con i dati più recenti che ricevono il maggior peso. Minimo richiesto storia delle vendite: n più il numero di periodi di tempo necessari per valutare le prestazioni di previsione (PBF). A.12.1 Previsione Calcolo numero di periodi da includere nel processo di snellimento media (opzione 10a di elaborazione) 3 in questo esempio rapporto per un periodo precedente 3 (n2 n) 2 3 (32 3) 2 36 0,5 Rapporto per due periodi precedenti 2 (N2 n ) 2 2 (32 3) 2 26 0,3333 .. Rapporto per tre periodi precedenti 1 (n2 n) 2 1 (32) 2 3 16 0,1666 .. Gennaio previsione: 137 0.5 119 13 114 16 127.16 o 127 Febbraio previsione: 127 0.5 137 13 119 16 129 marzo previsione: 129 0.5 127 13 137 16 129,666 o 130 A.12.2 simulato previsione di calcolo dell'ottobre 2004 vendite 129 16 140 26 131 36 133,6666 novembre 2004 di vendita 140 16 131 26 114 36 124 dicembre 2004, le vendite 131 16 114 26 119 36 119.3333 A.12.3 percentuale di precisione di calcolo POA (133,6666 124 119,3333) (114 119 137) 100 101,891 A.12.4 media deviazione assoluta Calcolo MAD (133,6666-114 124 - 119 119,3333-137) 3 14,1111 A.13 Metodo 11 - esponenziale Questo metodo è simile al metodo 10, Linear Smoothing. Nel lineare Smoothing il sistema assegna pesi ai dati storici che il declino lineare. In livellamento esponenziale, il sistema assegna pesi che in modo esponenziale decadimento. L'equazione di previsione di livellamento esponenziale è: prevedono un (precedenti vendite effettive) (1 - a) precedente previsione La previsione è una media ponderata delle vendite effettive rispetto al periodo precedente e le previsioni rispetto al periodo precedente. a è il peso applicato alle vendite effettive del periodo precedente. (1 - a) è il peso applicato alla previsione per il periodo precedente. I valori validi per un range da 0 a 1, e di solito sono compresi tra 0,1 e 0,4. La somma dei pesi è 1.00. un (1 - a) 1 Si deve assegnare un valore per la costante di smoothing, a. Se non si assegna valori per la costante di smoothing, il sistema calcola un valore assunto in base al numero di periodi della storia delle vendite di cui l'opzione di elaborazione 11a. una costante smoothing utilizzato per calcolare la media lisciata per il livello generale o la grandezza delle vendite. I valori validi per un range da 0 a 1. n la gamma di dati storici di vendita da includere nei calcoli. In genere un anno di dati di storia delle vendite è sufficiente per stimare il livello generale delle vendite. Per questo esempio, un valore piccolo per n (n 3) è stato scelto al fine di ridurre i calcoli manuali necessarie per verificare i risultati. livellamento esponenziale in grado di generare una previsione basata su un minimo di un punto di dati storici. Minimo richiesto storia delle vendite: n più il numero di periodi di tempo necessari per valutare le prestazioni di previsione (PBF). A.13.1 Previsione Calcolo numero di periodi da includere nel processo di snellimento media (trasformazione opzione 11a) 3, e il fattore alfa (il trattamento opzione 11b) vuoto in questo esempio un fattore per i più vecchi dati di vendita 2 (11), o 1 quando viene specificato alpha un fattore per il 2 ° più vecchi dati di vendita 2 (12), o alfa quando alfa è specificato un fattore per il 3 ° più vecchi dati di vendita 2 (13), o alfa quando alfa è specificato un fattore per i dati di vendita più recenti 2 (1n) o alfa quando viene specificata alfa novembre Sm. AVG. un (ottobre Actual) (1 - a) Ottobre Sm. AVG. 1 114 0 0 114 dicembre Sm. AVG. un (novembre Actual) (1 - a) Novembre Sm. AVG. 23 119 13 114 117,3333 gennaio Previsione un (Dicembre Actual) (1 - a) Dicembre Sm. AVG. 24 137 24 117.3333 127,16,665 mila o 127 febbraio Previsioni meteo gennaio 127 marzo Previsione gennaio Previsioni 127 A.13.2 Previsioni simulato Calcolo luglio 2004 Sm. AVG. 22 129 129 Agosto Sm. AVG. 23 140 13 129 136,3333 settembre Sm. AVG. 24 131 24 136.3333 133.6666 ottobre 2004 le vendite settembre Sm. AVG. 133.6666 agosto 2004 Sm. AVG. 22 140 140 Settembre Sm. AVG. 23 131 13 140 134 Ottobre Sm. AVG. 24 114 24 134 124 novembre 2004 le vendite settembre Sm. AVG. 124 settembre 2004 Sm. AVG. 22 131 131 Ottobre Sm. AVG. 23 114 13 131 119,6666 novembre Sm. AVG. 24 119 24 119.6666 119.3333 dicembre 2004, le vendite settembre Sm. AVG. 119.3333 A.13.3 Percentuale di POA precisione di calcolo (133,6666 124 119.3333) (114 119 137) 100 101,891 A.13.4 medio assoluto MAD deviazione di calcolo (133,6666-114 124 - 119 119.3333 - 137) 3 14,1111 A.14 Metodo 12 - esponenziale con Trend e la stagionalità Questo metodo è simile al metodo 11, esponenziale in quanto un medio lisciato viene calcolato. Tuttavia, il metodo 12 include anche un termine nell'equazione di previsione per calcolare una tendenza levigata. La previsione è composto da un levigato medi acquisiti regolato per un trend lineare. Quando specificato nell'opzione di elaborazione, la previsione è rettificato per stagionalità. una costante smoothing utilizzato per calcolare la media lisciata per il livello generale o la grandezza delle vendite. I valori validi per la gamma alfa da 0 a 1. b la costante di smoothing utilizzato per calcolare la media lisciato per la componente di trend della previsione. I valori validi per gamma beta da 0 a 1. Se un indice stagionale è applicato al ae b previsioni sono indipendenti l'uno dall'altro. Non hanno da aggiungere a 1,0. Minimo richiesto storia delle vendite: due anni più il numero di periodi di tempo necessari per valutare le prestazioni di previsione (PBF). Metodo 12 utilizza due equazioni di livellamento esponenziale e una media semplice per calcolare una media levigata, una tendenza lisciato, e un semplice fattore di media stagionale. A.14.1 Previsione di calcolo A) Un MAD media esponenziale livellata (122,81-114 133,14-119 135,33-137) 3 8.2 A.15 Valutare le previsioni È possibile selezionare metodi di previsione per generare ben dodici le previsioni per ciascun prodotto. Ciascun metodo di previsione creerà probabilmente una proiezione leggermente diverso. Quando migliaia di prodotti sono previste, non è pratico di fare una decisione soggettiva su quale delle previsioni da utilizzare nei vostri programmi per ciascuno dei prodotti. Il sistema valuta automaticamente le prestazioni per ciascuno dei metodi di previsione selezionati, e per ciascuno dei prodotti previsti. Si può scegliere tra due criteri di performance, media deviazione assoluta (MAD) e Percentuale di Precisione (POA). MAD è una misura di errore di previsione. POA è una misura di bias previsione. Entrambe queste tecniche di valutazione delle prestazioni richiedono effettivi dati storici di vendita per un periodo di tempo specificato dall'utente. Questo periodo della storia recente è chiamato un periodo di dati di controllo o di periodi di misura migliore (PBF). Per misurare le prestazioni di un metodo di previsione, utilizzare le formule di previsione per simulare una previsione per il periodo di dati di controllo storici. Ci sarà solitamente differenze tra i dati di vendita reali e il simulato meteo per il periodo di dati di controllo. Quando più metodi di previsione sono selezionati, questo stesso processo si verifica per ogni metodo. previsioni multipli sono calcolati per il periodo di disimpegno, e rispetto alla storia conosciuta vendita per lo stesso periodo di tempo. Il metodo di previsione che produce la migliore corrispondenza (best fit) tra le previsioni e le vendite effettive durante il periodo di dati di controllo è raccomandato per l'uso nei vostri piani. Questa raccomandazione è specifico per ciascun prodotto, e potrebbe cambiare da una generazione previsioni a quella successiva. Deviazione A.16 medio assoluto (MAD) MAD è la media (o media) dei valori assoluti (o grandezza) delle deviazioni (o errori) tra i dati effettivi e previsti. MAD è una misura della grandezza media di errori aspettarsi, dato un metodo di previsione e la storia dei dati. Poiché i valori assoluti sono utilizzati nel calcolo, errori positivi non annullano errori negativi. Quando si confrontano diversi metodi di previsione, quello con il più piccolo MAD ha dimostrato di essere il più affidabile per tale prodotto per tale periodo di disinnesto. Quando la previsione è imparziale e gli errori sono distribuiti normalmente, vi è una semplice relazione matematica tra MAD e le altre due misure comuni di distribuzione, deviazione standard e errore quadratico medio: A.16.1 Percentuale di Precisione (POA) Percentuale di Precisione (POA) è una misura di bias previsione. Quando le previsioni sono sempre troppo alti, le scorte si accumulano e costi di magazzino aumentano. Quando le previsioni sono sempre due bassi, le scorte sono consumati e il servizio clienti declina. Una previsione che è di 10 unità troppo basso, quindi 8 unità troppo alta, quindi 2 unità troppo alte, sarebbe una previsione imparziale. L'errore positivo del 10 viene annullata da errori negativi di 8 e 2. errore effettivo - Previsione Quando un prodotto può essere conservato in magazzino, e quando la previsione è imparziale, una piccola quantità di scorte di sicurezza può essere utilizzato per tamponare gli errori. In questa situazione, non è così importante eliminare errori di previsione come è generare previsioni imparziali. Tuttavia nel settore dei servizi, la situazione sopra dovrebbe essere visto come tre errori. Il servizio dovrebbe essere a corto di personale nel primo periodo, poi sovradimensionati per i prossimi due periodi. Nei servizi, l'entità degli errori di previsione è di solito più importante di quanto non sia pregiudizi del tempo. La somma per il periodo holdout permette errori positivi per annullare gli errori negativi. Quando il totale delle vendite effettive supera il totale delle vendite di previsione, il rapporto è maggiore di 100. Naturalmente, è impossibile essere più di 100 accurate. Quando una previsione è imparziale, il rapporto POA sarà 100. Pertanto, è più desiderabile essere 95 precisa che essere 110 accurate. I criteri POA selezionare il metodo di previsione che ha un rapporto più vicino al POA 100. script in questa pagina migliora la navigazione dei contenuti, ma non cambia il contenuto in qualsiasi way.3 Capire livelli previsti e metodi che è possibile generare sia di dettaglio (singolo articolo) le previsioni e sintesi (linea di prodotto) le previsioni che riflettono modelli di domanda di prodotto. Il sistema analizza passato vendite per calcolare le previsioni utilizzando 12 metodi di previsione. Le previsioni includono informazioni dettagliate a livello di articolo e più alto livello di informazioni su una filiale o la società nel suo complesso. 3.1 Previsione Criteri di valutazione delle prestazioni In base alla selezione di opzioni di elaborazione e sulle tendenze e modelli nei dati di vendita, alcuni metodi di previsione prestazioni migliori di altri per una determinata serie di dati storici. Un metodo di previsione che è appropriato per un prodotto potrebbe non essere appropriato per un altro prodotto. Si potrebbe scoprire che un metodo di previsione che fornisce buoni risultati in una fase del ciclo di vita del prodotto rimane appropriata durante l'intero ciclo di vita. È possibile scegliere tra due metodi per valutare le prestazioni attuali dei metodi di previsione: Percentuale di accuratezza (POA). Media deviazione assoluta (MAD). Entrambi questi metodi di valutazione delle prestazioni richiedono dati di vendita storici per un periodo specificato. Questo periodo è chiamato un periodo holdout o un periodo di best fit. I dati di questo periodo è utilizzato come base per raccomandare quale metodo di previsione per la fabbricazione di proiezione previsioni successivo. Questa raccomandazione è specifico per ciascun prodotto e può cambiare da una generazione previsioni a quella successiva. 3.1.1 Best Fit Il sistema suggerisce la migliore previsione fit applicando i metodi di previsione selezionati in passato cronologia degli ordini di vendita e confrontando la simulazione del tempo alla storia reale. Quando si genera una migliore previsione in forma, il sistema confronta effettive storie ordini di vendita per le previsioni per un periodo di tempo specifico e calcola quanto accuratamente ogni metodo di previsione diverso previsto vendite. Quindi il sistema raccomanda la previsione più accurata come la soluzione migliore. Questo grafico illustra migliori previsioni fit: Figura 3-1 Scelta migliore prevedere il sistema utilizza questa sequenza di passaggi per determinare la soluzione migliore: utilizzare ogni metodo indicato per simulare una previsione per il periodo di dati di controllo. Confronta le vendite reali alle previsioni simulate per il periodo di dati di controllo. Calcolare il POA o il MAD per determinare quale metodo di previsione più si avvicina ultimi vendite effettive. Il sistema utilizza sia POA o MAD, in base alle opzioni di elaborazione selezionate. Consiglia best fit previsioni dal POA che è più vicino al 100 per cento (sopra o sotto) o il MAD che è più vicino a zero. 3.2 Metodi di previsione JD Edwards EnterpriseOne Previsioni Management utilizza 12 metodi per la previsione quantitativa e indica quale metodo fornisce la soluzione migliore per la situazione di previsione. Questa sezione discute: Metodo 1: cento rispetto allo scorso anno. Metodo 2: Percentuale calcolata rispetto allo scorso anno. Metodo 3: l'anno scorso a questo anno. Metodo 4: media mobile. Metodo 5: Lineare approssimazione. Metodo 6: regressioni al minimo quadrato. Metodo 7: secondo grado approssimazione. Metodo 8: metodo flessibile. Metodo 9: ponderata media mobile. Metodo 10: Linear Smoothing. Metodo 11: esponenziale. Metodo 12: livellamento esponenziale con Trend e la stagionalità. Specificare il metodo che si desidera utilizzare nelle opzioni di elaborazione per il programma di previsione Generation (R34650). La maggior parte di questi metodi forniscono un controllo limitato. Ad esempio, il peso posto sulla recente dati storici o l'intervallo di date di dati storici che viene utilizzato nei calcoli può essere specificato dall'utente. Gli esempi nella guida indicano la procedura di calcolo per ciascuno dei metodi di previsione disponibili, in un insieme identico di dati storici. Gli esempi di metodo nella parte all'uso guida o tutti questi insiemi di dati, che è dati storici degli ultimi due anni. La proiezione del tempo va in prossimo anno. Questi dati la storia delle vendite è stabile con piccoli aumenti stagionali di luglio e dicembre. Questo modello è caratteristica di un prodotto maturo che potrebbe essere avvicinando obsolescenza. 3.2.1 Metodo 1: cento rispetto allo scorso anno Questo metodo utilizza il cento rispetto allo scorso anno formula per moltiplicare ciascun periodo di previsione per la percentuale di aumento o diminuzione specificato. Per prevedere la domanda, questo metodo richiede il numero di periodi per la migliore vestibilità più un anno di storia delle vendite. Questo metodo è utile per prevedere la domanda per gli elementi stagionali con la crescita o il declino. 3.2.1.1 Esempio: Metodo 1: cento rispetto allo scorso anno, il cento rispetto allo scorso anno formula moltiplica i dati di vendita rispetto all'anno precedente di un fattore si specifica e quindi i progetti che si traducono nel corso del prossimo anno. Questo metodo potrebbe essere utile nel budget per simulare l'effetto di un tasso di crescita specificata o quando la storia di vendita ha una significativa componente stagionale. specifiche di previsione: fattore di moltiplicazione. Ad esempio, specificare 110 in opzione di elaborazione per aumentare i anni le vendite dati storici precedenti del 10 per cento. Richiesto storia delle vendite: un anno per il calcolo della previsione, più il numero di periodi di tempo che sono necessari per valutare le prestazioni di previsione (periodi di best fit) che si specifica. Questa tabella è storia utilizzato nel calcolo del tempo: febbraio previsione è pari a 117 volte 1.1 128,7 arrotondato al 129. marzo previsione è uguale a 115 volte 1.1 126,5 arrotondata a 127. 3.2.2 Metodo 2: Percentuale calcolata rispetto allo scorso anno Questo metodo utilizza la percentuale calcolato su Ultimo formula anno per confrontare gli ultimi vendite dei periodi specificati per le vendite dagli stessi periodi dell'anno precedente. Il sistema determina un aumento o diminuzione percentuale, e quindi moltiplica ogni periodo per la percentuale per determinare la previsione. Per prevedere la domanda, questo metodo richiede il numero di periodi della storia di ordine di vendita più un anno di storia delle vendite. Questo metodo è utile per prevedere la domanda a breve termine per gli elementi stagionali con la crescita o il declino. 3.2.2.1 Esempio: Metodo 2: Percentuale calcolata rispetto allo scorso anno la percentuale calcolata rispetto allo scorso anno formula moltiplica i dati di vendita rispetto all'anno precedente di un fattore che viene calcolato dal sistema, e poi si proietta quel risultato per il prossimo anno. Questo metodo può essere utile nel progettare l'effetto di estendere il tasso di crescita recente di un prodotto nel prossimo preservando un andamento stagionale che è presente nella storia vendite. specifiche Previsione: Gamma di storia delle vendite da utilizzare nel calcolo del tasso di crescita. Ad esempio, specificare n è uguale a 4 nella opzione di elaborazione per confrontare la storia delle vendite per gli ultimi quattro periodi a quelle stesse quattro periodi dell'anno precedente. Utilizzare il rapporto calcolato per rendere la proiezione per il prossimo anno. Richiesto storia delle vendite: un anno per il calcolo della previsione più il numero di periodi di tempo che sono necessari per valutare le prestazioni di previsione (periodi di best fit). Questa tabella è storia utilizzata nel calcolo del tempo, n 4 data: febbraio previsione è pari a 117 volte 0,9766 114.26 arrotondato al 114. marzo previsione è pari 115 volte 0,9766 112.31 arrotondato al 112. 3.2.3 Metodo 3: l'anno scorso a questo anno Questo metodo utilizza ultimi anni le vendite per i prossimi anni previsione. Per prevedere la domanda, questo metodo richiede il numero di periodi di meglio si adattano più un anno della storia degli ordini di vendita. Questo metodo è utile per prevedere la domanda per i prodotti maturi con la domanda di livello o di domanda stagionale, senza una tendenza. 3.2.3.1 Esempio: Metodo 3: l'anno scorso a questo anno l'ultimo anno a questa formula Anno copia i dati delle vendite rispetto all'anno precedente per l'anno successivo. Questo metodo potrebbe essere utile nel budget per simulare le vendite al livello attuale. Il prodotto è maturo e non ha alcuna tendenza nel lungo periodo, ma un significativo modello di domanda stagionale potrebbe esistere. specifiche Previsione: Nessuno. Richiesto storia delle vendite: un anno per il calcolo della previsione più il numero di periodi di tempo che sono necessari per valutare le prestazioni di previsione (periodi di best fit). Questa tabella è storia utilizzato nel calcolo del tempo: January Previsioni uguale a gennaio dello scorso anno con un valore di previsione di 128. febbraio previsione è pari a febbraio dello scorso anno con un valore di previsione di 117. marzo previsione è pari a marzo dello scorso anno con un valore di previsione di 115. 3.2.4 metodo 4: media mobile Questo metodo utilizza la formula media Trasferirsi in media il numero specificato di periodi di proiettare il periodo successivo. Si dovrebbe ricalcolare spesso (mensile, o almeno ogni tre mesi) per riflettere la modifica livello di domanda. Per prevedere la domanda, questo metodo richiede il numero di periodi di meglio si adattano più il numero di periodi della storia degli ordini di vendita. Questo metodo è utile per prevedere la domanda di prodotti maturi senza tendenza. 3.2.4.1 Esempio: Metodo 4: media mobile media mobile (MA) è un metodo popolare per la media dei risultati della recente storia delle vendite per determinare una proiezione per il breve termine. Il metodo di previsione MA ritardo rispetto tendenze. Previsioni pregiudizi e gli errori sistematici si verificano quando la storia di vendita del prodotto presenta forte tendenza o modelli stagionali. Questo metodo funziona meglio per le previsioni a breve gamma di prodotti maturi che per i prodotti che sono in fase di crescita o di obsolescenza del ciclo di vita. specifiche Previsione: n è uguale al numero di periodi della storia delle vendite da utilizzare nel calcolo del tempo. Ad esempio, specificare n 4 nella opzione di elaborazione di utilizzare i più recenti quattro periodi come base per la proiezione nel prossimo periodo di tempo. Un grande valore di n (ad esempio 12) richiede più storia di vendita. Essa si traduce in una previsione stabile, ma è lento a riconoscere cambiamenti nel livello di vendite. Viceversa, un valore piccolo per n (ad esempio 3) è più veloce di rispondere a cambiamenti nel livello di vendite, ma le previsioni fluttui così ampiamente che la produzione non può rispondere alle variazioni. Richiesto storia delle vendite: n più il numero di periodi di tempo che sono necessari per valutare le prestazioni di previsione (periodi di best fit). Questa tabella è storia utilizzato nel calcolo del tempo: febbraio previsione è pari a (114 119 137 125) 4 123.75 arrotondato al 124. marzo previsione è pari a (119 137 125 124) 4 126.25 arrotondato a 126. 3.2.5 Metodo 5: Lineare Approssimazione Questo metodo utilizza la formula lineare approssimazione per calcolare un trend dal numero di periodi della storia degli ordini di vendita e di proiettare questa tendenza alla previsione. Si dovrebbe ricalcolare l'andamento mensile per rilevare i cambiamenti nelle tendenze. Questo metodo richiede il numero di periodi di meglio si adattano più il numero di periodi della storia degli ordini di vendita specificate. Questo metodo è utile per prevedere la domanda di nuovi prodotti, o prodotti con trend positivi o negativi consistenti che non sono a causa di fluttuazioni stagionali. 3.2.5.1 Esempio: Metodo 5: lineare approssimazione lineare Approssimazione calcola una tendenza che si basa su due punti di vendita i dati della cronologia. Questi due punti definiscono una linea di tendenza retta che si proietta nel futuro. Utilizzare questo metodo con cautela perché le previsioni a lungo raggio vengono sfruttate da piccole variazioni in soli due punti dati. specifiche Previsione: n è uguale al punto di dati nella storia delle vendite che viene confrontato con il più recente punto dati per identificare una tendenza. Ad esempio, specificare n 4 di utilizzare la differenza tra il dicembre (dati più recenti) e agosto (quattro periodi prima del dicembre) come base per il calcolo del trend. Minimo richiesto storia delle vendite: n più 1 più il numero di periodi di tempo che sono necessari per valutare le prestazioni di previsione (periodi di best fit). Questa tabella è storia utilizzato nel calcolo del tempo: January previsioni di dicembre di un anno 1 (Trend), che è pari a 137 (1 volta 2) 139. febbraio previsioni di dicembre di un anno 1 (Trend), che è pari a 137 (2 volte 2) 141. marzo previsioni di dicembre di un anno 1 (Trend), che equivale a 137 (3 volte 2) 143. 3.2.6 metodo 6: minimi quadrati Regressione minimi quadrati di regressione (LSR) metodo deriva una equazione che descrive una relazione linea retta tra i dati storici di vendita e il passaggio del tempo. LSR inserisce una linea per la gamma selezionata di dati in modo che la somma dei quadrati delle differenze tra i punti dati vendite effettive e la linea di regressione sono ridotti al minimo. La previsione è una proiezione di questa linea retta verso il futuro. Questo metodo richiede storia dati di vendita per il periodo che è rappresentato dal numero di periodi best fit più il numero specificato di periodi di dati storici. Il requisito minimo è di due punti di dati storici. Questo metodo è utile per prevedere la domanda quando una tendenza lineare è nei dati. 3.2.6.1 Esempio: Metodo 6: minimi quadrati di regressione lineare, o Least Squares Regression (LSR), è il metodo più popolare per l'identificazione di un trend lineare nei dati storici di vendita. Il metodo calcola i valori di A e B per essere utilizzato nella formula: Questa equazione descrive una linea retta, in cui Y rappresenta vendite e X rappresenta il tempo. La regressione lineare è lento a riconoscere i punti di svolta e gli spostamenti di funzioni passo della domanda. La regressione lineare inserisce una linea retta ai dati, anche quando i dati sono stagionali o meglio descritto da una curva. Quando i dati vendite di storia segue una curva o ha un forte andamento stagionale, previsto pregiudizi e si verificano errori sistematici. specifiche Previsione: n uguale i periodi della storia delle vendite che verranno utilizzati nel calcolo dei valori per a e b. Ad esempio, specificare n 4 di utilizzare la storia da settembre a dicembre come base per i calcoli. Quando i dati sono disponibili, sarebbe normalmente utilizzato un n grande (ad esempio n 24). LSR definisce una linea per due soli punti di dati. Per questo esempio, un valore piccolo per n (n = 4) è stato scelto per ridurre i calcoli manuali necessarie per verificare i risultati. Minimo richiesto storia delle vendite: n periodi più il numero di periodi di tempo che sono necessari per valutare le prestazioni di previsione (periodi di best fit). Questa tabella è storia utilizzato nel calcolo del tempo: marzo previsione è pari a 119,5 (7 volte 2,3) 135,6 arrotondato a 136. 3.2.7 Metodo 7: secondo grado Approssimazione Per proiettare le previsioni, questo metodo utilizza la formula secondo grado di approssimazione per tracciare una curva che si basa sul numero di periodi di storia delle vendite. Questo metodo richiede il numero di periodi di meglio si adattano più il numero di periodi della storia degli ordini di vendita tre volte. Questo metodo non è utile per prevedere la domanda per un periodo a lungo termine. 3.2.7.1 Esempio: Metodo 7: secondo grado approssimazione lineare di regressione determina i valori di A e B nella formula previsioni Y a b X con l'obiettivo di una linea retta ai dati storici di vendita. Secondo grado ravvicinamento è simile, ma questo metodo determina valori di a, b, c nella formula questa previsione: Y a b X c X 2 L'obiettivo di questo metodo è quello di adattare una curva ai dati storici vendite. Questo metodo è utile quando un prodotto è nel passaggio tra le fasi del ciclo di vita. Ad esempio, quando un nuovo prodotto si sposta da introduzione a stadi di crescita, l'andamento delle vendite potrebbe accelerare. A causa del secondo termine di ordine, la previsione può avvicinarsi rapidamente infinito o scendere a zero (a seconda che il coefficiente c è positivo o negativo). Questo metodo è utile solo nel breve periodo. specifiche di previsione: la formula trovano a, b, c per adattarsi una curva a esattamente tre punti. Si specifica n, il numero di periodi di tempo di dati di accumulare in ognuno dei tre punti. In questo esempio, n 3. dati di vendita effettivi per aprile a giugno è combinata nel primo punto, Q1. Luglio a settembre vengono aggiunti insieme per creare Q2 e ottobre a dicembre somma da Q3. La curva è montato tre valori Q1, Q2, Q3 e. Richiesto storia delle vendite: 3 volte n periodi per il calcolo della previsione più il numero di periodi di tempo che sono necessari per valutare le prestazioni di previsione (periodi di best fit). Questa tabella è storia utilizzato nel calcolo del tempo: Q0 (Jan) (febbraio) (Mar) Q1 (Apr) (Maggio) (giugno) che è uguale a 125 122 137 384 Q2 (luglio) (agosto) (settembre) che è uguale a 140 129 131 400 Q3 (ott) (Nov) (Dec) che è uguale a 114 119 137 370 la fase successiva prevede il calcolo dei tre coefficienti a, b, e c per essere utilizzata nella previsione formula Y ab X c X 2. Q1, Q2, Q3 e sono presentati sul grafico, in cui il tempo è tracciata sull'asse orizzontale. Q1 rappresenta vendite storiche totali per aprile, maggio e giugno ed è tracciata a X 1 Q2 corrisponde a luglio a settembre Q3 corrisponde ad ottobre a dicembre e Q4 rappresenta gennaio a marzo. Questo grafico illustra il tracciato di Q1, Q2, Q3, Q4 e per la seconda approssimazione grado: Figura 3-2 Rappresentazione grafica Q1, Q2, Q3, Q4 e per seconda approssimazione grado tre equazioni descrivono i tre punti sul grafico: (1) Q1 un bX cX 2 dove X 1 (Q1 abc) (2) Q2 un bX cX 2 dove X 2 (Q2 un 2b 4c) (3) Q3 un bX cX 2 dove X 3 (Q3 un 3b 9c) Risolvere le tre equazioni simultaneamente per trovare b, a, e c: Sottrai equazione 1 (1) la formula 2 (2) e risolvere per B: (2) ndash (1) Q2 ndash Q1 b 3c b (Q2 ndash Q1) ndash 3c sostituto questa equazione per b nell'equazione (3): (3) Q3 a 3 (Q2 ndash Q1) ndash 3c 9c un Q3 ndash 3 (2T ndash Q1) Infine, sostituire queste equazioni di a e B nell'equazione (1): (1) Q3 ndash 3 (Q2 ndash Q1) (Q2 ndash Q1) ndash 3c c Q1 c (Q3 ndash Q2) (Q1 ndash Q2) 2 Il metodo secondo grado Approssimazione calcola a, b, ec come segue: a Q3 ndash 3 (2T ndash Q1 ) 370 ndash 3 (400 ndash 384) 370 ndash 3 (16) 322 b (ndash Q1) ndash3c Q2 (400 ndash 384) ndash (3 volte ndash23) 16 69 85 C (Q3 ndash Q2) (Q1 ndash Q2) 2 ( 370 ndash 400) (384 ndash 400) 2 ndash23 si tratta di un calcolo di previsione secondo grado di approssimazione: Y a bX cX 2 322 85X (ndash23) (X 2) Quando X 4, Q4 322 340 ndash 368 294. La previsione è uguale a 294 3 98 per periodo. Quando X 5, Q5 322 425 ndash 575 172. La previsione è pari a 172 3 58.33 arrotondato a 57 per periodo. Quando X 6, Q6 322 510 ndash 828 4. La previsione è pari a 4 3 1,33 arrotondato a 1 per periodo. Questa è la previsione per il prossimo anno, l'anno scorso a questo anno: 3.2.8 Metodo 8: metodo flessibile Questo metodo consente di selezionare il miglior numero impeto di periodi della storia degli ordini di vendita che inizia n mesi prima della data di inizio del tempo, e per applicare un aumento o diminuzione percentuale fattore di moltiplicazione con cui modificare la previsione. Questo metodo è simile al metodo 1, cento rispetto allo scorso anno, tranne che è possibile specificare il numero di periodi che si utilizza come base. A seconda di cosa si seleziona come n, questo metodo richiede periodi di meglio si adattano più il numero di periodi di dati di vendita che è indicato. Questo metodo è utile per prevedere la domanda per una tendenza pianificata. 3.2.8.1 Esempio: Metodo 8: metodo flessibile Il metodo flessibile (per cento rispetto al n mesi prima) è simile al metodo 1, cento rispetto allo scorso anno. Entrambi i metodi si moltiplicano i dati di vendita provenienti da un periodo di tempo precedente di un fattore specificato da te, e quindi progetti che risultano nel futuro. Nella cento rispetto allo scorso anno il metodo, la proiezione si basa sui dati dello stesso periodo dell'esercizio precedente. È inoltre possibile utilizzare il metodo flessibile per specificare un periodo di tempo, altro rispetto allo stesso periodo l'anno scorso, da utilizzare come base per i calcoli. Fattore di moltiplicazione. Ad esempio, specificare 110 in opzione di elaborazione per aumentare le vendite precedenti dati storici del 10 per cento. periodo di base. Ad esempio, n 4 fa sì che la prima previsione ad essere basata su dati di vendita nel mese di settembre dello scorso anno. Minimo richiesto storia delle vendite: il numero di periodi di nuovo al periodo di base più il numero di periodi di tempo che è necessario per la valutazione delle prestazioni del tempo (periodi di best fit). Questa tabella è storia utilizzato nel calcolo del tempo: 3.2.9 Metodo 9: Weighted Moving Average La Moving formula ponderata media è simile al metodo 4, Moving Average formula, perché la media è la storia mesi precedenti le vendite che proietta la successiva storia mesi le vendite. Tuttavia, con questa formula è possibile assegnare i pesi per ciascuno dei periodi precedenti. Questo metodo richiede il numero di periodi ponderati selezionati più il numero di periodi di dati migliore vestibilità. Simile a media mobile, questo metodo è in ritardo rispetto tendenze della domanda, quindi questo metodo non è raccomandato per i prodotti con le tendenze forti o stagionalità. Questo metodo è utile per prevedere la domanda per i prodotti maturi con la domanda che è relativamente livello. 3.2.9.1 Esempio: Metodo 9: ponderata media mobile Il metodo ponderata media mobile (WMA) è simile al metodo 4, media mobile (MA). Tuttavia, è possibile assegnare i pesi diseguali ai dati storici quando si utilizza WMA. Il metodo calcola una media ponderata di storia recente vendite per arrivare ad una proiezione per il breve termine. Dati più recenti è di solito un fattore di ponderazione maggiore di dati più vecchi, in modo da WMA è più sensibile alle variazioni del livello delle vendite. Tuttavia, pregiudizi meteorologiche e errori sistematici si verificano quando la storia di vendita del prodotto presenta le tendenze forti o modelli stagionali. Questo metodo funziona meglio per le previsioni a breve gamma di prodotti maturi che per i prodotti nelle fasi di crescita o di obsolescenza del ciclo di vita. Il numero di periodi della storia delle vendite (n) da utilizzare nel calcolo del tempo. Ad esempio, specificare n 4 nella opzione di elaborazione di utilizzare i più recenti quattro periodi come base per la proiezione nel prossimo periodo di tempo. Un grande valore di n (ad esempio 12) richiede più storia di vendita. Tali risultati un valore in una previsione stabile, ma è lento a riconoscere cambiamenti nel livello di vendite. Viceversa, un valore piccolo per n (ad esempio 3) risponde più rapidamente ai cambiamenti nel livello di vendite, ma le previsioni fluttui così ampiamente che la produzione non può rispondere alle variazioni. Il numero totale di periodi per l'opzione di elaborazione rdquo14 - periodi includerdquo non deve superare i 12 mesi. Il peso che viene assegnato a ciascuno dei periodi di dati storici. I pesi assegnati dovranno totale 1.00. Ad esempio, quando n 4, assegnare un peso di 0,50, 0,25, 0,15, 0,10 e con i dati più recenti che ricevono il maggior peso. Minimo richiesto storia delle vendite: n più il numero di periodi di tempo che sono necessari per valutare le prestazioni di previsione (periodi di best fit). Questa tabella è storia utilizzato nel calcolo del tempo: January previsione è pari a (131 volte) 0,10 (114 volte) 0.15 (119 volte) 0.25 (137 volte) 0.50 (0.10 0.15 0.25 0.50) 128.45 arrotondata a 128. Febbraio previsione pari (114 volte 0.10) (119 volte) 0.15 (137 volte) 0.25 (128 volte) 0.50 1 127,5 arrotondata a 128. marzo previsione è pari a (119 volte) 0,10 (137 volte) 0.15 (128 volte) 0.25 (128 volte) 0.50 1 128.45 arrotondato a 128. 3.2.10 metodo 10: Linear Smoothing Questo metodo calcola una media ponderata dei dati di vendita del passato. Nel calcolo, questo metodo utilizza il numero di periodi della storia degli ordini di vendita (da 1 a 12) che è indicato nella opzione di elaborazione. Il sistema utilizza una progressione matematica pesare i dati nell'intervallo dal primo (almeno peso) al finale (più peso). Quindi il sistema proietta queste informazioni per ciascun periodo di previsione. Questo metodo richiede i mesi migliori Fit Plus la storia ordine di vendita per il numero di periodi che sono specificati in opzione di elaborazione. 3.2.10.1 Esempio: Metodo 10: Linear Smoothing Questo metodo è simile al metodo 9, WMA. Tuttavia, invece di assegnare arbitrariamente pesi ai dati storici, una formula viene utilizzata per assegnare i pesi che declinano in modo lineare e sommare a 1.00. Il metodo calcola una media ponderata di recente storia delle vendite per arrivare ad una proiezione per il breve termine. Come tutte le tecniche di previsione in movimento media lineari, pregiudizi meteorologiche e errori sistematici si verificano quando la storia di vendita del prodotto presenta forte tendenza o modelli stagionali. Questo metodo funziona meglio per le previsioni a breve gamma di prodotti maturi che per i prodotti nelle fasi di crescita o di obsolescenza del ciclo di vita. n è uguale al numero di periodi della storia delle vendite da utilizzare nel calcolo del tempo. Ad esempio, specificare n è uguale a 4 nell'opzione di elaborazione di utilizzare i più recenti quattro periodi come base per la proiezione nel prossimo periodo di tempo. Il sistema assegna automaticamente i pesi ai dati storici che il declino lineare e somma da 1,00. Per esempio, quando n è uguale a 4, il sistema assegna pesi di 0,4, 0,3, 0,2, e 0,1, con i dati più recenti che ricevono il maggior peso. Minimo richiesto storia delle vendite: n più il numero di periodi di tempo che sono necessari per valutare le prestazioni di previsione (periodi di best fit). Questa tabella è storia utilizzato nel calcolo del tempo: 3.2.11 Metodo 11: livellamento esponenziale Questo metodo calcola una media levigato, che diventa una stima che rappresenta il livello generale delle vendite nel corso dei periodi di dati storici selezionati. Questo metodo richiede storia dei dati di vendita per il periodo di tempo che è rappresentato dal numero di periodi più appropriate più il numero di periodi di dati storici specificati. Il requisito minimo è di due periodi di dati storici. Questo metodo è utile per prevedere la domanda quando nessuna tendenza lineare è nei dati. 3.2.11.1 Esempio: Metodo 11: livellamento esponenziale Questo metodo è simile al metodo 10, Linear Smoothing. In Linear Smoothing, il sistema assegna pesi che declinano in modo lineare ai dati storici. In esponenziale, il sistema assegna pesi che in modo esponenziale decadimento. L'equazione per la previsione esponenziale è: alpha Previsione (precedenti vendite effettive) (1 ndashalpha) (precedente previsione) La previsione è una media ponderata delle vendite effettive rispetto al periodo precedente e le previsioni rispetto al periodo precedente. Alpha è il peso che viene applicato alle vendite effettive del periodo precedente. (1 ndash alfa) è il peso che viene applicato alla previsione per il periodo precedente. Valori per gamma alpha da 0 a 1 e di solito cadono fra 0,1 e 0,4. La somma dei pesi è 1.00 (alpha (1 ndash alfa) 1). Si dovrebbe assegnare un valore per la lisciatura costante, alfa. Se non si assegna un valore per la costante di smoothing, il sistema calcola un valore assunto che si basa sul numero di periodi della storia delle vendite che è specificato nella opzione di elaborazione. alpha pari alla costante di smoothing che viene utilizzato per calcolare la media lisciata per il livello generale o la grandezza delle vendite. I valori di campo di alpha da 0 a 1. n è uguale alla serie di dati storici di vendita per includere nei calcoli. In generale, un anno di dati di storia delle vendite è sufficiente per stimare il livello generale delle vendite. Per questo esempio, un valore piccolo per n (n = 4) è stato scelto per ridurre i calcoli manuali necessarie per verificare i risultati. Esponenziale in grado di generare una previsione che si basa su un minimo di un punto di dati storici. Minimo richiesto storia delle vendite: n più il numero di periodi di tempo che sono necessari per valutare le prestazioni di previsione (periodi di best fit). Questa tabella è storia utilizzato nel calcolo del tempo: 3.2.12 Metodo 12: livellamento esponenziale con Trend e Stagionalità Questo metodo calcola una tendenza, un indice di stagione, e una media esponenziale levigata dalla storia degli ordini di vendita. Il sistema applica poi una proiezione della tendenza alla previsione e regola per l'indice stagionali. Questo metodo richiede il numero di periodi migliori Fit Plus due anni di dati di vendita, ed è utile per gli elementi che hanno sia tendenza e stagionalità nelle previsioni. È possibile inserire il fattore alfa e beta, o hanno il sistema li calcola. Alfa e beta fattori sono la costante smoothing che il sistema utilizza per calcolare la media lisciata per il livello generale o grandezza di vendite (alfa) e la componente di trend della previsione (beta). 3.2.12.1 Esempio: Metodo 12: livellamento esponenziale con Trend e stagionalità Questo metodo è simile al metodo 11, esponenziale, in quanto un medio lisciato viene calcolato. Tuttavia, il metodo 12 include anche un termine nell'equazione di previsione per calcolare una tendenza levigata. La previsione è composto da una media levigata che viene regolata per un andamento lineare. Quando specificato nell'opzione di elaborazione, la previsione è rettificato per stagionalità. Alpha pari alla costante di smoothing utilizzato per calcolare la media lisciata per il livello generale o la grandezza delle vendite. I valori di campo di alpha da 0 a 1. Beta è uguale la costante di smoothing che viene utilizzato per calcolare la media lisciato per la componente di trend della previsione. I valori di gamma beta da 0 a 1. Se un indice di stagione viene applicato alla previsione. Alfa e beta sono indipendenti l'uno dall'altro. Non hanno sommare a 1,0. Minimo richiesto storia delle vendite: Un anno di più il numero di periodi di tempo che sono necessari per valutare le prestazioni del tempo (periodi di best fit). Quando due o più anni di dati storici è disponibile, il sistema utilizza due anni di dati nei calcoli. Metodo 12 utilizza due equazioni di livellamento esponenziale e una media semplice per calcolare una media levigata, una tendenza lisciato, e un semplice indice di media stagionale. Una media esponenziale levigata: Una tendenza esponenziale levigata: Un semplice indice media stagionale: Figura 3-3 semplice media stagionale Indice La previsione viene quindi calcolato utilizzando i risultati delle tre equazioni: L è la lunghezza della stagionalità (L rappresenta 12 mesi o 52 settimane). t è il periodo di tempo corrente. m è il numero di periodi di tempo nel futuro della previsione. S è il fattore moltiplicativo destagionalizzazione che viene indicizzato al periodo di tempo adeguato. Questa storia tabella elenca utilizzati nel calcolo del tempo: questa sezione fornisce una panoramica di previsione valutazioni e discute: è possibile selezionare metodi di previsione per generare fino a 12 previsioni per ciascun prodotto. Ogni metodo di previsione potrebbe creare una proiezione leggermente diverso. Quando migliaia di prodotti sono previsti, una decisione soggettiva è impraticabile per quanto riguarda il quale prevede di usare nei piani di ciascun prodotto. Il sistema valuta automaticamente le prestazioni per ogni metodo di previsione che si seleziona e per ogni prodotto che si previsione. È possibile scegliere tra due criteri di prestazione: MAD e POA. MAD è una misura di errore di previsione. POA è una misura di bias previsione. Entrambe queste tecniche di valutazione delle prestazioni richiedono effettivi dati storici di vendita per un periodo determinato da voi. Il periodo della storia recente usato per la valutazione è chiamato un periodo di dati di controllo o un periodo di best fit. Per misurare le prestazioni di un metodo di previsione, il sistema: utilizza le formule di previsione per simulare una previsione per il periodo di dati di controllo storici. Fa un confronto tra i dati di vendita reale e la simulazione meteo per il periodo di dati di controllo. Quando si selezionano più metodi di previsione, questo stesso processo si verifica per ogni metodo. Le previsioni multipli sono calcolati per il periodo di dati di controllo e rispetto alla storia conosciuta di vendita per lo stesso periodo. Il metodo di previsione che produce la migliore corrispondenza (best fit) tra le previsioni e le vendite effettive durante il periodo di dati di controllo è raccomandato per l'uso nei piani. Questa raccomandazione è specifico per ogni prodotto e potrebbe cambiare ogni volta che si genera una previsione. 3.3.1 Media Deviazione media assoluta deviazione assoluta (MAD) è la media (o media) dei valori assoluti (o grandezza) delle deviazioni (o errori) tra i dati effettivi e previsti. MAD è una misura della grandezza media di errori aspettarsi, dato un metodo di previsione e la storia dei dati. Poiché i valori assoluti sono utilizzati nel calcolo, errori positivi non annullano errori negativi. When comparing several forecasting methods, the one with the smallest MAD is the most reliable for that product for that holdout period. When the forecast is unbiased and errors are normally distributed, a simple mathematical relationship exists between MAD and two other common measures of distribution, which are standard deviation and Mean Squared Error. For example: MAD (Sigma (Actual) ndash (Forecast)) n Standard Deviation, (sigma) cong 1.25 MAD Mean Squared Error cong ndashsigma2 This example indicates the calculation of MAD for two of the forecasting methods. This example assumes that you have specified in the processing option that the holdout period length (periods of best fit) is equal to five periods. 3.3.1.1 Method 1: Last Year to This Year This table is history used in the calculation of MAD, given Periods of Best Fit 5: Mean Absolute Deviation equals (2 1 20 10 14) 5 9.4. Based on these two choices, the Moving Average, n 4 method is recommended because it has the smaller MAD, 9.4, for the given holdout period. 3.3.2 Percent of Accuracy Percent of Accuracy (POA) is a measure of forecast bias. Quando le previsioni sono sempre troppo alti, le scorte si accumulano e costi di magazzino aumentano. 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. Nei servizi, l'entità degli errori di previsione è di solito più importante di quanto non sia pregiudizi del tempo. 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.
No comments:
Post a Comment