Moving Average Forecasting. Introduction Som du kanskje antar vi ser på noen av de mest primitive tilnærmingene til prognoser, men forhåpentligvis er disse minst en verdig innføring i noen av databehandlingsproblemene knyttet til implementering av prognoser i regneark. I denne venen fortsetter vi med begynner i begynnelsen og begynner å jobbe med Moving Average Forecasts. Moving Average Forecasts Alle er kjent med å flytte gjennomsnittlige prognoser, uavhengig av om de tror de er Alle studenter gjør dem hele tiden Tenk på testpoengene dine i et kurs der du skal ha fire tester i løpet av semesteret. La oss anta at du fikk en 85 på din første test. Hva ville du forutsi for din andre test score. Hva tror du at din lærer ville forutsi for din neste test score. Hva tror du vennene dine kan forutsi for din neste test score. Hva tror du at foreldrene dine kan forutsi for din neste testscore. Uansett hvilken blabbing du kan gjøre til din fr Jeg og foreldrene mine, de og din lærer, er veldig sannsynlig å forvente deg å få noe i det 85 du nettopp har fått. Vel, la oss nå anta at til tross for selvforfremmelse til vennene dine, overestimerer du deg selv og finne ut at du kan studere mindre for den andre testen, og så får du en 73. Nå er det alle de bekymrede og ubekymrede kommer til å forutse at du kommer på den tredje testen. Det er to svært sannsynlige tilnærminger for dem å utvikle et estimat uavhengig av om de vil dele det med deg. De kan si til seg selv: Denne fyren blåser alltid røyk om hans smarts. Han kommer til å få en annen 73 hvis han er heldig. Måtte foreldrene forsøke å være mer støttende og si, vel, så langt du har fått en 85 og en 73, så kanskje du burde finne ut på å få en 85 73 2 79 Jeg vet ikke, kanskje hvis du gjorde mindre fester og ikke ville veksle vevet over alt, og hvis du begynte å gjøre en mye mer å studere du kan få en høyere score. Både disse estimatene er faktiske Den bevegelige gjennomsnittlige prognosen. Den første bruker bare din siste poengsum for å prognose din fremtidige ytelse. Dette kalles en gjennomsnittlig gjennomsnittlig prognose ved hjelp av en dataperiode. Den andre er også en flytende gjennomsnittlig prognose, men bruker to perioder med data. at alle disse menneskene bråser på ditt store sinn, har slags pisset deg av og du bestemmer deg for å gjøre det bra på den tredje testen av dine egne grunner og å sette en høyere poengsum foran dine allierte. Du tar testen og poengsummen din er egentlig en 89 Alle, inkludert deg selv, er imponert. Så nå har du den endelige testen av semesteret som kommer opp, og som vanlig føler du behovet for å få alle til å gjøre sine spådommer om hvordan du skal gjøre på den siste testen. Vel, forhåpentligvis ser du pattern. Now, forhåpentligvis kan du se mønsteret som tror du er den mest nøyaktige. Whistle Mens vi jobber nå, går vi tilbake til vårt nye rengjøringsfirma som startet av din fremmedgjorte halv søster, kalt Whistle While we Work Du har noen tidligere salgsdata representert av følgende seksjon fra et regneark Vi presenterer først dataene for en tre-års glidende gjennomsnittlig prognose. Oppføringen for celle C6 skal være. Nå kan du kopiere denne celleformelen ned til de andre cellene C7 til og med C11. Notat hvordan gjennomsnittet beveger seg over de nyeste historiske dataene, men bruker nøyaktig de tre siste perioder som er tilgjengelige for hver prediksjon. Du bør også legge merke til at vi ikke virkelig trenger å gjøre spådommene for de siste perioder for å utvikle vår siste prediksjon. Dette er definitivt forskjellig fra eksponensiell utjevningsmodell Jeg har inkludert de siste spådommene fordi vi vil bruke dem på neste nettside for å måle prediksjonens gyldighet. Nå vil jeg presentere de analoge resultatene for en to-års glidende gjennomsnittlig prognose. Oppføringen for celle C5 skal være. Nå kan kopiere denne celleformelen ned til de andre cellene C6 til C11. Notat hvor nå blir bare de to siste stykkene av historiske data brukt for hver prediksjon igjen, jeg har med d de siste spådommene for illustrative formål og for senere bruk i prognose validering. Som andre ting som er viktig å legge merke til. For en m-periode beveger gjennomsnittlig prognose bare de nyeste dataverdiene er brukt til å foreta prognosen Ingenting annet er nødvendig. For en m-periode som går i gjennomsnitt, vil prognosen ved første forsinkelse oppstå i perioden m 1.Bet av disse problemene vil være svært viktig når vi utvikler vår kode. Utvikle den bevegelige gjennomsnittsfunksjonen Nå må vi utvikle koden for den bevegelige gjennomsnittlige prognosen som kan brukes mer fleksibelt Koden følger Legg merke til at inngangene er for antall perioder du vil bruke i prognosen og rekke historiske verdier. Du kan lagre den i hvilken arbeidsbok du vil. Funksjon MovingAverage Historical, NumberOfPeriods Som Single Declaration og initialisering av variabler Dim Item Som variant Dim Counter Som Integer Dim Akkumulering Som Single Dim HistoricalSize Som Integer. Initialisering av variabler Teller 1 Akkumulering 0. Bestemme størrelsen på Historisk matrise HistoricalSize. For Counter 1 til NumberOfPeriods. Akkumulere riktig antall siste tidligere observerte verdier. Akkumulasjonsakkumulering Historisk Historisk størrelse - AntallOfPeriods Counter. MovingAverage AkkumuleringsnummerOfPeriods. Koden vil bli forklart i klassen. Du vil plassere funksjonen på regnearket slik at resultatet av beregningen vises der den skal som følgende. A Forecast Calculation Examples. A 1 Prognose Beregningsmetode. Det er metoder for beregning av prognoser som er tilgjengelige. De fleste av disse metodene sørger for begrenset brukerkontroll. Eksempelvis vekten plassert på nyere historiske data eller datoperioden for historiske data som brukes i Beregningene kan spesifiseres Følgende eksempler viser beregningsmetoden for hver av de tilgjengelige prognosemetodene, gitt et identisk sett med historiske data. Følgende eksempler bruker de samme 2004 og 2005 salgsdataene til å produsere en salgsrapport for 2006 I tillegg til prognosen beregning, inkluderer hvert eksempel en simulert 2005 fo omarbeide for en tre måneders holdout periode behandling alternativ 19 3 som deretter brukes for prosent av nøyaktighet og gjennomsnittlig absolutt avvik beregninger faktiske salg i forhold til simulert prognose. A 2 Forecast Performance Evaluation Criteria. Avhengig av ditt utvalg av behandlingsalternativer og på trender og mønstre som finnes i salgsdata, vil enkelte prognosemetoder utføre bedre enn andre for et gitt historisk datasett. En prognosemetode som passer for et produkt, kan ikke være hensiktsmessig for et annet produkt. Det er heller ikke sannsynlig at en prognosemetode som gir gode resultater ved en fase i produktets livssyklus vil forbli passende gjennom hele livssyklusen. Du kan velge mellom to metoder for å evaluere nåværende ytelse av prognosemetodene. Dette er gjennomsnittlig absolutt avviks MAD og prosentandel av nøyaktighet POA Begge disse resultatevalueringsmetodene kreves Historisk salgsdata for en bruker spesifisert tidsperiode Denne tidsperioden er kalt en holdout periode eller perioder best egnet PBF Dataene i denne perioden brukes som grunnlag for å anbefale hvilke av prognosemetoder som skal brukes til å gjøre neste prognoseprosjekt Denne anbefalingen er spesifikk for hvert produkt, og kan endres fra en prognose generasjon til neste De to prognosevalueringsmetodene er demonstrert på sidene som følger eksemplene på de tolv prognosemetodene. A 3 Metode 1 - Spesifisert prosent over siste år. Denne metoden multipliserer salgsdata fra forrige år av en brukerdefinert faktor for eksempel, 1 10 for en 10 økning, eller 0 97 for en 3 reduksjon. Ønsket salgshistorie Ett år for beregning av prognosen pluss det brukerdefinerte antall tidsperioder for vurdering av prognostiseringsbehandlingsalternativet 19.A 4 1 Forecast Forecast. Range of Sales History å bruke i beregning av vekstfaktorbehandlingsalternativ 2a 3 i dette eksemplet. Som de siste tre månedene av 2005 114 119 137 370.Sum de samme tre månedene for p revet år 123 139 133 395. Beregnet faktor 370 395 0 9367. Beregn prognosene. Januar, 2005 salg 128 0 9367 119 8036 eller ca 120. februar 2005 salg 117 0 9367 109 5939 eller ca 110.March, 2005 salg 115 0 9367 107 7205 eller ca 108.A 4 2 Simulert Prognose Beregning. Som de tre månedene 2005 før holdout perioden juli, august, sept.129 140 131 400.Sum de samme tre månedene for året før.141 128 118 387.Kalkulert faktor 400 387 1 033591731.Kalkulere simulert prognose. Oktober 2004 salg 123 1 033591731 127 13178.November 2004 Salg 139 1 033591731 143 66925.Desember 2004 Salg 133 1 033591731 137 4677.A 4 3 Prosent av nøyaktighetsberegning. POA 127 13178 143 66925 137 4677 114 119 137 100 408 26873 370 100 110 3429.A 4 4 Gjennomsnittlig Absolutt Avviksberegning. MAD 127 13178 - 114 143 66925 - 119 137 4677- 137 3 13 13178 24 66925 0 4677 3 12 75624.A 5 Metode 3 - I fjor til dette året. Denne metoden kopierer salgsdata fra foregående år til neste år. Requ eldre salgshistorie Ett år for å beregne prognosen pluss antall tidsperioder som er spesifisert for å evaluere prognoseprosesseringsalternativ 19.A 6 1 Beregning av prognose. Antall perioder som skal inkluderes i gjennomsnittlig behandlingsalternativ 4a 3 i dette eksemplet. For hver måned av prognosen, gjennomsnittlig forrige tre måneders data. Januarprognose 114 119 137 370, 370 3 123 333 eller 123.Februari prognose 119 137 123 379, 379 3 126 333 eller 126. Forventet værmelding 137 123 126 379, 386 3 128 667 eller 129.A 6 2 Simulert prognoseberegning. Oktober 2005 salg 129 140 131 3 133 3333.November 2005 Salg 140 131 114 3 128 3333.Desember 2005 Salg 131 114 119 3 121 3333.A 6 3 Prosent av nøyaktighetsberegning. POA 133 3333 128 3333 121 3333 114 119 137 100 103 513.A 6 4 Middel Absolutt Avviksberegning. MAD 133 3333 - 114 128 3333 - 119 121 3333 - 137 3 14 7777.A 7 Metode 5 - Lineær Tilnærming. Linjær Tilnærming beregner en trend basert på to salgshistorikk datapunkter. Disse to punktene d efine en rett trendlinje som er projisert inn i fremtiden Bruk denne metoden med forsiktighet, da langdistanseprognosene utløses av små endringer på bare to datapunkter. Forespurt salgshistorikk Antallet perioder som skal inkluderes i regresjonsbehandlingsalternativ 5a, pluss 1 pluss antall tidsperioder for vurdering av prognostiseringsbehandlingsalternativ 19.A 8 1 Prognoseberegning. Antall perioder som skal inkluderes i regresjonsbehandlingsalternativ 6a 3 i dette eksemplet. For hver måned av prognosen legger du til økningen eller reduksjonen i de angitte periodene før holdout periode den forrige perioden. Innholdet av de foregående tre månedene 114 119 137 3 123 3333. Sammendrag av de foregående tre månedene med vekten vurdert. 114 1 119 2 137 3 763. Forskjellen mellom verdiene. 763 - 123 3333 1 2 3 23.Ratio 1 2 2 2 3 2 - 2 3 14 - 12 2.Value1 Differenceforhold 23 2 11 5.Value2 Gjennomsnittlig verdi1-forhold 123 3333 - 11 5 2 100 3333.Forecast 1 n-verdi1 value2 4 11 5 100 3333 146 333 eller 146.Forecast 5 11 5 100 3333 157 8333 eller 158.Forecast 6 11 5 100 3333 169 3333 eller 169.A 8 2 Simulert prognoseberegning. Oktober 2004 salg. Gjennomsnitt av de foregående tre månedene . 129 140 131 3 133 3333. Sammendrag av de foregående tre månedene med vekt. 129 1 140 2 131 3 802. Forskjellen mellom verdiene. 802 - 133 3333 1 2 3 2.Ratio 1 2 2 2 3 2 - 2 3 14 - 12 2.Value1 Differenceforhold 2 2 1.Value2 Gjennomsnittlig verdi1-verdi 133 3333 - 1 2 131 3333.Forutsette 1 n verdi1 verdi2 4 1 131 3333 135 3333.November 2004 sales. Average av de foregående tre månedene. 140 131 114 3 128 3333.Summary for de foregående tre månedene med vekten vurdert. 140 1 131 2 114 3 744.Variasjon mellom verdiene 744 - 128 3333 1 2 3 -25 9999.Value1 Differanseforhold -25 9999 2 -12 9999.Value2 Gjennomsnittlig verdi1-verdi 128 3333 - -12 9999 2 154 3333.Forecast 4 -12 9999 154 3333 102 3333.December 2004 sales. Average av de foregående tre månedene. 131 114 119 3 121 3333. Sammendrag av de foregående tre månedene med vekt. 131 1 114 2 119 3 716. Forskjellen mellom verdiene. 716 - 121 3333 1 2 3 -11 9999.Value1 Differanseforhold -11 9999 2 -5 9999.Value2 Gjennomsnittlig verdi1-forhold 121 3333 - -5 9999 2 133 3333.Forecast 4 -5 9999 133 3333 109 3333.A 8 3 Prosent av nøyaktighetsberegning. POA 135 33 102 33 109 33 114 119 137 100 93 78.A 8 4 Gjennomsnittlig Absolutt Avviksberegning. MAD 135 33 - 114 102 33 - 119 109 33 - 137 3 21 88.A 9 Metode 7 - Andre Graden Approximation. Linear Regression bestemmer verdier for a og b i prognosen formel Y a bX med målet om å montere en rett linje til salgshistorie dataene Second Degree Approximation er likevel Denne metoden bestemmer verdier for a, b og c i prognosen formel Y a bX cX2 med sikte på å tilpasse en kurve til salgshistorikkdataene Denne metoden kan være nyttig når et produkt er i overgangen mellom stadier av en livssyklus For eksempel når et nytt produkt beveger seg fra introduksjon til vekststadier , salgstendensen kan akselerere På grunn av andreordens sikt kan prognosen raskt nærme seg uendelig eller fall til null, avhengig av om koeffisient c er positiv eller negativ. Denne metoden er derfor kun nyttig på kort sikt. Forespørselsdetaljer Formlene finner a, b og c for å passe en kurve til nøyaktig tre punkter. Du angir n i behandlingsalternativ 7a, antall datoperioder som akkumuleres i hvert av de tre punktene I dette eksemplet n 3 Derfor blir faktiske salgsdata for april til juni kombinert i første punkt. Q1 juli til september legges sammen for å skape Q2 , og oktober til desember sum til Q3 Kurven vil bli montert på de tre verdiene Q1, Q2 og Q3.Required sales history 3 n perioder for beregning av prognosen pluss antall tidsperioder som kreves for å evaluere prognosen ytelse PBF. Number av perioder for å inkludere behandlingsalternativ 7a 3 i dette eksemplet. Bruk de foregående 3 n månedene i tre måneders blokker. Q1 Apr - Jun 125 122 137 384.Q2 Jul - Sep 129 140 131 400.Q3 Okt - Des 114 119 137 370. Det neste trinnet innebærer c alculating de tre koeffisientene a, b og c som skal brukes i prognosen formel Y a bX cX 2. 1 Q1 en bX cX 2 hvor X 1 a b c. 2 Q2 en bX cX2 hvor X2 a 2b 4c. 3 Q3 en bX cX 2 hvor X 3 a 3b 9c. Solve de tre ligningene samtidig for å finne b, a og c. Subtrekke ligning 1 fra ligning 2 og løse for b. Substituer denne ligningen for b i ligning 3. 3 Q3 a 3 Q2 - Q1 - 3c c. Endelig erstatte disse ligningene for a og b til ligning 1. Q3 - 3 Q2 - Q1 Q2 - Q1 - 3c c Q1.c Q3 - Q2 Q1 - Q2 2.Den andre graden Tilnærmelsesmetode beregner a, b og c som følger. a Q3 - 3 Q2 - Q1 370 - 3 400 - 384 322.c Q3 - Q2 Q1 - Q2 2 370 - 400 384 - 400 2 -23.b Q2 - Q1 - 3c 400 - 384 - 3 -23 85.Ja en bX cX 2 322 85 X -23 X 2.Januar til mars prognose X 4. 322 340 - 368 3 294 3 98 per periode. April til juni prognose X 5. 322 425 - 575 3 57 333 eller 57 per periode. Juli til september prognose X 6. 322 510 - 828 3 1 33 eller 1 per periode. Oktober til desember X 7. 322 595 - 1127 3 -70.A 9 2 Simulert prognoseberegning. Oktober, november og desember 2004 salg. Q1 Jan - Mars 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 16 3 136.A 9 3 Prosent av nøyaktighetsberegning. POA 136 136 136 114 119 137 100 110 27.A 9 4 Gjennomsnittlig Absolutt Avviksberegning. MAD 136 - 114 136 - 119 136 - 137 3 13 33.A 10 Metode 8 - Fleksibel metode. Fleksibel metodeprosent over n måneder Tidligere ligner metode 1, Prosent over fjorår Begge metodene multipliserer salgsdata fra en tidligere tidsperiode av en brukerdefinert faktor , så prosjektet dette resultatet inn i fremtiden. I Prosent Over Last Year-metoden er projeksjonen basert på data fra samme periode i fjor. Den fleksible metoden legger til rette for å spesifisere en annen periode enn samme periode i fjor til bruk som grunnlag for beregningene. Multiplikasjonsfaktor For eksempel spesifiser 1 15 i behandlingsalternativet 8b for å øke tidligere salgshistorikkdata med 15.Base periode For eksempel vil n 3 føre til at den første prognosen blir basert på salgsdata i Oktober 2005.Minimum salgshistorie Brukerens spesifiserte nummer o f perioder tilbake til baseperioden, pluss antall tidsperioder som kreves for å evaluere prognoseytelsen PBF. A 10 4 Middel Absolutt Avviksberegning. MAD 148 - 114 161 - 119 151 - 137 3 30.A 11 Metode 9 - Vektet Flytting Gjennomsnittlig. Vektet Flytende Gjennomsnittlig WMA-metode ligner Metode 4, Flytende Gjennomsnitt MA Med det Vektede Flytende Gjennomsnitt kan du tilordne ulik vekt til de historiske data Metoden beregner et veid gjennomsnitt av den siste salgshistorikken for å komme frem til en projeksjon for kort sikt Flere nyere data blir vanligvis tildelt større vekt enn eldre data, slik at WMA gir større respons på endringer i salgsnivået. Prognoseforstyrrelser og systematiske feil oppstår imidlertid fortsatt når produktsalgshistorikken viser sterk trend eller sesongmessige mønstre. Dette Metoden virker bedre for kortvarige prognoser for modne produkter enn for produkter i vekst - eller forfallsfasen av livssyklusen. n Antall perioder med salgshistorie som skal brukes i prognoseberegningen For eksempel angi n 3 i behandlingsalternativet 9a for å bruke de siste tre periodene som grunnlag for projeksjonen i neste tidsperiode. En stor verdi for n som 12 krever mer salgshistorikk. Det resulterer i en stabil prognose , men vil være sakte for å gjenkjenne endringer i salgsnivået. På den annen side vil en liten verdi for n som 3 reagere raskere på endringer i salgsnivå, men prognosen kan variere så mye at produksjonen ikke kan svare på Variasjonene. Vekten tilordnet hver av de historiske datoperiodene De tildelte vekter må total til 1 00 For eksempel, når n 3 tilordner vekter på 0 6, 0 3 og 0 1, med de nyeste dataene som mottar størst vekt . Minst nødvendig salgshistorie n pluss antall tidsperioder som kreves for å evaluere prognosepåvirket PBF. MAD 133 5 - 114 121 7 - 119 118 7 - 137 3 13 5.A 12 Metode 10 - Lineær utjevning. Denne metoden ligner på Metode 9, Vektet Flytende Gjennomsnittlig WMA Hvordan Alltid, i stedet for å tilfeldigvis gi vekt til historiske data, brukes en formel til å tilordne vekter som avtar lineært og summen til 1 00 Metoden beregner deretter et veid gjennomsnitt av den siste salgshistorikken for å komme frem til en projeksjon på kort sikt. Som er sant for alle lineære bevegelige gjennomsnittlige prognostiseringsteknikker, oppstår prognoseforstyrrelser og systematiske feil når produktsalgshistorikken viser sterk trend eller sesongmessige mønstre. Denne metoden fungerer bedre for kortvarige prognoser for modne produkter i stedet for for produkter i vekst - eller forældelsesfasen av livet syklus. n antall perioder med salgshistorie som skal brukes i prognoseberegningen Dette er angitt i behandlingsalternativet 10a For eksempel angi n 3 i behandlingsalternativet 10b for å bruke de siste tre periodene som grunnlag for projeksjonen i neste tidsperiode Systemet vil automatisk tildele vektene til de historiske dataene som avtar lineært og summen til 1 00 For eksempel når n 3, s ystem vil tildele vekter på 0 5, 0 3333 og 0 1, med de nyeste dataene som mottar størst vekt. Minimum krevende salgshistorie n pluss antall tidsperioder som kreves for å evaluere prognosepåvirkning PBF. A 12 1 Forecast Calculation. Antall perioder som skal inkluderes ved utjevning av gjennomsnittlig behandlingsalternativ 10a 3 i dette eksemplet. Ratio for en periode før 3 n 2 n 2 3 3 2 3 2 3 6 0 5.Ratio i to perioder før 2 n 2 n 2 2 3 2 3 2 2 6 0 3333.Ratio i tre perioder før 1 n 2 n 2 1 3 2 3 2 1 6 0 1666.Januærprognose 137 0 5 119 1 3 114 1 6 127 16 eller 127.Februari prognose 127 0 5 137 1 3 119 1 6 129.Marg prognose 129 0 5 127 1 3 137 1 6 129 666 eller 130.A 12 2 Simulert prognoseberegning. Oktober 2004 Salg 129 1 6 140 2 6 131 3 6 133 6666.November 2004 Salg 140 1 6 131 2 6 114 3 6 124. desember 2004 salg 131 1 6 114 2 6 119 3 6 119 3333.A 12 3 Prosent av nøyaktighetsberegning. POA 133 6666 124 119 3333 114 119 137 100 101 891.A 12 4 Gjennomsnittlig Absolutt Avviksberegning. MAD 133 6666 - 114 124 - 119 119 3333 - 137 3 14 1111.A 13 Metode 11 - Eksponentiell utjevning. Denne metoden ligner Metode 10, Linjær utjevning Ved lineær utjevning, tilordner systemet vekter til de historiske dataene som avtar lineært Ved eksponensiell utjevning , tilordner systemet vekter som eksponentielt forfall. Eksponensiell utjevningsprognosekvasjon er. Foreslå en tidligere faktisk salg 1 - en tidligere prognose. Prognosen er et veid gjennomsnitt av det faktiske salget fra forrige periode og prognosen fra foregående periode a er vekt brukt på det faktiske salget for forrige periode 1 - a er vekten på prognosen for foregående periode Gyldige verdier for et område fra 0 til 1, og faller vanligvis mellom 0 1 og 0 4 Summen av vektene er 1 00 a 1 - a 1.Du bør tildele en verdi for utjevningskonstanten, a Hvis du ikke tilordner verdier for utjevningskonstanten, beregner systemet en antatt verdi basert på antall perioder med salgshistorikk spesifisering d i prosesseringsalternativet 11a. a utjevningskonstanten som brukes til å beregne det glatte gjennomsnittet for det generelle nivået eller størrelsen på salget Gyldige verdier for et område fra 0 til 1.n rekkevidden av salgshistorikkdata for å inkludere i beregningene Generelt ett år av salgshistorikkdata er tilstrekkelig til å estimere det generelle salgsnivået For dette eksempelet ble en liten verdi for nn 3 valgt for å redusere manuelle beregninger som kreves for å verifisere resultatene Eksponensiell utjevning kan generere en prognose basert på så lite som en historisk datapunkt. Minimum påkrevd salgshistorie n pluss antall tidsperioder som kreves for å evaluere prognosepåvirkning PBF. A 13 1 Forecast Calculation. Number of periods for å inkludere i utjevning gjennomsnittlig prosesseringsalternativ 11a 3, og alfa faktorbehandling alternativ 11b tom i dette example. a faktor for de eldste salgsdataene 2 1 1 eller 1 når alpha er spesifisert. En faktor for 2. eldste salgsdata 2 1 2, eller alfa når alfa er spesifisert. En faktor for den tredje eldste salgsinformasjonen 2 1 3, eller alfa når alfa er spesifisert. En faktor for de siste salgsdataene 2 1 n, eller alfa når alfa er spesifisert. Norges Sm Gj. sn. oktober Faktisk 1 - en oktober Sm Gj. sn. 1 114 0 0 114.December Sm Gj. sn. november Aktuell 1 - a november Sm Gj. sn. 2 3 119 1 3 114 117 3333.January Forventet desember Faktisk 1 - a desember Sm Gj. sn. 2 4 137 2 4 117 3333 127 16665 eller 127.Februari Prognose Januar-prognose 127.Markeprognose Januarprognose 127.A 13 2 Simulert prognoseberegning. Juli 2004 Sm Gj. sn. 2 129 129. august Sm Gj. sn. 2 3 140 1 3 129 136 3333.September Sm Gj. sn. 2 4 131 2 4 136 3333 133 6666.October 2004 salg Sep Sm Avg 133 6666.August, 2004 Sm Gj. sn. 2 2 140 140.September Sm Gjennomsnittspris 2 3 131 1 3 140 134.October Sm Gj. sn. 2 4 114 2 4 134 124.November 2004 Salg Sep Sm Gj. sn. 124.September 2004 Sm Gj. sn. 2 2 131 131.October Sm Gj. sn. 2 3 114 1 3 131 119 6666.November Sm Gj. sn. 2 4 119 2 4 119 6666 119 3333.Desember 2004 Salg Sep Sm Avg 119 3333.A 13 3 Prosent av nøyaktighet Calcula POA 133 6666 124 119 3333 114 119 137 100 101 891.A 13 4 Gjennomsnittlig Absolutt Avviksberegning. MAD 133 6666 - 114 124 - 119 119 3333 - 137 3 14 1111.A 14 Metode 12 - Eksponentiell utjevning med trend og sesongmessighet . Denne metoden ligner metode 11, eksponensiell utjevning ved at et glatt gjennomsnitt beregnes. Metode 12 inneholder også et begrep i prognosekvasjonen for å beregne en jevn trend. Prognosen består av en glatt gjennomsnitt justert for en lineær trend. Når spesifisert i prosesseringsalternativet er prognosen også justert for sesongmessige forhold. Den utjevningskonstanten som brukes til å beregne det glatte gjennomsnittet for det generelle nivået eller størrelsen på salget. Gyldige verdier for alfaområdet fra 0 til 1.b utjevningskonstanten som benyttes ved beregning av glattet gjennomsnitt for trendkomponenten i prognosen Gyldige verdier for beta-område fra 0 til 1.Whh en sesongbasert indeks er brukt på forecast. a og b er uavhengig av hverandre. De trenger ikke å legge til 1 0.Min Imum kreves salgshistorie to år pluss antall tidsperioder som kreves for å evaluere prognoseprestansen PBF. Method 12 bruker to eksponensielle utjevningsligninger og ett enkelt gjennomsnitt for å beregne et glatt gjennomsnitt, en jevn trend og en enkel gjennomsnittlig sesongfaktor. A 14 1 Prognose Beregning A. Et eksponentielt glatt gjennomsnitt. MAD 122 81 - 114 133 14 - 119 135 33 - 137 3 8 2.A 15 Evaluering av Forecasts. You kan velge prognosemetoder for å generere så mange som tolv prognoser for hvert produkt. Hver prognose Metoden vil trolig skape en litt annen projeksjon Når tusenvis av produkter er forventet, er det upraktisk å ta en subjektiv beslutning om hvilke av prognosene som skal brukes i dine planer for hver av produktene. Systemet evaluerer automatisk ytelsen for hver av prognosemetoder som du velger, og for hver av produktene prognose Du kan velge mellom to ytelseskriterier, Mean Absolute Deviation MAD og Percent of Accur acy POA MAD er et mål for prognosefeil POA er et mål for prognosebasert Begge disse resultatevalueringsteknikkene krever faktiske salgshistorikdata for en brukerdefinert tidsperiode. Denne perioden med nyere historie kalles en holdoutperiode eller perioder som passer best til PBF. For å måle resultatene av en prognosemetode, bruk prognoseformlene for å simulere en prognose for historisk utholdelsesperiode. Det vil vanligvis være forskjeller mellom faktiske salgsdata og den simulerte prognosen for holdoutperioden. Når flere prognosemetoder blir valgt, vil denne samme prosessen forekommer for hver metode. Flere prognoser beregnes for utholdelsesperioden og sammenlignet med den kjente salgshistorikken for samme tidsperiode. Prognosemetoden som gir best mulig samsvar best mulig mellom prognosen og det faktiske salget i utholdningsperioden, anbefales til bruk i dine planer Denne anbefalingen er spesifikk for hvert produkt, og kan endres fra en prognose generasjon til ne xt. A 16 Mean Absolute Deviation MAD. MAD er gjennomsnittet eller gjennomsnittet av absoluttverdiene eller størrelsen av avvikene eller feilene mellom faktiske og prognose data. MAD er et mål på gjennomsnittlig størrelsesorden for feil som kan forventes, gitt en prognosemetode og data historie Fordi absolutt verdier brukes i beregningen, avbryter ikke positive feil ut negative feil Når man sammenligner flere prognostiseringsmetoder, har den med den minste MAD vist seg å være den mest pålitelige for det aktuelle produktet for den holdingsperioden. Når prognosen er upartisk og feil distribueres normalt, det er et enkelt matematisk forhold mellom MAD og to andre vanlige målefordeler, standardavvik og Mean Squared Error. A 16 1 Prosent av nøyaktighet POA. Percent of Accuracy POA er et mål for prognostisk bias Når prognosene er konsekvente for høyt, lagerbeholdninger akkumuleres og varekostnadene øker Når prognosene er konsekvent to lave, forbruker varebeholdningen og nedgangen i kundeservice s En prognose som er 10 enheter for lav, da 8 enheter for høy, deretter 2 enheter for høy, ville være en objektiv prognose. Den positive feilen på 10 er kansellert av negative feil på 8 og 2.Error Actual - Forecast. When et produkt kan lagres i lager og når prognosen er objektiv, kan en liten mengde sikkerhetslager brukes til å buffere feilene. I denne situasjonen er det ikke så viktig å eliminere prognosefeil som det er å generere objektive prognoser. Men i tjenesteytende næringer , vil ovennevnte situasjon bli sett på som tre feil. Tjenesten vil bli underbemannet i den første perioden, deretter overbemannet for de neste to perioder. I tjenestene er størrelsen på prognosefeil vanligvis viktigere enn det som er prognosen. Summen over holdingsperioden tillater positive feil å avbryte negative feil Når totalt salg av det totale salget overstiger total prognosen, er forholdet større enn 100 Selvfølgelig er det umulig å være mer enn 100 nøyaktige Når en prognose er unbias ed, POA-forholdet vil være 100 Derfor er det mer ønskelig å være 95 nøyaktige enn å være 110 nøyaktige. POA-kriteriene velger prognosemetoden som har et POA-forhold som er nærmest 100. Skriften på denne siden forbedrer innholdsnavigasjon, men gjør ikke Endre innholdet på noen måte. Tidsserie Metoder. Tidsseriemetoder er statistiske teknikker som benytter historiske data akkumulert over en tidsperiode. Tidsserie-metoder antar at det som har skjedd tidligere, vil fortsette å skje i fremtiden. Som navnet Tidsseriene antyder, disse metodene relaterer prognosen til bare en faktor - tid. De inkluderer glidende gjennomsnitt, eksponensiell utjevning og lineær trendlinje, og de er blant de mest populære metodene for prognoser for kortdistanse blant service - og produksjonsbedrifter. Disse metodene antar at identifiserbare historiske mønstre eller trender for etterspørsel over tid vil gjenta seg selv. Gjennomsnittlig gjennomsnitt. En prognoser for tidsserier kan være så enkel som bruk av etterspørsel i dagens p eriod for å forutsi etterspørsel i neste periode Dette kalles noen ganger en naiv eller intuitiv prognose 4 For eksempel, hvis etterspørselen er 100 enheter denne uken, er prognosen for neste ukes etterspørsel 100 enheter dersom etterspørselen viser seg å være 90 enheter i stedet, da neste ukes etterspørsel er 90 enheter og så videre. Denne type prognosemetode tar ikke hensyn til historisk etterspørselsadferd det baserer seg bare på etterspørsel i den nåværende perioden. Det reagerer direkte på de normale, tilfeldige bevegelsene i etterspørselen. Det enkle glidende gjennomsnittet Metoden bruker flere etterspørselsverdier i nyere tid til å utvikle en prognose. Dette har en tendens til å dempe eller utjevne de tilfeldige økninger og reduksjoner av en prognose som bare bruker en periode. Det enkle glidende gjennomsnittet er nyttig for å forutse etterspørselen som er stabil og ikke Vis noen uttalt etterspørselsadferd, for eksempel en trend eller sesongmessig mønster. Gjennomgang gjennomsnitt beregnes for bestemte perioder, for eksempel tre måneder eller fem måneder, avhengig av hvor mye forecasteren desi res for å glatte etterspørseldataene Jo lengre glidende gjennomsnittsperiode, jo glattere blir det. Formelen for beregning av det enkle bevegelige gjennomsnittet teller et enkelt, flytende gjennomsnitt. Instant Paper Clip Office Supply Company selger og leverer kontorrekvisita til bedrifter, skoler og byråer innenfor en 50-mils radius av lageret Kontorforsyningsvirksomheten er konkurransedyktig, og evnen til å levere bestillinger raskt er en faktor for å få nye kunder og holde gamle. Kontorer ordner vanligvis ikke når de går lite på forsyninger, men når de er fullstendig løpe ut Som et resultat de trenger sine bestillinger umiddelbart. Sjefen for selskapet ønsker å være sikker nok drivere og kjøretøyer er tilgjengelige for å levere bestillinger omgående og de har tilstrekkelig beholdning på lager. Derfor ønsker lederen å kunne prognose antall ordrer som vil skje i løpet av den neste måneden, dvs. å forutsi etterspørselen etter leveranser. Fra poster av leveringsordre har ledelsen akkumulert followi ng data for de siste 10 månedene, hvorfra den ønsker å beregne 3- og 5-måneders glidende gjennomsnitt. La oss anta at det er slutten av oktober. Prognosen som kommer fra enten 3- eller 5-måneders glidende gjennomsnitt er typisk for neste måned i sekvensen, som i dette tilfellet er november Det glidende gjennomsnittet beregnes fra etterspørselen etter bestillinger for de foregående 3 månedene i sekvensen i henhold til følgende formel. Det 5-måneders glidende gjennomsnittet beregnes fra den forrige 5 måneders etterspørseldata som følger. De 3- og 5-måneders glidende gjennomsnittlige prognosene for alle månedene av etterspørseldata er vist i følgende tabell Faktisk vil bare prognosen for november basert på den siste månedlige etterspørselen bli brukt av lederen De tidligere prognosene for tidligere måneder gjør det imidlertid mulig for oss å sammenligne prognosen med den faktiske etterspørselen for å se hvor nøyaktig prognosemetoden er - det vil si hvor bra det gjør. Tre og fem måneders gjennomsnitt. Ved å flytte gjennomsnittlige prognoser i tabellen ovenfor har en tendens til å glatte ut variabiliteten som oppstår i de faktiske dataene. Denne utjevningseffekten kan observeres i følgende figur hvor de 3-måneders og 5-måneders gjennomsnittene er lagt på en graf av de opprinnelige dataene. 5-måneders glidende gjennomsnitt i forrige figur jevner ut svingninger i større grad enn 3 måneders glidende gjennomsnitt. 3-måneders gjennomsnittet reflekterer nå de nyeste dataene som er tilgjengelige for kontorforsyningsadministratoren. Generelt er prognosene ved bruk av lengre glidende gjennomsnitt, langsommere å reagere på Nylige endringer i etterspørsel enn ville de som ble gjort ved hjelp av glidende gjennomsnitt for kortere periode. De ekstra datatidene demper hastigheten som prognosen responderer. Etablering av passende antall perioder som skal brukes i et glidende gjennomsnittlig prognose krever ofte litt prøve - og feilsøking eksperimentering. Ulempen ved den bevegelige gjennomsnittlige metoden er at den ikke reagerer på variasjoner som oppstår for en grunn, for eksempel sykluser og sesongmessige effekter. Faktorer som forårsaker endringer blir generelt ignorert Det er i utgangspunktet en mekanisk metode som gjenspeiler historiske data på en konsistent måte. Den glidende gjennomsnittlige metoden har imidlertid fordelen av å være enkel å bruke, rask og relativt billig. Generelt kan denne metoden gi en god prognose på kort sikt, men det bør ikke skyves for langt inn i fremtiden. Veidende flytende gjennomsnitt. Den bevegelige gjennomsnittlige metoden kan justeres for å gjenspeile svingninger i dataene. I vektet glidende gjennomsnittlig metode blir vektene tilordnet til de siste data i henhold til følgende formel. Etterspørseldataene for PM Computer Services vist i tabellen for eksempel 10 3 ser ut til å følge en økende lineær trend. Selskapet vil beregne en lineær trendlinje for å se om den er mer nøyaktig enn eksponensiell utjevning og justerte eksponensielle utjevningsprognoser utviklet i eksempler 10 3 og 10 4.De verdier som kreves for minste kvadratberegningene, er som følger. Ved å bruke disse verdiene, har pa rammetre for den lineære trendlinjen beregnes som følger. Derfor er den lineære trendlinjekvasjonen. For å beregne en prognose for periode 13, la x 13 i den lineære trendlinjen. Følgende diagram viser den lineære trendlinjen sammenlignet med de faktiske dataene Treningslinjen ser ut til å reflektere nøye de faktiske dataene - det vil si å være en god form - og ville dermed være en god prognosemodell for dette problemet. En ulempe med den lineære trendlinjen er at den ikke vil tilpasse seg en Endring i trenden, som de eksponensielle utjevningsprognosene vil det vil si, det antas at alle fremtidige prognoser vil følge en rett linje. Dette begrenser bruken av denne metoden til en kortere tidsramme hvor du kan være relativt sikker på at trenden vil Ikke endre. Sesongjusteringer. Et sesongbasert mønster er en repetitiv økning og nedgang i etterspørselen. Mange etterspørselsprodukter viser sesongmessig oppførsel. Klærsalg følger årlige sesongmønstre, med etterspørsel etter varme klær øker om høsten og vinteren. og fallende på våren og sommeren etter hvert som etterspørselen etter kjøligere klær øker. Etterspørselen etter mange detaljhandler, inkludert leker, sportsutstyr, klær, elektroniske apparater, skinke, kalkuner, vin og frukt, øker i løpet av høytiden. Sammen med spesielle dager som Valentinsdag og morsdag. Sesongmønstre kan også forekomme hver måned, ukentlig eller til og med daglig. Noen restauranter har høyere etterspørsel om kvelden enn til lunsj eller i helgene, i motsetning til hverdager Trafikk - derav sales--at shopping malls picks up on Friday and Saturday. There are several methods for reflecting seasonal patterns in a time series forecast We will describe one of the simpler methods using a seasonal factor A seasonal factor is a numerical value that is multiplied by the normal forecast to get a seasonally adjusted forecast. One method for developing a demand for seasonal factors is to divide the demand for each seasonal period by total annual dema nd, according to the following formula. The resulting seasonal factors between 0 and 1 0 are, in effect, the portion of total annual demand assigned to each season These seasonal factors are multiplied by the annual forecasted demand to yield adjusted forecasts for each seasonputing a Forecast with Seasonal Adjustments. Wishbone Farms grows turkeys to sell to a meat-processing company throughout the year However, its peak season is obviously during the fourth quarter of the year, from October to December Wishbone Farms has experienced the demand for turkeys for the past three years shown in the following table. Because we have three years of demand data, we can compute the seasonal factors by dividing total quarterly demand for the three years by total demand across all three years. Next, we want to multiply the forecasted demand for the next year, 2000, by each of the seasonal factors to get the forecasted demand for each quarter To accomplish this, we need a demand forecast for 2000 In t his case, since the demand data in the table seem to exhibit a generally increasing trend, we compute a linear trend line for the three years of data in the table to get a rough forecast estimate. Thus, the forecast for 2000 is 58 17, or 58,170 turkeys. Using this annual forecast of demand, the seasonally adjusted forecasts, SF i , for 2000 areparing these quarterly forecasts with the actual demand values in the table, they would seem to be relatively good forecast estimates, reflecting both the seasonal variations in the data and the general upward trend.10-12 How is the moving average method similar to exponential smoothing.10-13 What effect on the exponential smoothing model will increasing the smoothing constant have.10-14 How does adjusted exponential smoothing differ from exponential smoothing.10-15 What determines the choice of the smoothing constant for trend in an adjusted exponential smoothing model.10-16 In the chapter examples for time series methods, the starting forecast wa s always assumed to be the same as actual demand in the first period Suggest other ways that the starting forecast might be derived in actual use.10-17 How does the linear trend line forecasting model differ from a linear regression model for forecasting.10-18 Of the time series models presented in this chapter, including the moving average and weighted moving average, exponential smoothing and adjusted exponential smoothing, and linear trend line, which one do you consider the best Why.10-19 What advantages does adjusted exponential smoothing have over a linear trend line for forecasted demand that exhibits a trend.4 K B Kahn and J T Mentzer, Forecasting in Consumer and Industrial Markets, The Journal of Business Forecasting 14, no 2 Summer 1995 21-28.
No comments:
Post a Comment