Mad moving average forecast

3 Zrozumienie poziomów i metod prognoz Możesz wygenerować zarówno prognozy dotyczące szczegółów (pojedynczej pozycji), jak i podsumowania (linii produktów) odzwierciedlające wzorce popytu na produkty. System analizuje przeszłe wyniki sprzedaży, aby obliczyć prognozy za pomocą 12 metod prognozowania. Prognozy zawierają szczegółowe informacje na poziomie pozycji i informacje o wyższym poziomie dotyczące oddziału lub firmy jako całości. 3.1 Kryteria oceny wyników prognozy W zależności od wyboru opcji przetwarzania oraz trendów i wzorców w danych sprzedaży, niektóre metody prognozowania działają lepiej niż inne dla danego zestawu danych historycznych. Metoda prognozowania odpowiednia dla jednego produktu może nie być odpowiednia dla innego produktu. Może się okazać, że metoda prognozowania, która zapewnia dobre wyniki na jednym etapie cyklu życia produktu, pozostaje odpowiednia w całym cyklu życia. Możesz wybrać jedną z dwóch metod oceny aktualnej wydajności metod prognozowania: Procent dokładności (POA). Średnie absolutne odchylenie (MAD). Obie te metody oceny wydajności wymagają danych historycznych dotyczących sprzedaży dla określonego okresu. Ten okres nazywany jest okresem wstrzymania lub okresem najlepszego dopasowania. Dane w tym okresie są wykorzystywane jako podstawa do rekomendowania, którą metodę prognozowania zastosować przy tworzeniu następnej prognozy. To zalecenie jest specyficzne dla każdego produktu i może zmieniać się z jednej generacji generowania prognozy na drugą. 3.1.1 Najlepsze dopasowanie System zaleca prognozę najlepszego dopasowania, stosując wybrane metody prognozowania do historii zamówień poprzednich zamówień i porównując symulację prognozy z rzeczywistą historią. Po wygenerowaniu prognozy najlepszego dopasowania system porównuje rzeczywistą historię zamówień sprzedaży z prognozami dla określonego okresu czasu i oblicza, jak dokładnie każda inna metoda prognozowania przewidywała sprzedaż. Następnie system zaleca najdokładniejsze prognozy jako najlepsze dopasowanie. Ta grafika ilustruje najlepsze dopasowania prognozy: Rysunek 3-1 Najlepsza prognoza dopasowania System wykorzystuje tę sekwencję kroków do określenia najlepszego dopasowania: Użyj każdej określonej metody, aby zasymulować prognozę okresu wstrzymania. Porównaj rzeczywistą sprzedaż z symulowanymi prognozami okresu wstrzymania. Oblicz POA lub MAD, aby określić, która metoda prognozowania najlepiej pasuje do dotychczasowej faktycznej sprzedaży. System korzysta z POA lub MAD, w oparciu o wybrane opcje przetwarzania. Poleć najlepszą prognozę POA, która jest najbliższa 100% (ponad lub poniżej) lub MAD, która jest najbliższa zeru. 3.2 Metody prognozowania JD Edwards EnterpriseOne Forecast Management wykorzystuje 12 metod do prognozowania ilościowego i wskazuje, która metoda najlepiej pasuje do sytuacji prognostycznej. W tej sekcji omówiono: Metoda 1: Procent w ciągu ostatniego roku. Metoda 2: Obliczony procent w ciągu ostatniego roku. Metoda 3: Ostatni rok w tym roku. Metoda 4: Średnia ruchoma. Metoda 5: Aproksymacja liniowa. Metoda 6: Regresja najmniejszych kwadratów. Metoda 7: Aproksymacja drugiego stopnia. Metoda 8: Elastyczna metoda. Metoda 9: Średnia ważona ruchoma. Metoda 10: Wygładzanie liniowe. Metoda 11: Wygładzanie wykładnicze. Metoda 12: Wygładzanie wykładnicze z trendem i sezonowością. Określ metodę, której chcesz użyć w opcjach przetwarzania dla programu Generowanie prognoz (R34650). Większość tych metod zapewnia ograniczoną kontrolę. Na przykład waga umieszczona na ostatnich danych historycznych lub w zakresie dat danych historycznych wykorzystywanych w obliczeniach może zostać określona przez Ciebie. Przykłady w przewodniku wskazują procedurę obliczania dla każdej z dostępnych metod prognostycznych, biorąc pod uwagę identyczny zestaw danych historycznych. Przykłady metod w przewodniku wykorzystują część lub wszystkie te zbiory danych, które są danymi historycznymi z ostatnich dwóch lat. Prognoza prognozy trafia do przyszłego roku. Dane dotyczące historii sprzedaży są stabilne przy niewielkich sezonowych wzrostach w lipcu i grudniu. Ten wzór jest charakterystyczny dla dojrzałego produktu, który może się zbliżać do przestarzałości. 3.2.1 Metoda 1: procent w ostatnim roku Ta metoda wykorzystuje formułę Procent na przestrzeni ostatniego roku, aby pomnożyć każdy okres prognozy przez określony wzrost lub spadek procentowy. Aby przewidzieć popyt, ta metoda wymaga liczby okresów dla najlepszego dopasowania plus jeden rok historii sprzedaży. Ta metoda jest przydatna do prognozowania popytu na produkty sezonowe ze wzrostem lub spadkiem. 3.2.1.1 Przykład: Metoda 1: Procent w ubiegłym roku Procent nad ubiegłorocznym wzorem zwielokrotnia dane o sprzedaży z poprzedniego roku o określony czynnik, a następnie projekty, które pojawią się w ciągu najbliższego roku. Ta metoda może być przydatna w budżetowaniu do symulacji wpływu określonej stopy wzrostu lub gdy historia sprzedaży ma znaczący składnik sezonowy. Specyfikacja prognozy: współczynnik mnożenia. Na przykład, wybierz opcję 110 w opcji przetwarzania, aby zwiększyć dane historii sprzedaży z poprzedniego roku o 10 procent. Wymagana historia sprzedaży: jeden rok na obliczenie prognozy oraz liczba okresów czasu wymaganych do oceny prognozowanej skuteczności (okresy najlepszego dopasowania), które określasz. Tabela ta jest historią wykorzystywaną w obliczeniach prognozy: prognoza lutowa wynosi 117 razy 1.1 128,7 zaokrąglona do 129. Prognoza marcowa wynosi 115 razy 1.1 126,5 zaokrąglona do 127. 3.2.2 Metoda 2: Obliczony procent w ciągu ostatniego roku Ta metoda używa obliczonego procentu ponad Formuła zeszłoroczna, aby porównać wcześniejszą sprzedaż określonych okresów ze sprzedażą z tych samych okresów roku poprzedniego. System określa procentowy wzrost lub spadek, a następnie mnoży każdy okres przez procent w celu określenia prognozy. Aby przewidzieć popyt, ta metoda wymaga liczby okresów historii zamówień sprzedaży plus jeden rok historii sprzedaży. Ta metoda jest przydatna do prognozowania krótkoterminowego popytu na produkty sezonowe ze wzrostem lub spadkiem. 3.2.2.1 Przykład: Metoda 2: Obliczony procent w ciągu ostatniego roku Formuła wyliczenia procentowego w ubiegłym roku mnoży dane dotyczące sprzedaży z poprzedniego roku przez współczynnik obliczany przez system, a następnie projektuje ten wynik na następny rok. Ta metoda może być przydatna w prognozowaniu wpływu przedłużenia ostatniego wzrostu stopy produktu na następny rok przy zachowaniu sezonowości, która jest obecna w historii sprzedaży. Specyfikacja prognozy: zakres historii sprzedaży do wykorzystania przy obliczaniu tempa wzrostu. Na przykład określ n = 4 w opcji przetwarzania, aby porównać historię sprzedaży dla ostatnich czterech okresów z tymi samymi czterema okresami poprzedniego roku. Użyj obliczonego współczynnika, aby wykonać projekcję na następny rok. Wymagana historia sprzedaży: jeden rok na obliczenie prognozy plus liczba okresów wymaganych do oceny prognozy (okresy najlepszego dopasowania). Ta tabela jest historią wykorzystywaną w prognozowaniu obliczeń, biorąc pod uwagę: n 4: prognoza lutowa wynosi 117 razy 0,9766 114,26 zaokrąglona do 114. prognoza marcowa wynosi 115 razy 0,9766 112,31 zaokrąglona do 112. 3.2.3 Metoda 3: Ostatni rok do tego roku Ta metoda wykorzystuje sprzedaż w ubiegłym roku na prognozy na kolejne lata. Aby przewidzieć popyt, ta metoda wymaga liczby najlepiej pasujących okresów plus jeden rok historii zamówień sprzedaży. Ta metoda jest przydatna do prognozowania popytu na dojrzałe produkty z poziomem popytu lub sezonowym zapotrzebowaniem bez trendu. 3.2.3.1 Przykład: Metoda 3: Ostatni rok w tym roku Formuła "ostatni rok do tego roku" kopiuje dane dotyczące sprzedaży z poprzedniego roku do następnego roku. Ta metoda może być przydatna w budżetowaniu do symulacji sprzedaży na obecnym poziomie. Produkt jest dojrzały i nie ma trendu w dłuższej perspektywie, ale może występować znaczny sezonowy wzór zapotrzebowania. Specyfikacja prognozy: brak. Wymagana historia sprzedaży: jeden rok na obliczenie prognozy plus liczba okresów wymaganych do oceny prognozy (okresy najlepszego dopasowania). Tabela ta jest historią wykorzystywaną w obliczeniach prognozy: prognoza styczniowa to styczeń zeszłego roku z wartością prognozowaną na poziomie 128. Prognoza w lutym jest równa lutowi ubiegłego roku z prognozą 117. Prognoza marcowa to marzec ubiegłego roku z prognozą 115. 3.2.4 Metoda 4: Średnia krocząca Ta metoda wykorzystuje średnią ruchomą do wyliczenia określonej liczby okresów do wyświetlenia w następnym okresie. Powinieneś go często przeliczać (miesięcznie lub co najmniej raz na kwartał), aby odzwierciedlić zmieniający się popyt. Aby przewidzieć popyt, ta metoda wymaga liczby najlepiej pasujących okresów oraz liczby okresów historii zamówień sprzedaży. Ta metoda jest przydatna do prognozowania popytu na dojrzałe produkty bez tendencji. 3.2.4.1 Przykład: Metoda 4: Średnia ruchoma ruchoma (MA) jest popularną metodą uśredniania wyników ostatniej historii sprzedaży w celu określenia projekcji na krótką metę. Metoda prognozowania MA pozostaje w tyle za trendami. Pogorszenie prognozy i systematyczne błędy pojawiają się, gdy historia sprzedaży produktu wykazuje silny trend lub sezonowość. Ta metoda sprawdza się lepiej w przypadku prognoz krótkiego zasięgu produktów dojrzałych niż w przypadku produktów, które są w fazie wzrostu lub starzenia się w cyklu życia. Specyfikacje prognozy: n jest równy liczbie okresów historii sprzedaży, które mają zostać użyte do obliczenia prognozy. Na przykład, określ n 4 w opcji przetwarzania, aby użyć ostatnich czterech okresów jako podstawy dla projekcji do następnego okresu czasu. Duża wartość dla n (na przykład 12) wymaga większej historii sprzedaży. Powoduje to stabilną prognozę, ale powoli rozpoznaje zmiany w poziomie sprzedaży. I odwrotnie, niewielka wartość n (na przykład 3) szybciej reaguje na zmiany w poziomie sprzedaży, ale prognozy mogą się tak wahać, że produkcja nie może reagować na zmiany. Wymagana historia sprzedaży: n plus liczba okresów czasu wymaganych do oceny prognozy (okresy najlepszego dopasowania). Tabela ta jest historią stosowaną w obliczeniach prognozy: prognoza lutowa jest równa (114 119 137 125) 4 123,75 zaokrąglona do 124. Prognoza marcowa jest równa (119 137 125 124) 4 126,25 zaokrąglona do 126. 3.2.5 Metoda 5: Liniowe przybliżenie Ta metoda wykorzystuje formułę Liniową aproksymację do obliczenia trendu z liczby okresów historii zamówień sprzedaży i do projekcji tego trendu do prognozy. Powinieneś ponownie obliczać trend co miesiąc, aby wykryć zmiany trendów. Ta metoda wymaga liczby okresów najlepszego dopasowania plus liczba określonych okresów historii zamówień sprzedaży. Ta metoda jest przydatna do prognozowania popytu na nowe produkty lub produkty o stałych, pozytywnych lub negatywnych tendencjach, które nie są związane z wahaniami sezonowymi. 3.2.5.1 Przykład: Metoda 5: Aproksymacja liniowa Przybliżenie liniowe oblicza trend oparty na dwóch punktach danych historii sprzedaży. Te dwa punkty definiują prostą linię trendu rzutowaną w przyszłość. Tej metody należy używać ostrożnie, ponieważ prognozy dotyczące dalekiego zasięgu są wykorzystywane przez małe zmiany w zaledwie dwóch punktach danych. Specyfikacja prognozy: n jest równy punktowi danych w historii sprzedaży, który jest porównywany z najnowszym punktem danych w celu identyfikacji trendu. Na przykład, określ n 4, aby wykorzystać różnicę między grudniem (najnowsze dane) a sierpniem (cztery okresy przed grudniem) jako podstawę do obliczenia trendu. Minimalna wymagana historia sprzedaży: n plus 1 plus liczba okresów czasu wymaganych do oceny prognozy (okresy najlepszego dopasowania). Tabela ta jest historią wykorzystywaną w kalkulacji prognoz: prognoza styczniowa Grudzień z ubiegłego roku 1 (Trend), która wynosi 137 (1 razy 2) 139. Prognoza z lutego: grudzień ubiegłego roku 1 (Trend), który wynosi 137 (2 razy 2) 141. Prognoza marcowa grudzień poprzedniego roku 1 (Trend), która wynosi 137 (3 razy 2) 143. 3.2.6 Metoda 6: Regresja najmniejszych kwadratów Metoda regresji najmniejszych kwadratów (LSR) wyprowadza równanie opisujące liniową zależność między historycznymi danymi sprzedaży i upływ czasu. LSR dopasowuje linię do wybranego zakresu danych, tak aby zminimalizować sumę kwadratów różnic pomiędzy rzeczywistymi punktami danych sprzedaży i linią regresji. Prognoza jest rzutem tej prostej w przyszłość. Ta metoda wymaga historii danych sprzedaży dla okresu, który jest reprezentowany przez liczbę najlepiej dopasowanych okresów plus określoną liczbę okresów danych historycznych. Minimalne wymaganie to dwa historyczne punkty danych. Ta metoda jest przydatna do prognozowania popytu, gdy w danych znajduje się trend liniowy. 3.2.6.1 Przykład: Metoda 6: Regresja Liniowa Najmniejszych Kwadratów lub Regresja Najmniejszych Kwadratów (LSR) jest najpopularniejszą metodą identyfikacji trendu liniowego w historycznych danych o sprzedaży. Metoda oblicza wartości dla a i b, które mają być użyte we wzorze: To równanie opisuje linię prostą, gdzie Y oznacza sprzedaż, a X oznacza czas. Regresja liniowa powoli rozpoznaje punkty zwrotne i przesunięcia funkcji w popycie. Regresja liniowa dopasowuje się do danych w linii prostej, nawet jeśli dane są sezonowe lub lepiej opisane krzywą. Gdy dane historii sprzedaży podążają za krzywą lub mają silny rozkład sezonowy, pojawiają się błędy prognoz i błędy systemowe. Specyfikacja prognozy: n jest równy okresom historii sprzedaży, które zostaną użyte do obliczenia wartości dla aib. Na przykład, określ n 4, aby wykorzystać historię od września do grudnia jako podstawę do obliczeń. Gdy dane są dostępne, zwykle używane jest większe n (na przykład n 24). LSR definiuje linię dla zaledwie dwóch punktów danych. W tym przykładzie wybrano małą wartość n (n 4) w celu zmniejszenia ręcznych obliczeń wymaganych do zweryfikowania wyników. Minimalna wymagana historia sprzedaży: n okresów plus liczba okresów wymaganych do oceny prognozy (okresy najlepszego dopasowania). Ta tabela jest używana w obliczeniach prognozy: prognoza marcowa wynosi 119,5 (7 razy 2,3) 135,6 zaokrąglona do 136. 3.2.7 Metoda 7: Aproksymacja drugiego stopnia Aby zaprojektować prognozę, ta metoda wykorzystuje formułę aproksymacji drugiego stopnia do wykreślenia krzywej jest to oparte na liczbie okresów historii sprzedaży. Ta metoda wymaga liczby najlepiej pasujących okresów oraz liczby okresów historii zamówień 3 razy. Ta metoda nie jest przydatna do prognozowania popytu na dłuższy okres. 3.2.7.1 Przykład: Metoda 7: Aproksymacja drugiego stopnia Regresja liniowa określa wartości a i b we wzorze prognozy Y a b X w celu dopasowania linii prostej do danych historii sprzedaży. Aproksymacja drugiego stopnia jest podobna, ale ta metoda określa wartości a, b i cw tym wzorze prognozy: Y a b X c X 2 Celem tej metody jest dopasowanie krzywej do danych historii sprzedaży. Ta metoda jest przydatna, gdy produkt przechodzi przez etapy cyklu życia. Na przykład, kiedy nowy produkt przechodzi od etapu wprowadzenia do etapu wzrostu, tendencja sprzedaży może przyspieszyć. Ze względu na termin drugiego rzędu prognoza może szybko zbliżyć się do nieskończoności lub spaść do zera (w zależności od tego, czy współczynnik c jest dodatni czy ujemny). Ta metoda jest przydatna tylko w krótkim okresie. Prognozy prognozy: formuła znajduje a, b i c, aby dopasować krzywą do dokładnie trzech punktów. Określasz n, liczbę okresów gromadzenia danych w każdym z trzech punktów. W tym przykładzie n 3. Aktualne dane dotyczące sprzedaży za okres od kwietnia do czerwca łączone są w pierwszy punkt, I kwartał. Od lipca do września są dodawane razem, aby utworzyć Q2, a od października do grudnia suma do Q3. Krzywa dopasowana jest do trzech wartości Q1, Q2 i Q3. Wymagana historia sprzedaży: 3 razy n okresów do obliczenia prognozy plus liczba okresów czasu wymaganych do oceny prognozy (okresy najlepszego dopasowania). Tabela ta jest historią wykorzystywaną w prognozowaniu: Q0 (Jan) (luty) (Mar) Q1 (kwiecień) (maj) (cze), który wynosi 125 122 137 384 Q2 (lipiec) (sierpień) (wrzesień), który wynosi 140 129 131 400 Q3 (październik) (listopad) (grudzień), który jest równy 114 119 137 370 Następny krok obejmuje obliczenie trzech współczynników a, b i c, które mają być użyte w formule prognozowania Y ab X c X 2. Q1, Q2 i Q3 są przedstawione na grafice, gdzie czas jest narysowany na osi poziomej. Q1 reprezentuje całkowitą sprzedaż historyczną w kwietniu, maju i czerwcu i jest planowana na X 1 Q2 odpowiada okresowi od lipca do września III kwartał odpowiada okresowi od października do grudnia, a czwarty kwartał reprezentuje okres od stycznia do marca. Ta grafika ilustruje wykreślanie Q1, Q2, Q3 i Q4 dla aproksymacji drugiego stopnia: Rysunek 3-2 Plotowanie Q1, Q2, Q3 i Q4 dla aproksymacji drugiego stopnia Trzy równania opisują trzy punkty na wykresie: (1) Q1 a bX cX 2 gdzie X 1 (Q1 abc) (2) Q2 a bX cX 2 gdzie X 2 (Q2 a 2b 4c) (3) Q3 a bX cX 2 gdzie X 3 (Q3 a 3b 9c) Rozwiąż te trzy równania jednocześnie aby znaleźć b, a, i c: Odejmij równanie 1 (1) z równania 2 (2) i rozwiąż dla b: (2) ndash (1) Q2 ndash Q1 b 3c b (Q2 ndash Q1) ndash 3c Zastąp to równanie dla b na równanie (3): (3) Q3 a 3 (Q2 ndash Q1) ndash 3c 9c a Q3 ndash 3 (Q2 ndash Q1) Na koniec, zamień te równania na a i b na równanie (1): (1) Q3 ndash 3 (Q2 ndash Q1) (Q2 ndash Q1) ndash 3c c Q1 c (Q3 ndash Q2) (Q1 ndash Q2) 2 Metoda drugiego stopnia aproksymacji oblicza a, b, c jak następuje: a Q3 ndash 3 (Q2 ndash Q1 ) 370 ndash 3 (400 nd. 384) 370 ndash 3 (16) 322 b (Q2 ndash Q1) ndash3c (400 nda sh 384) ndash (3 razy ndash23) 16 69 85 c (Q3 ndash Q2) (Q1 ndash Q2) 2 (370 ndash 400) (384 ndash 400) 2 ndash23 Jest to obliczenie prognozy aproksymacji drugiego stopnia: Y a bX cX 2 322 85X (ndash23) (X 2) Gdy X 4, Q4 322 340 ndash 368 294. Prognoza wynosi 294 3 98 na okres. Gdy X 5, Q5 322 425 ndash 575 172. Prognoza wynosi 172 3 58.33 zaokrąglona do 57 na okres. Gdy X 6, Q6 322 510 ndash 828 4. Prognoza wynosi 4 3 1,33 zaokrąglone do 1 na okres. Jest to prognoza na przyszły rok, Ostatni rok do tego roku: 3.2.8 Metoda 8: Elastyczna metoda Ta metoda umożliwia wybranie najlepszej liczby okresów historii zamówień sprzedaży, która rozpoczyna się n miesięcy przed prognozowaną datą rozpoczęcia, oraz zastosuj procentowy wzrost lub spadek współczynnika mnożenia, za pomocą którego można zmodyfikować prognozę. Ta metoda jest podobna do metody 1, procent w ciągu ostatniego roku, z tą różnicą, że możesz określić liczbę okresów, których używasz jako podstawy. W zależności od tego, co wybierzesz jako n, ta metoda wymaga okresów najlepiej dopasowanych oraz podanej liczby okresów danych o sprzedaży. Ta metoda jest przydatna do prognozowania popytu na planowany trend. 3.2.8.1 Przykład: Metoda 8: Metoda elastyczna Metoda elastyczna (procent powyżej n poprzednich miesięcy) jest podobna do metody 1, procent w ciągu ostatniego roku. Obie metody zwielokrotniają dane sprzedaży z poprzedniego okresu o współczynnik określony przez Ciebie, a następnie wyświetlają ten wynik w przyszłości. W metodzie Procent ponad ostatnim rokiem projekcja oparta jest na danych z tego samego okresu w roku poprzednim. Możesz także użyć metody elastycznej, aby określić okres czasu, inny niż ten sam okres w ostatnim roku, który będzie podstawą do obliczeń. Współczynnik mnożenia. Na przykład, określ 110 w opcji przetwarzania, aby zwiększyć poprzednie dane historii sprzedaży o 10 procent. Okres bazowy. Na przykład n 4 powoduje, że pierwsza prognoza oparta jest na danych o sprzedaży we wrześniu zeszłego roku. Minimalna wymagana historia sprzedaży: liczba okresów wstecz do okresu bazowego plus liczba okresów czasu potrzebna do oceny prognozy wydajności (okresy najlepszego dopasowania). Tabela ta jest historią używaną w obliczeniach prognozy: 3.2.9 Metoda 9: ważona średnia ruchoma Ważona średnia ważona formuła jest podobna do metody 4, średnia ruchoma, ponieważ uśrednia historię sprzedaży z poprzednich miesięcy, aby wyświetlić historię sprzedaży w następnym miesiącu. Jednak dzięki tej formule można przypisać wagi dla każdego z poprzednich okresów. Ta metoda wymaga liczby wybranych okresów ważonych plus liczby okresów najlepiej pasujących do danych. Podobnie jak w przypadku średniej ruchomej, ta metoda pozostaje w tyle za trendami popytu, więc ta metoda nie jest zalecana w przypadku produktów o silnych tendencjach lub sezonowości. Ta metoda jest przydatna do prognozowania popytu na dojrzałe produkty o stosunkowo wysokim poziomie popytu. 3.2.9.1 Przykład: Metoda 9: Średnia ważona ruchoma Metoda ważona średnia ruchoma (WMA) jest podobna do metody 4, średnia ruchoma (MA). Jednak przy użyciu WMA można przypisać niejednakowe wagi do danych historycznych. Metoda oblicza średnią ważoną ostatniej historii sprzedaży, aby uzyskać projekcję krótkoterminową. Nowszym danym zwykle przypisuje się większą wagę niż dane starsze, więc WMA bardziej odpowiada na zmiany w poziomie sprzedaży. Jednak odchylenia prognoz i błędy systematyczne występują, gdy historia sprzedaży produktu wykazuje silne trendy lub sezonowe wzorce. Ta metoda sprawdza się lepiej w przypadku prognoz krótkiego zasięgu dla dojrzałych produktów niż dla produktów na etapie wzrostu lub starzenia się w cyklu życia. Liczba okresów historii sprzedaży (n) do wykorzystania w obliczeniach prognostycznych. Na przykład, określ n 4 w opcji przetwarzania, aby użyć ostatnich czterech okresów jako podstawy dla projekcji do następnego okresu czasu. Duża wartość dla n (na przykład 12) wymaga większej historii sprzedaży. Taka wartość prowadzi do stabilnej prognozy, ale trudno jest rozpoznać zmiany w poziomie sprzedaży. I odwrotnie, niewielka wartość n (na przykład 3) szybciej reaguje na zmiany poziomu sprzedaży, ale prognoza może wahać się tak bardzo, że produkcja nie może reagować na zmiany. Łączna liczba okresów dla opcji przetwarzania rdquo14 - okresy do włączenia nie powinny przekraczać 12 miesięcy. Waga przypisana do każdego z okresów danych historycznych. Przypisane wagi muszą wynosić 1,00. Na przykład, gdy n 4, przypisz wagi 0,50, 0,25, 0,15 i 0,10, a najnowsze dane otrzymają największą wagę. Minimalna wymagana historia sprzedaży: n plus liczba okresów wymaganych do oceny prognozy (okresy najlepszego dopasowania). Ta tabela jest używana do obliczenia prognozy: prognoza styczniowa jest równa (131 razy 0,10) (114 razy 0,15) (119 razy 0,25) (137 razy 0,50) (0,10 0,15 0,25 0,50) 128,45 zaokrąglona do 128. Prognoza w lutym równa się (114 razy 0,10) (119 razy 0,15) (137 razy 0,25) (128 razy 0,50) 1 127,5 zaokrąglone do 128. Prognoza marcowa wynosi (119 razy 0,10) (137 razy 0,15) (128 razy 0,25) (128 razy 0,50) 1 128,45 zaokrąglona do 128. 3.2.10 Metoda 10: Wygładzanie liniowe Ta metoda oblicza średnią ważoną wcześniejszych danych dotyczących sprzedaży. W obliczeniach ta metoda wykorzystuje liczbę okresów historii zamówień sprzedaży (od 1 do 12) wskazaną w opcji przetwarzania. System wykorzystuje matematyczną progresję do ważenia danych w zakresie od pierwszego (najmniej ważonego) do końcowego (większa waga). Następnie system wyświetla te informacje dla każdego okresu w prognozie. Ta metoda wymaga najlepszego dopasowania miesięcy oraz historii zamówień sprzedaży dla liczby okresów określonych w opcji przetwarzania. 3.2.10.1 Przykład: Metoda 10: Wygładzanie liniowe Ta metoda jest podobna do metody 9, WMA. Jednak zamiast arbitralnie przypisywać wagi do danych historycznych, stosuje się formułę, aby przypisać wagi, które zmniejszają się liniowo i sumują się do 1,00. Następnie metoda oblicza średnią ważoną ostatniej historii sprzedaży, aby uzyskać projekcję krótkoterminową. Podobnie jak w przypadku wszystkich technik liniowej średniej kroczącej prognozowanie, błędy prognoz i błędy systemowe pojawiają się, gdy historia sprzedaży produktu wykazuje silny trend lub sezonowe wzorce. Ta metoda sprawdza się lepiej w przypadku prognoz krótkiego zasięgu dla dojrzałych produktów niż dla produktów na etapie wzrostu lub starzenia się w cyklu życia. n jest równy liczbie okresów historii sprzedaży, które mają zostać użyte do obliczenia prognozy. Na przykład, wybierz n jest równe 4 w opcji przetwarzania, aby użyć ostatnich czterech okresów jako podstawy dla projekcji do następnego okresu czasu. System automatycznie przypisuje wagi do danych historycznych, które zmniejszają się liniowo i sumują do 1,00. Na przykład, gdy n równa się 4, system przydziela wagi 0,4, 0,3, 0,2 i 0,1, przy czym najnowsze dane odbierają największą wagę. Minimalna wymagana historia sprzedaży: n plus liczba okresów wymaganych do oceny prognozy (okresy najlepszego dopasowania). Ta tabela jest używana do obliczenia prognozy: 3.2.11 Metoda 11: Wygładzanie wykładnicze Metoda ta oblicza wygładzoną średnią, która staje się szacunkiem reprezentującym ogólny poziom sprzedaży w wybranych okresach danych historycznych. Ta metoda wymaga historii danych sprzedaży dla okresu, który jest reprezentowany przez liczbę najlepiej dopasowanych okresów plus określoną liczbę okresów danych historycznych. Minimalny wymóg to dwa historyczne okresy danych. Ta metoda jest przydatna do prognozowania popytu, gdy w danych nie ma trendu liniowego. 3.2.11.1 Przykład: Metoda 11: Wygładzanie wykładnicze Metoda ta jest podobna do Metody 10, Wygładzanie liniowe. W Linear Smoothing system przypisuje wagi, które zmniejszają się liniowo do danych historycznych. W wygładzaniu wykładniczym system przypisuje wagi, które rozkładają się wykładniczo. Równanie prognozowania wygładzania wykładniczego jest następujące: Prognoza alfa (poprzednia faktyczna sprzedaż) (1 ndashalpha) (poprzednia prognoza) Prognoza jest średnią ważoną rzeczywistej sprzedaży z poprzedniego okresu i prognozę z poprzedniego okresu. Alfa to waga, która jest stosowana do faktycznej sprzedaży za poprzedni okres. (1 ndash alpha) to waga stosowana do prognozy z poprzedniego okresu. Wartości dla alfa mieszczą się w zakresie od 0 do 1 i zwykle mieszczą się w zakresie od 0,1 do 0,4. Suma wag wynosi 1,00 (alfa (1 daszek alfa) 1). Powinieneś przypisać wartość stałej wygładzania, alfa. Jeśli nie zostanie przypisana wartość stałej wygładzania, system oblicza założoną wartość, która jest oparta na liczbie okresów historii sprzedaży określonych w opcji przetwarzania. alpha jest równa stałej wygładzania, która jest używana do obliczenia wygładzonej średniej dla ogólnego poziomu lub wielkości sprzedaży. Wartości dla zakresu alfa od 0 do 1. n jest równy zakresowi danych historii sprzedaży do uwzględnienia w obliczeniach. Zasadniczo dane rocznej historii sprzedaży są wystarczające do oszacowania ogólnego poziomu sprzedaży. W tym przykładzie wybrano małą wartość n (n 4) w celu zmniejszenia ręcznych obliczeń wymaganych do zweryfikowania wyników. Exponential Smoothing może generować prognozę opartą na zaledwie jednym historycznym punkcie danych. Minimalna wymagana historia sprzedaży: n plus liczba okresów wymaganych do oceny prognozy (okresy najlepszego dopasowania). Ta tabela jest używana do obliczenia prognozy: 3.2.12 Metoda 12: Wygładzanie wykładnicze z trendem i sezonowością Ta metoda oblicza trend, indeks sezonowy i wykładniczą średnią wygładzoną z historii zamówień sprzedaży. Następnie system stosuje prognozę trendu do prognozy i dostosowuje się do indeksu sezonowego. Ta metoda wymaga liczby najlepiej pasujących okresów plus dwa lata danych dotyczących sprzedaży i jest przydatna dla elementów, które mają zarówno tendencję, jak i sezonowość w prognozie. Możesz wprowadzić współczynnik alfa i beta lub obliczyć system. Współczynniki alfa i beta to stała wygładzania, którą system wykorzystuje do obliczenia wygładzonej średniej dla ogólnego poziomu lub wielkości sprzedaży (alfa) i komponentu trendu prognozy (beta). 3.2.12.1 Przykład: Metoda 12: Wygładzanie wykładnicze z trendem i sezonowością Ta metoda jest podobna do Metody 11, Wygładzanie wykładnicze, w której obliczana jest wygładzona średnia. Jednak metoda 12 zawiera również termin w równaniu prognostycznym, aby obliczyć wygładzony trend. Prognoza składa się z wygładzonej średniej skorygowanej o liniowy trend. Po określeniu w opcji przetwarzania prognoza dostosowana jest również do sezonowości. Alfa równa się stałej wygładzania, która jest używana do obliczenia wygładzonej średniej dla ogólnego poziomu lub wielkości sprzedaży. Wartości dla alfa mieszczą się w zakresie od 0 do 1. Beta jest równa stałej wygładzania, która jest używana do obliczenia wygładzonej średniej dla składnika trendu prognozy. Wartości dla zakresu beta od 0 do 1. Czy indeks sezonowy jest stosowany do prognozy. Alfa i beta są niezależne od siebie. Nie muszą sumować się do 1,0. Minimalna wymagana historia sprzedaży: jeden rok plus liczba okresów czasu wymaganych do oceny prognozy wydajności (okresy najlepszego dopasowania). Kiedy dostępne są dwa lub więcej lat danych historycznych, system wykorzystuje dwa lata danych w obliczeniach. Metoda 12 wykorzystuje dwa równania wygładzania wykładniczego i jedną prostą średnią do obliczenia wygładzonej średniej, wygładzonego trendu i prostego średniego indeksu sezonowego. Wykładniczo wygładzona średnia: Wykładniczo wygładzona tendencja: Prosty średni indeks sezonowy: Rysunek 3-3 Prosty średni sezonowy indeks Prognozę oblicza się następnie, stosując wyniki trzech równań: L to długość sezonowości (L równa się 12 miesięcy lub 52 tygodnie). t jest bieżącym okresem czasu. m to liczba okresów czasu w przyszłości prognozy. S jest multiplikatywnym sezonowym współczynnikiem korekty, który jest indeksowany do odpowiedniego okresu czasu. Ta tabela zawiera historię użytą do obliczenia prognozy: Ta sekcja zawiera przegląd prognozowania i omawia: Możesz wybrać metody prognozowania, aby wygenerować aż 12 prognoz dla każdego produktu. Każda metoda prognozowania może stworzyć nieco inną projekcję. Gdy prognozuje się tysiące produktów, subiektywna decyzja jest niepraktyczna, jeśli chodzi o prognozę, którą należy zastosować w planach dla każdego produktu. System automatycznie ocenia wydajność dla każdej wybranej metody prognozowania i dla każdego prognozowanego produktu. Możesz wybrać pomiędzy dwoma kryteriami wydajności: MAD i POA. MAD jest miarą błędu prognozy. POA jest miarą tendencji prognozowania. Obie te techniki oceny wydajności wymagają rzeczywistych danych historii sprzedaży w określonym przez Ciebie okresie. Okres najnowszej historii używany do oceny nazywa się okresem wstrzymania lub okresem najlepszego dopasowania. Aby zmierzyć wydajność metody prognozowania, system: używa prognozowanych formuł do symulacji prognozy historycznego okresu wstrzymania. Dokonuje porównania rzeczywistych danych sprzedaży z symulowaną prognozą okresu wstrzymania. Po wybraniu wielu metod prognozowania ten sam proces występuje dla każdej metody. Wiele prognoz jest obliczanych na okres wstrzymania i porównywane ze znaną historią sprzedaży w tym samym okresie. Metoda prognozowania, która zapewnia najlepsze dopasowanie (dopasowanie) między prognozą a faktyczną sprzedażą w okresie wstrzymania, jest zalecana do wykorzystania w planach. To zalecenie jest specyficzne dla każdego produktu i może się zmieniać za każdym razem, gdy generujesz prognozę. 3.3.1 Mean Absolute Deviation Mean Absolute Deviation (MAD) is the mean (or average) of the absolute values (or magnitude) of the deviations (or errors) between actual and forecast data. MAD is a measure of the average magnitude of errors to expect, given a forecasting method and data history. Because absolute values are used in the calculation, positive errors do not cancel out negative errors. When comparing several forecasting methods, the one with the smallest MAD is the most reliable for that product for that holdout period. When the forecast is unbiased and errors are normally distributed, a simple mathematical relationship exists between MAD and two other common measures of distribution, which are standard deviation and Mean Squared Error. For example: MAD (Sigma (Actual) ndash (Forecast)) n Standard Deviation, (sigma) cong 1.25 MAD Mean Squared Error cong ndashsigma2 This example indicates the calculation of MAD for two of the forecasting methods. This example assumes that you have specified in the processing option that the holdout period length (periods of best fit) is equal to five periods. 3.3.1.1 Method 1: Last Year to This Year This table is history used in the calculation of MAD, given Periods of Best Fit 5: Mean Absolute Deviation equals (2 1 20 10 14) 5 9.4. Based on these two choices, the Moving Average, n 4 method is recommended because it has the smaller MAD, 9.4, for the given holdout period. 3.3.2 Percent of Accuracy Percent of Accuracy (POA) is a measure of forecast bias. When forecasts are consistently too high, inventories accumulate and inventory costs rise. When forecasts are consistently too low, inventories are consumed and customer service declines. A forecast that is 10 units too low, then 8 units too high, then 2 units too high is an unbiased forecast. The positive error of 10 is canceled by negative errors of 8 and 2. (Error) (Actual) ndash (Forecast) When a product can be stored in inventory, and when the forecast is unbiased, a small amount of safety stock can be used to buffer the errors. In this situation, eliminating forecast errors is not as important as generating unbiased forecasts. However, in service industries, the previous situation is viewed as three errors. The service is understaffed in the first period, and then overstaffed for the next two periods. In services, the magnitude of forecast errors is usually more important than is forecast bias. POA (SigmaForecast sales during holdout period) (SigmaActual sales during holdout period) times 100 percent The summation over the holdout period enables positive errors to cancel negative errors. When the total of forecast sales exceeds the total of actual sales, the ratio is greater than 100 percent. Of course, the forecast cannot be more than 100 percent accurate. When a forecast is unbiased, the POA ratio is 100 percent. A 95 percent accuracy rate is more desirable than a 110 percent accurate rate. The POA criterion selects the forecasting method that has a POA ratio that is closest to 100 percent. This example indicates the calculation of POA for two forecasting methods. This example assumes that you have specified in the processing option that the holdout period length (periods of best fit) is equal to five periods. 3.3.2.1 Method 1: Last Year to This Year This table is history used in the calculation of MAD, given Periods of Best Fit 5: 3.4.2 Forecast Accuracy These statistical laws govern forecast accuracy: A long term forecast is less accurate than a short term forecast because the further into the future you project the forecast, the more variables can affect the forecast. A forecast for a product family tends to be more accurate than a forecast for individual members of the product family. Some errors cancel each other as the forecasts for individual items summarize into the group, thus creating a more accurate forecast. 3.4.3 Forecast Considerations You should not rely exclusively on past data to forecast future demands. These circumstances might affect the business, and require you to review and modify the forecast: New products that have no past data. Plans for future sales promotion. Changes in national and international politics. New laws and government regulations. Weather changes and natural disasters. Innovations from competition. You can use long term trend analysis to influence the design of the forecasts: Leading economic indicators. 3.4.4 Forecasting Process You use the Refresh Actuals program (R3465) to copy data from the Sales Order History File table (F42119), the Sales Order Detail File table (F4211), or both, into either the Forecast File table (F3460) or the Forecast Summary File table (F3400), depending on the kind of forecast that you plan to generate. Scripting on this page enhances content navigation, but does not change the content in any way. In practice the moving average will provide a good estimate of the mean of the time series if the mean is constant or slowly changing. W przypadku stałej średniej, największa wartość m da najlepsze oszacowanie podstawowej średniej. Dłuższy okres obserwacji uśredni skutki zmienności. Celem zapewnienia mniejszego m jest umożliwienie prognozie reakcji na zmianę w leżącym u jej podstaw procesie. Aby to zilustrować, proponujemy zestaw danych, który uwzględnia zmiany w średniej podstawowej szeregu czasowego. Na rysunku przedstawiono serie czasowe stosowane do ilustracji wraz ze średnim zapotrzebowaniem, z którego wygenerowano serię. Średnia rozpoczyna się jako stała przy 10. Zaczynając od czasu 21, zwiększa się o jedną jednostkę w każdym okresie, aż osiągnie wartość 20 w czasie 30. Następnie staje się stała ponownie. Dane są symulowane przez dodanie do średniej, losowego szumu z rozkładu normalnego ze średnią zerową i odchyleniem standardowym 3. Wyniki symulacji są zaokrąglane do najbliższej liczby całkowitej. Tabela pokazuje symulowane obserwacje stosowane dla przykładu. Kiedy używamy tabeli, musimy pamiętać, że w danym momencie znane są tylko przeszłe dane. Szacunki parametru modelu, dla trzech różnych wartości m są przedstawione razem ze średnią serii czasowych na poniższym rysunku. Rysunek pokazuje średnie ruchome oszacowanie średniej za każdym razem, a nie prognozę. Prognozy przesuwają krzywą średniej ruchomej w prawo o okresy. Jeden wniosek jest natychmiast widoczny na rysunku. We wszystkich trzech szacunkach średnia ruchoma pozostaje w tyle za trendem liniowym, przy czym opóźnienie wzrasta wraz z m. Opóźnienie jest odległością między modelem a oszacowaniem w wymiarze czasowym. Z powodu opóźnienia średnia ruchoma nie docenia obserwacji, gdy średnia rośnie. Przeciążeniem estymatora jest różnica w określonym czasie w wartości średniej modelu i średniej wartości przewidywanej przez średnią ruchomą. Przeciążenie, gdy średnia rośnie, jest ujemne. Dla zmniejszenia średniej odchylenie jest dodatnie. Opóźnienie w czasie i odchylenie wprowadzone w oszacowaniu są funkcjami m. Im większa wartość m. im większa jest wielkość opóźnienia i stronniczości. Dla ciągle rosnącej serii z trendem a. wartości opóźnień i stronniczości estymatora średniej podano w równaniach poniżej. The example curves do not match these equations because the example model is not continuously increasing, rather it starts as a constant, changes to a trend and then becomes constant again. Również krzywe przykładowe są zakłócane przez szum. Prognozę ruchomych średnich okresów w przyszłości reprezentuje przesuwanie krzywych w prawo. Opóźnienie i odchylenie zwiększają się proporcjonalnie. Poniższe równania wskazują opóźnienie i odchylenie okresów prognozy w przyszłości w porównaniu do parametrów modelu. Ponownie, formuły te są dla szeregu czasowego ze stałym trendem liniowym. Nie powinniśmy być zaskoczeni tym wynikiem. Estymator średniej ruchomej opiera się na założeniu stałej średniej, a przykład ma tendencję liniową w średniej podczas części okresu badania. Ponieważ serie czasu rzeczywistego rzadko będą dokładnie przestrzegać założeń dowolnego modelu, powinniśmy być przygotowani na takie wyniki. Z rysunku można również wyciągnąć wniosek, że zmienność hałasu ma największy wpływ na mniejsze m. Oszacowanie to jest dużo bardziej zmienne dla średniej kroczącej wynoszącej 5 niż średnia krocząca wynosząca 20. Mamy sprzeczne pragnienia zwiększenia m, aby zmniejszyć efekt zmienności z powodu hałasu, i zmniejszyć m, aby prognoza lepiej reagowała na zmiany w średniej. Błąd jest różnicą między rzeczywistymi danymi a prognozowaną wartością. Jeżeli szereg czasowy jest rzeczywiście stałą wartością, oczekiwana wartość błędu wynosi zero, a wariancja błędu składa się z terminu będącego funkcją drugiego i będącego wariancją szumu,. Pierwszy termin to wariancja średniej oszacowanej z próbką m obserwacji, przy założeniu, że dane pochodzą z populacji o stałej średniej. Termin ten jest minimalizowany przez uczynienie m tak dużym, jak to możliwe. Duży m sprawia, że ​​prognoza nie reaguje na zmiany w podstawowych szeregach czasowych. Aby prognoza była responsywna dla zmian, chcemy m tak małe, jak to możliwe (1), ale to zwiększa wariancję błędu. Praktyczne prognozowanie wymaga wartości pośredniej. Prognozowanie za pomocą Excela Dodatek Forecasting implementuje średnie ruchome formuły. Poniższy przykład pokazuje analizę dostarczoną przez dodatek dla przykładowych danych w kolumnie B. Pierwsze 10 obserwacji jest indeksowanych od -9 do 0. W porównaniu do powyższej tabeli, indeksy okresu są przesuwane o -10. Pierwsze dziesięć obserwacji dostarcza wartości początkowe dla oszacowania i są używane do obliczenia średniej ruchomej dla okresu 0. Kolumna MA (10) (C) pokazuje obliczone średnie ruchome. Parametr m średniej ruchomej znajduje się w komórce C3. Kolumna Fore (1) (D) pokazuje prognozę na jeden okres w przyszłości. Interwał prognozy znajduje się w komórce D3. When the forecast interval is changed to a larger number the numbers in the Fore column are shifted down. Kolumna Err (1) (E) pokazuje różnicę między obserwacją a prognozą. Na przykład obserwacja w czasie 1 to 6. Prognozowana wartość wykonana z średniej ruchomej w czasie 0 wynosi 11,1. Błąd wynosi więc -5.1. The standard deviation and Mean Average Deviation (MAD) are computed in cells E6 and E7 respectively. How to calculate Mean Absolute Deviation (MAD) Help please. Since May of 2005, the purchase manager at a department store has been using a 4-period moving average to forecast sales in upcoming months. Sales data for. show more Since May of 2005, the purchase manager at a department store has been using a 4-period moving average to forecast sales in upcoming months. Dane dotyczące sprzedaży za miesiące od stycznia do lipca podano w poniższej tabeli. Oblicz średnie bezwzględne odchylenie (MAD) dla czterokrotnych prognoz średniej ruchomej. The forecast values are calculated with an accuracy of two decimal digits. Określ MAD jako liczbę całkowitą, zaokrąglając. It might be interesting to look at the MAD for just the data itself and compare with the MAD for the moving averages. (To nie odpowiada na twoje pytanie - po prostu dodaje trochę dodatkowego koloru.) Co to pokazuje, to efekt wygładzania średnich kroczących w porównaniu z danymi surowymi. MAD (1n) x median Mark middot 8 years ago