How to calculate a prognos användande a 3 periodens glidande medelvärde

Flyttande medelvärde. Detta exempel lär dig hur man beräknar det glidande medlet av en tidsserie i Excel. Ett glidande medel används för att släpa ut oregelbundenheter toppar och dalar för att enkelt kunna känna igen trenderna. 1 Först, låt oss ta en titt på vår tidsserie.2 På Datafliken klickar du på Data Analysis. Note kan inte hitta knappen Data Analysis Klicka här för att ladda till verktyget Add-in Analysis ToolPak.3 Välj Flytta genomsnitt och klicka på OK.4 Klicka på rutan Inmatningsområde och välj intervallet B2 M2. 5 Klicka i rutan Intervall och skriv 6.6 Klicka i rutan Utmatningsområde och välj cell B3.8 Skriv ett diagram över dessa värden. Planering eftersom vi anger intervallet till 6 är det rörliga genomsnittet genomsnittet för de föregående 5 datapunkterna och Den aktuella datapunkten Som ett resultat utjämnas toppar och dalar Grafen visar en ökande trend Excel kan inte beräkna det glidande medlet för de första 5 datapunkterna eftersom det inte finns tillräckligt med tidigare datapunkter.9 Upprepa steg 2 till 8 för intervall 2 Och intervall 4.Konklusion Den la Rger intervallet desto mer topparna och dalarna släpper ut. Ju mindre intervallet desto närmare de rörliga medelvärdena ligger till de faktiska datapunkterna. Möjliga medelprognoser. Introduktion Som du kanske antar vi tittar på några av de mest primitiva tillvägagångssätten att Prognoser Men förhoppningsvis är dessa åtminstone en värdefull introduktion till några av de beräkningsfrågor som är relaterade till att implementera prognoser i kalkylblad. I den här venen fortsätter vi med att börja i början och börja arbeta med Moving Average-prognoser. Möjliga medelprognoser Alla är bekanta med att flytta Genomsnittliga prognoser oavsett om de tror att de är Alla högskolestudenter gör dem hela tiden Tänk på dina testresultat i en kurs där du kommer att ha fyra tester under termin. Låt oss anta att du fick en 85 på ditt första test. Vad skulle Du förutspår för ditt andra testresultat. Vad tycker du att din lärare skulle förutsäga för din nästa testresultat. Vad tycker du att dina vänner kan förbereda Dikt för din nästa testpoäng. Vad tycker du att dina föräldrar kan förutsäga för nästa testresultat. Oavsett om du blott kan göra med dina vänner och föräldrar, är det mycket troligt att du och din lärare kommer att få något i Område av 85 du fick just. Wel, nu l s antar att trots din självbefrämjande till dina vänner överskattar du dig själv och figurerar du kan studera mindre för det andra testet och så får du en 73. Nu vad Är alla berörda och oroade kommer att förutse att du kommer att få på ditt tredje test Det finns två väldigt troliga metoder för dem att utveckla en uppskattning oavsett om de kommer att dela den med dig. De kan säga till sig själva: Den här killen blåser alltid Röka om hans smarts Han kommer att få ytterligare 73 om han är lycklig. Kan föräldrarna försöka vara mer stödjande och säga, Tja, hittills har du fått en 85 och en 73, så kanske du borde räkna med att få en 85 73 2 79 Jag vet inte, kanske om du gjorde mindre fest och Om du inte började göra mycket mer studerande kan du få en högre poäng. Båda dessa uppskattningar flyttade faktiskt genomsnittliga prognoser. Den första använder endast din senaste poäng för att prognostisera din framtida prestation. Kallas ett glidande medelprognos med en period av data. Den andra är också en rörlig genomsnittlig prognos men använder två dataperioder. Låt oss anta att alla dessa människor bråkar på ditt stora sinne, har slags pissed off och du bestämmer dig för att göra Bra på det tredje testet av dina egna skäl och att sätta ett högre poäng framför dina allierade. Du tar testet och din poäng är faktiskt en 89. Alla, inklusive dig själv, är imponerade. Nu har du det slutliga provet för terminen Upp och som vanligt känner du behovet av att ge alla förutsägelser om hur du ska göra på det sista testet. Förhoppningsvis ser du mönstret. Nu kan du förhoppningsvis se mönstret. Vad tror du är det mest exakta. Whistl E Samtidigt som vi arbetar Nu återvänder vi till vårt nya rengöringsföretag som startas av din främmande halvsyster som heter Whistle medan vi arbetar. Du har några tidigare försäljningsdata som representeras av följande avsnitt från ett kalkylblad Vi presenterar först data för en treårs glidande medelprognos. Posten för cell C6 borde vara. Nu kan du kopiera den här cellformeln ner till de andra cellerna C7 till C11. Notera hur genomsnittet rör sig över de senaste historiska data men använder exakt de tre senaste perioderna som finns tillgängliga för varje förutsägelse. Du borde också Märker att vi inte verkligen behöver göra förutsägelser för de senaste perioderna för att utveckla vår senaste förutsägelse. Detta är definitivt annorlunda än exponentiell utjämningsmodell Jag har inkluderat tidigare förutsägelser eftersom vi kommer att använda dem på nästa webbsida för att mäta Prognos validitet. Nu vill jag presentera de analoga resultaten för en tvåårs glidande medelprognos. Inträdet för cell C5 borde vara. Nu kan du kopiera den här cellformeln Ner till de andra cellerna C6 till och med C11.Notice hur nu används bara de två senaste bitarna av historiska data för varje förutsägelse. Igen har jag inkluderat de tidigare förutsägelserna för illustrativa ändamål och för senare användning i prognosvalidering. Några andra saker som är av Betydelse för att notera. För en m-period glidande medelprognos används endast de senaste datavärdena för att göra förutsägelsen. Inget annat är nödvändigt. För en m-periods rörlig genomsnittlig prognos, när man gör tidigare förutsägelser, märker att den första förutsägelsen inträffar I period m 1.But av dessa problem kommer att vara väldigt signifikant när vi utvecklar vår kod. Utveckling av rörlig genomsnittsfunktion Nu behöver vi utveckla koden för den glidande genomsnittliga prognosen som kan användas mer flexibelt. Koden följer Observera att ingångarna är För antalet perioder du vill använda i prognosen och en rad historiska värden Du kan lagra den i vilken arbetsbok du vill. Funktionen MovingAverage Historical, NumberOfPeriods As Sin Gle Deklarera och initialisera variabler Dim-objekt Som variant Dim-teller som integer Dim-ackumulering som Single Dim HistoricalSize som heltal. Initialiserande variabler Counter 1 Accumulation 0. Bestämning av storleken på Historical array HistoricalSize. For Counter 1 till NumberOfPeriods. Ackumulera lämpligt antal senast tidigare observerade värden. Akkumuleringsaccumulering Historisk Historisk storlek - AntalOfPeriods Counter. MovingAverage Accumulation NumberOfPeriods. Koden kommer att förklaras i klassen. Du vill placera funktionen på kalkylbladet så att resultatet av beräkningen visas där den ska Som följande. Prognosberäkningsexempel. A 1 Prognosberäkningsmetoder. Växlingsmetoder för beräkning av prognoser är tillgängliga. De flesta av dessa metoder ger begränsad användarkontroll. Exempelvis är vikten placerad på tidigare historiska data eller datumintervallet för historiska data som används i Beräkningarna kan anges. Följande exempel visar beräkningsförfarandet för var och en av de tillgängliga prognosmetoderna med en identisk uppsättning historiska data. Följande exempel använder samma försäljningsdata 2004 och 2005 för att producera en 2006-försäljningsprognos Utöver prognosen Beräkning innehåller varje exempel en simulerad 2005 fo Omarbetning för en tre månaders bearbetningsoptionsalternativ 19 3 som då används för procent av noggrannhet och genomsnittlig absolut avvikelseberäkningar, den faktiska försäljningen jämfört med simulerad prognos. En 2-prognosutvärderingskriterier. Beroende på ditt urval av bearbetningsmöjligheter och om trenderna och Mönster som finns i försäljningsdata kommer vissa prognosmetoder att fungera bättre än andra för en viss historisk dataset En prognosmetod som är lämplig för en produkt kanske inte är lämplig för en annan produkt Det är också osannolikt att en prognosmetod som ger bra resultat på Ett steg i en produkts livscykel kommer att förbli lämplig under hela livscykeln. Du kan välja mellan två metoder för att utvärdera nuvarande prestanda för prognostiseringsmetoderna. Dessa är medelvärden för absolut avvikelse MAD och procent av noggrannhet POA Båda dessa prestationsbedömningsmetoder kräver Historisk försäljningsdata för en användardefinierad tidsperiod Denna tidsperiod är Kallas en uthållningsperiod eller perioder som passar bäst PBF Data i denna period används som grund för att rekommendera vilken av prognosmetoderna som ska användas vid nästa prognosprojektion. Denna rekommendation är specifik för varje produkt och kan ändras från en prognosproduktion till Nästa De två prognosutvärderingsmetoderna visas på sidorna efter exempel på de tolv prognosmetoderna. A 3 Metod 1 - Specificerad procentsats under förra året. Denna metod multiplicerar försäljningsdata från föregående år av en användardefinierad faktor till exempel, 1 10 för en 10 ökning eller 0 97 för en 3 minskning. Förfrågad försäljningshistoria Ett år för beräkning av prognosen plus det användardefinierade antalet tidsperioder för utvärdering av prognosförädlingsalternativ 19.A 4 1 Prognosberäkning. Resultat av försäljningshistoria Att använda vid beräkning av tillväxtfaktorbehandling alternativ 2a 3 i detta exempel. Som de sista tre månaderna 2005 114 119 137 370.Som samma tre månader för p Förnuftigt år 123 139 133 395. Beräknad faktor 370 395 0 9367.Räkna prognoserna. January, 2005 års försäljning 128 0 9367 119 8036 eller cirka 120.Februari, 2005 försäljning 117 0 9367 109 5939 eller ca 110.March, 2005 försäljning 115 0 9367 107 7205 eller ca 108.A 4 2 Simulerad prognosberäkning. Som de tre månaderna 2005 före hållbarhetsperioden juli, aug, sept.129 140 131 400.Som samma tre månader för föregående år.141 128 118 387.Den beräknade faktorn 400 387 1 033591731.Räkna simulerad prognos. October 2004 försäljning 123 1 033591731 127 13178.November 2004 försäljning 139 1 033591731 143 66925.December 2004 försäljning 133 1 033591731 137 4677.A 4 3 Procent av beräkningsberäkning. POA 127 13178 143 66925 137 4677 114 119 137 100 408 26873 370 100 110 3429.A 4 4 Genomsnittlig Absolut Avvikelse Beräkning. MAD 127 13178 - 114 143 66925 - 119 137 4677- 137 3 13 13178 24 66925 0 4677 3 12 75624.A 5 Metod 3 - Förra året till This Year. This metod kopierar försäljningsdata från föregående år till nästa år. Räqu Ägt försäljningshistoria Ett år för beräkning av prognosen plus antal tidsperioder som anges för utvärdering av prognosförädlingsalternativ 19.A 6 1 Prognosberäkning. Number av perioder som ska ingå i det genomsnittliga bearbetningsalternativet 4a 3 i detta exempel. För varje månad Av prognosen, genomsnittet för de föregående tre månaderna s. Januaryprognos 114 119 137 370, 370 3 123 333 eller 123.Februari prognos 119 137 123 379, 379 3 126 333 eller 126.March prognos 137 123 126 379, 386 3 128 667 eller 129.A 6 2 Simulerad prognosberäkning. October 2005 Försäljning 129 140 131 3 133 3333.November 2005 Försäljning 140 131 114 3 128 3333.Deember 2005 Försäljning 131 114 119 3 121 3333.A 6 3 Procent av beräkning av noggrannhet. POA 133 3333 128 3333 121 3333 114 119 137 100 103 513.A 6 4 Genomsnittlig avvikelseberäkning. MAD 133 3333 - 114 128 3333 - 119 121 3333 - 137 3 14 7777.A 7 Metod 5 - Linjär approximation. Linear Approximation beräknar en Trend baserat på två försäljningshistoriska datapunkter. Dessa två punkter d Efine en rak trendlinje som projiceras in i framtiden Använd denna metod med försiktighet, eftersom långdistansprognoser utnyttjas av små förändringar på bara två datapunkter. Förfrågad försäljningshistorik Antalet perioder som ska inkluderas i regressionsbehandlingsalternativ 5a plus 1 plus Antalet tidsperioder för utvärdering av prognosresultatbehandlingsalternativ 19.A 8 1 Prognosberäkning. Antal perioder som ska inkluderas i regressionsbehandlingsalternativet 6a 3 i detta exempel. För varje månad av prognosen lägger du till ökningen eller minskningen under de angivna perioderna Före hållbarhetsperiod föregående period. Andel av de föregående tre månaderna 114 119 137 3 123 3333.Summa av de föregående tre månaderna med hänsyn tagen. 114 1 119 2 137 3 763. Skillnaden mellan värdena. 763 - 123 3333 1 2 3 23.Ratio 1 2 2 2 3 2 - 2 3 14 - 12 2.Value1 Skillnadsförhållande 23 2 11 5.Value2 Genomsnittlig-värde1-förhållande 123 3333 - 11 5 2 100 3333.Visa 1 n-värde1 Value2 4 11 5 100 3333 146 333 eller 146.Förecast 5 11 5 100 3333 157 8333 eller 158.Förutsägande 6 11 5 100 3333 169 3333 eller 169.A 8 2 Simulerad prognosberäkning. October 2004 försäljning. Medel av de föregående tre månaderna . 129 140 131 3 133 3333. Sammanfattning av de föregående tre månaderna med hänsyn tagen. 129 1 140 2 131 3 802. Skillnaden mellan värdena. 802 - 133 3333 1 2 3 2.Ratio 1 2 2 2 3 2 - 2 3 14 - 12 2.Value1 Skillnadsförhållande 2 2 1.Value2 Genomsnitt - värde1-förhållande 133 3333 - 1 2 131 3333.Förecast 1 n värde1 värde2 4 1 131 3333 135 3333.November 2004 Försäljning. Medel av de föregående tre månaderna. 140 131 114 3 128 3333.Sammanfattning av de föregående tre månaderna med hänsyn tagen. 140 1 131 2 114 3 744. Skillnaden mellan värdena 744 - 128 3333 1 2 3 -25 9999.Value1 Skillnadsförhållande -25 9999 2 -12 9999.Value2 Genomsnitt - värde1 förhållande 128 3333 - -12 9999 2 154 3333.Forecast 4 -12 9999 154 3333 102 3333.December 2004 sales. Average av de föregående tre månaderna. 131 114 119 3 121 3333. Sammanfattning av de föregående tre månaderna med hänsyn tagen. 131 1 114 2 119 3 716. Skillnaden mellan värdena. 716 - 121 3333 1 2 3 -11 9999.Value1 Skillnadsförhållande -11 9999 2 -5 9999.Value2 Genomsnitt - värde1-förhållande 121 3333 - -5 9999 2 133 3333.Forecast 4 -5 9999 133 3333 109 3333.A 8 3 Procent av beräkning av noggrannhet. POA 135 33 102 33 109 33 114 119 137 100 93 78.A 8 4 Genomsnittlig Absolut Avvikelse Beräkning. MAD 135 33 - 114 102 33 - 119 109 33 - 137 3 21 88.A 9 Metod 7 - Andra Graden Approximation. Linear Regression bestämmer värdena för a och b i prognosformeln Y a bX med målet att anpassa en rak linje till försäljningshistorikdata. Andra graden Approximation är likvärdig. Denna metod bestämmer emellertid värdena för a, b och c i Prognosformeln Y a bX cX2 med målet att anpassa en kurva till försäljningshistorikdata Denna metod kan vara användbar när en produkt befinner sig i övergången mellan en livscykelstadium Till exempel när en ny produkt flyttar från introduktion till tillväxtstadier , Försäljningsutvecklingen kan accelerera På grund av den andra orderperioden kan prognosen snabbt närma sig Oändlighet eller fall till noll beroende på om koefficienten c är positiv eller negativ. Därför är denna metod endast användbar på kort sikt. Förutsägningsformulär Formlerna finner a, b och c för att passa en kurva till exakt tre punkter. Du anger n i Bearbetningsalternativ 7a, antalet tidsperioder av data som ackumuleras i var och en av de tre punkterna I detta exempel n 3 Därför kombineras faktiska försäljningsdata för april till juni i första punkten, Q1 juli till september läggs samman för att skapa Q2 , Och oktober till december summa till Q3 Kurvan kommer att anpassas till de tre värdena Q1, Q2 och Q3.Required sales history 3 n perioder för beräkning av prognosen plus antal tidsperioder som krävs för att utvärdera prognosprestanda PBF. Number of Perioder för att inkludera bearbetningsalternativ 7a 3 i detta exempel. Använd de föregående 3 n månaderna i tre månader block. Q1 Apr - Jun 125 122 137 384.Q2 Jul - Sep 129 140 131 400.Q3 Okt - Dec 114 119 137 370. Nästa steg innefattar c Alculating de tre koefficienterna a, b och c som ska användas i prognosformeln Y a bX cX 2. 1 Q1 en bX cX2 där X 1 a b c. 2 Q2 en bX cX2 där X2 a 2b 4c. 3 Q3 en bX cX 2 där X 3 a 3b 9c. Solve de tre ekvationerna samtidigt för att hitta b, a och c. Ta bort ekvation 1 från ekvation 2 och lösa för b. Ställ in denna ekvation för b i ekvation 3. 3 Q3 a 3 Q2 - Q1 - 3c c. Ändra i stället dessa ekvationer för a och b till ekvation 1. Q3 - 3 Q2 - Q1 Q2 - Q1 - 3c c Q1.c Q3 - Q2 Q1 - Q2 2.Den andra graden approximationsmetoden beräknar A, b och c som följer. 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.Y en bX cX 2 322 85 X -23 X 2.January till mars prognos X 4. 322 340 - 368 3 294 3 98 per period. April till juni prognos X 5. 322 425 - 575 3 57 333 eller 57 per period. Juli till septemberprognos X 6. 322 510 - 828 3 1 33 eller 1 per period. Oktober till december X 7. 322 595 - 1127 3 -70.A 9 2 Simulerad prognosberäkning. Oktober november Och december 2004 försäljning. Q1 jan - mar 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 Procent av beräkning av noggrannhet. POA 136 136 136 114 119 137 100 110 27.A 9 4 Genomsnittlig Absolut Avvikelse Beräkning. MAD 136 - 114 136 - 119 136 - 137 3 13 33.A 10 Metod 8 - Flexibel metod. Flexibel metodprocent Över n månader Tidigare liknar Metod 1, Procent över förra året Båda metoderna multiplicerar försäljningsdata från en tidigare tidsperiod av en användardefinierad faktor , Sedan projicera resultatet i framtiden I Procenten över senaste årmetoden är projiceringen baserad på data från samma period föregående år. Den flexibla metoden ger möjlighet att ange en annan tidsperiod än samma period förra året till Använd som grund för beräkningarna. Multiplikationsfaktor Ange exempelvis 1 15 i bearbetningsalternativet 8b för att öka tidigare försäljningshistorikdata med 15.Basperiod Exempelvis kommer n 3 att göra att den första prognosen baseras på försäljningsdata i Oktober 2005. Minsta försäljningshistorik Användarens angivna nummer o F perioder tillbaka till basperioden plus antal tidsperioder som krävs för att utvärdera prognosprestanda PBF. A 10 4 Genomsnittlig Absolut Avvikelse Beräkning. MAD 148 - 114 161 - 119 151 - 137 3 30.A 11 Metod 9 - Viktad Flyttning Genomsnittet. Den viktade rörliga genomsnittliga WMA-metoden liknar Metod 4, Flyttande medelvärde MA. Med det Viktade Flyttningsgenomsnittet kan du emellertid fördela ojämna vikter till de historiska data. Metoden beräknar ett vägt genomsnitt av den senaste försäljningshistoriken för att komma fram till en projicering för Kort sikt Senare data får vanligtvis större vikt än äldre data, vilket gör att WMA reagerar mer på skift i försäljningsnivån. Men prognoser och systematiska fel uppstår fortfarande när produktförsäljningshistoriken uppvisar starka trend eller säsongsmönster. Metoden fungerar bättre för korta prognoser för mogna produkter i stället för för produkter i livscykelns tillväxt eller föråldrade stadier. Det antal perioder av försäljningshistoria som ska användas i Prognosberäkningen Ange till exempel n 3 i bearbetningsalternativet 9a för att använda de senaste tre perioderna som utgångspunkt för projiceringen till nästa tidsperiod. Ett stort värde för n som 12 kräver mer försäljningshistorik. Det resulterar i en stabil prognos , Men kommer att vara långsam för att känna igen skift i försäljningsnivån Å andra sidan kommer ett litet värde för n som 3 att reagera snabbare på förändringar i försäljningsnivån, men prognosen kan fluktuera så mycket att produktionen inte kan svara på Variationerna. Vikten tilldelad vart och ett av de historiska dataperioderna. De tilldelade vikterna måste uppgå till 1 00 Till exempel, när n 3 tilldelar vikter av 0 6, 0 3 och 0 1, med den senaste data som får största vikt . Minsta nödvändiga försäljningshistorik n plus antal tidsperioder som krävs för att utvärdera prognosprestanda PBF. MAD 133 5 - 114 121 7 - 119 118 7 - 137 3 13 5.A 12 Metod 10 - Linjär utjämning. Denna metod liknar Metod 9, Viktad Flyttande Genomsnittlig WMA Hur I stället för att i godtyckligt tilldela vikter till historiska data används en formel för att tilldela vikter som faller linjärt och summa till 1 00 Metoden beräknar sedan ett vägt genomsnitt av den senaste försäljningshistoriken för att komma fram till en projicering på kort sikt. Sant för alla linjära glidande medelprognostekniker förekommer prognosfel och systematiska fel när produktförsäljningshistoriken uppvisar stark trend eller säsongsmönster. Denna metod fungerar bättre för korta prognoser för mogna produkter snarare än för produkter i livets tillväxt eller förälskelsesteg Cycle. n antalet försäljningsperioder som ska användas i prognosberäkningen Detta anges i bearbetningsalternativet 10a Ange till exempel n 3 i bearbetningsalternativet 10b för att använda de senaste tre perioderna som grund för projektionen i Nästa tidsperiod Systemet kommer automatiskt att tilldela vikterna till historiska data som faller linjärt och summa till 1 00 Till exempel när n 3, s Ystem kommer att tilldela vikter av 0 5, 0 3333 och 0 1, med den senaste data som tar emot största vikt. Minsta nödvändiga försäljningshistorik n plus antalet tidsperioder som krävs för att utvärdera prognosprestandan PBF. A 12 1 Prognosberäkning. Antal perioder som ska inkluderas vid utjämning av genomsnittlig bearbetningsalternativ 10a 3 i detta exempel. Rata för en period före 3 n 2 n 2 3 3 2 3 2 3 6 0 5.Ratio i två perioder före 2 n 2 n 2 2 3 2 3 2 2 6 0 3333.Ratio i tre perioder före 1 n 2 n 2 1 3 2 3 2 1 6 0 1666.Januärprognos 137 0 5 119 1 3 114 1 6 127 16 eller 127.Februari prognos 127 0 5 137 1 3 119 1 6 129.March prognos 129 0 5 127 1 3 137 1 6 129 666 eller 130.A 12 2 Simulerad prognosberäkning. October 2004 försäljning 129 1 6 140 2 6 131 3 6 133 6666.November 2004 Försäljning 140 1 6 131 2 6 114 3 6 124.December 2004 försäljning 131 1 6 114 2 6 119 3 6 119 3333.A 12 3 Procent av beräkning av noggrannhet. POA 133 6666 124 119 3333 114 119 137 100 101 891.A 12 4 Genomsnittlig Absolut Avvikelse Beräkning. MAD 133 6666 - 114 124 - 119 119 3333 - 137 3 14 1111.A 13 Metod 11 - Exponentiell utjämning. Denna metod liknar Metod 10, Linjär utjämning Vid linjär utjämning tilldelar systemet vikter till historiska data som avtar linjärt Vid exponentiell utjämning , Systemet tilldelar vikter som exponentiellt sönderfall Exponential utjämning prognos ekvation är. Förutse en tidigare verklig försäljning 1 - a tidigare prognos. Prognosen är ett vägt genomsnitt av den faktiska försäljningen från föregående period och prognosen från föregående period a är Vikt applicerad på den faktiska försäljningen för föregående period 1 - a är vikten applicerad på prognosen för föregående period Giltiga värden för ett intervall från 0 till 1 och faller oftast mellan 0 1 och 0 4 Summan av vikterna är 1 00 a 1 - a 1.Du bör tilldela ett värde för utjämningskonstanten, a Om du inte tilldelar värden för utjämningskonstanten beräknar systemet ett antaget värde baserat på antalet perioder med försäljningshistorik D i bearbetningsalternativet 11a. a utjämningskonstanten som används vid beräkning av det jämnde genomsnittsvärdet för den generella nivån eller storleken på försäljningen Giltiga värden för ett intervall från 0 till 1.n omfattningen av försäljningshistorikdata för att inkludera i beräkningarna Generellt ett år Av försäljningshistorikdata är tillräckliga för att uppskatta den generella försäljningsnivån För det här exemplet valdes ett litet värde för nn 3 för att minska de manuella beräkningar som krävs för att verifiera resultaten Exponentiell utjämning kan generera en prognos baserad på så lite som en historisk Datapunkt. Minsta nödvändiga försäljningshistorik n plus antalet tidsperioder som krävs för att utvärdera prognosprestandan PBF. A 13 1 Prognosberäkning. Number av perioder som ska inkluderas i utjämning av genomsnittlig bearbetningsalternativ 11a 3 och alfa-faktorbehandlingsalternativ 11b tom i detta Example. a faktor för den äldsta försäljningsdata 2 1 1 eller 1 när alpha är specificerad. En faktor för den 2: e äldsta försäljningsdata 2 1 2, eller alf när alpha anges. En faktor För den 3: e äldsta försäljningsdata 2 1 3, eller alf när alpha anges. En faktor för den senaste försäljningsdata 2 1 n eller alf när alpha är specificerad. November Sm Avg a oktober Aktuell 1 - en oktober Sm Gem 1 114 0 0 114.December Avg. Avg. November Aktuell 1 - a november Sm Gem 2 3 119 1 3 114 117 3333.January Prognos december December 1 - a december Sm Gem 2 4 137 2 4 117 3333 127 16665 eller 127.Februari prognos Januari-prognos 127.Marchprognos Januariprognos 127.A 13 2 Simulerad prognosberäkning. Juli 2004 Sm Avg 2 2 129 129.August Sm Gem 2 3 140 1 3 129 136 3333.September Sm Genomsnittspris 2 4 131 2 4 136 3333 133 6666.October 2004 Försäljning Sep Sm Avg 133 6666.August, 2004 Sm Avg 2 2 140 140.September Sm Gem 2 3 131 1 3 140 134.October Sm Avg 2 4 114 2 4 134 124.November 2004 Försäljning Sep Sm Gem 124.September 2004 Sm Avg 2 2 131 131. oktober Sm Gem 2 3 114 1 3 131 119 6666.November Sm Avg 2 4 119 2 4 119 6666 119 3333.Deember 2004 Försäljning Sep Sm Avg 119 3333.A 13 3 Procent Av noggrannhet Calcula Tion. POA 133 6666 124 119 3333 114 119 137 100 101 891.A 13 4 Genomsnittlig absolut avvikelseberäkning. MAD 133 6666 - 114 124 - 119 119 3333 - 137 3 14 1111.A 14 Metod 12 - Exponentiell utjämning med trend och säsonglighet . Denna metod liknar Metod 11 Exponentiell utjämning genom att ett jämnt medelvärde beräknas. Metod 12 innehåller emellertid en term i prognosekvationen för att beräkna en jämn trend. Prognosen består av en jämn medelvärde justerad för en linjär trend När specificerat I bearbetningsalternativet justeras prognosen också för säsongens kvalitet. En utjämningskonstant som används för att beräkna det jämnde genomsnittet för den generella nivån eller storleken på försäljningen. Giltiga värden för alfabetikintervallet från 0 till 1.b utjämningskonstanten som används vid beräkning av det jämnformade Medelvärdet för trendkomponenten i prognosen Giltiga värden för beta-intervallet från 0 till 1.Vår ett säsongsindex tillämpas på prognosen. a och b är oberoende av varandra De behöver inte lägga till 1 0.Min Imum krävs försäljningshistoria två år plus antalet tidsperioder som krävs för att utvärdera prognosprestandan PBF. Method 12 använder två exponentiella utjämningsekvationer och ett enkelt medelvärde för att beräkna ett jämnt medelvärde, en jämn trend och en enkel genomsnittlig säsongsfaktor. A 14 1 Prognos Beräkning. A Ett exponentiellt jämnt medel. MAD 122 81 - 114 133 14 - 119 135 33 - 137 3 8 2.A 15 Utvärdering av prognoserna. Du kan välja prognosmetoder för att generera så många som tolv prognoser för varje produkt. Varje prognos Metoden kommer sannolikt att skapa en något annorlunda projicering När tusentals produkter prognostiseras är det opraktiskt att göra ett subjektivt beslut angående vilka prognoser som ska användas i dina planer för var och en av produkterna. Systemet utvärderar automatiskt prestanda för varje prognosmetod Som du väljer och för var och en av prognoserna Du kan välja mellan två prestandakriterier, Mean Absolute Deviation MAD och Procent of Accur Acy POA MAD är ett mått på prognosfel POA är ett mått på prognosförskjutning Båda dessa prestandautvärderingstekniker kräver faktiska försäljningshistorikdata för en användarens specificerade tidsperiod. Denna period av senaste historiken kallas en uthållningsperiod eller perioder som passar bäst PBF. För att mäta prestanda för en prognosmetod använder du prognosformulären för att simulera en prognos för historisk uthållighetsperiod. Det kommer vanligtvis att finnas skillnader mellan faktiska försäljningsdata och den simulerade prognosen för hållbarhetsperioden. När flera prognosmetoder väljs utförs samma process Sker för varje metod Flera prognoser beräknas för hållbarhetsperioden och jämfört med den kända försäljningshistoriken för samma tidsperiod. Prognosmetoden som ger den bästa matchningen som passar bäst mellan prognosen och den faktiska försäljningen under hållbarhetsperioden rekommenderas för användning I dina planer Denna rekommendation är specifik för varje produkt, och kan ändras från en prognosproduktion till nej Xt. A 16 Genomsnitt Absolut avvikelse MAD. MAD är medelvärdet eller genomsnittet av de absoluta värdena eller storleken på avvikelserna eller fel mellan aktuell och prognosdata. MAD är ett mått på den genomsnittliga storleksgraden av fel som kan förväntas med tanke på en prognosmetod och data Historia Eftersom absoluta värden används i beräkningen avbryter inte positiva fel negativa fel Vid jämförelse av flera prognosmetoder har den som har den minsta MAD visat sig vara den mest tillförlitliga för den produkten under den hållningsperioden När prognosen är objektiv och Fel distribueras normalt, det finns ett enkelt matematiskt förhållande mellan MAD och två andra gemensamma fördelningsförhållanden, standardavvikelse och Mean Squared Error. A 16 1 Procent av precision POA. Percent of Accuracy POA är ett mått på prognostisk bias När prognoserna är konsekventa För högt, lager ackumuleras och lagerkostnader stiger När prognoserna är konsekvent två låga förbrukas lagren och nedgången av kundservice S En prognos som är 10 enheter för låg, då 8 enheter för höga, då 2 enheter för höga, skulle vara en objektiv prognos. Det positiva felet på 10 avbröts av negativa fel på 8 och 2.Error Actual - Forecast. When en produkt Kan lagras i lager och när prognosen är opartisk kan en liten mängd säkerhetslager användas för att buffra felet. I denna situation är det inte så viktigt att eliminera prognosfel eftersom det är att skapa objektiva prognoser. , Skulle ovanstående situation betraktas som tre fel Tjänsten skulle vara underbemannad under den första perioden och sedan överbemannade för de följande två perioderna. I tjänster är storleken av prognosfel vanligtvis viktigare än vad som är prognostiserad bias. Sammanfattningen över hållbarhetsperioden Tillåter positiva fel att avbryta negativa fel När den totala faktiska försäljningen överstiger den totala prognostiserade försäljningen är förhållandet större än 100. Det är naturligtvis omöjligt att vara mer än 100 korrekt. När en prognos är unbias Ed, POA-förhållandet blir 100 Därför är det mer önskvärt att vara 95 exakt än att vara 110 exakt. POA-kriterierna väljer prognosmetoden som har ett POA-förhållande närmast 100. Skript på denna sida förstärker innehållsnavigering, men Ändra innehållet på något sätt.