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 Prognoza wyników Kryteria W zależności od wyboru opcji przetwarzania oraz trendów i wzorców danych dotyczących sprzedaży, niektóre metody prognozowania osiągają lepsze wyniki niż dane dla danego zbioru danych historycznych. Metoda prognozowania odpowiednia dla jednego produktu może być nieodpowiednia dla innego produktu. Może się okazać, że metoda prognozowania, która zapewnia dobre wyniki w jednym etapie cyklu życia produktu pozostaje właściwa przez cały cykl życia. Możesz wybrać jedną z dwóch metod oceny aktualnej wydajności metod prognozowania: Procent dokładności (POA). Średnie odchylenie bezwzględne (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, która metoda prognozowania ma być wykorzystana do realizacji kolejnej prognozy prognozy. Rekomendacja jest specyficzna dla każdego produktu i może zmieniać się z jednego generowania prognozy na następny. 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 prognozy dotyczące dopasowania: Rysunek 3-1 Najlepsze dopasowanie System stosuje tę sekwencję kroków w celu określenia najlepszego dopasowania: Użyj każdej określonej metody, aby symulować prognozę okresu holdout. Porównaj rzeczywistą sprzedaż z symulowanymi prognozami okresu wstrzymania. Oblicz POA lub MAD, aby określić, która metoda prognozowania najbardziej pasuje do poprzedniej rzeczywistej 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 porównaniu z poprzednim rokiem. 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: Metoda elastyczna. Metoda 9: Średnia ważona ruchoma. Metoda 10: Wygładzanie liniowe. Metoda 11: wyrównywanie wykładnicze. Metoda 12: Wygładzanie wykładnicze z trendem i sezonowością. Określ metodę, której chcesz użyć w opcjach przetwarzania dla programu Generowanie prognoz (R34650). Większość z 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 wzorzec jest charakterystyczny dla dojrzałego produktu, który może zbliżać się do przestarzałości. 3.2.1 Metoda 1: procent w ciągu ostatniego roku Ta metoda wykorzystuje formułę Procent na przestrzeni ostatniego roku, aby pomnożyć każdy okres prognozy przez określony wzrost lub spadek procentowy. Aby prognozować zapotrzebowanie, metoda ta wymaga liczby okresów najlepiej dopasowanych oraz jednego roku sprzedaży. Ta metoda jest przydatna do prognozowania popytu na produkty sezonowe ze wzrostem lub spadkiem. 3.2.1.1 Przykład: Metoda 1: Procent w porównaniu z rokiem ubiegłym Procent w stosunku do ostatniego roku wzbogaca dane z poprzedniego roku o określony przez Ciebie czynnik, a następnie projekt, który nastąpił w ciągu następnego roku. Ta metoda może być użyteczna w budżetowaniu, aby symulować wpływ określonej dynamiki lub kiedy historia sprzedaży ma znaczący składnik sezonowy. Specyfikacja prognozy: Mnożnik. Na przykład, określ opcję 110 w opcji przetwarzania, aby zwiększyć dane o historii sprzedaży w poprzednim 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. Poniższa tabela zawiera historię używaną do obliczania 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: Obliczona wartość procentowa w stosunku do ostatniego roku Metoda ta wykorzystuje Obliczony Odsetek Ponad Formuła ostatniego roku porównania dotychczasowej sprzedaży określonych okresów do sprzedaży z tych samych okresów roku ubiegłego. System określa procentowy wzrost lub spadek, a następnie mnoży każdy okres przez procent w celu określenia prognozy. Aby prognozować zapotrzebowanie, metoda ta wymaga liczby okresów historii zamówień sprzedaży oraz jednego roku sprzedaży. Ta metoda jest przydatna do prognozowania krótkoterminowego popytu na produkty sezonowe ze wzrostem lub spadkiem. 3.2.2.1 Przykład: Metoda 2: Obliczona wartość procentowa w ciągu ostatniego roku Obliczenie Procentu w stosunku do ostatniego roku powoduje pomnożenie danych sprzedaży z poprzedniego roku o współczynnik obliczony przez system, a następnie projekty, które doprowadzą do następnego roku. 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 liczbę n równą 4 w opcji przetwarzania, aby porównać historię sprzedaży za ostatnie cztery okresy z tymi samymi czterema okresami roku ubiegłego. 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 do obliczania prognozy, podana n 4: luty jest równa 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 bieżącego roku Metoda ta wykorzystuje ostatnie lata sprzedaży na najbliższe lata prognozy. Aby przewidzieć popyt, ta metoda wymaga liczby najlepiej pasujących okresów plus jeden rok historii zamówień sprzedaży. Ta metoda jest przydatna do prognozowania popytu na starsze produkty o popycie na poziomie lub popytu sezonowego bez tendencji. 3.2.3.1 Przykład: Metoda 3: Ostatni rok w tym roku Formuła Ostatni rok w tym roku kopiuje dane sprzedaży z poprzedniego roku na następny rok. Ta metoda może być użyteczna w budżetowaniu, aby symulować sprzedaż na obecnym poziomie. Produkt jest dojrzały i nie ma tendencji w dłuższym okresie, ale może istnieć znaczący sezonowy popyt. Specyfikacja prognozy: brak. Wymagana historia sprzedaży: jeden rok na obliczenie prognozy plus liczba okresów wymaganych do oceny prognozy (okresy najlepszego dopasowania). Poniższa tabela zawiera historię stosowaną w obliczeniach prognozy: prognoza stycznia równa styczniu ubiegłego roku z prognozą wartości 128. Prognoza lutowa to luty zeszłego roku z prognozą wartości 117. Prognoza marcowa to marzec z ubiegłym rokiem z prognozą wartości 115. 3.2.4 Metoda 4: Średnia ruchoma Ta metoda wykorzystuje średnią ruchomych formułę do przeciętnej określonej liczby okresów w celu zaprezentowania następnego okresu. Powinieneś raz jeszcze przeliczać (co miesiąc lub przynajmniej kwartalnie), aby odzwierciedlić zmieniający się poziom popytu. Aby prognozować zapotrzebowanie, ta metoda wymaga lepszego dopasowania liczby okresów oraz liczby okresów historii zamówień. Ta metoda jest przydatna do prognozowania popytu na dojrzałe produkty bez tendencji. 3.2.4.1 Przykład: Metoda 4: Średnia średnia ruchoma (Moving Average Moving Average - MA) jest popularną metodą uśredniania wyników ostatniej historii sprzedaży w celu określenia projekcji w perspektywie krótkoterminowej. 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 prognozach krótkiego zasięgu produktów dojrzałych niż w przypadku produktów, które znajdują się na etapie 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 n (np. 12) wymaga większej historii sprzedaży. Prowadzi to do stabilnej prognozy, ale powoli zauważa zmiany poziomu 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). Ta tabela zawiera historię używaną do obliczenia prognozy: prognoza lutowa równa się (114 119 137 125) 4 123.75 zaokrąglona do 124. Prognoza marcowa równa (119 137 125 124) 4 126,25 zaokrąglona do 126. 3.2.5 Metoda 5: Zbliżenie liniowe Ta metoda wykorzystuje formułę Liniową aproksymację do obliczenia trendu z liczby okresów historii zamówień sprzedaży i do projekcji tego trendu do prognozy. Powinieneś ponownie obliczyć tę tendencję w celu wykrycia zmian trendów. Ta metoda wymaga liczby okresów najlepszego dopasowania plus liczba określonych okresów historii zamówień sprzedaży. Ta metoda jest przydatna do prognozowania zapotrzebowania na nowe produkty lub produkty o spójnych trendach pozytywnych lub negatywnych, które nie wynikają z wahań sezonowych. 3.2.5.1 Przykład: Metoda 5: Przybliżenie liniowe Zbliżenie liniowe oblicza trend, który oparty jest na dwóch punktach historii historii sprzedaży. Te dwa punkty definiują prostą linię trendu rzutowaną w przyszłość. Użyj tej metody ostrożnie, ponieważ długie prognozy 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). Ta tabela stanowi historię używaną do obliczania prognozy: prognoza styczniowa z grudnia ubiegłego roku 1 (trendu), która wynosi 137 (1 razy 2) 139. Prognoza lutowa z grudnia ubiegłego roku 1 (trendu), która wynosi 137 (2 razy 2) 141. Prognoza marcowa z grudnia ubiegłego roku 1 (Trend), która wynosi 137 (3 razy 2) 143. 3.2.6 Metoda 6: Regresja najmniejszych kwadratów Metoda regresji najmniejszych kwadratów (LSR) uzyskuje równanie opisujące zależność linii prostej między historycznymi danymi dotyczącymi 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. Minimalnym wymogiem są 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, a funkcje kroku zmieniają popyt. Regresja liniowa dopasowuje linię prostą do danych, nawet jeśli dane są sezonowe lub lepiej opisane przez krzywą. Gdy dane z historii sprzedaży są zgodne z krzywą lub mają silny sezonowy wzór, przewidywane tendencje i błędy systematyczne. Specyfikacja prognozy: n jest równy okresom historii sprzedaży, które zostaną użyte do obliczenia wartości dla aib. Na przykład określić n 4, aby wykorzystać historię od września do grudnia jako podstawę do obliczeń. Gdy dostępne są dane, zwykle użyto większego n (takiego jak n 24). LSR definiuje linię na dwa punkty danych. W tym przykładzie wybrano małą wartość dla n (n 4), aby zmniejszyć obliczenia ręczne wymagane do zweryfikowania wyników. Minimalna wymagana historia sprzedaży: n okresów plus liczba okresów potrzebnych do oceny prognozy (okresy najlepiej dopasowane). Ta tabela zawiera historię używaną do obliczania prognozy: Prognoza marcowa równa się 119,5 (7 razy 2,3) 135,6 zaokrąglona do 136. 3.2.7 Metoda 7: Przybliżenie drugiego stopnia Aby prognozować prognozę, metoda ta wykorzystuje wzorcowanie do przybliżenia drugiego stopnia w celu wykreślenia krzywej która opiera się na liczbie okresów sprzedaży. Ta metoda wymaga lepszego dopasowania liczby okresów oraz liczby okresów historii zamówień sprzedaży w trzech. 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. Podejście drugiego stopnia jest podobne, ale ta metoda określa wartości dla a, b i c w tej prognozowanej formule: Y a b X c X 2 Celem tej metody jest dopasowanie krzywej do historii historii sprzedaży. Ta metoda jest przydatna, gdy produkt przechodzi przez etapy cyklu życia. Na przykład, gdy nowy produkt przechodzi od etapu wprowadzania do etapu wzrostu, tendencja sprzedaży może przyspieszyć. Z powodu drugiego rzędu, prognoza może szybko podchodzić do nieskończoności lub spada 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 czasu gromadzonych w każdym z trzech punktów. W tym przykładzie n 3. Rzeczywiste dane o sprzedaży od kwietnia do czerwca są połączone w pierwszym punkcie, Q1. Od lipca do września dodaje się razem, aby utworzyć Q2, a od października do grudnia suma do trzeciego kwartału. Krzywa jest dopasowana 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). Niniejsza tabela stanowi historię używaną do obliczania prognozy: Q0 (Jan) (lut) (Mar) Q1 (kwi) (maj) (Jun), co odpowiada 125 122 137 384 Q2 (lip) (sie) (wrz), co odpowiada 140 129 131 400 Q3 (październik) (listopad) (gru), co odpowiada 114 119 137 370 Następnym krokiem jest obliczenie trzech współczynników a, b i c, które mają być użyte w projekcie 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 na kwiecień, maj i czerwiec i jest narysowany w X 1 Q2 od lipca do września 3 kwartału od października do grudnia, a czwarty kwartał 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 X4, 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. Kiedy X6, Q6 322 510 ndash 828 4. Prognoza wynosi 4 3 1,33 zaokrąglone do 1 na okres. Jest to prognoza na następny rok, ostatni rok do bieżącego roku: 3.2.8 Metoda 8: Metoda elastyczna Ta metoda umożliwia wybranie najlepszej dopasowania liczby okresów sprzedaży historii zamówień, która zaczyna się w n miesięcy przed datą rozpoczęcia prognozy 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. Oba sposoby pomnożają dane o sprzedaży z poprzedniego okresu przez czynnik określony przez Ciebie, a następnie projektuj ten wynik w przyszłość. 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 wartość 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). Ta tabela zawiera historię wykorzystywaną do obliczania prognozy: 3.2.9 Metoda 9: Średnia ważona ruchoma Średnia ważona ruchoma Średnia formuła jest podobna do metody 4, Przekazywanie średniej formuły, ponieważ średnio w poprzednich miesiącach historia sprzedaży przewidywała przyszłe miesiące sprzedaży. 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 z ostatnich historii sprzedaży, aby osiągnąć prognozę na najbliższy okres. Dalsze dane są zazwyczaj przypisywane większej wagi niż starsze dane, więc WMA jest bardziej reagująca na zmiany poziomu sprzedaży. Jednakże prognozowane nastawienia i błędy systematyczne występują, jeśli historia sprzedaży produktów wykazuje silne trendy lub sezonowe wzorce. Ta metoda sprawdza się lepiej w przypadku prognoz krótkiego zasięgu produktów dojrzałych niż 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 skutkuje stabilną prognozą, ale powolne uznaje zmiany w poziomie sprzedaży. Z drugiej strony mała wartość dla n (np. 3) reaguje szybciej na zmiany poziomu sprzedaży, ale prognoza może wahać się tak bardzo, że produkcja nie może odpowiadać na zmiany. Całkowita liczba okresów dla opcji przetwarzania rdquo14 - okresy obejmujące okres nie dłuższy niż 12 miesięcy. Masa przypisana do każdego z historycznych okresów danych. Przyznane ciężary muszą wynosić 1,00. Na przykład, gdy n4, 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 zawiera historię używaną do obliczania prognozy: prognoza styczniowa to (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 zaokrąglone do 128. Prognoza lutowa równa się (114 razy (119 razy 0,15) (137 razy 0,15) (128 razy 0,15) 128. 3.2.10 Metoda 10: Wygładzanie liniowe Ta metoda oblicza średnią ważoną wcześniejszych danych dotyczących sprzedaży. W obliczeniach metoda ta wykorzystuje liczbę okresów historii zamówień sprzedaży (od 1 do 12) wskazanych w opcji przetwarzania. System wykorzystuje matematyczną progresję do ważenia danych w zakresie od pierwszego (najmniej ważonego) do końcowego (większość wagi). Następnie system przekazuje te informacje do 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. Metoda następnie oblicza średnią ważoną z ostatnich historii sprzedaży, aby osiągnąć prognozę na krótką metę. 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. Metoda ta lepiej sprawdza się w przypadku krótkoterminowych prognoz produktów dojrzałych niż produktów w fazie wzrostu lub starzenia się cyklu życiowego. n jest równy liczbie okresów historii sprzedaży, które mają zostać użyte do obliczenia prognozy. Na przykład podaj n równe 4 w opcji przetwarzania, aby wykorzystać cztery ostatnie okresy jako podstawę projekcji do następnego okresu. System automatycznie przypisuje wagi do danych historycznych, które spadają liniowo i sumują się 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 Ta metoda oblicza wygładzoną średnią, która staje się szacunkiem reprezentującym ogólny poziom sprzedaży w wybranych okresach danych historycznych. Metoda ta wymaga historii danych sprzedaży w okresie czasu, która jest reprezentowana przez liczbę najlepiej dopasowanych okresów oraz liczbę okresów danych historycznych, które zostały określone. Minimalnym wymogiem są dwa okresy danych historycznych. 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 wyrównywaniu liniowym system przypisuje wagi, które spadają liniowo do danych historycznych. W wygładzaniu wykładniczym system przypisuje wagi, które rozkładają się wykładniczo. Współczynnik prognozy Wygładzanie Wyrównywanie to: Prognoza alfa (poprzednia faktyczna sprzedaż) (1 ndash) (poprzednia prognoza) Prognoza to średnia ważona rzeczywistej sprzedaży z poprzedniego okresu i prognozy z poprzedniego okresu. Alfa to waga, która jest stosowana do faktycznej sprzedaży za poprzedni okres. (1 ndash alfa) jest wagą stosowaną do prognozy dla poprzedniego okresu. Wartości dla alfa wahają się od 0 do 1 i zwykle mieszczą się w zakresie od 0,1 do 0,4. Suma ciężarów wynosi 1,00 (alfa (1 nd alfa) 1). Powinieneś przypisać wartość dla stałej wygładzania, alfa. Jeśli nie ustawisz wartości dla stałej wygładzania, system oblicza założoną wartość, która jest oparta na liczbie okresów historii sprzedaży określonej w opcji przetwarzania. alpha jest równa stałej wygładzania, która jest używana do obliczenia wygładzonej średniej dla ogólnego poziomu lub wielkości sprzedaży. Wartości dla alfa w zakresie od 0 do 1. n jest równe zakresowi historii sprzedaży, które ma zostać uwzględnione w obliczeniach. Ogólnie rzecz biorąc, jeden rok danych dotyczących historii sprzedaży jest wystarczający, aby oszacować ogólny poziom sprzedaży. W tym przykładzie wybrano małą wartość dla n (n 4), aby zmniejszyć obliczenia ręczne wymagane do zweryfikowania wyników. Exponential Smoothing może wygenerować prognozę, która opiera się na zaledwie jednym historycznym punkcie danych. Minimalna wymagana historia sprzedaży: n plus liczba okresów potrzebnych do oceny prognozy (okresy najlepiej dopasowane). Ta tabela jest historią wykorzystywaną do obliczania prognozy: 3.2.12 Metoda 12: Wyrównywanie wykładnicze z tendencją i sezonowością Ta metoda oblicza tendencję, indeks sezonowy i średnią wygładzoną wykładniczo z historii zamówień. Następnie system stosuje projekcję tendencji do prognozy i dostosowuje do indeksu sezonowego. Metoda ta wymaga liczby okresów najlepiej dopasowanych plus dwa lata danych o sprzedaży i jest przydatna w przypadku elementów, które mają zarówno tendencję jak i sezonowość w prognozie. Możesz wprowadzić współczynnik alfa i beta lub obliczyć system. Współczynniki alfa i beta są stałą wygładzania, którą system wykorzystuje do obliczania średniej wygładzonej dla ogólnego poziomu lub wielkości sprzedaży (alpha) i składnika tendencji w prognozie (beta). 3.2.12.1 Przykład: Metoda 12: Wyrównywanie wykładnicze z tendencją i sezonowością Ta metoda jest podobna do metody 11, Exponential Smoothing, w której obliczana jest średnia wygładzona. Metoda 12 zawiera jednak również termin w równaniu prognozującym do wyliczenia wygładzonej tendencji. Prognoza składa się z wygładzonej średniej skorygowanej o liniowy trend. Po określeniu w opcji przetwarzania prognoza dostosowana jest również do sezonowości. Alfa równa się stalej wygładzania, która służy do obliczania średniej wygładzonej 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 stosuje się wskaźnik sezonowy do prognozy. Alfa i beta są niezależne od siebie. Nie muszą sumować się do 1,0. Minimalna wymagana historia sprzedaży: rok i liczba okresów potrzebnych do oceny prognozy (okresy najlepiej dopasowane). Jeśli dostępne są dwa lub więcej lat danych historycznych, w obliczeniach wykorzystano dwa lata danych. Metoda 12 wykorzystuje dwa równania wygładzania wykładniczego i jedną prostą średnią do obliczenia wygładzonej średniej, wygładzonego trendu i prostego średniego indeksu sezonowego. Średnia średnio wygładzona wykładniczo: trenowana geometrycznie tendencja: prosty średni sezonowy indeks: Rysunek 3-3 Prosty średni indeks sezonowy Prognoza jest obliczana za pomocą wyników trzech równań: L oznacza długość sezonową (L równa 12 miesięcy lub 52 tygodnie). t jest aktualnym okresem. 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 używaną w kalkulacji prognozy: W tej sekcji przedstawiono przegląd prognozowania i omówiono: Można wybrać metody prognozowania, aby wygenerować nawet 12 prognoz dla każdego produktu. Każda metoda prognozowania może stworzyć nieco inną projekcję. Gdy przewidziano tysiące produktów, subiektywna decyzja jest niepraktyczna, jeśli chodzi o planowaną prognozę dla każdego produktu. System automatycznie ocenia skuteczność każdej wybranej metody prognozowania i dla każdego produktu, który jest prognozowany. Możesz wybrać jeden z dwóch kryteriów wydajności: MAD i POA. MAD jest miarą błędu prognozy. POA jest miarą tendencji prognozowania. Obie te techniki oceny skuteczności wymagają rzeczywistych danych dotyczących historii sprzedaży w określonym przez Ciebie okresie. Okres najnowszej historii wykorzystywany do oceny jest nazywany okresem utrzymywania się lub okresem najlepszego dopasowania. Aby zmierzyć działanie metody prognozowania, system: używa prognozowanych formuł do symulacji prognozy na historyczny okres utrzymywania rezerwy. Dokonuje porównania między rzeczywistymi danymi dotyczącymi sprzedaży a symulowaną prognozą dla okresu utrzymywania. Po wybraniu wielu metod prognozy ten sam proces występuje dla każdej metody. Wiele prognoz jest obliczanych w okresie przetrzymywania i porównywanych do znanych historii sprzedaży w tym samym okresie. Zalecana jest metoda prognozowania, która najlepiej pasuje pomiędzy prognozą a rzeczywistą sprzedażą w okresie utrzymywania rezerwy. To zalecenie jest specyficzne dla każdego produktu i może się zmienić za każdym razem, gdy wygenerujesz 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. How to calculate Mean Absolute Deviation (MAD) Help please. Od maja 2005 r. Menedżer zakupów w domach towarowych wykorzystuje 4-dniową średnią ruchową do prognozowania sprzedaży w nadchodzących miesiącach. Dane dotyczące sprzedaży za okres od stycznia do lipca podano w tabeli. pokaż więcej Od maja 2005 dyrektor ds. zakupów w domach towarowych wykorzystuje 4-miesięczną średnią ruchliwą prognozę sprzedaży w nadchodzących miesiącach. Dane dotyczące sprzedaży za miesiące od stycznia do lipca podano w poniższej tabeli. Oblicz średnie bezwzględne odchylenie (MAD) dla czterokrotnych prognoz średniej ruchomej. Wartości prognoz są obliczane z dokładnością do dwóch cyfr dziesiętnych. Specify the MAD as a whole number by rounding. A Forecast Calculation Examples A.1 Forecast Calculation Methods Twelve methods of calculating forecasts are available. Most of these methods provide for limited user control. For example, the weight placed on recent historical data or the date range of historical data used in the calculations might be specified. The following examples show the calculation procedure for each of the available forecasting methods, given an identical set of historical data. The following examples use the same 2004 and 2005 sales data to produce a 2006 sales forecast. In addition to the forecast calculation, each example includes a simulated 2005 forecast for a three month holdout period (processing option 19 3) which is then used for percent of accuracy and mean absolute deviation calculations (actual sales compared to simulated forecast). A.2 Forecast Performance Evaluation Criteria Depending on your selection of processing options and on the trends and patterns existing in the sales data, some forecasting methods will perform better than others for a given historical data set. A forecasting method that is appropriate for one product may not be appropriate for another product. It is also unlikely that a forecasting method that provides good results at one stage of a products life cycle will remain appropriate throughout the entire life cycle. You can choose between two methods to evaluate the current performance of the forecasting methods. These are Mean Absolute Deviation (MAD) and Percent of Accuracy (POA). Both of these performance evaluation methods require historical sales data for a user specified period of time. This period of time is called a holdout period or periods best fit (PBF). The data in this period is used as the basis for recommending which of the forecasting methods to use in making the next forecast projection. This recommendation is specific to each product, and may change from one forecast generation to the next. The two forecast performance evaluation methods are demonstrated in the pages following the examples of the twelve forecasting methods. A.3 Method 1 - Specified Percent Over Last Year This method multiplies sales data from the previous year by a user specified factor for example, 1.10 for a 10 increase, or 0.97 for a 3 decrease. Required sales history: One year for calculating the forecast plus the user specified number of time periods for evaluating forecast performance (processing option 19). A.4.1 Forecast Calculation Range of sales history to use in calculating growth factor (processing option 2a) 3 in this example. Sum the final three months of 2005: 114 119 137 370 Sum the same three months for the previous year: 123 139 133 395 The calculated factor 370395 0.9367 Calculate the forecasts: January, 2005 sales 128 0.9367 119.8036 or about 120 February, 2005 sales 117 0.9367 109.5939 or about 110 March, 2005 sales 115 0.9367 107.7205 or about 108 A.4.2 Simulated Forecast Calculation Sum the three months of 2005 prior to holdout period (July, Aug, Sept): 129 140 131 400 Sum the same three months for the previous year: 141 128 118 387 The calculated factor 400387 1.033591731 Calculate simulated forecast: October, 2004 sales 123 1.033591731 127.13178 November, 2004 sales 139 1.033591731 143.66925 December, 2004 sales 133 1.033591731 137.4677 A.4.3 Percent of Accuracy Calculation POA (127.13178 143.66925 137.4677) (114 119 137) 100 408.26873 370 100 110.3429 A.4.4 Mean Absolute Deviation Calculation MAD (127.13178 - 114 143.66925 - 119 137.4677- 137) 3 (13.13178 24.66925 0.4677)3 12.75624 A.5 Method 3 - Last year to This Year This method copies sales data from the previous year to the next year. Required sales history: One year for calculating the forecast plus the number of time periods specified for evaluating forecast performance (processing option 19). A.6.1 Forecast Calculation Number of periods to be included in the average (processing option 4a) 3 in this example For each month of the forecast, average the previous three months data. January forecast: 114 119 137 370, 370 3 123.333 or 123 February forecast: 119 137 123 379, 379 3 126.333 or 126 March forecast: 137 123 126 379, 386 3 128.667 or 129 A.6.2 Simulated Forecast Calculation October 2005 sales (129 140 131)3 133.3333 November 2005 sales (140 131 114)3 128.3333 December 2005 sales (131 114 119)3 121.3333 A.6.3 Percent of Accuracy Calculation POA (133.3333 128.3333 121.3333) (114 119 137) 100 103.513 A.6.4 Mean Absolute Deviation Calculation MAD (133.3333 - 114 128.3333 - 119 121.3333 - 137) 3 14.7777 A.7 Method 5 - Linear Approximation Linear Approximation calculates a trend based upon two sales history data points. Those two points define a straight trend line that is projected into the future. Use this method with caution, as long range forecasts are leveraged by small changes in just two data points. Required sales history: The number of periods to include in regression (processing option 5a), plus 1 plus the number of time periods for evaluating forecast performance (processing option 19). A.8.1 Forecast Calculation Number of periods to include in regression (processing option 6a) 3 in this example For each month of the forecast, add the increase or decrease during the specified periods prior to holdout period the previous period. Average of the previous three months (114 119 137)3 123.3333 Summary of the previous three months with weight considered (114 1) (119 2) (137 3) 763 Difference between the values 763 - 123.3333 (1 2 3) 23 Ratio (12 22 32) - 2 3 14 - 12 2 Value1 DifferenceRatio 232 11.5 Value2 Average - value1 ratio 123.3333 - 11.5 2 100.3333 Forecast (1 n) value1 value2 4 11.5 100.3333 146.333 or 146 Forecast 5 11.5 100.3333 157.8333 or 158 Forecast 6 11.5 100.3333 169.3333 or 169 A.8.2 Simulated Forecast Calculation October 2004 sales: Average of the previous three months (129 140 131)3 133.3333 Summary of the previous three months with weight considered (129 1) (140 2) (131 3) 802 Difference between the values 802 - 133.3333 (1 2 3) 2 Ratio (12 22 32) - 2 3 14 - 12 2 Value1 DifferenceRatio 22 1 Value2 Average - value1 ratio 133.3333 - 1 2 131.3333 Forecast (1 n) value1 value2 4 1 131.3333 135.3333 November 2004 sales Average of the previous three months (140 131 114)3 128.3333 Summary of the previous three months with weight considered (140 1) (131 2) (114 3) 744 Difference between the values 744 - 128.3333 (1 2 3) -25.9999 Value1 DifferenceRatio -25.99992 -12.9999 Value2 Average - value1 ratio 128.3333 - (-12.9999) 2 154.3333 Forecast 4 -12.9999 154.3333 102.3333 December 2004 sales Average of the previous three months (131 114 119)3 121.3333 Summary of the previous three months with weight considered (131 1) (114 2) (119 3) 716 Difference between the values 716 - 121.3333 (1 2 3) -11.9999 Value1 DifferenceRatio -11.99992 -5.9999 Value2 Average - value1 ratio 121.3333 - (-5.9999) 2 133.3333 Forecast 4 (-5.9999) 133.3333 109.3333 A.8.3 Percent of Accuracy Calculation POA (135.33 102.33 109.33) (114 119 137) 100 93.78 A.8.4 Mean Absolute Deviation Calculation MAD (135.33 - 114 102.33 - 119 109.33 - 137) 3 21.88 A.9 Method 7 - Secon d Degree Approximation Linear Regression determines values for a and b in the forecast formula Y a bX with the objective of fitting a straight line to the sales history data. Second Degree Approximation is similar. However, this method determines values for a, b, and c in the forecast formula Y a bX cX2 with the objective of fitting a curve to the sales history data. This method may be useful when a product is in the transition between stages of a life cycle. For example, when a new product moves from introduction to growth stages, the sales trend may accelerate. Because of the second order term, the forecast can quickly approach infinity or drop to zero (depending on whether coefficient c is positive or negative). Therefore, this method is useful only in the short term. Forecast specifications: The formulae finds a, b, and c to fit a curve to exactly three points. You specify n in the processing option 7a, the number of time periods of data to accumulate into each of the three points. In this example n 3. Therefore, actual sales data for April through June are combined into the first point, Q1. July through September are added together to create Q2, and October through December sum to Q3. The curve will be fitted to the three values Q1, Q2, and Q3. Required sales history: 3 n periods for calculating the forecast plus the number of time periods required for evaluating the forecast performance (PBF). Number of periods to include (processing option 7a) 3 in this example Use the previous (3 n) months in three-month blocks: Q1(Apr - Jun) 125 122 137 384 Q2(Jul - Sep) 129 140 131 400 Q3(Oct - Dec) 114 119 137 370 The next step involves calculating the three coefficients a, b, and c to be used in the forecasting formula Y a bX cX2 (1) Q1 a bX cX2 (where X 1) a b c (2) Q2 a bX cX2 (where X 2) a 2b 4c (3) Q3 a bX cX2 (where X 3) a 3b 9c Solve the three equations simultaneously to find b, a, and c: Subtract equation (1) from equation (2) and solve for b (2) - (1) Q2 - Q1 b 3c Substitute this equation for b into equation (3) (3) Q3 a 3(Q2 - Q1) - 3c c Finally, substitute these equations for a and b into equation (1) Q3 - 3(Q2 - Q1) (q2 - Q1) - 3c c Q1 c (Q3 - Q2) (Q1 - Q2)2 The Second Degree Approximation method calculates a, b, and c as follows: 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 a bX cX2 322 85X (-23)X2 January thru March forecast (X4): (322 340 - 368)3 2943 98 per period April thru June forecast (X5): (322 425 - 575)3 57.333 or 57 per period July thru September forecast (X6): (322 510 - 828)3 1.33 or 1 per period October thru December (X7) (322 595 - 11273 -70 A.9.2 Simulated Forecast Calculation October, November and December, 2004 sales: 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) 163 136 A.9.3 Percent of Accuracy Calculation POA (136 136 136) (114 119 137) 100 110.27 A.9.4 Mean Absolute Deviation Calculation MAD (136 - 114 136 - 119 136 - 137) 3 13.33 A.10 Method 8 - Flexible Method The Flexible Method (Percent Over n Months Prior) is similar to Method 1, Percent Over Last Year. Both methods multiply sales data from a previous time period by a user specified factor, then project that result into the future. In the Percent Over Last Year method, the projection is based on data from the same time period in the previous year. The Flexible Method adds the capability to specify a time period other than the same period last year to use as the basis for the calculations. Multiplication factor. For example, specify 1.15 in the processing option 8b to increase the previous sales history data by 15. Base period. For example, n 3 will cause the first forecast to be based upon sales data in October, 2005. Minimum sales history: The user specified number of periods back to the base period, plus the number of time periods required for evaluating the forecast performance (PBF). A.10.4 Mean Absolute Deviation Calculation MAD (148 - 114 161 - 119 151 - 137) 3 30 A.11 Method 9 - Weighted Moving Average The Weighted Moving Average (WMA) method is similar to Method 4, Moving Average (MA). However, with the Weighted Moving Average you can assign unequal weights to the historical data. The method calculates a weighted average of recent sales history to arrive at a projection for the short term. More recent data is usually assigned a greater weight than older data, so this makes WMA more responsive to shifts in the level of sales. However, forecast bias and systematic errors still do occur when the product sales history exhibits strong trend or seasonal patterns. This method works better for short range forecasts of mature products rather than for products in the growth or obsolescence stages of the life cycle. n the number of periods of sales history to use in the forecast calculation. For example, specify n 3 in the processing option 9a to use the most recent three periods as the basis for the projection into the next time period. A large value for n (such as 12) requires more sales history. It results in a stable forecast, but will be slow to recognize shifts in the level of sales. On the other hand, a small value for n (such as 3) will respond quicker to shifts in the level of sales, but the forecast may fluctuate so widely that production can not respond to the variations. The weight assigned to each of the historical data periods. The assigned weights must total to 1.00. For example, when n 3, assign weights of 0.6, 0.3, and 0.1, with the most recent data receiving the greatest weight. Minimum required sales history: n plus the number of time periods required for evaluating the forecast performance (PBF). MAD (133.5 - 114 121.7 - 119 118.7 - 137) 3 13.5 A.12 Method 10 - Linear Smoothing This method is similar to Method 9, Weighted Moving Average (WMA). However, instead of arbitrarily assigning weights to the historical data, a formula is used to assign weights that decline linearly and sum to 1.00. The method then calculates a weighted average of recent sales history to arrive at a projection for the short term. As is true of all linear moving average forecasting techniques, forecast bias and systematic errors occur when the product sales history exhibits strong trend or seasonal patterns. This method works better for short range forecasts of mature products rather than for products in the growth or obsolescence stages of the life cycle. n the number of periods of sales history to use in the forecast calculation. This is specified in the processing option 10a. For example, specify n 3 in the processing option 10b to use the most recent three periods as the basis for the projection into the next time period. The system will automatically assign the weights to the historical data that decline linearly and sum to 1.00. For example, when n 3, the system will assign weights of 0.5, 0.3333, and 0.1, with the most recent data receiving the greatest weight. Minimum required sales history: n plus the number of time periods required for evaluating the forecast performance (PBF). A.12.1 Forecast Calculation Number of periods to include in smoothing average (processing option 10a) 3 in this example Ratio for one period prior 3(n2 n)2 3(32 3)2 36 0.5 Ratio for two periods prior 2(n2 n)2 2(32 3)2 26 0.3333.. Ratio for three periods prior 1(n2 n)2 1(32 3)2 16 0.1666.. January forecast: 137 0.5 119 13 114 16 127.16 or 127 February forecast: 127 0.5 137 13 119 16 129 March forecast: 129 0.5 127 13 137 16 129.666 or 130 A.12.2 Simulated Forecast Calculation October 2004 sales 129 16 140 26 131 36 133.6666 November 2004 sales 140 16 131 26 114 36 124 December 2004 sales 131 16 114 26 119 36 119.3333 A.12.3 Percent of Accuracy Calculation POA (133.6666 124 119.3333) (114 119 137) 100 101.891 A.12.4 Mean Absolute Deviation Calculation MAD (133.6666 - 114 124 - 119 119.3333 - 137) 3 14.1111 A.13 Method 11 - Exponential Smoothing This method is similar to Method 10, Linear Smoothing. In Linear Smoothing the system assigns weights to the historical data that decline linearly. In exponential smoothing, the system assigns weights that exponentially decay. The exponential smoothing forecasting equation is: Forecast a(Previous Actual Sales) (1 - a) Previous Forecast The forecast is a weighted average of the actual sales from the previous period and the forecast from the previous period. a is the weight applied to the actual sales for the previous period. (1 - a) is the weight applied to the forecast for the previous period. Valid values for a range from 0 to 1, and usually fall between 0.1 and 0.4. The sum of the weights is 1.00. a (1 - a) 1 You should assign a value for the smoothing constant, a. If you do not assign values for the smoothing constant, the system calculates an assumed value based upon the number of periods of sales history specified in the processing option 11a. a the smoothing constant used in calculating the smoothed average for the general level or magnitude of sales. Valid values for a range from 0 to 1. n the range of sales history data to include in the calculations. Generally one year of sales history data is sufficient to estimate the general level of sales. For this example, a small value for n (n 3) was chosen in order to reduce the manual calculations required to verify the results. Exponential smoothing can generate a forecast based on as little as one historical data point. Minimum required sales history: n plus the number of time periods required for evaluating the forecast performance (PBF). A.13.1 Forecast Calculation Number of periods to include in smoothing average (processing option 11a) 3, and alpha factor (processing option 11b) blank in this example a factor for the oldest sales data 2(11), or 1 when alpha is specified a factor for the 2nd oldest sales data 2(12), or alpha when alpha is specified a factor for the 3rd oldest sales data 2(13), or alpha when alpha is specified a factor for the most recent sales data 2(1n), or alpha when alpha is specified November Sm. Avg. a(October Actual) (1 - a)October Sm. Avg. 1 114 0 0 114 December Sm. Avg. a(November Actual) (1 - a)November Sm. Avg. 23 119 13 114 117.3333 January Forecast a(December Actual) (1 - a)December Sm. Avg. 24 137 24 117.3333 127.16665 or 127 February Forecast January Forecast 127 March Forecast January Forecast 127 A.13.2 Simulated Forecast Calculation July, 2004 Sm. Avg. 22 129 129 August Sm. Avg. 23 140 13 129 136.3333 September Sm. Avg. 24 131 24 136.3333 133.6666 October, 2004 sales Sep Sm. Avg. 133.6666 August, 2004 Sm. Avg. 22 140 140 September Sm. Avg. 23 131 13 140 134 October Sm. Avg. 24 114 24 134 124 November, 2004 sales Sep Sm. Avg. 124 September 2004 Sm. Avg. 22 131 131 October Sm. Avg. 23 114 13 131 119.6666 November Sm. Avg. 24 119 24 119.6666 119.3333 December 2004 sales Sep Sm. Avg. 119.3333 A.13.3 Percent of Accuracy Calculation POA (133.6666 124 119.3333) (114 119 137) 100 101.891 A.13.4 Mean Absolute Deviation Calculation MAD (133.6666 - 114 124 - 119 119.3333 - 137) 3 14.1111 A.14 Method 12 - Exponential Smoothing with Trend and Seasonality This method is similar to Method 11, Exponential Smoothing in that a smoothed average is calculated. However, Method 12 also includes a term in the forecasting equation to calculate a smoothed trend. The forecast is composed of a smoothed averaged adjusted for a linear trend. When specified in the processing option, the forecast is also adjusted for seasonality. a the smoothing constant used in calculating the smoothed average for the general level or magnitude of sales. Valid values for alpha range from 0 to 1. b the smoothing constant used in calculating the smoothed average for the trend component of the forecast. Valid values for beta range from 0 to 1. Whether a seasonal index is applied to the forecast a and b are independent of each other. They do not have to add to 1.0. Minimum required sales history: two years plus the number of time periods required for evaluating the forecast performance (PBF). Method 12 uses two exponential smoothing equations and one simple average to calculate a smoothed average, a smoothed trend, and a simple average seasonal factor. A.14.1 Forecast Calculation A) An exponentially smoothed average MAD (122.81 - 114 133.14 - 119 135.33 - 137) 3 8.2 A.15 Evaluating the Forecasts You can select forecasting methods to generate as many as twelve forecasts for each product. Each forecasting method will probably create a slightly different projection. When thousands of products are forecast, it is impractical to make a subjective decision regarding which of the forecasts to use in your plans for each of the products. The system automatically evaluates performance for each of the forecasting methods that you select, and for each of the products forecast. You can choose between two performance criteria, Mean Absolute Deviation (MAD) and Percent of Accuracy (POA). MAD is a measure of forecast error. POA is a measure of forecast bias. Both of these performance evaluation techniques require actual sales history data for a user specified period of time. This period of recent history is called a holdout period or periods best fit (PBF). To measure the performance of a forecasting method, use the forecast formulae to simulate a forecast for the historical holdout period. There will usually be differences between actual sales data and the simulated forecast for the holdout period. When multiple forecast methods are selected, this same process occurs for each method. Multiple forecasts are calculated for the holdout period, and compared to the known sales history for that same period of time. The forecasting method producing the best match (best fit) between the forecast and the actual sales during the holdout period is recommended for use in your plans. This recommendation is specific to each product, and might change from one forecast generation to the next. A.16 Mean Absolute Deviation (MAD) 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 has shown to be the most reliable for that product for that holdout period. When the forecast is unbiased and errors are normally distributed, there is a simple mathematical relationship between MAD and two other common measures of distribution, standard deviation and Mean Squared Error: A.16.1 Percent of Accuracy (POA) 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 two 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, would be an unbiased forecast. The positive error of 10 is canceled by negative errors of 8 and 2. Error Actual - 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, it is not so important to eliminate forecast errors as it is to generate unbiased forecasts. However in service industries, the above situation would be viewed as three errors. The service would be understaffed in the first period, then overstaffed for the next two periods. In services, the magnitude of forecast errors is usually more important than is forecast bias. The summation over the holdout period allows positive errors to cancel negative errors. When the total of actual sales exceeds the total of forecast sales, the ratio is greater than 100. Of course, it is impossible to be more than 100 accurate. When a forecast is unbiased, the POA ratio will be 100. Therefore, it is more desirable to be 95 accurate than to be 110 accurate. The POA criteria select the forecasting method that has a POA ratio closest to 100. Scripting on this page enhances content navigation, but does not change the content in any way. Weighted Moving Average Forecast and MAD in EXCEL The problem states that the manager of the Carpet City outlet needs to make an accurate forecast of the demand for Soft Shag carpet (it biggest seller). Jeśli kierownik nie zamówi wystarczającej ilości dywanu z dywanu, klienci kupują dywan z jednego z wielu konkurentów Carpet City. Menedżer zebrał następujące dane popytu w ciągu ostatnich ośmiomiesięcznych Miesięcznych Zapotrzebowań na Miękkie Dywanikowe Dywanik 1000 yd 1 8 2 12 3 7 4 9 5 15 6 11 7 10 8 12 Oblicz średnią ruchomą 3 miesięcy dla miesiąca od 4 do 9 Oblicz ważoną prognozę średniej ruchomej z 3 miesięcy dla miesięcy od 4 do 9. Przypisanie wag o wartości .53. 33 i .12 do miesiąca w kolejności, począwszy od ostatniego miesiąca. Porównaj obie prognozy, używając MAD, która wydaje się być bardziej dokładna. Podsumowanie rozwiązania Proszę zapoznać się z załącznikiem Solution. xlsx dla pracy i. Podsumowanie rozwiązań W programie Excel przeprowadzono 3-miesięczną Moving Average Forecast i inną 3-miesięczną ważną prognozę ruchu, wykorzystującą różne czynniki wygładzające. Prognozowany błąd (MAD) został obliczony, a dwie prognozy zostały porównane przy użyciu tych wartości MAD. Add Solution to Cart Remove from Cart
No comments:
Post a Comment