Bewegende gemiddelde vooruitskatting Inleiding. Soos jy kan raai ons is op soek na 'n paar van die mees primitiewe benaderings tot vooruitskatting. Maar hopelik dit is ten minste 'n waardevolle inleiding tot sommige van die rekenaar kwessies wat verband hou met die implementering van voorspellings in sigblaaie. In dié opsig sal ons voortgaan deur te begin by die begin en begin werk met bewegende gemiddelde voorspellings. Bewegende gemiddelde voorspellings. Almal is vertroud met bewegende gemiddelde voorspellings ongeag of hulle glo hulle is. Alle kollege studente doen dit al die tyd. Dink aan jou toetspunte in 'n kursus waar jy gaan vier toetse gedurende die semester het. Kom ons neem aan jy het 'n 85 op jou eerste toets. Wat sou jy voorspel vir jou tweede toetstelling Wat dink jy jou onderwyser sou Ongeag voorspel vir jou volgende toetstelling Wat dink jy jou vriende kan voorspel vir jou volgende toetstelling Wat dink jy jou ouers kan voorspel vir jou volgende toetstelling al die blabbing jy kan doen om jou vriende en ouers, hulle en jou onderwyser is baie geneig om te verwag dat jy iets kry in die gebied van die 85 wat jy nou net gekry. Wel, nou kan aanneem dat ten spyte van jou self-bevordering van jou vriende, jy oorskat jouself en vind jy minder vir die tweede toets te studeer en so kry jy 'n 73. Nou wat is al die betrokkenes en onbekommerd gaan verwag jy sal op jou derde toets te kry Daar is twee baie waarskynlik benaderings vir hulle om 'n skatting, ongeag of hulle dit sal met julle deel te ontwikkel. Hulle mag sê om hulself, quotThis man is altyd waai rook oor sy intelligensie. Hes gaan na 'n ander 73 as hes gelukkig te kry. Miskien sal die ouers probeer meer ondersteunend te wees en sê, quotWell, tot dusver youve gekry 'n 85 en 'n 73, so miskien moet jy dink oor hoe om oor 'n (85 73) / 2 79. Ek weet nie, miskien as jy minder gedoen partytjies en werent swaaiende die mol al oor die plek en as jy begin doen 'n baie meer studeer jy kan kry 'n hoër score. quot Beide van hierdie vooruitskattings eintlik bewegende gemiddelde voorspellings. Die eerste is net met jou mees onlangse telling tot jou toekomstige prestasie te voorspel. Dit staan bekend as 'n bewegende gemiddelde vooruitskatting gebruik van een tydperk van data. Die tweede is ook 'n bewegende gemiddelde voorspelling, maar die gebruik van twee periodes van data. Kom ons neem aan dat al hierdie mense breker op jou groot gees soort het dronk jy af en jy besluit om goed te doen op die derde toets vir jou eie redes en 'n hoër telling in die voorkant van jou quotalliesquot sit. Jy neem die toets en jou telling is eintlik 'n 89 Almal, insluitende jouself, is beïndruk. So nou het jy die finale toets van die semester kom en soos gewoonlik jy voel die behoefte om almal te dryf in die maak van hul voorspellings oor hoe sal jy doen op die laaste toets. Wel, hopelik sien jy die patroon. Nou, hopelik kan jy die patroon te sien. Wat glo jy is die mees akkurate Whistle Terwyl ons werk. Nou moet ons terugkeer na ons nuwe skoonmaak maatskappy wat begin is deur jou vervreemde halfsuster genoem Whistle Terwyl ons werk. Jy het 'n paar verkope verlede data wat deur die volgende artikel uit 'n sigblad. Ons bied eers die data vir 'n drie tydperk bewegende gemiddelde skatting. Die inskrywing vir sel C6 moet wees Nou kan jy hierdie sel formule af na die ander selle C7 kopieer deur C11. Let op hoe die gemiddelde beweeg oor die mees onlangse historiese data, maar gebruik presies die drie mees onlangse tye beskikbaar wees vir elke voorspelling. Jy moet ook sien dat ons nie regtig nodig om die voorspellings vir die afgelope tyd maak om ons mees onlangse voorspelling ontwikkel. Dit is beslis anders as die eksponensiële gladstryking model. Ive ingesluit die quotpast predictionsquot omdat ons dit sal gebruik in die volgende webblad om voorspellingsgeldigheid meet. Nou wil ek die analoog resultate aan te bied vir 'n periode van twee bewegende gemiddelde skatting. Die inskrywing vir sel C5 moet wees Nou kan jy hierdie sel formule af na die ander selle C6 kopieer deur C11. Let op hoe nou net die twee mees onlangse stukke historiese data gebruik vir elke voorspelling. Weereens het ek die quotpast predictionsquot vir illustratiewe doeleindes en vir latere gebruik in vooruitskatting validering ingesluit. Sommige ander dinge wat van belang om te let. Vir 'n m-tydperk bewegende gemiddelde voorspelling net die m mees onlangse data waardes word gebruik om die voorspelling te maak. Niks anders is nodig. Vir 'n m-tydperk bewegende gemiddelde voorspelling, wanneer quotpast predictionsquot, agterkom dat die eerste voorspelling kom in periode m 1. Beide van hierdie kwessies sal baie belangrik wees wanneer ons ons kode te ontwikkel. Die ontwikkeling van die bewegende gemiddelde funksie. Nou moet ons die kode vir die bewegende gemiddelde voorspelling dat meer buigsaam kan word ontwikkel. Die kode volg. Let daarop dat die insette is vir die aantal periodes wat jy wil gebruik in die vooruitsig en die verskeidenheid van historiese waardes. Jy kan dit stoor in watter werkboek wat jy wil. Funksie MovingAverage (Historiese, NumberOfPeriods) as 'n enkele verkondig en inisialisering veranderlikes Dim punt Soos Variant Dim Counter As Integer Dim Akkumulasie as 'n enkele Dim HistoricalSize As Integer Inisialiseer veranderlikes Counter 1 Akkumulasie 0 bepaling van die grootte van Historiese skikking HistoricalSize Historical. Count Vir Counter 1 Om NumberOfPeriods opbou van die toepaslike aantal mees onlangse voorheen waargeneem waardes Akkumulasie Akkumulasie Historiese (HistoricalSize - NumberOfPeriods toonbank) MovingAverage Akkumulasie / NumberOfPeriods die kode sal in die klas verduidelik. Jy wil die funksie te posisioneer op die sigblad sodat die resultaat van die berekening verskyn waar dit wil die following. The eenvoudigste benadering sou wees om die gemiddelde van Januarie neem tot Maart en gebruik dit om April8217s verkope te skat: (129 134 122) / 3 128,333 dus, gebaseer op die verkope van Januarie tot Maart, jy voorspel dat verkope in April sal wees 128333. Sodra April8217s werklike verkope in te kom, sou jy dan bereken die voorspelling vir Mei, hierdie keer met behulp van Februarie tot April. Jy moet in ooreenstemming met die aantal periodes wat jy gebruik vir bewegende gemiddelde vooruitskatting wees. Die aantal periodes wat jy in jou bewegende gemiddelde voorspellings gebruik is arbitrêre jy mag slegs twee tydperke, of vyf of ses periodes wat ook al jy wil om jou voorspellings te genereer gebruik. bo die benadering is 'n eenvoudige bewegende gemiddelde. Soms, kan meer onlangse verkope months8217 wees sterker beïnvloeders van die komende month8217s verkope, so jy wil die nader maande meer gewig te gee in jou voorspelling model. Dit is 'n geweegde bewegende gemiddelde. En net soos die aantal periodes, die gewigte wat jy ken is bloot arbitrêre. Let8217s sê jy wou March8217s verkope gee 50 gewig, February8217s 30 gewig, en January8217s 20. Toe jou voorspelling vir April sal wees 127,000 (122,50) (134,30) (129,20) 127. Beperkings van bewegende gemiddelde metodes bewegende gemiddeldes word beskou as 'n 8220smoothing8221 voorspelling tegniek. Omdat you8217re neem 'n gemiddelde verloop van tyd, is jy sag (of glad uit) die gevolge van onreëlmatige gebeure binne die data. As gevolg hiervan, kan die gevolge van seisoenaliteit, sakesiklusse en ander ewekansige gebeure dramaties verhoog voorspelling fout. Neem 'n blik op 'n volle year8217s waarde van data, en vergelyk 'n 3-tydperk bewegende gemiddelde en 'n 5-tydperk bewegende gemiddelde: Let daarop dat in hierdie geval dat ek nie voorspellings het te skep nie, maar eerder gesentreer die bewegende gemiddeldes. Die eerste 3 maande bewegende gemiddelde is vir Februarie en it8217s die gemiddelde van Januarie, Februarie en Maart. Ek het ook 'n soortgelyke vir die 5-maande-gemiddelde. Nou 'n blik op die volgende grafiek: Wat doen jy sien is nie die drie-maande bewegende gemiddelde reeks baie gladder as die werklike verkope reeks en hoe oor die vyf maande bewegende gemiddelde It8217s selfs gladder. Dus, hoe meer tyd jy in jou bewegende gemiddelde gebruik, die gladder jou tyd reeks. Dus, vir vooruitskatting, 'n eenvoudige bewegende gemiddelde mag nie die mees akkurate metode wees. Bewegende gemiddelde metodes bewys baie waardevol wanneer you8217re probeer om die seisoenale, onreëlmatige, en sikliese komponente van 'n tydreeks te pak vir meer gevorderde voorspelling metodes, soos regressie en ARIMA, en die gebruik van bewegende gemiddeldes in ontbindende 'n tydreeks sal later aangespreek in die reeks. Die bepaling van die akkuraatheid van 'n bewegende gemiddelde Model Oor die algemeen, wil jy 'n vooruitskatting metode wat die minste foute tussen werklike en voorspelde resultate het. Een van die mees algemene maatstawwe van akkuraatheid voorspel die gemiddelde absolute afwyking (MAD). In hierdie benadering, vir elke tydperk in die tyd reeks waarvoor jy 'n voorspelling gegenereer, die absolute waarde van die verskil neem jou tussen wat period8217s werklike en geskatte waardes (die afwyking). Dan gemiddeld jy die absolute afwykings en jy kry 'n mate van jou verstand af. MAD kan nuttig wees in die besluit oor die aantal periodes wat jy gemiddeld en / of die hoeveelheid gewig wat jy op elke tydperk te plaas. Oor die algemeen, kies jy die een wat aanleiding gee tot die laagste MAD. Here8217s 'n voorbeeld van hoe MAD bereken: MAD is eenvoudig die gemiddeld van 8, 1, en 3. Bewegende Gemiddeldes: Recap By die gebruik van bewegende gemiddeldes vir vooruitskatting, onthou: bewegende gemiddeldes kan eenvoudig wees of geweeg Die aantal periodes wat jy gebruik vir jou gemiddelde, en enige gewigte jy toewys aan elke streng arbitrêre bewegende gemiddeldes glad onreëlmatige patrone in tydreeksdata hoe groter die aantal periodes gebruik word vir elke datapunt, hoe groter is die smoothing effek As gevolg van glad, voorspel volgende month8217s verkope gebaseer op die mees onlangse verkope paar month8217s kan lei tot groot afwykings as gevolg van seisoenaliteit, sikliese, en onreëlmatige patrone in die data en die smoothing vermoëns van 'n bewegende gemiddelde metode kan nuttig wees in die ontbindende 'n tydreeks vir meer gevorderde voorspelling metodes wees. Volgende Week: Eksponensiële Smoothing In volgende week8217s Voorspelling Vrydag. Ons sal eksponensiële gladstryking metodes te bespreek, en jy sal sien dat hulle baie beter as bewegende gemiddelde vooruitskatting metodes kan wees. Tog don8217t weet hoekom ons Voorspelling Vrydag poste op Donderdag verskyn Vind uit by: tinyurl / 26cm6ma Soos hierdie: Verwante Post navigasie Laat 'n antwoord Kanselleer antwoord ek het 2 vrae: 1) Kan jy die middelpunt MA benadering gebruik om te voorspel of net vir die verwydering van seisoenaliteit 2) as jy die eenvoudige t (t-1t-2t-k) / k MA gebruik om een tydperk wat voorlê voorspel, is dit moontlik om meer as 1 periode voor ek dink dan voorspel jou voorspelling sal een van die punte te voed in die wees volgende. Dankie. Wees lief vir die inligting en jou explanantions I8217m bly jy hou van die blog I8217m seker 'n hele paar ontleders het die gesentreerde MA benadering vir vooruitskatting gebruik, maar ek sou persoonlik nie, want dit benadering lei tot 'n verlies van waarnemings aan beide kante. Dit eintlik dan bande in jou tweede vraag. Oor die algemeen, is eenvoudig MA gebruik word om net een tydperk wat voorlê voorspel, maar baie ontleders 8211 en ek soms 8211 sal my een-tydperk wat voorlê voorspel as een van die insette tot die tweede tydperk wat voorlê gebruik. It8217s belangrik om die verdere onthou in die toekoms sal jy probeer om te voorspel, hoe groter is jou risiko van voorspelling fout. Dit is die rede waarom ek nie gesentreer MA vir vooruitskatting 8211 die verlies van waarnemings aan die einde beteken om te vertrou op voorspellings vir die verlore waarnemings, asook die tydperk (e) wat voorlê nie beveel, so daar is 'n groter kans om voorspelling fout. Lesers: you8217re genooi om weeg op hierdie. Het jy enige gedagtes of voorstelle oor hierdie Brian, dankie vir jou kommentaar en jou komplimente op die blog Nice inisiatief en mooi verduideliking. It8217s werklik nuttig. Ek voorspel persoonlike printed circuit boards vir 'n kliënt wat nie enige voorspellings gee nie. Ek gebruik die bewegende gemiddelde, maar dit is nie baie akkuraat as die bedryf kan styg en af. Ons sien in die rigting middel van die somer na die einde van die jaar wat gestuur pcb8217s is up. Dan sien ons aan die begin van die jaar vertraag pad af. Hoe kan ek meer akkuraat met my data Katrina, uit wat jy my vertel het nie, blyk dit jou gedrukte stroombaan verkope het 'n seisoenale komponent. Ek het aan te spreek seisoenaliteit in 'n paar van die ander Voorspelling Vrydag poste. Nog 'n benadering wat jy kan gebruik, wat is redelik maklik, is die Holt-Winters algoritme, wat rekening hou met seisoenaliteit. Jy kan 'n goeie verduideliking van dit hier vind. Maak seker om te bepaal of jou seisoenale patrone is multiplikatiewe of toevoeging, omdat die algoritme is effens anders vir elke. As jy jou maandelikse data plot van 'n paar jaar en sien dat die seisoenale variasies op dieselfde tyd, van jare lyk konstante jaar meer as jaar wees, dan is die seisoen is toevoeging as die seisoenale variasies met verloop van tyd blyk te wees aan die toeneem, dan is die seisoen is multiplikatiewe. Die meeste seisoenale tydreekse sal multiplikatiewe wees. As jy twyfel, neem vermenigvuldigingseienskap. Sterkte Hi daar, Tussen dié metode:. Skip vooruitskatting. Opdatering van die gemiddelde. Bewegende gemiddelde lengte k. Óf Geweegde bewegende gemiddelde lengte k of eksponensiële Smoothing Watter een van daardie opdatering modelle doen jy aanbeveel my gebruik van die data vir my mening bied voorspel, ek dink oor bewegende gemiddelde. Maar ek don8217t weet hoe om dit duidelik te maak en gestruktureer Dit hang af van die hoeveelheid en gehalte van die data wat jy het en jou voorspelling horison (langtermyn, mid-term, of kort termyn) 'n voorspelling Berekening Voorbeelde A.1 Voorspelling berekeningsmetodes Twaalf metodes van die berekening van voorspellings is beskikbaar. Die meeste van hierdie metodes te voorsien vir 'n beperkte gebruiker beheer. Byvoorbeeld, kan die gewig geplaas op onlangse historiese data of die datum bereik van historiese data gebruik in die berekeninge word vermeld. Die volgende voorbeelde wys die prosedure te kan uitvoer vir elk van die beskikbare voorspelling metodes, gegee 'n identiese stel historiese data. Die volgende voorbeelde gebruik dieselfde 2004 en 2005 verkope data na 'n voorspelling van die verkoop 2006 te produseer. Benewens die voorspelling berekening, elke voorbeeld sluit 'n gesimuleerde 2005 voorspelling vir 'n drie maande holdout tydperk (verwerking opsie 19 3) wat dan gebruik word vir persent van akkuraatheid en beteken absolute afwyking berekeninge (werklike verkope in vergelyking met gesimuleerde voorspelling). A.2 voorspellings oor die prestasie Evalueringskriteria Afhangende van jou keuse van verwerking opsies en op die tendense en patrone bestaande in die verkope data, sal 'n paar voorspellings metodes beter as ander vir 'n gegewe historiese datastel te voer. 'N vooruitskatting metode wat geskik is vir 'n produk mag nie geskik is vir 'n ander produk. Dit is ook onwaarskynlik dat 'n vooruitskatting metode wat goeie resultate lewer in 'n stadium van 'n produkte lewensiklus toepaslike bly deur die hele lewensiklus. Jy kan kies tussen twee metodes om die huidige prestasie van die voorspelling metodes te evalueer. Dit is gemiddelde absolute afwyking (MAD) en Persent van akkuraatheid (POA). Beide van hierdie prestasie-evaluering metodes vereis historiese verkope data vir 'n gebruiker spesifieke tydperk. Hierdie tydperk van die tyd genoem word 'n holdout tydperk of tydperke beste passing (PBF). Die data in hierdie tydperk word gebruik as die grondslag vir die aanbeveling van watter een van die voorspelling metodes om te gebruik in die maak van die volgende voorspelling projeksie. Hierdie aanbeveling is spesifiek vir elke produk, en kan verander van een voorspelling generasie na die volgende. Die twee voorspelling prestasie-evaluering metodes word gedemonstreer in die bladsye wat volg op die voorbeelde van die twaalf voorspelling metodes. A.3 Metode 1 - Gespesifiseerde Persent teenoor verlede jaar Hierdie metode vermeerder verkope data van die vorige jaar deur 'n gebruiker gespesifiseer faktor byvoorbeeld 1.10 vir 'n 10 toename, of 0,97 vir 'n 3 afname. Vereis verkope geskiedenis: Een jaar vir die berekening van die voorspelling plus die gebruiker gespesifiseerde aantal tydperke vir die evaluering van voorspellings oor die prestasie (verwerking opsie 19). A.4.1 Voorspelling Berekening Range van verkope geskiedenis om te gebruik in die berekening van groei faktor (verwerking opsie 2a) 3 in hierdie voorbeeld. Som die laaste drie maande van 2005: 114 119 137 370 Sum dieselfde drie maande van die vorige jaar: 123 139 133 395 Die berekende faktor 370/395 0,9367 Bereken die voorspellings: Januarie 2005 verkoop 128 0,9367 119,8036 of ongeveer 120 Februarie 2005 verkope 117 0.9367 109.5939 of sowat 110 Maart 2005 verkoop 115 0,9367 107,7205 of oor 108 A.4.2 Gesimuleerde Voorspelling Berekening Som die drie maande van 2005 voor holdout tydperk (Julie Augustus, September): 129 140 131 400 Sum dieselfde drie maande vir die vorige jaar: 141 128 118 387 die berekende faktor 400/387 1,033591731 bereken gesimuleerde vooruitsig: Oktober 2004 verkoop 123 1,033591731 127,13178 November 2004 verkope 139 1,033591731 143,66925 Desember 2004 verkoop 133 1,033591731 137,4677 A.4.3 Persent van akkuraatheid Berekening POA ( 127,13178 143,66925 137,4677) / (114 119 137) 100 408,26873 / 370 100 110,3429 A.4.4 Gemiddelde Absolute Afwyking Berekening MAD (127,13178-114 143,66925-119 137.4677- 137) / 3 (13,13178 24,66925 0,4677) / 3 12,75624 A.5 Metode 3 - Verlede jaar vanjaar Hierdie metode kopieë verkoop data van die vorige jaar tot die volgende jaar. Vereis verkope geskiedenis: Een jaar vir die berekening van die voorspelling plus die aantal tydperke vermeld vir die evaluering van voorspellings oor die prestasie (verwerking opsie 19). A.6.1 Voorspelling Berekening Aantal periodes in die gemiddelde (verwerking opsie 4a) 3 ingesluit moet word in hierdie voorbeeld vir elke maand van die voorspelling, die gemiddelde van die vorige drie maande data. Januarie vooruitsig: 114 119 137 370, 370/3 123,333 of 123 Februarie vooruitsig: 119 137 123 379, 379/3 126,333 of 126 Maart vooruitsig: 137 123 126 379, 386/3 128,667 of 129 A.6.2 Gesimuleerde Voorspelling Berekening Oktober 2005 verkope (129 140 131) / 3 133,3333 November 2005 verkope (140 131 114) / 3 128,3333 Desember 2005 verkoop (131 114 119) / 3 121,3333 A.6.3 Persent van akkuraatheid Berekening POA (133,3333 128,3333 121,3333) / (114 119 137) 100 103,513 A.6.4 Gemiddelde Absolute Afwyking Berekening MAD (133,3333-114 128,3333-119 121,3333-137) / 3 14,7777 A.7 Metode 5 - Lineêre die aanpassing Lineêre die aanpassing bereken 'n tendens wat gebaseer is op twee verkope geskiedenis datapunte. Dié twee punte definieer 'n reguit tendens lyn wat geprojekteer in die toekoms. Gebruik hierdie metode met omsigtigheid, as lang afstand voorspellings is aged deur klein veranderinge in net twee datapunte. Vereis verkope geskiedenis: Die aantal periodes in regressie (verwerking opsie 5a), plus 1 plus die aantal tydperke vir die evaluering van voorspellings oor die prestasie (verwerking opsie 19) in te sluit. A.8.1 Voorspelling Berekening Aantal periodes in regressie in te sluit (verwerking opsie 6a) 3 in hierdie voorbeeld vir elke maand van die voorspelling, voeg die toename of afname in die vermelde tydperke voor tydperk die vorige tydperk holdout. Gemiddelde van die vorige drie maande (114 119 137) / 3 123,3333 Opsomming van die vorige drie maande met gewig beskou (114 1) (119 2) (137 3) 763 verskil tussen die waardes 763-123,3333 (1 2 3) 23 verhouding (12 22 32) - 2 14 Maart - 2 Desember VALUE1 verskil / verhouding 23/2 11,5 VALUE2 Gemiddeld - waarde1 verhouding 123,3333-11,5 2 100,3333 Voorspelling (1 N) waarde1 waarde2 4 11.5 100,3333 146,333 of 146 Voorspelling 5 11.5 100,3333 157,8333 of 158 voorspel 6 11.5 100,3333 169,3333 of 169 A.8.2 Gesimuleerde Voorspelling Berekening Oktober 2004 verkope: Gemiddeld van die vorige drie maande (129 140 131) / 3 133,3333 Opsomming van die vorige drie maande met gewig beskou (129 1) (140 2) (131 3) 802 verskil tussen die waardes 802-133,3333 (1 2 3) 2 verhouding (12 22 32) - 2 14 Maart - 2 Desember VALUE1 verskil / verhouding 02/02 1 VALUE2 Gemiddeld - waarde1 verhouding 133,3333-1 2 131,3333 Voorspelling (1 N) waarde1 waarde2 4 1 131,3333 135,3333 November 2004 verkope gemiddeld van die vorige drie maande (140 131 114) / 3 128,3333 Opsomming van die vorige drie maande met gewig beskou (140 1) (131 2) (114 3) 744 verskil tussen die Waarden 744-128,3333 (1 2 3) -25,9999 VALUE1 verskil / verhouding -25,9999 / 2 -12,9999 VALUE2 Gemiddeld - waarde1 verhouding 128,3333 - (-12,9999) 2 154,3333 Voorspelling 4 -12,9999 154,3333 102,3333 Desember 2004 verkoop gemiddeld van die vorige drie maande ( 131 114 119) / 3 121,3333 Opsomming van die vorige drie maande met gewig beskou (131 1) (114 2) (119 3) 716 verskil tussen die waardes 716-121,3333 (1 2 3) -11,9999 VALUE1 verskil / verhouding -11,9999 / 2 -5,9999 VALUE2 Gemiddeld - waarde1 verhouding 121,3333 - (-5,9999) 2 133,3333 Voorspelling 4 (-5,9999) 133,3333 109,3333 A.8.3 Persent van akkuraatheid Berekening POA (135,33 102,33 109,33) / (114 119 137) 100 93,78 A.8.4 Gemiddelde Absolute afwyking Berekening MAD (135,33-114 102,33-119 109,33-137) / 3 21,88 A.9 Metode 7 - tweede graad aanpassing lineêre regressie bepaal waardes vir a en b in die vooruitsig formule Y 'n bX met die doel van pas 'n reguit lyn te die verkope geskiedenis data. Tweede graad benadering is soortgelyk. Maar hierdie metode bepaal waardes vir a, b, en c in die vooruitsig formule Y 'n bX cX2 met die doel van pas 'n kurwe na die verkope geskiedenis data. Hierdie metode dalk mag wees bruikbare wanneer 'n produk is in die oorgang tussen stadiums van 'n lewensiklus. Byvoorbeeld, wanneer 'n nuwe produk beweeg van inleiding tot groeistadiums, kan die verkope tendens versnel. As gevolg van die tweede orde termyn, kan die voorspelling vinnig nader oneindigheid of daal tot nul (afhangende van of koëffisiënt c positief of negatief). Daarom is hierdie metode is net nuttig in die kort termyn. Voorspelling spesifikasies: Die formules vind a, b, en c aan 'n kromme presies drie punte aan te pas. Jy spesifiseer N in die verwerking opsie 7a, die aantal tydperke van data te versamel in elk van die drie punte. In hierdie voorbeeld N 3. Daarom werklike verkope data vir April tot Junie is gekombineer in die eerste punt, Q1. Julie tot September word bymekaar getel om die 2de kwartaal skep, en Oktober tot Desember som tot Q3. Die kurwe sal toegerus wees om die drie waardes Q1, Q2, en Q3. Vereis verkope geskiedenis: 3 N periodes vir die berekening van die voorspelling plus die aantal tydperke wat nodig is vir die evaluering van die voorspelling prestasie (PBF). Aantal periodes om (verwerking opsie 7a) 3 in hierdie voorbeeld gebruik van die vorige (3 N) maande in drie maande blokke sluit in: Q1 (April-Junie) 125 122 137 384 Q2 (Julie-September) 129 140 131 400 Q3 ( Oktober-Desember) 114 119 137 370 die volgende stap behels die berekening van die drie koëffisiënte a, b, en C om gebruik te word in die voorspelling formule Y 'n bX cX2 (1) Q1 n bX cX2 (waar X 1) ABC (2) Q2 'n bX cX2 (waar X 2) 'n 2b 4C (3) Q3 n bX cX2 (waar X 3) 'n 3b 9c Los die drie vergelykings gelyktydig te b, a, en c te vind: Trek vergelyking (1) van vergelyking (2) en op te los vir b (2) - (1) Q2 - Q1 b 3c plaasvervanger hierdie vergelyking vir b in vergelyking (3) (3) Q3 n 3 (Q2 - Q1) - 3c c slotte, vervang hierdie vergelykings vir a en b in vergelyking (1) Q3 - 3 (Q2 - Q1) (Q2 - Q1) - 3c c Q1 c (Q3 - Q2) (Q1 - Q2) / 2 Die tweede graad aanpassing metode bereken a, b, en c soos volg: 'n 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 'n bX cX2 322 85 X (-23) X2 Januarie deur middel van Maart voorspel (X4): (322 340-368) / 3 294/3 98 per periode April deur middel Junie voorspelling (X5): (322 425-575) / 3 57,333 of 57 per periode Julie deur middel van September voorspelling (X6): (322 510-828) / 3 1.33 of 1 per periode Oktober deur middel van Desember (X7) (322 595-1127 / 3 -70 A.9.2 Gesimuleerde Voorspelling Berekening Oktober, November en Desember 2004 verkope: Q1 (Januarie-Maart) 360 Q2 (April-Junie) 384 Q3 (Julie-September) 400 'n 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 Persent van akkuraatheid Berekening POA (136 136 136) / (114 119 137) 100 110,27 A.9.4 Gemiddelde Absolute Afwyking Berekening MAD (136 - 114 136 - 119 136 - 137) / 3 13,33 A.10 Metode 8 - Veelsydige Metode Die buigbare metode (persent oor N maande voor) is soortgelyk aan Metode 1, persent oor verlede jaar. Beide metodes vermeerder verkope data uit 'n vorige tydperk deur 'n gebruiker gespesifiseer faktor, dan projek wat lei na die toekoms. In die persent meer as verlede jaar metode, is die projeksie gebaseer op data van die dieselfde tydperk in die vorige jaar. Die buigbare metode voeg die vermoë om 'n tydperk anders as die ooreenstemmende tydperk verlede jaar om te gebruik as die basis vir die berekening spesifiseer. Vermenigvuldigingsfaktor. Byvoorbeeld, spesifiseer 1.15 in die verwerking opsie 8b die vorige verkope geskiedenis data te verhoog deur 15. Base tydperk. Byvoorbeeld, sal N 3 veroorsaak dat die eerste skatting word wat gebaseer is op verkope data in Oktober 2005. Minimum verkope geskiedenis: Die gebruiker gespesifiseerde aantal periodes terug na die basis tydperk, plus die aantal tydperke wat nodig is vir die evaluering van die voorspelling prestasie ( PBF). A.10.4 Mean Absolute Afwyking Berekening MAD (148-114 161-119 151-137) / 3 30 A.11 Metode 9 - Geweegde bewegende gemiddelde geweegde bewegende gemiddelde (WBA) metode is soortgelyk aan Metode 4, bewegende gemiddelde (MA) . Maar met die Geweegde bewegende gemiddelde jy kan ongelyke gewigte toewys aan die historiese data. Die metode bereken 'n geweegde gemiddelde van die afgelope verkope geskiedenis te kom by 'n projeksie vir die kort termyn. Meer onlangse data word gewoonlik toegeken 'n groter gewig as ouer data, so dit maak WBG meer reageer op veranderinge in die vlak van verkope. Maar voorspel vooroordeel en sistematiese foute nog steeds plaasvind wanneer die produk verkoop geskiedenis uitbeeld sterk tendens of seisoenale patrone. Hierdie metode werk beter vir 'n kort reeks voorspellings van volwasse produkte eerder as vir produkte in die groei of veroudering stadiums van die lewensiklus. N die aantal periodes van verkope geskiedenis om te gebruik in die vooruitsig berekening. Byvoorbeeld, spesifiseer N 3 in die verwerking opsie 9a tot die mees onlangse drie tydperke gebruik as die grondslag vir die projeksie in die volgende tydperk. 'N Groot waarde vir N (soos 12) vereis meer verkope geskiedenis. Dit lei tot 'n stabiele vooruitsig, maar sal stadig om skofte te erken in die vlak van verkope wees. Aan die ander kant, sal 'n klein waarde vir N (soos 3) vinniger om skofte in die vlak van verkope te reageer, maar die voorspelling kan so wyd dat produksie kan nie reageer op die verskille wissel. Die gewig wat aan elk van die historiese data tydperke. Die opgedra gewigte moet totaal tot 1.00. Byvoorbeeld, wanneer n 3, toewys gewigte van 0.6, 0.3, en 0.1, met die mees onlangse data ontvangs van die grootste gewig. Minimum vereiste verkope geskiedenis: N plus die aantal tydperke wat nodig is vir die evaluering van die voorspelling prestasie (PBF). MAD (133,5-114 121,7-119 118,7-137) / 3 13.5 A.12 Metode 10 - Lineêre Smoothing Hierdie metode is soortgelyk aan Metode 9, Geweegde bewegende gemiddelde (WBA). Maar in plaas van na willekeur toeken gewigte aan die historiese data, 'n formule word gebruik om gewig wat lineêr afneem toewys en som tot 1.00. Die metode bereken dan 'n geweegde gemiddelde van die afgelope verkope geskiedenis te kom by 'n projeksie vir die kort termyn. As geld vir alle lineêre bewegende gemiddelde vooruitskatting tegnieke, voorspelling vooroordeel en sistematiese foute kom voor wanneer die produk verkoop geskiedenis uitbeeld sterk tendens of seisoenale patrone. Hierdie metode werk beter vir 'n kort reeks voorspellings van volwasse produkte eerder as vir produkte in die groei of veroudering stadiums van die lewensiklus. N die aantal periodes van verkope geskiedenis om te gebruik in die vooruitsig berekening. Dit is vermeld in die verwerking opsie 10a. Byvoorbeeld, spesifiseer N 3 in die verwerking opsie 10b tot die mees onlangse drie tydperke gebruik as die grondslag vir die projeksie in die volgende tydperk. Die stelsel sal outomaties die gewigte na die historiese data wat lineêr afneem en som toewys aan 1.00. Byvoorbeeld, wanneer n 3, die stelsel sal gewigte van 0,5, 0,3333, en 0.1 wys, met die mees onlangse data ontvangs van die grootste gewig. Minimum vereiste verkope geskiedenis: N plus die aantal tydperke wat nodig is vir die evaluering van die voorspelling prestasie (PBF). A.12.1 Voorspelling Berekening Aantal periodes in glad gemiddelde (verwerking opsie 10a) in te sluit 3 in hierdie voorbeeld verhouding vir een periode voor 3 / (N2 N) / 2 3 / (32 3) / 2 3/6 0,5 verhouding vir twee tydperke voor 2 / (N2 N) / 2 2 / (32 3) / 2 2/6 0,3333 .. verhouding vir drie periodes voor 1 / (N2 N) / 2 1 / (32 3) / 2 1/6 0,1666. . Januarie vooruitsig: 137 0.5 119 1/3 114 1/6 127,16 of 127 Februarie vooruitsig: 127 0.5 137 1/3 119 1/6 129 Maart vooruitsig: 129 0.5 127 1/3 137 1/6 129,666 of 130 A.12.2 gesimuleerde Voorspelling Berekening Oktober 2004 verkoop 129 1/6 140 2/6 131 3/6 133,6666 November 2004 verkope 140 1/6 131 2/6 114 3/6 124 Desember 2004 verkoop 131 1/6 114 2/6 119 3/6 119,3333 A.12.3 Persent van akkuraatheid Berekening POA (133,6666 124 119,3333) / (114 119 137) 100 101,891 A.12.4 Gemiddelde Absolute Afwyking Berekening MAD (133,6666-114 124 - 119 119,3333-137) / 3 14,1111 A.13 Metode 11 - eksponensiële Gladstryking Hierdie metode is soortgelyk aan metode 10, Lineêre Smoothing. In Lineêre Smoothing ken die stelsel gewigte aan die historiese data wat lineêr afneem. In eksponensiële gladstryking, die stelsel wys gewigte wat eksponensieel verval. Die eksponensiële gladstryking vooruitskatting vergelyking is: voorspel 'n (Vorige werklike verkope) (1 - a) vorige skatting Die voorspelling is 'n geweegde gemiddeld van die werklike verkope van die vorige tydperk en die voorspelling van die vorige tydperk. n is die gewig van toepassing op die werklike verkope vir die vorige tydperk. (1 - a) is die toepassing op die voorspelling vir die vorige tydperk gewig. Geldige waardes vir 'n verskeidenheid 0-1, en val gewoonlik tussen 0.1 en 0.4. Die som van die gewigte is 1.00. 'n (1 - a) 1 Jy moet 'n waarde toeken vir die glad konstante, 'n. As jy nie waardes vir die glad konstante hoef te ken, die stelsel bereken 'n veronderstelde waarde wat gebaseer is op die aantal periodes van verkope geskiedenis wat in die verwerking opsie 11a. n die smoothing konstante gebruik in die berekening van die reëlmatige gemiddelde vir die algemene vlak of omvang van verkope. Geldige waardes vir 'n verskeidenheid van 0 tot 1. N die reeks van verkope geskiedenis data in die berekeninge te sluit. Oor die algemeen 'n jaar van verkope geskiedenis data is voldoende om die algemene vlak van verkope te skat. Vir hierdie voorbeeld, 'n klein waarde vir N (N 3) is gekies om die handleiding berekeninge wat nodig is om die resultate te verifieer verminder. Eksponensiële gladstryking kan 'n voorspelling gebaseer op so min as een historiese data punt te genereer. Minimum vereiste verkope geskiedenis: N plus die aantal tydperke wat nodig is vir die evaluering van die voorspelling prestasie (PBF). A.13.1 Voorspelling Berekening Aantal periodes in glad gemiddelde (verwerking opsie 11a) 3 sluit, en alfa faktor (verwerking opsie 11b) leeg in hierdie voorbeeld 'n faktor vir die oudste verkope data 2 / (11), of 1 toe Alpha is gespesifiseerde n faktor vir die 2de verkope data oudste 2 / (12), of alfa wanneer alfa 'n faktor is wat vir die 3de oudste verkope data 2 / (13), of alfa wanneer alfa 'n faktor is wat vir die mees onlangse verkope data 2 / (1n), of alfa wanneer alfa gespesifiseer November Sm. Gem. 'n (Oktober Werklike) (1 - a) Oktober Sm. Gem. 1 114 0 0 114 Desember Sm. Gem. 'n (November Werklike) (1 - a) November Sm. Gem. 03/02 119 1/3 114 117,3333 Januarie voorspel '(Desember Werklike) (1 - a) Desember Sm. Gem. 2/4 137 2/4 117,3333 127,16665 of 127 Februarie Voorspelling Januarie Voorspelling 127 Maart Voorspelling Januarie Voorspelling 127 A.13.2 Gesimuleerde Voorspelling Berekening Julie 2004 Sm. Gem. 02/02 129 129 Augustus Sm. Gem. 03/02 140 1/3 129 136,3333 September Sm. Gem. 2/4 131 2/4 136,3333 133,6666 Oktober 2004 verkope September Sm. Gem. 133.6666 Augustus 2004 Sm. Gem. 02/02 140 140 September Sm. Gem. 03/02 131 1/3 140 134 Oktober Sm. Gem. 2/4 114 2/4 134 124 November 2004 verkope September Sm. Gem. 124 September 2004 Sm. Gem. 02/02 131 131 Oktober Sm. Gem. 03/02 114 1/3 131 119,6666 November Sm. Gem. 2/4 119 2/4 119,6666 119,3333 Desember 2004 verkope September Sm. Gem. 119,3333 A.13.3 Persent van akkuraatheid Berekening POA (133,6666 124 119,3333) / (114 119 137) 100 101,891 A.13.4 Gemiddelde Absolute Afwyking Berekening MAD (133,6666-114 124 - 119 119,3333-137) / 3 14,1111 A.14 Metode 12 - eksponensiële Smoothing met Trend en Seisoenaliteit Hierdie metode is soortgelyk aan metode 11, eksponensiële Gladstryking in daardie 'n reëlmatige gemiddelde bereken word. Maar Metode 12 sluit ook 'n term in die vooruitskatting vergelyking met 'n reëlmatige tendens te bereken. Die voorspelling is saamgestel uit 'n reëlmatige het gemiddeld aangepas vir 'n lineêre tendens. Wanneer vermeld in die opsie verwerking, is die voorspelling ook aangepas vir die seisoen. n die smoothing konstante gebruik in die berekening van die reëlmatige gemiddelde vir die algemene vlak of omvang van verkope. Geldige waardes vir Alpha wissel van 0 tot 1. b die smoothing konstante gebruik in die berekening van die reëlmatige gemiddelde vir die tendens komponent van die skatting. Geldige waardes vir beta wissel van 0 tot 1. Of 'n seisoenale indeks is van toepassing op die voorspelling A en B is onafhanklik van mekaar. Hulle hoef nie te voeg tot 1.0. Minimum vereiste verkope geskiedenis: twee jaar plus die aantal tydperke wat nodig is vir die evaluering van die voorspelling prestasie (PBF). Metode 12 gebruik twee eksponensiële gladstryking vergelykings en 'n eenvoudige gemiddelde tot 'n reëlmatige gemiddelde, 'n reëlmatige tendens, en 'n eenvoudige gemiddelde seisoenale faktor te bereken. A.14.1 Voorspelling Berekening A) 'n eksponensieel stryk gemiddelde MAD (122,81-114 133,14-119 135,33-137) / 3 8.2 A.15 Evaluering van die voorspellings Jy kan vooruitskatting metodes kies om soveel as twaalf voorspellings vir elke produk te genereer. Elke vooruitskatting metode sal waarskynlik 'n effens ander projeksie te skep. Wanneer duisende produkte word voorspel, is dit onprakties om 'n subjektiewe besluit oor watter een van die voorspellings te gebruik in jou planne vir elk van die produkte te maak. Die stelsel evalueer outomaties prestasie vir elk van die voorspelling metodes wat jy kies, en vir elk van die voorspel produkte. Jy kan kies tussen twee prestasiekriteria, Gemiddelde Absolute Afwyking (MAD) en Persent van akkuraatheid (POA). MAD is 'n maatstaf van voorspelling fout. POA is 'n maatstaf van voorspelling vooroordeel. Beide van hierdie prestasie-evaluering tegnieke vereis werklike verkope geskiedenis data vir 'n gebruiker spesifieke tydperk. Hierdie tydperk van die onlangse geskiedenis is bekend as 'n holdout tydperk of tydperke beste passing (PBF). Om die prestasie van 'n vooruitskatting metode meet, gebruik die voorspelling formules om 'n voorspelling vir die historiese holdout tydperk na te boots. Daar sal gewoonlik wees verskille tussen werklike verkope data en die gesimuleerde voorspelling vir die holdout tydperk. Wanneer verskeie voorspelling metodes gekies word, dieselfde proses vind vir elke metode. Veelvuldige voorspellings word bereken vir die holdout tydperk, en in vergelyking met die bekende verkope geskiedenis vir dieselfde tydperk. Die vooruitskatting metode vervaardiging van die beste wedstryd (beste passing) tussen die voorspelling en die werklike verkope gedurende die holdout tydperk word aanbeveel vir gebruik in jou planne. Hierdie aanbeveling is spesifiek vir elke produk, en kan verander van een voorspelling generasie na die volgende. A.16 Mean Absolute Afwyking (MAD) MAD is die gemiddelde (of gemiddelde) van die absolute waardes (of omvang) van die afwykings (of foute) tussen werklike en voorspelde data. MAD is 'n maatstaf van die gemiddelde grootte van foute te verwag, gegewe 'n vooruitskatting metode en data geskiedenis. Omdat absolute waardes word gebruik in die berekening, moenie positiewe foute nie kanselleer negatiewe foute. Wanneer vergelyk verskeie voorspelling metodes, het die een met die kleinste MAD getoon die mees betroubare vir daardie produk vir daardie holdout tydperk te wees. Wanneer die voorspelling is onbevooroordeelde en foute is normaal verdeel, daar is 'n eenvoudige wiskundige verhouding tussen MAD en twee ander algemene maatstawwe van verspreiding, gemiddeldes en standaardafwykings Squared Fout: A.16.1 Persent van akkuraatheid (POA) persent van akkuraatheid (POA) is 'n mate van voorspelling vooroordeel. Wanneer voorspellings is konsekwent te hoog, voorraad ophoop en voorraad koste styg. Wanneer voorspellings is konsekwent twee lae, is voorrade verteer en kliëntediens weier. 'N voorspelling wat 10 eenhede te laag is, dan 8 eenhede te hoog is, dan 2 eenhede te hoog is, sal 'n onbevooroordeelde voorspelling wees. Die positiewe dwaling van 10 is gekanselleer deur negatiewe foute van 8 en 2. Fout Werklike - Voorspelling Wanneer 'n produk kan gestoor word in voorraad, en wanneer die voorspelling is onbevooroordeelde, kan 'n klein hoeveelheid van veiligheid voorraad gebruik word om die foute te buffer. In hierdie situasie, is dit nie so belangrik om voorspelling foute uit te skakel as dit is om onbevooroordeelde voorspellings te genereer. Maar in diens nywerhede, sal die bogenoemde situasie word beskou as drie foute. Die diens sal word te min personeel in die eerste tydperk, dan veel personeel vir die volgende twee tydperke. In dienste, die grootte van voorspelling foute is gewoonlik meer belangrik as wat voorspel vooroordeel. Die opsomming oor die holdout tydperk kan positiewe foute negatiewe foute te kanselleer. Wanneer die totaal van werklike verkope die totaal van vooruitskatting verkope oorskry, die verhouding is groter as 100. Natuurlik, dit is onmoontlik meer as 100 akkuraat te wees. Wanneer 'n voorspelling is onbevooroordeelde, sal die POA verhouding Wees daarom 100. Dit is meer wenslik wees 95 akkuraat as om 110 akkurate. Die POA kriteria kies die vooruitskatting metode wat 'n POA verhouding naaste aan 100. Scripting op hierdie bladsy verhoog inhoud navigasie het, maar nie die inhoud in enige way. Demand vooruitskatting verander deur die beweging van gemiddelde metode Jy het die volgende data vir die afgelope 12 maande verkope vir die PRQ Corporation (in duisende dollars): Januarie 500 Julie 610 Februarie 520 Augustus 620 Maart 520 September 580 April 510 Oktober 550 Mei 530 November 510 Junie 580 Desember 480 n. Bereken 'n 3-maande-gesentreerde bewegende gemiddelde. b. Gebruik hierdie bewegende gemiddelde verkope voorspel vir Januarie volgende jaar. c. As jy gevra word om Januarie en Februarie verkope vir volgende jaar voorspel, sou jy seker van jou voorspelling wees met behulp van die voorafgaande bewegende gemiddeldes Hoekom of hoekom nie Oplossing Opsomming Die oplossing gee stap vir stap metode vir die voorspelling verkope vir die PRQ Corporation gebaseer op 3 maande gesentreerde bewegende gemiddelde. . Sien in die selle vir formules voorspelling van die vraag na 15 dae die gebruik van 3 tydperk bewegende gemiddelde 164,40. Bewegende gemiddeldes. 250 200 Die vraag. . . Voorspelling vraag na die week van 12 Oktober. 12 met behulp van eksponensiële gladstryking met 'n voorspelling vir 31 Augustus. Oplossing beeld die stappe vir die voorspelling 'n tydperk deur. . Die bewegende gemiddelde wys die vraag vooruitskatting is stabiel, maar doesn39t show tendense in die vraag gedrag. bewegende gemiddelde sal wys dat die voorspelling sal wees. . dat die tendens projek bewegende gemiddelde vooruitskatting metode is voordelig vir. Aanname: 1. Moving gemiddelde vooruitskatting metode word gebruik om die vraag van winkel skat. . Werklike Aangepas Absolute Squared Maand vraagvoorspelling Trend (Tt. Voorspelling vir September 34,95 MAD 9,73 MSE. MSE 7,25 83,75 Drie maande bewegende gemiddelde 6,48 73,79.. Gemiddelde Squared Fout bedoel Absolute persentasiefout bedoel Absolute afwyking) van voorspelling fout. Vooruitskatting / vraag Beplanning. . Die vraag 31 22 33 26 21 29 25 22 20 26. . metode is 'n baie eenvoudige metode van tydreekse vooruitskatting. . Op hierdie manier, die vraag Voorspelling vir sewe maande is. metode gebruik word vir herhaalde voorspelling waar die. . faktor in 'n operasionele bestuur benadering tot die beraming van die vraag. Beskryf die volgende voorspelling metodes. . Waar Voorspelling vir tydperk T1 Werklike waargeneem. . Twee algemene metodes vir die voorspelling stilstaande reeks beweeg. Veronderstel die MacDonald het eise vir die verkoop van. MAAND Die vraag Maand vraag Januarie 89 Julie 223 0,3 Verstandhouding Voorspelling vlakke en metodes wat jy kan beide detail (enkele item) voorspellings en opsomming (produk lyn) voorspel dat die vraag produk patrone weerspieël genereer. Die stelsel ontleed verlede verkope voorspellings bereken deur gebruik te maak van 12 vooruitskatting metodes. Die voorspellings sluit detail inligting op die item vlak en 'n hoër vlak inligting oor 'n tak of die maatskappy as 'n geheel. 3.1 Voorspelling Performance Evalueringskriteria Afhangende van die keuse van die verwerking opsies en op tendense en patrone in die verkope data, sommige voorspelling metodes beter presteer as ander vir 'n gegewe historiese datastel. 'N vooruitskatting metode wat geskik is vir 'n produk kan nie geskik is vir 'n ander produk. Jy mag vind dat 'n vooruitskatting metode wat goeie resultate lewer in 'n stadium van 'n produk se lewensiklus toepaslike deur die hele lewensiklus bly. Jy kan kies tussen twee metodes om die huidige prestasie van die voorspelling metodes te evalueer: Persentasie van akkuraatheid (POA). Beteken absolute afwyking (MAD). Beide van hierdie prestasie-evaluering metodes vereis historiese verkope data vir 'n tydperk wat jy spesifiseer. Hierdie tydperk staan bekend as 'n holdout tydperk of periode van beste passing. Die data in hierdie tydperk word gebruik as die grondslag vir die aanbeveling wat vooruitskatting metode om te gebruik in die maak van die volgende voorspelling projeksie. Hierdie aanbeveling is spesifiek vir elke produk en kan van een voorspelling generasie na die volgende. 3.1.1 beste pas by die stelsel beveel die beste passing voorspelling deur die toepassing van die gekose voorspelling metodes om die verlede verkope orde geskiedenis en vergelyk die voorspelling simulasie van die werklike geskiedenis. As jy 'n beste passing voorspelling genereer, die stelsel vergelyk werklike verkope orde geskiedenis om voorspellings vir 'n spesifieke tydperk en bere hoe akkuraat elke verskillende vooruitskatting metode voorspel verkope. Toe beveel die stelsel die mees akkurate voorspelling as die beste passing. Dit grafiese illustreer beste passing voorspellings: Figuur 3-1 Beste pas voorspel Die stelsel maak gebruik van hierdie reeks stappe om die beste passing te bepaal: Gebruik elke gespesifiseerde metode om 'n voorspelling vir die holdout tydperk na te boots. Vergelyk werklike verkope aan die gesimuleerde voorspellings vir die holdout tydperk. Bereken die POA of die MAD om te bepaal watter vooruitskatting metode die meeste ooreenstem met die verlede werklike verkope. Die stelsel maak gebruik van óf POA of mal, gebaseer op die verwerking opsies wat jy kies. Beveel die beste passing voorspelling deur die POA wat die naaste aan 100 persent (bo of onder) of die MAD wat die naaste aan nul. 3.2 Vooruitskatting Metodes JD Edwards EnterpriseOne Voorspelling Bestuur gebruik 12 metodes vir kwantitatiewe vooruitskatting en dui aan watter metode bied die beste geskik is vir die voorspelling situasie. Hierdie afdeling bespreek: Metode 1: Persentasie teenoor verlede jaar. Metode 2: Bereken persent teenoor verlede jaar. Metode 3: verlede jaar tot vanjaar. Metode 4: Moving Gemiddelde. Metode 5: Lineêre benadering. Metode 6: kleinstekwadrate-regressielyn. Metode 7: tweede graad benadering. Metode 8: buigbare metode. Metode 9: Geweegde bewegende gemiddelde. Metode 10: Lineêre Smoothing. Metode 11: Eksponensiële Smoothing. Metode 12: Eksponensiële Smoothing met Trend en Seisoenaliteit. Spesifiseer die metode wat jy wil gebruik in die verwerking opsies vir die voorspelling Generation program (R34650). Die meeste van hierdie metodes te voorsien beperkte beheer. Byvoorbeeld, kan die gewig geplaas op onlangse historiese data of die datum bereik van historiese data wat gebruik word in die berekeninge word bepaal deur jou. Die voorbeelde in die handleiding dui die prosedure te kan uitvoer vir elk van die beskikbare voorspelling metodes, gegee 'n identiese stel historiese data. Die metode voorbeelde in die gids gebruik deel van of al hierdie datastelle wat historiese data van die afgelope twee jaar. Die voorspelling projeksie gaan in die volgende jaar. Dit verkope geskiedenis data is stabiel met klein seisoenale styging in Julie en Desember. Hierdie patroon is kenmerkend van 'n volwasse produk wat dalk nader veroudering. 3.2.1 Metode 1: Persentasie teenoor verlede jaar Hierdie metode maak gebruik van die persent meer as verlede jaar formule aan elke voorspelling tydperk deur die gespesifiseerde persentasie toename of afname vermeerder. Om die vraag te voorspel, hierdie metode vereis dat die getal periodes vir die beste passing plus een jaar van verkope geskiedenis. Hierdie metode is nuttig om die vraag na seisoenale items met groei of afname voorspel. 3.2.1.1 Voorbeeld: Metode 1: persent oor verlede jaar het die persent meer as verlede jaar formule vermeerder verkope data van die vorige jaar met 'n faktor wat jy spesifiseer en dan projekte wat lei oor die volgende jaar. Hierdie metode dalk wees bruikbare in begrotings te boots die invloed van 'n bepaalde groeikoers of wanneer verkope geskiedenis het 'n beduidende seisoenale komponent. Voorspelling spesifikasies: Vermenigvuldiging faktor. Byvoorbeeld, spesifiseer 110 in die verwerking opsie om die vorige jaar verkope geskiedenis data te verhoog met 10 persent. Vereis verkope geskiedenis: Een jaar vir die berekening van die voorspelling, plus die aantal tydperke wat nodig is vir die evaluering van die voorspelling prestasie (tydperke van beste passing) wat jy spesifiseer. Hierdie tabel is geskiedenis wat in die vooruitsig berekening: Februarie voorspel gelyk 117 keer 1.1 128,7 afgerond tot 129. Maart voorspel gelyk 115 keer 1.1 126,5 afgerond tot 127. 3.2.2 Metode 2: Bereken persent teenoor verlede jaar hierdie metode gebruik die berekende persent oor verlede jaar formule om die verlede verkope van vermelde tydperke te vergelyk met verkope van dieselfde tydperke van die vorige jaar. Die stelsel bepaal 'n persentasie toename of afname, en dan vermenigvuldig elke tydperk deur die persentasie die voorspelling te bepaal. Om die vraag te voorspel, hierdie metode vereis dat die aantal periodes van verkope orde geskiedenis plus een jaar van verkope geskiedenis. Hierdie metode is nuttig om kort vraag term vir seisoenale items met groei of afname voorspel. 3.2.2.1 Voorbeeld: Metode 2: Bereken persent teenoor verlede jaar die berekende Persent teenoor verlede jaar formule vermeerder verkope data van die vorige jaar met 'n faktor wat bereken word deur die stelsel, en dan projekteer dat resultaat vir die volgende jaar. Hierdie metode dalk nuttig in projekteer die invloed van die uitbreiding van die onlangse groeikoers vir 'n produk in die volgende jaar, terwyl die behoud van 'n seisoenale patroon wat in die verkope geskiedenis is nie. Voorspelling spesifikasies: Range van verkope geskiedenis om te gebruik in die berekening van die groeikoers. Byvoorbeeld, spesifiseer N gelyk 4 in die verwerking opsie om verkope geskiedenis vergelyk vir die mees onlangse vier tydperke vir diegene dieselfde vier tydperke van die vorige jaar. Gebruik die berekende verhouding tot die projeksie te maak vir die volgende jaar. Vereis verkope geskiedenis: Een jaar vir die berekening van die voorspelling plus die aantal tydperke wat nodig is vir die evaluering van die voorspelling prestasie (tydperke van beste passing). Hierdie tabel is geskiedenis wat in die vooruitsig berekening, gegewe N 4: Februarie voorspel gelyk 117 keer 0,9766 114,26 afgerond tot 114. Maart voorspel gelyk 115 keer 0,9766 112,31 afgerond tot 112. 3.2.3 Metode 3: verlede jaar tot die Jaar Die metode gebruik laaste jaar verkope vir die volgende jaar voorspel. Om die vraag te voorspel, hierdie metode vereis dat die aantal periodes beste passing plus een jaar van verkope orde geskiedenis. Hierdie metode is nuttig om die vraag na volwasse produkte met die vraag vlak of seisoenale vraag sonder 'n tendens voorspel. 3.2.3.1 Voorbeeld: Metode 3: verlede jaar tot vanjaar het die verlede jaar tot vanjaar se Formule kopieë verkoop data van die vorige jaar tot die volgende jaar. Hierdie metode dalk nuttig in die begroting om verkope te boots by die huidige vlak wees. Die produk is volwasse en het geen tendens oor die lang termyn, maar 'n beduidende seisoenale vraag patroon mag bestaan. Voorspelling spesifikasies: Geen. Vereis verkope geskiedenis: Een jaar vir die berekening van die voorspelling plus die aantal tydperke wat nodig is vir die evaluering van die voorspelling prestasie (tydperke van beste passing). Hierdie tabel is geskiedenis wat in die vooruitsig berekening: Januarie voorspel gelyk Januarie verlede jaar met 'n voorspelling van 128. Februarie voorspel gelyk Februarie verlede jaar met 'n voorspelling waarde van 117. Maart voorspel gelyk Maart verlede jaar met 'n voorspelling waarde van 115. 3.2.4 metode 4: Moving Gemiddelde Hierdie metode maak gebruik van die bewegende gemiddelde formule om die gespesifiseerde aantal periodes gemiddeld tot die volgende tydperk projekteer. Jy moet herbereken dit dikwels (maandeliks, of ten minste kwartaalliks) om te besin veranderende vraag vlak. Om die vraag te voorspel, hierdie metode vereis dat die aantal periodes beste passing plus die aantal periodes van verkope orde geskiedenis. Hierdie metode is nuttig om die vraag na volwasse produkte sonder 'n tendens voorspel. 3.2.4.1 Voorbeeld: Metode 4: Moving Gemiddelde bewegende gemiddelde (MA) is 'n gewilde metode vir gemiddeld die resultate van onlangse verkope geskiedenis om 'n projeksie vir die kort termyn te bepaal. Die MA-vooruitskatting metode loop agter tendense. Voorspelling vooroordeel en sistematiese foute kom voor wanneer die produk verkoop geskiedenis uitbeeld sterk tendens of seisoenale patrone. Hierdie metode werk beter vir 'n kort reeks voorspellings van volwasse produkte as vir produkte wat in die groei of veroudering stadiums van die lewensiklus. Voorspel spesifikasies: N is gelyk aan die aantal periodes van verkope geskiedenis om te gebruik in die vooruitsig berekening. Byvoorbeeld, spesifiseer N 4 in die opsie verwerking tot die mees onlangse vier tydperke gebruik as die grondslag vir die projeksie in die volgende tydperk. 'N Groot waarde vir N (soos 12) vereis meer verkope geskiedenis. Dit lei tot 'n stabiele vooruitsig, maar is traag om skofte te erken in die vlak van verkope. Aan die ander kant, 'n klein waarde vir N (soos 3) is vinniger om te reageer op veranderinge in die vlak van verkope, maar die voorspelling kan so wyd dat produksie nie kan reageer op die verskille wissel. Vereis verkope geskiedenis: N plus die aantal tydperke wat nodig is vir die evaluering van die voorspelling prestasie (tydperke van beste passing). Hierdie tabel is geskiedenis wat in die vooruitsig berekening: Februarie voorspel gelyk (114 119 137 125) / 4 123,75 afgerond tot 124. Maart voorspel gelyk (119 137 125 124) / 4 126,25 afgerond tot 126. 3.2.5 Metode 5: Lineêre die aanpassing hierdie metode maak gebruik van die Lineêre die aanpassing formule om 'n tendens van die aantal periodes van verkope orde geskiedenis bereken en om hierdie tendens om die voorspelling te projekteer. Jy moet die tendens maandelikse herbereken om veranderinge in tendense te bespeur. Hierdie metode vereis dat die aantal periodes van beste passing plus die aantal vermelde tydperke van verkope orde geskiedenis. Hierdie metode is nuttig om die vraag na nuwe produkte, of produkte met 'n steeds positief of negatief tendense wat nie as gevolg van seisoenale skommelinge voorspel. 3.2.5.1 Voorbeeld: Metode 5: Lineêre die aanpassing Lineêre die aanpassing bereken 'n tendens wat gebaseer is op twee verkope geskiedenis datapunte. Dié twee punte definieer 'n reguit tendens lyn wat geprojekteer in die toekoms. Gebruik hierdie metode met omsigtigheid, want 'n lang reeks voorspellings is aged deur klein veranderinge in net twee datapunte. Voorspel spesifikasies: N is gelyk aan die data punt in verkope geskiedenis wat in vergelyking met die mees onlangse data dui op 'n tendens te identifiseer. Byvoorbeeld, spesifiseer N 4 om die verskil tussen Desember (mees onlangse data) en Augustus te gebruik (vier periodes voor Desember) as die basis vir die berekening van die tendens. Minimum vereiste verkope geskiedenis: N plus 1 plus die aantal tydperke wat nodig is vir die evaluering van die voorspelling prestasie (tydperke van beste passing). Hierdie tabel is geskiedenis wat in die vooruitsig berekening: Januarie voorspel Desember van verlede jaar 1 (Trend) wat 137 is gelyk aan (1 keer 2) 139. Februarie voorspel Desember van verlede jaar 1 (Trend) wat 137 (2 keer 2) 141 gelyk. Maart voorspel Desember van verlede jaar 1 (Trend) wat gelyk 137 (3 keer 2) 143. 3.2.6 metode 6: kleinstekwadrate-regressielyn die kleinstekwadrate regressie (LSR) metode is afgelei van 'n vergelyking beskryf 'n reguit lyn tussen die historiese verkope data en die verloop van tyd. LSR pas 'n lyn om die geselekteerde data sodat die som van die kwadrate van die verskille tussen die werklike verkope datapunte en die regressielyn is tot die minimum beperk. Die voorspelling is 'n projeksie van die reguit lyn in die toekoms. Hierdie metode vereis verkope data geskiedenis vir die tydperk wat deur die aantal periodes beste passing plus die gespesifiseerde aantal historiese data tydperke. Die minimum vereiste is twee historiese data punte. Hierdie metode is nuttig om die vraag te voorspel wanneer 'n lineêre tendens is in die data. 3.2.6.1 Voorbeeld: Metode 6: kleinstekwadrate-regressielyn lineêre regressie, of kleinstekwadrate-regressielyn (LSR), is die gewildste metode vir die identifisering van 'n lineêre neiging in historiese verkope data. Die metode word bereken dat die waardes vir a en b te gebruik in die formule: Hierdie vergelyking beskryf 'n reguit lyn, waar y verkope en X verteenwoordig tyd. Lineêre regressie is traag om draaipunte en stap funksie skofte erken in aanvraag. Lineêre regressie pas 'n reguit lyn na die data, selfs wanneer die data is seisoenaal of beter beskryf deur 'n kromme. Wanneer verkope geskiedenis data volg op 'n kurwe of 'n sterk seisoenale patroon, voorspel vooroordeel en sistematiese foute. Voorspel spesifikasies: N is gelyk aan die tydperke van verkope geskiedenis wat gebruik sal word in die berekening van die waardes vir a en b. Byvoorbeeld, spesifiseer N 4 tot die geskiedenis van September gebruik tot Desember as die basis vir die berekening. Wanneer data beskikbaar is, sal 'n groter N (soos N 24) gewoonlik gebruik word. LSR definieer 'n lyn vir so min as twee datapunte. Vir hierdie voorbeeld, 'n klein waarde vir N (N 4) is gekies om die handleiding berekeninge wat nodig is om die resultate te verifieer verminder. Minimum vereiste verkope geskiedenis: N tydperke plus die aantal tydperke wat nodig is vir die evaluering van die voorspelling prestasie (tydperke van beste passing). Hierdie tabel is geskiedenis wat in die vooruitsig berekening: Maart voorspel gelyk 119,5 (7 keer 2.3) 135,6 afgerond tot 136. 3.2.7 Metode 7: tweede graad benadering tot die voorspelling projekteer, hierdie metode maak gebruik van die tweede graad aanpassing formule om 'n kurwe plot wat gebaseer is op die aantal periodes van verkope geskiedenis. Hierdie metode vereis dat die aantal periodes beste passing plus die aantal periodes van verkope orde geskiedenis maal drie. Hierdie metode is nie bruikbaar vir die vraag na 'n tydperk langtermyn voorspel. 3.2.7.1 Voorbeeld: Metode 7: tweede graad aanpassing lineêre regressie bepaal waardes vir a en b in die vooruitsig formule Y A B X met die doel van pas 'n reguit lyn na die verkope geskiedenis data. Tweede graad benadering is soortgelyk, maar hierdie metode bepaal waardes vir a, b, en c in die hierdie voorspelling formule: Y A B X c X 2 Die doel van hierdie metode is om 'n kurwe na die verkope geskiedenis data te pas. Hierdie metode is nuttig wanneer 'n produk is in die oorgang tussen lewensiklus stadiums. Byvoorbeeld, wanneer 'n nuwe produk beweeg van inleiding tot groeistadiums, kan die verkope tendens versnel. As gevolg van die tweede orde termyn, kan die voorspelling vinnig nader oneindigheid of daal tot nul (afhangende van of koëffisiënt c positief of negatief). Hierdie metode is net nuttig in die kort termyn. Voorspelling spesifikasies: die formule te vind a, b, en c aan 'n kromme presies drie punte aan te pas. Jy spesifiseer N, die aantal tydperke van data te versamel in elk van die drie punte. In hierdie voorbeeld is N 3. werklike verkope data vir April tot Junie gekombineer in die eerste punt, Q1. Julie tot September word bymekaar getel om die 2de kwartaal skep, en Oktober tot Desember som tot Q3. Die kurwe is toegerus om die drie waardes Q1, Q2, en Q3. Vereis verkope geskiedenis: 3 keer n periodes vir die berekening van die voorspelling plus die aantal tydperke wat nodig is vir die evaluering van die voorspelling prestasie (tydperke van beste passing). Hierdie tabel is geskiedenis wat in die vooruitsig berekening: Q0 (Jan) (Februarie) (Maart) Q1 (April) (Mei) (Junie) wat 125 122 137 384 Q2 gelyk (Julie) (Augustus) (September) wat 140 129 is gelyk aan 131 400 Q3 (Oktober) (November) (Desember) wat gelyk 114 119 137 370 die volgende stap behels die berekening van die drie koëffisiënte a, b, en C om gebruik te word in die voorspelling formule Y AB X c X 2. Q1, Q2, en Q3 word op die grafiese, waar tyd word op die horisontale as. Q1 verteenwoordig totale historiese verkope vir April, Mei en Junie en is geplot op X 1 Q2 ooreenstem met Julie tot September Q3 ooreenstem met Oktober tot Desember en Q4 verteenwoordig Januarie tot Maart. Dit grafiese illustreer die plot van Q1, Q2, Q3 en Q4 vir die tweede graad benadering: Figuur 3-2 Plot Q1, Q2, Q3 en Q4 vir die tweede graad benadering Drie vergelykings beskryf die drie punte op die grafiek: (1) Q1 'n bX CX 2 waar X 1 (Q1 ABC) (2) Q2 n bX CX 2 waar X 2 (2de kwartaal 'n 2b 4C) (3) Q3 n bX CX 2 waar X 3 (V3 n 3b 9c) Los die drie vergelykings gelyktydig om b, a, en c te vind: Trek vergelyking 1 (1) van vergelyking 2 (2) en op te los vir b: (2) uitvoering maak (1) Q2 uitvoering maak Q1 b 3c b (Q2 uitvoering maak Q1) uitvoering maak 3c Plaasvervanger hierdie vergelyking vir b in vergelyking (3): (3) Q3 n 3 (Q2 uitvoering maak Q1) uitvoering maak 3c 9c n Q3 uitvoering maak 3 (Q2 uitvoering maak Q1) Ten slotte, vervang hierdie vergelykings vir a en b in vergelyking (1): (1) Q3 ndash 3 (Q2 uitvoering maak Q1) (Q2 uitvoering maak Q1) uitvoering maak 3c c Q1 c (Q3 uitvoering maak Q2) (Q1 uitvoering maak Q2) / 2 Die tweede graad aanpassing metode bereken a, b, en c soos volg: 'n Q3 uitvoering maak 3 (Q2 ndash Q1) 370 ndash 3 (400 ndash 384) 370 ndash 3 (16) 322 b (Q2 uitvoering maak Q1) ndash3c (400 ndash 384) uitvoering maak (3 keer ndash23) 16 69 85 c (Q3 uitvoering maak Q2) (Q1 uitvoering maak Q2) / 2 (370 ndash 400) (384 ndash 400) / 2 ndash23 Dit is 'n berekening van die tweede graad benadering vooruitsig: Y 'n bX CX 2 322 85 X (ndash23) (X 2) Wanneer X 4, K4 322 340 ndash 368 294. Die voorspelling gelyk 294/3 98 per periode. Wanneer X 5, V5 322 425 ndash 575 172. Die voorspelling is gelyk 172/3 58,33 afgerond tot 57 per periode. Wanneer X 6, V6 322 510 ndash 828 4. Die voorspelling is gelyk aan 4/3 1.33 afgerond tot 1 per periode. Dit is die vooruitsig vir die volgende jaar, verlede jaar tot hierdie jaar: 3.2.8 Metode 8: Veelsydige Hierdie metode maak dit moontlik om die beste passing aantal periodes van verkope orde geskiedenis wat begin N maande voor die vooruitsig begin datum kies, en om pas 'n persentasie verhoging of vermenigvuldiging faktor waarmee die voorspelling verander afneem. Hierdie metode is soortgelyk aan Metode 1, persent oor verlede jaar, behalwe dat jy die aantal periodes wat jy gebruik as die basis kan spesifiseer. Afhangende van wat jy as N kies, hierdie metode vereis tydperke beste passing plus die aantal periodes van verkope data wat aangedui. Hierdie metode is nuttig om die vraag na 'n beplande ontwikkeling voorspel. 3.2.8.1 Voorbeeld: Metode 8: buigbare metode Die buigbare metode (persent oor N maande voor) is soortgelyk aan Metode 1, persent oor verlede jaar. Beide metodes vermeerder verkope data uit 'n vorige tydperk met 'n faktor wat deur julle, en dan projek wat lei na die toekoms. In die persent meer as verlede jaar metode, is die projeksie gebaseer op data van die dieselfde tydperk in die vorige jaar. Jy kan ook die buigbare metode gebruik om 'n tydperk, ander as in dieselfde tydperk in die vorige jaar spesifiseer, te gebruik as die basis vir die berekening. Vermenigvuldigingsfaktor. Byvoorbeeld, spesifiseer 110 in die verwerking opsie om vorige verkope geskiedenis data te verhoog met 10 persent. Basistydperk. Byvoorbeeld, N 4 veroorsaak dat die eerste skatting moet gebaseer wees op die verkope data in September verlede jaar. Minimum vereiste verkope geskiedenis: die aantal periodes terug na die basis tydperk plus die aantal tydperke wat nodig is vir die evaluering van die voorspelling prestasie (tydperke van beste passing). Hierdie tabel is geskiedenis wat in die vooruitsig berekening: 3.2.9 Metode 9: Geweegde bewegende gemiddelde geweegde bewegende gemiddelde formule is soortgelyk aan Metode 4, bewegende gemiddelde formule, want dit gemiddeldes die vorige maande verkope geskiedenis na die volgende maande verkope geskiedenis projekteer. Maar met hierdie formule kan jy gewigte toewys vir elk van die vorige tydperke. Hierdie metode vereis dat die getal gekies geweegde tydperke plus die aantal periodes beste passing data. Soortgelyk aan bewegende gemiddelde, hierdie metode loop agter tendense vraag, sodat hierdie metode word nie aanbeveel vir produkte met 'n sterk tendense of seisoenaliteit. Hierdie metode is nuttig om die vraag na volwasse produkte met die vraag wat relatief vlak voorspel. 3.2.9.1 Voorbeeld: Metode 9: Geweegde bewegende gemiddelde geweegde metode bewegende gemiddelde (WBA) is soortgelyk aan Metode 4, bewegende gemiddelde (MA). Jy kan egter ongelyke gewigte toewys aan die historiese data by die gebruik van WBG. Die metode bereken 'n geweegde gemiddelde van die afgelope verkope geskiedenis te kom by 'n projeksie vir die kort termyn. Meer onlangse data word gewoonlik toegeken 'n groter gewig as ouer data, sodat WBG is meer ontvanklik vir skofte in die vlak van verkope. Maar voorspelling vooroordeel en sistematiese foute kom voor wanneer die produk verkoop geskiedenis uitbeeld sterk tendense of seisoenale patrone. Hierdie metode werk beter vir 'n kort reeks voorspellings van volwasse produkte as vir produkte in die groei of veroudering stadiums van die lewensiklus. Die aantal periodes van verkope geskiedenis (N) te gebruik in die vooruitsig berekening. Byvoorbeeld, spesifiseer N 4 in die opsie verwerking tot die mees onlangse vier tydperke gebruik as die grondslag vir die projeksie in die volgende tydperk. 'N Groot waarde vir N (soos 12) vereis meer verkope geskiedenis. So 'n waarde resultate in 'n stabiele vooruitsig, maar dit is stadig om skofte te erken in die vlak van verkope. Aan die ander kant, 'n klein waarde vir N (soos 3) reageer vinniger te verskuiwings in die vlak van verkope, maar die voorspelling kan so wyd dat produksie kan nie reageer op die verskille wissel. Die gewig wat aan elk van die historiese data tydperke. Die opgedra gewigte moet totaal 1.00. Byvoorbeeld, wanneer n 4, gewigte van 0.50, 0.25, 0.15, en 0.10 toewys met die mees onlangse data ontvangs van die grootste gewig. Minimum vereiste verkope geskiedenis: N plus die aantal tydperke wat nodig is vir die evaluering van die voorspelling prestasie (tydperke van beste passing). Hierdie tabel is geskiedenis wat in die vooruitsig berekening: Januarie voorspel gelyk (131 keer 0.10) (114 keer 0,15) (119 keer 0,25) (137 keer 0.50) / (0.10 0.15 0.25 0.50) 128,45 afgerond tot 128. Februarie voorspel gelyk (114 tye 0.10) (119 keer 0,15) (137 keer 0,25) (128 keer 0.50) / 1 127,5 afgerond tot 128. Maart voorspel gelyk (119 keer 0.10) (137 keer 0,15) (128 keer 0,25) (128 keer 0.50) / 1 128,45 afgerond tot 128. 3.2.10 metode 10: Lineêre Smoothing Hierdie metode bereken 'n geweegde gemiddelde van die verlede verkope data. In die berekening van hierdie metode gebruik die aantal periodes van verkope orde geskiedenis (van 1 tot 12) wat aangedui in die opsie verwerking. Die stelsel maak gebruik van 'n wiskundige vordering om data in die reeks van die eerste (minste gewig) tot die finale (die meeste gewig) weeg. Dan projekte die stelsel hierdie inligting aan elke tydperk in die vooruitsig. Hierdie metode vereis dat die maande beste passing plus die verkope orde geskiedenis vir die aantal periodes wat vermeld in die opsie verwerking. 3.2.10.1 Voorbeeld: Metode 10: Lineêre Smoothing Hierdie metode is soortgelyk aan Metode 9, WBG. Maar in plaas van na willekeur toeken gewigte aan die historiese data, 'n formule word gebruik om gewig wat lineêr afneem toewys en som tot 1.00. Die metode bereken dan 'n geweegde gemiddelde van die afgelope verkope geskiedenis te kom by 'n projeksie vir die kort termyn. Soos alle lineêre bewegende gemiddelde vooruitskatting tegnieke, voorspelling vooroordeel en sistematiese foute kom voor wanneer die produk verkoop geskiedenis uitbeeld sterk tendens of seisoenale patrone. Hierdie metode werk beter vir 'n kort reeks voorspellings van volwasse produkte as vir produkte in die groei of veroudering stadiums van die lewensiklus. N is gelyk aan die aantal periodes van verkope geskiedenis om te gebruik in die vooruitsig berekening. Byvoorbeeld, spesifiseer N gelyk 4 in die verwerking opsie om die mees onlangse vier tydperke gebruik as die grondslag vir die projeksie in die volgende tydperk. Die stelsel ken outomaties die gewigte na die historiese data wat lineêr afneem en som tot 1.00. Byvoorbeeld, wanneer n gelyk 4, die stelsel wys gewigte van 0.4, 0.3, 0.2, en 0.1, met die mees onlangse data ontvangs van die grootste gewig. Minimum vereiste verkope geskiedenis: N plus die aantal tydperke wat nodig is vir die evaluering van die voorspelling prestasie (tydperke van beste passing). Hierdie tabel is geskiedenis wat in die vooruitsig berekening: 3.2.11 Metode 11: Eksponensiële Smoothing hierdie metode bereken 'n reëlmatige gemiddelde, wat 'n skatting wat die algemene vlak van verkope oor die gekose historiese data tydperke raak. Hierdie metode vereis verkope data geskiedenis vir die tydperk wat deur die aantal periodes beste passing plus die aantal historiese data tydperke wat vermeld. Die minimum vereiste is twee historiese data tydperke. Hierdie metode is nuttig om die vraag te voorspel wanneer daar geen lineêre tendens is in die data. 3.2.11.1 Voorbeeld: Metode 11: Eksponensiële Smoothing Hierdie metode is soortgelyk aan Metode 10, Lineêre Smoothing. In Lineêre Smoothing, die stelsel wys gewigte wat lineêr afneem om die historiese data. In Eksponensiële Smoothing, die stelsel wys gewigte wat eksponensieel verval. Die vergelyking vir Eksponensiële Smoothing voorspelling is: Voorspelling alfa (Vorige werklike verkope) (1 ndashalpha) (vorige skatting) Die voorspelling is 'n geweegde gemiddeld van die werklike verkope van die vorige tydperk en die voorspelling van die vorige tydperk. Alpha is die gewig wat toegepas word om die werklike verkope vir die vorige tydperk. (1 uitvoering maak alfa) is die gewig wat toegepas word om die voorspelling vir die vorige tydperk. Waardes vir Alpha reeks 0-1 en val gewoonlik tussen 0.1 en 0.4. Die som van die gewigte is 1.00 (alfa (1 uitvoering maak alfa) 1). Jy moet 'n waarde vir die glad konstante, Alpha toewys. As jy nie 'n waarde vir die glad konstante hoef te ken, die stelsel bereken 'n veronderstelde waarde wat gebaseer is op die aantal periodes van verkope geskiedenis wat vermeld in die opsie verwerking. Alpha is gelyk aan die smoothing konstante wat gebruik word om die reëlmatige gemiddelde te bereken vir die algemene vlak of omvang van verkope. Waardes vir Alpha wissel van 0 tot 1. N gelyk aan die omvang van verkope geskiedenis data in die berekeninge te sluit. Oor die algemeen, 'n jaar van verkope geskiedenis data is voldoende om die algemene vlak van verkope te skat. Vir hierdie voorbeeld, 'n klein waarde vir N (N 4) is gekies om die handleiding berekeninge wat nodig is om die resultate te verifieer verminder. Eksponensiële Smoothing kan 'n voorspelling wat gebaseer is op so min as een historiese data punt te genereer. Minimum vereiste verkope geskiedenis: N plus die aantal tydperke wat nodig is vir die evaluering van die voorspelling prestasie (tydperke van beste passing). Hierdie tabel is geskiedenis wat in die vooruitsig berekening: 3.2.12 Metode 12: Eksponensiële Smoothing met Trend en Seisoenaliteit hierdie metode bereken 'n tendens, 'n seisoenale indeks, en 'n eksponensieel stryk gemiddelde van die verkope orde geskiedenis. Die stelsel is van toepassing dan 'n projeksie van die tendens om die voorspelling en pas vir die seisoenale indeks. Hierdie metode vereis dat die aantal periodes beste passing plus twee jaar van verkope data, en het groot waarde om items wat beide tendens en seisoenaliteit in die vooruitsig het. Jy kan die alfa en beta faktor betree, of het die stelsel te bereken nie. Alpha en Beta faktore is die glad konstante wat die stelsel gebruik om die reëlmatige gemiddelde te bereken vir die algemene vlak of omvang van verkope (alfa) en die tendens komponent van die voorspelling (beta). 3.2.12.1 Voorbeeld: Metode 12: Eksponensiële Smoothing met Trend en Seisoenaliteit Hierdie metode is soortgelyk aan Metode 11, eksponensiële Smoothing, in die sin dat 'n reëlmatige gemiddelde bereken word. Maar Metode 12 sluit ook 'n term in die vooruitskatting vergelyking met 'n reëlmatige tendens te bereken. Die voorspelling is saamgestel uit 'n reëlmatige gemiddelde wat aangepas vir 'n lineêre tendens. Wanneer vermeld in die opsie verwerking, is die voorspelling ook aangepas vir die seisoen. Alpha is gelyk aan die smoothing konstante wat gebruik word in die berekening van die reëlmatige gemiddelde vir die algemene vlak of omvang van verkope. Waardes vir Alpha wissel van 0 tot 1. Beta is gelyk aan die smoothing konstante wat gebruik word in die berekening van die reëlmatige gemiddelde vir die tendens komponent van die skatting. Waardes vir beta wissel van 0 tot 1. Of 'n seisoenale indeks is van toepassing op die skatting. Alpha en Beta is onafhanklik van mekaar. Hulle hoef nie te som tot 1.0. Minimum vereiste verkope geskiedenis: Een jaar plus die aantal tydperke wat nodig is om voorspellings oor die prestasie (tydperke van beste passing) te evalueer. Wanneer twee of meer jare van historiese data beskikbaar is, die stelsel maak gebruik van twee jaar van data in die berekeninge. Metode 12 gebruik twee Eksponensiële Smoothing vergelykings en 'n eenvoudige gemiddelde tot 'n reëlmatige gemiddelde, 'n reëlmatige tendens, en 'n eenvoudige gemiddelde seisoenale indeks te bereken. 'N eksponensieel stryk gemiddelde: 'n eksponensieel glad tendens: 'n Eenvoudige gemiddelde seisoensindeks: Figuur 3-3 eenvoudige gemiddelde seisoensindeks Die voorspelling word dan bereken word deur die resultate van die drie vergelykings: L is die lengte van seisoenaliteit (L gelyk 12 maande of 52 weke). t is die huidige tydperk. m is die aantal tydperke in die toekoms van die skatting. S is die multiplikatiewe seisoenale aanpassing faktor wat kruip na die toepaslike tydperk. MAD is 'n maatstaf van voorspelling fout. POA is 'n maatstaf van voorspelling vooroordeel. MAD is 'n maatstaf van die gemiddelde grootte van foute te verwag, gegewe 'n vooruitskatting metode en data geskiedenis. Omdat absolute waardes word gebruik in die berekening, moenie positiewe foute nie kanselleer negatiewe foute. Wanneer voorspellings is konsekwent te hoog, voorraad ophoop en voorraad koste styg. In dienste, die grootte van voorspelling foute is gewoonlik meer belangrik as wat voorspel vooroordeel.
No comments:
Post a Comment