Viktat glidande medelvärde is the best strategi till prognoser försäljning of högt säsongs objekt

Tidsseriemetoder Tidsseriemetoder är statistiska tekniker som utnyttjar historiska data som samlats över en tidsperiod. Tidsseriemetoder antar att det som inträffat i det förflutna kommer att fortsätta att ske i framtiden. Som namnetidsserierna föreslår, beräknar dessa metoder prognosen till endast en faktor - tid. De innefattar bland annat glidande medelvärde, exponentiell utjämning och linjär trendlinje och de är bland de mest populära metoderna för prognoser för kortdistans mellan service - och tillverkningsföretag. Dessa metoder antar att identifierbara historiska mönster eller trender för efterfrågan över tid kommer att upprepa sig. Flytta genomsnittet En prognos för tidsserier kan vara så enkel som att använda efterfrågan under den aktuella perioden för att förutsäga efterfrågan under nästa period. Detta kallas ibland en naiv eller intuitiv prognos. 4 Till exempel, om efterfrågan är 100 enheter i veckan, är prognosen för nästa veckors efterfrågan 100 enheter om efterfrågan visar sig vara 90 enheter i stället, då efterföljande veckors efterfrågan är 90 enheter, och så vidare. Denna typ av prognostiseringsmetod tar inte hänsyn till historiskt efterfrågan beteende som det endast bygger på efterfrågan under den aktuella perioden. Det reagerar direkt på de normala, slumpmässiga rörelserna i efterfrågan. Den enkla glidande metoden använder flera efterfrågningsvärden under det senaste förflutet för att utveckla en prognos. Detta tenderar att dämpa eller släta ut de slumpmässiga ökningarna och minskningarna av en prognos som endast använder en period. Det enkla glidande medlet är användbart för att förutse efterfrågan som är stabil och visar inte något uttalat efterfrågan beteende, såsom en trend eller ett säsongsmönster. Flyttande medelvärden beräknas för specifika perioder, till exempel tre månader eller fem månader, beroende på hur mycket prognosen önskar släta efterfrågningsdata. Ju längre den rörliga genomsnittliga perioden, desto smidigare blir det. Formeln för att beräkna det enkla rörliga genomsnittet är att beräkna ett enkelt rörligt medelvärde. Instant Paper Clip Office Supply Company säljer och levererar kontorsmaterial till företag, skolor och byråer inom en 50-mils radie av sitt lager. Kontorsleveransverksamheten är konkurrenskraftig, och möjligheten att leverera order snabbt är en faktor för att få nya kunder och hålla gamla. (Kontor beställer vanligtvis inte när de är låga på leveranser, men när de slutar helt. Därför behöver de sina beställningar omedelbart.) Företagets chef vill vara säker med tillräckligt många förare och fordon är tillgängliga för att snabbt kunna leverera order och De har tillräcklig inventering i lager. Därför vill chefen kunna förutse antalet order som kommer att inträffa under nästa månad (dvs. att förutse efterfrågan på leveranser). Från register över leveransorder har ledningen ackumulerat följande data under de senaste 10 månaderna, från vilken man vill beräkna 3- och 5-månaders glidande medelvärden. Låt oss anta att det är slutet av oktober. Prognosen som följer av antingen 3- eller 5-månaders glidande medelvärde är typiskt för nästa månad i sekvensen, vilket i det här fallet är november. Det glidande medelvärdet beräknas från efterfrågan på order under de föregående 3 månaderna i sekvensen enligt följande formel: 5-månaders glidande medelvärde beräknas från de föregående 5 månaderna av efterfrågningsdata enligt följande: 3- och 5-månaders Flytta genomsnittliga prognoser för alla månader av efterfrågadata visas i följande tabell. Faktum är att endast prognosen för november baserat på den senaste månatliga efterfrågan skulle användas av chefen. De tidigare prognoserna för tidigare månader tillåter oss emellertid att jämföra prognosen med den faktiska efterfrågan för att se hur exakt prognosmetoden är - det vill säga hur bra det gör. Tre - och femmånadersgenomsnitt Både glidande genomsnittliga prognoser i tabellen ovan tenderar att släta ut variabiliteten i de faktiska data. Denna utjämningseffekt kan observeras i följande figur där 3-månads - och 5-månadsgenomsnittet har överlagts på ett diagram över de ursprungliga dataen: Det 5-månaders glidande genomsnittet i föregående figur släpper ut fluktuationerna i större utsträckning än 3 månaders glidande medelvärde. Det 3-månadersgenomsnittet återspeglar emellertid närmare de senaste uppgifterna som finns tillgängliga för kontorsleverantören. I allmänhet är prognoser som använder det längre glidande genomsnittet långsammare att reagera på de senaste förändringarna i efterfrågan än vad som gjordes med hjälp av kortare glidande medelvärden. De extra dataperioderna dämpar den hastighet som prognosen svarar på. Att fastställa lämpligt antal perioder att använda i en glidande genomsnittlig prognos kräver ofta en viss mängd försök och felprov. Nackdelen med den glidande genomsnittliga metoden är att den inte reagerar på variationer som uppstår av en anledning, såsom cykler och säsongseffekter. Faktorer som orsakar förändringar ignoreras generellt. Det är i princip en mekanisk metod som speglar historiska data på ett konsekvent sätt. Emellertid har den glidande medelmetoden fördelen att det är lätt att använda, snabbt och relativt billigt. I allmänhet kan denna metod ge en bra prognos på kort sikt, men det bör inte skjutas för långt in i framtiden. Viktat rörligt medelvärde Den glidande genomsnittliga metoden kan justeras för att bättre reflektera fluktuationer i data. I den viktade glidande genomsnittsmetoden tilldelas vikter till de senaste data enligt följande formel: Efterfrågningsdata för PM Computer Services (visad i tabellen för Exempel 10.3) verkar följa en ökande linjär trend. Företaget vill beräkna en linjär trendlinje för att se om den är mer exakt än exponentiella utjämning och justerade exponentiella utjämningsprognoser som utvecklats i exempel 10.3 och 10.4. De värden som krävs för minsta kvadratberäkningarna är följande: Med dessa värden beräknas parametrarna för linjär trendlinje enligt följande: Därför är linjär trendlinjekvation Att beräkna en prognos för period 13, låt x 13 i linjär trendlinje: Nedanstående diagram visar linjär trendlinje jämfört med aktuella data. Trendslinjen verkar tydligt reflektera de faktiska uppgifterna - det vill säga vara en bra passform - och skulle därmed vara en bra prognosmodell för detta problem. En nackdel med den linjära trenderlinjen är emellertid att den inte kommer att anpassas till en förändring i trenden, eftersom de exponentiella utjämningsprognosmetoderna kommer att det antas att alla framtida prognoser kommer att följa en rak linje. Detta begränsar användningen av denna metod till en kortare tidsram där du kan vara relativt säker på att trenden inte kommer att förändras. Säsongsjusteringar Ett säsongsmönster är en repetitiv ökning och minskning av efterfrågan. Många efterfrågevaror uppvisar säsongsbeteende. Klädförsäljningen följer årliga säsongsmönster, med efterfrågan på varma kläder ökar på hösten och vintern och sjunker under våren och sommaren då efterfrågan på svalare kläder ökar. Efterfrågan på många detaljhandelsvaror, inklusive leksaker, sportutrustning, kläder, elektroniska apparater, skinka, kalkoner, vin och frukt, ökar under semesterperioden. Efterfrågan på hälsokort ökar i samband med speciella dagar som Alla hjärtans dag och mors dag. Säsongsmönster kan också ske varje månad, veckovis eller till och med dagligen. Vissa restauranger har högre efterfrågan på kvällen än vid lunch eller på helgerna i motsats till vardagar. Trafik - därmed försäljning - på köpcentra hämtar på fredag ​​och lördag. Det finns flera metoder för att reflektera säsongsmönster i en prognos för tidsserier. Vi beskriver en av de enklare metoderna med en säsongsbetonad faktor. En säsongsfaktor är ett numeriskt värde som multipliceras med den normala prognosen för att få en säsongrensad prognos. En metod för att utveckla en efterfrågan på säsongsmässiga faktorer är att dela efterfrågan på varje säsongsperiod efter den totala årliga efterfrågan enligt följande formel: De resulterande säsongsfaktorerna mellan 0 och 1,0 är i själva verket den del av den totala årliga efterfrågan som tilldelas varje säsong. Dessa säsongsfaktorer multipliceras med den årliga prognostiserade efterfrågan för att ge justerade prognoser för varje säsong. Beräkna ett prognos med säsongsjusteringar. Wishbone Farms växer kalkoner för att sälja till köttbearbetningsföretag under hela året. Men högsäsong är uppenbarligen under fjärde kvartalet, från oktober till december. Wishbone Farms har upplevt efterfrågan på kalkoner under de senaste tre åren som visas i följande tabell: Eftersom vi har tre års efterfrågadata kan vi beräkna säsongsfaktorerna genom att dela den totala kvartalsbehovet för de tre åren med total efterfrågan under alla tre år : Sedan vill vi multiplicera den prognostiserade efterfrågan på nästa år, 2000, genom varje säsongsfaktor för att få den prognostiserade efterfrågan för varje kvartal. För att uppnå detta behöver vi en efterfråganprognos för 2000. I det här fallet, eftersom efterfrågadata i tabellen verkar uppvisa en generellt ökande trend, beräknar vi en linjär trendlinje för de tre år av data i tabellen för att få en grov prognosuppskattning: Prognosen för 2000 är således 58,17 eller 58,170 kalkoner. Med hjälp av denna årliga prognos för efterfrågan jämförs de säsongrensade prognoserna, SF i, för år 2000 med jämförelse av dessa kvartalsprognoser med de faktiska efterfrågningsvärdena i tabellen, de verkar vara relativt goda prognosberäkningar som återspeglar både säsongsvariationerna i data och den allmänna uppåtgående trenden. 10-12. Hur är den glidande medelmetoden som liknar exponentiell utjämning 10-13. Vilken effekt på exponentiell utjämningsmodell kommer att öka utjämningskonstanten har 10-14. Hur skiljer sig justerad exponentiell utjämning från exponentiell utjämning 10-15. Vad bestämmer valet av utjämningskonstanten för trend i en justerad exponentiell utjämningsmodell 10-16. I kapitelexemplen för tidsseriemetoder antogs startprognosen alltid vara densamma som den faktiska efterfrågan under den första perioden. Föreslå andra sätt att startprognosen kan härledas vid faktisk användning. 10-17. Hur skiljer den linjära trendlinjeprognosmodellen från en linjär regressionsmodell för prognoser 10-18. Av de tidsseriemodeller som presenteras i detta kapitel, inklusive det glidande medelvärdet och det vägda glidande medlet, exponentiell utjämning och justerad exponentiell utjämning och linjär trendlinje, vilken anser du bäst Varför 10-19. Vilka fördelar har justerad exponentiell utjämning över en linjär trendlinje för prognostiserad efterfrågan som uppvisar en trend 4 K. B. Kahn och J. T. Mentzer, prognoser inom konsument - och industrimarknaderna, Journal of Business Forecast 14, nr. 2 (sommaren 1995): 21-28.FORECASTING Prognoser innefattar generering av ett tal, uppsättning tal eller scenario som motsvarar en framtida händelse. Det är absolut nödvändigt att kort och långdistansplanering. Per definition är en prognos baserad på tidigare data, i motsats till en förutsägelse, som är mer subjektiv och baserad på instinkt, känsla av mage eller gissning. Till exempel, kvällens nyheter ger vädret x0022forecastx0022 inte vädret x0022prediction. x0022 Oavsett varför prognos och förutsägelse används ofta interchangeably. Till exempel definierar definitioner av regressionx2014a teknik som används i forecastingx2014 i allmänhet att dess syfte är att förklara eller x0022predict. x0022 Prognos bygger på ett antal antaganden: Det förflutna kommer att upprepa sig. Med andra ord kommer det som hänt i det förflutna att hända igen i framtiden. När prognoshorisonten förkortas ökar prognosnoggrannheten. Till exempel kommer en prognos för imorgon att bli mer exakt än en prognos för nästa månad kommer en prognos för nästa månad att vara mer exakt än en prognos för nästa år och en prognos för nästa år blir mer exakt än en prognos för tio år i framtida. Prognoser totalt sett är mer exakta än prognoser för enskilda poster. Det innebär att ett företag kommer att kunna förutsäga total efterfrågan över hela sitt produktspektrum mer exakt än att det kommer att kunna prognostisera enskilda lagringsenheter (SKU). Till exempel kan General Motors mer exakt förutse det totala antalet bilar som behövs för nästa år än det totala antalet vita Chevrolet Impalas med ett visst alternativpaket. Prognoser är sällan noggranna. Dessutom är prognoserna nästan aldrig helt korrekta. Medan vissa är väldigt nära är få x0022rätta på pengarna. x0022 Därför är det klokt att erbjuda en prognos x0022range. x0022 Om man skulle förutse en efterfrågan på 100 000 enheter för nästa månad är det extremt osannolikt att efterfrågan skulle motsvara 100 000 exakt. En prognos på 90.000 till 110.000 skulle emellertid ge ett mycket större mål för planering. William J. Stevenson listar ett antal egenskaper som är gemensamma för en bra prognos: Accuratex2014s viss grad av noggrannhet bör bestämmas och anges så att jämförelse kan göras med alternativa prognoser. Reliablex2014prognosmetoden bör konsekvent ge en bra prognos om användaren ska skapa viss grad av förtroende. Timelyx2014a viss tid krävs för att svara på prognosen så att prognostiseringshorisonten måste tillåta den tid som krävs för att göra ändringar. Lättanvänd och förståelse för prognosen måste vara säker och bekväm att arbeta med. Kostnadseffektivitet2014 Kostnaden för att göra prognosen bör inte överstiga de fördelar som uppnåtts av prognosen. Prognostekniker sträcker sig från det enkla till det extremt komplexa. Dessa tekniker klassificeras vanligtvis som kvalitativa eller kvantitativa. KVALITATIVA TEKNIKER Kvalitativa prognostekniker är generellt mer subjektiva än sina kvantitativa motsvarigheter. Kvalitativa tekniker är mer användbara i de tidigare stadierna av produktlivscykeln, när mindre tidigare data finns för användning i kvantitativa metoder. Kvalitativa metoder inkluderar Delphi-tekniken, Nominell gruppteknik (NGT), säljkårens åsikter, verkställande åsikter och marknadsundersökning. DELPHI-TEKNIKEN. Delphi-tekniken använder en panel av experter för att producera en prognos. Varje expert uppmanas att ge en prognos som är specifik för det aktuella behovet. Efter det att de första prognoserna gjorts läser varje expert vad alla andra experter skrev och naturligtvis påverkas av deras åsikter. En efterföljande prognos görs då av varje expert. Varje expert läser sedan igen vad varje annan expert skrev och påverkas återigen av de andras uppfattningar. Denna process upprepar sig tills varje expert närmar sig överenskommelse om det nödvändiga scenariot eller numret. NOMINAL GRUPP TEKNIK. Nominell gruppteknik liknar Delphi-tekniken genom att den använder en grupp deltagare, vanligtvis experter. När deltagarna har svarat på prognosrelaterade frågor rangordnar de sina svar i enlighet med uppfattad relativ betydelse. Sedan samlas rankningarna och aggregeras. Så småningom ska gruppen komma överens om prioriteringarna av de rankade frågorna. FÖRSÄLJNINGSFÖRESKRIFTER. Säljpersonalen är ofta en bra källa till information om framtida efterfrågan. Försäljningschefen kan begära inkomster från varje säljare och sammanställa deras svar i en sammansatt prognos för säljkåren. Försiktighet bör utövas när man använder den här tekniken eftersom säljkårens medlemmar kanske inte kan skilja mellan vad kunderna säger och vad de faktiskt gör. Om prognoserna kommer att användas för att fastställa försäljningskvoter kan försäljningskraften frestas att ge lägre uppskattningar. ÅTGÄRDER. Ibland möter överordnade chefer och utvecklar prognoser utifrån deras kunskaper om sina ansvarsområden. Detta kallas ibland som en jury av verkställande åsikt. MARKNADSUNDERSÖKNING. I marknadsundersökningar används konsumentundersökningar för att fastställa potentiell efterfrågan. Sådan marknadsundersökning innefattar vanligtvis att skapa ett frågeformulär som kräver personlig, demografisk, ekonomisk och marknadsföringsinformation. Ibland samlar marknadsforskare sådan information personligen i butiker och köpcentra där konsumenten kan uppleva, känna, lukta och se en särskild produkt. Forskaren måste vara försiktig med att urvalet av de undersökta personerna är representativt för det önskade konsumentmålet. KVANTITATIVA TEKNIKER Kvantitativa prognostekniker är i allmänhet mer objektiva än sina kvalitativa motsvarigheter. Kvantitativa prognoser kan vara prognoser i tidsserier (dvs. en prognos från det förflutna till framtiden) eller prognoser baserade på associativa modeller (dvs baserat på en eller flera förklarande variabler). Tidsseriedata kan ha underliggande beteenden som måste identifieras av prognosen. Dessutom kan prognosen behöva identifiera orsakerna till beteendet. Några av dessa beteenden kan vara mönster eller helt enkelt slumpmässiga variationer. Bland mönstren finns: Trender, vilka är långsiktiga rörelser (upp eller ner) i data. Säsongssituationen, som skapar kortsiktiga variationer som vanligtvis är relaterade till tiden på året, månaden eller till och med en viss dag, vilket ses av detaljhandeln på jul eller spikarna i bankverksamheten den första i månaden och på fredagen. Cykler, som är wavelike variationer som varar mer än ett år, som vanligtvis är knutna till ekonomiska eller politiska förhållanden. Oregelbundna variationer som inte återspeglar typiskt beteende, som en period av extremt väder eller en facklig strejk. Slumpmässiga variationer, som omfattar alla icke-typiska beteenden som inte redovisas av andra klassificeringar. Bland tidsseriemodellerna är det enklaste naxEFve-prognosen. En naxEFve-prognos använder helt enkelt den faktiska efterfrågan för den senaste perioden som den prognostiserade efterfrågan för nästa period. Detta gör givetvis antagandet att det förflutna kommer att upprepas. Det förutsätter också att eventuella trender, säsongsmässiga eller cykler avspeglas antingen i föregående periodx0027s efterfrågan eller existerar inte. Ett exempel på prognosen för naxEFve presenteras i tabell 1. Tabell 1 NaxEFve-prognos En annan enkel teknik är användningen av medelvärdet. För att göra en prognos med hjälp av medelvärdet tar man helt enkelt medeltalet av några perioder av tidigare data genom att summera varje period och dela resultatet med antalet perioder. Denna teknik har visat sig vara mycket effektiv för prognoser på kort sikt. Variationer i medelvärdet inkluderar det rörliga genomsnittet, det vägda genomsnittet och det vägda glidande medlet. Ett glidande medel tar ett förutbestämt antal perioder, summerar deras faktiska efterfrågan och dividerar med antalet perioder för att nå en prognos. För varje efterföljande period släpper den äldsta dataperioden bort och den senaste perioden läggs till. Om man antar ett tre månaders glidande medelvärde och använder data från tabell 1, skulle man helt enkelt lägga till 45 (januari), 60 (februari) och 72 (mars) och dela med tre för att komma fram till en prognos för april: 45 60 72 177 x00F7 3 59 För att komma fram till en prognos för maj skulle man släppa januarix0027s efterfrågan från ekvationen och lägga till efterfrågan från april. Tabell 2 visar ett exempel på en tre månaders rörlig genomsnittlig prognos. Tabell 2 Tre månaders rörlig genomsnittlig prognos Faktisk efterfrågan (000x0027s) Ett viktat medel gäller en förutbestämd vikt i varje månad av tidigare data, summerar tidigare data från varje period och delar upp med totala vikterna. Om prognosen justerar vikterna så att deras summa är lika med 1 multipliceras vikterna med den faktiska efterfrågan för varje tillämplig period. Resultaten summan summeras för att uppnå en vägd prognos. I allmänhet ju senare data desto högre vikt, och ju äldre data desto mindre blir vikten. Använda efterfrågningsexemplet, ett viktat medelvärde med vikter av .4. 3, 2 och .1 skulle ge prognosen för juni som: 60 (.1) 72 (.2) 58 (.3) 40 (.4) 53.8 Prognosgivare kan också använda en kombination av det vägda genomsnittet och glidande genomsnittliga prognoser . En vägd glidande medelprognos fördelar vikter till ett förutbestämt antal perioder av faktiska data och beräknar prognosen på samma sätt som beskrivits ovan. Som med alla rörliga prognoser, som varje ny period läggs till, kasseras data från den äldsta perioden. Tabell 3 visar en tre månaders vägd glidande medelprognos med användning av vikterna .5. 3 och .2. Tabell 3 Threex2013Medviktad rörlig genomsnittlig prognos Faktisk efterfrågan (000x0027s) En mer komplex form av viktat glidande medelvärde är exponentiell utjämning, så kallad eftersom vikten faller bort exponentiellt som data åldras. Exponentiell utjämning tar den tidigare periodx0027s prognosen och justerar den med en förutbestämd utjämningskonstant, x03AC (kallad alfa-värdet för alfa är mindre än en) multiplicerat med skillnaden i föregående prognos och efterfrågan som faktiskt inträffade under den tidigare prognostiserade perioden (kallad prognosfel). Exponentiell utjämning uttrycks formellt som sådan: Ny prognos tidigare prognos alfa (faktisk efterfrågan x2212 tidigare prognos) FF x03AC (A x2212 F) Exponentiell utjämning kräver att prognosern ska börja prognosen under en tidigare period och arbeta vidare med den period som en ström prognos behövs. En väsentlig mängd tidigare data och en början eller början prognos är också nödvändiga. Den initiala prognosen kan vara en faktisk prognos från en tidigare period, den faktiska efterfrågan från en tidigare period, eller det kan beräknas genom att medeltalvärda hela eller delar av tidigare data. Vissa heuristics finns för att beräkna en första prognos. Exempelvis skulle den heuristiska N (2 x F7 x03AC) x2212 1 och en alfa av .5 ge en N av 3, vilket indikerar att användaren skulle medeltal de första tre perioderna av data för att få en initial prognos. Emellertid är noggrannheten i den ursprungliga prognosen inte kritisk om man använder stora mängder data, eftersom exponentiell utjämning är x0022self-correcting. x0022 Med tanke på tillräckliga perioder av tidigare data kommer exponentiell utjämning i slutändan att göra tillräckligt korrigeringar för att kompensera för ett rimligt felaktigt initialt prognos. Användning av data som används i andra exempel beräknas en initial prognos på 50 och en alfa av .7, en prognos för februari: Ny prognos (februari) 50,7 (45 x2212 50) 41,5 Nästa prognosen för mars : Ny prognos (mars) 41.5 .7 (60 x2212 41.5) 54.45 Denna process fortsätter tills prognosen når önskad period. I tabell 4 skulle detta vara för juni månad eftersom den faktiska efterfrågan på juni inte är känd. Verklig efterfrågan (000x0027s) En förlängning av exponentiell utjämning kan användas när tidsseriedata uppvisar en linjär trend. Denna metod är känd av flera namn: dubbel utjämning trendjusterad exponentiell utjämning prognos inklusive trend (FIT) och Holtx0027s Model. Utan justering kommer enkla exponentiella utjämningsresultat att sänka trenden, det vill säga prognosen kommer alltid att vara låg om trenden ökar eller hög om trenden minskar. Med denna modell finns två utjämningskonstanter, x03AC och x03B2 med x03B2 som representerar trendkomponenten. En förlängning av Holtx0027s modell, kallad Holt-Winterx0027s Method, tar hänsyn till både trend och säsong. Det finns två versioner, multiplikativ och additiv, med multiplicativet som den mest använda. I additivmodellen uttrycks säsonglighet som en kvantitet som ska läggas till eller subtraheras från seriegenomsnittet. Den multiplikativa modellen uttrycker säsongsmässigheten som en procentuell andel som säsongsbetonade eller säsongsmässiga indexesx2014 av medelvärdet (eller trenden). Dessa multipliceras sedan gånger värden för att införliva säsongsmässigheten. En relativitet på 0,8 skulle indikera efterfrågan som är 80 procent av medelvärdet, medan 1,10 skulle indikera efterfrågan som är 10 procent över genomsnittet. Detaljerad information om den här metoden finns i de flesta handbokshanteringshandböcker eller ett antal böcker om prognoser. Associativ eller kausal teknik innefattar identifiering av variabler som kan användas för att förutsäga en annan variabel av intresse. Till exempel kan räntor användas för att förutse efterfrågan på hemrefinansiering. Vanligtvis involverar detta användningen av linjär regression, där målet är att utveckla en ekvation som summerar effekterna av prediktor (oberoende) variabler på den prognostiserade (beroende) variabeln. Om prediktorvariabeln plottades skulle objektet vara att få en ekvation av en rak linje som minimerar summan av de kvadratiska avvikelserna från linjen (med avvikelse avståndet från varje punkt till linjen). Ekvationen ser ut som: ya bx, där y är den förutspådda (beroende) variabeln, x är variabeln prediktor (oberoende), b är lutningen av linjen och a är lika med linjens höjd vid y - snappa upp. När ekvationen är bestämd kan användaren infoga nuvarande värden för variabeln predictor (independent) för att komma fram till en prognos (beroende variabel). Om det finns mer än en prediktorvariabel eller om förhållandet mellan prediktor och prognos inte är linjär, kommer enkel linjär regression att vara otillräcklig. För situationer med multipla prediktorer bör multipel regression användas, medan icke-linjära relationer kräver användning av kurvlinjig regression. EKONOMETRISK PROSPEKTION Ekonometriska metoder, som den automatiska regimens integrerade rörliga genomsnittsmodellen (ARIMA), använder komplexa matematiska ekvationer för att visa förflutna relationer mellan efterfrågan och variabler som påverkar efterfrågan. En ekvation är härledd och testad och finjusterad för att säkerställa att det är lika tillförlitligt en representation av det förflutna förhållandet som möjligt. När detta är gjort, sätts projicerade värden för influensvariablerna (inkomst, priser etc.) in i ekvationen för att göra en prognos. Utvärdering av prognoser Prognosnoggrannheten kan bestämmas genom att beräkna bias, genomsnittlig absolut avvikelse (MAD), genomsnittligt kvadratfel (MSE) eller genomsnittligt absolutprocentfel (MAPE) för prognosen med olika värden för alfa. Bias är summan av prognosfelen x2211 (FE). För det exponentiella utjämningsexemplet ovan skulle den beräknade förspänningen vara: (60 x2212 41,5) (72 x2212 54,45) (58 x2212 66,74) (40 x2212 60,62) 6,69 Om man antar att en låg bias indikerar ett totalt lågprognosfel kan man beräkna bias för ett antal potentiella värden av alfa och anta att den med den lägsta bias skulle vara den mest exakta. Men försiktighet måste observeras i det att väldigt felaktiga prognoser kan ge en låg bias om de tenderar att vara både över prognos och prognos (negativ och positiv). Till exempel kan ett företag i tre perioder använda ett visst värde av alfa till överprognos med 75 000 enheter (x221275 000), som prognostiseras av 100 000 enheter (100 000) och sedan över prognosen med 25 000 enheter (x221225 000), vilket ger en bias av noll (x221275000 100.000 x2212 25.000 0). Som jämförelse skulle en annan alfa som gav över prognoser på 2000 enheter, 1 000 enheter och 3 000 enheter resultera i en bias på 5000 enheter. Om den normala efterfrågan var 100 000 enheter per period skulle den första alfabetet ge prognoser som var avsteg med så mycket som 100 procent medan den andra alfa skulle vara avstängd med högst 3 procent, trots att bias i den första prognosen var noll. En säkrare mätning av prognosnoggrannheten är den genomsnittliga absoluta avvikelsen (MAD). För att beräkna MAD summerar prognosen det absoluta värdet av prognosfel och dividerar sedan med antalet prognoser (x2211 FE x00F7 N). Genom att ta det absoluta värdet av prognosfel, undviks avräkning av positiva och negativa värden. Detta innebär att både en överprognos på 50 och en underprognos av 50 är avstängd med 50. Med hjälp av data från exponentiell utjämningsexempel kan MAD beräknas enligt följande: (60 x2212 41,5 72 x2212 54,45 58 x2212 66,74 40 x2212 60,62) x00F7 4 16.35 Därför är prognosen avstängd i genomsnitt 16,35 enheter per prognos. Jämfört med resultatet av andra alfaser, kommer prospektet att veta att alfabetet med lägsta MAD ger den mest exakta prognosen. Medelkvadratfelet (MSE) kan också utnyttjas på samma sätt. MSE är summan av prognosfelmen kvadrerad dividerad med N-1 (x2211 (FE)) x00F7 (N-1). Kvadrering av prognosfel eliminerar möjligheten att kompensera negativa tal eftersom ingen av resultaten kan vara negativ. Med samma data som ovan skulle MSE vara: (18,5) (17,55) (x22128,74) (x221220,62) x00F7 3 383,94 Som med MAD kan prognosen jämföra MSE med prognoser som härrör från olika värden av alfa och anta att alfa med lägsta MSE ger den mest exakta prognosen. Det genomsnittliga absoluta procentfelet (MAPE) är det genomsnittliga absoluta procentfelet. För att komma fram till MAPE måste man ta summan av förhållandena mellan prognosfel och faktiska efterfrågtider 100 (för att få procentandelen) och dela upp med N (x2211 Faktisk efterfrågan x2212 prognos x00F7 Faktisk efterfrågan) xD7 100 x00F7 N. Använda data från Exponentialutjämningsexemplet MAPE kan beräknas enligt följande: (18.560 17.5572 8.7458 20.6248) xD7 100 x00F7 4 28.33 Som med MAD och MSE, desto lägre är det relativa felet ju mer exakt prognosen är. Det bör noteras att i vissa fall anses prognosens förmåga att förändras snabbt för att svara på förändringar i datamönstren anses vara viktigare än noggrannhet. Onex0027s val av prognosmetod bör därför återspegla den relativa vikten av betydelse mellan noggrannhet och lyhördhet, som bestäms av prognosmakaren. Gör en prognos William J. Stevenson listar följande som de grundläggande stegen i prognosprocessen: Bestäm prognosen för proxx0027. Faktorer som hur och när prognosen kommer att användas, nödvändigheten av noggrannhet och önskad detaljnivå bestämmer kostnaden (tid, pengar, anställda) som kan användas för prognosen och typen av prognosmetod som ska utnyttjas . Upprätta en tidshorisont. Detta inträffar när man har bestämt syftet med prognosen. Långsiktiga prognoser kräver längre tidshorisonter och vice versa. Noggrannhet är återigen en övervägande. Välj en prognosteknik. Den valda tekniken beror på syftet med prognosen, önskad tidshorisont och den tillåtna kostnaden. Samla och analysera data. Mängden och typen av data som behövs styrs av forecastx0027s syfte, den utvalda prognostekniken och eventuella kostnadsöverväganden. Gör prognosen. Övervaka prognosen. Utvärdera prognosens resultat och ändra om det behövs. YTTERLIGARE LÄSNING: Finch, Byron J. Operations Now: Lönsamhet, Processer, Prestanda. 2 ed. Boston: McGraw-Hill Irwin, 2006. Green, William H. Econometric Analysis. 5 ed. Upper Saddle River, NJ: Prentice Hall, 2003. Joppe, Dr. Marion. x0022Den nominella gruppen Technique. x0022 Forskningsprocessen. Tillgänglig från x003C ryerson. ca Stevenson, William J. Operations Management. 8 ed. Boston: McGraw-Hill Irwin, 2005. Läs också artikel om prognoser från WikipediaWeighted Moving Average Prognosmetoder: Fördelar och nackdelar Hej, ÄLSKAR din inlägg. Undrade om du kunde utveckla vidare. Vi använder SAP. I det finns ett urval som du kan välja innan du kör din prognos som heter initialisering. Om du markerar det här alternativet får du ett prognosresultat, om du kör prognos igen, under samma period och inte kontrollerar initieringen ändras resultatet. Jag kan inte ta reda på vad den här initialiseringen gör. Jag menar matematiskt. Vilket prognosresultat är bäst att spara och använda till exempel. Förändringarna mellan de två är inte i den prognostiserade kvantiteten men i MAD och Error, säkerhetslager och ROP-kvantiteter. Inte säker på om du använder SAP. hej tack för att du förklarade så effektivt dess för gd. tack igen Jaspreet Lämna ett svar Avbryt svar Om Shmula Pete Abilla är grundaren av Shmula och karaktären, Kanban Cody. Han har hjälpt företag som Amazon, Zappos, eBay, Backcountry och andra att minska kostnaderna och förbättra kundupplevelsen. Han gör det genom en systematisk metod för att identifiera smärtpunkter som påverkar kunden och verksamheten och uppmuntrar ett brett deltagande från företagets intresseföretag för att förbättra sina egna processer. Den här webbplatsen är en samling av sina erfarenheter som han vill dela med dig. Kom igång med gratis nedladdningar