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 baseras 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. 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 borde 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 prognosmakaren når den önskade perioden. 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 skulle se 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 erhållits med 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 WikipediaA Forecast Beräkningsexempel A.1 Prognosberäkningsmetoder Tolv metoder för beräkning av prognoser är tillgängliga. De flesta av dessa metoder ger begränsad användarkontroll. Exempelvis kan vikten på senaste historiska data eller datumintervallet för historiska data som används i beräkningarna anges. Följande exempel visar beräkningsförfarandet för var och en av de tillgängliga prognosmetoderna, med en identisk uppsättning historiska data. Följande exempel använder samma försäljningsdata 2004 och 2005 för att producera en 2006-prognos för försäljning. Utöver prognosberäkningen innehåller varje exempel en simulerad 2005-prognos för en tre månaders hållbarhetsperiod (bearbetningsalternativ 19 3) som sedan används för procent av noggrannhet och genomsnittliga absoluta avvikelser (faktiska försäljningar jämfört med simulerad prognos). A.2 Prognos Prestationsutvärderingskriterier Beroende på ditt val av bearbetningsalternativ och de trender och mönster som finns i försäljningsdata, kommer vissa prognosmetoder att fungera bättre än andra för en viss historisk dataset. En prognosmetod som är lämplig för en produkt kanske inte är lämplig för en annan produkt. Det är också osannolikt att en prognostiseringsmetod som ger goda resultat i ett skede av en livscykel för produkterna kommer att förbli lämplig under hela livscykeln. Du kan välja mellan två metoder för att utvärdera nuvarande prestanda för prognosmetoderna. Dessa är genomsnittlig absolut avvikelse (MAD) och procent av noggrannhet (POA). Båda dessa prestationsbedömningsmetoder kräver historiska försäljningsdata för en angiven tidsperiod för användaren. Denna tidsperiod kallas en uthållningsperiod eller perioder som passar bäst (PBF). Uppgifterna under denna period används som utgångspunkt för att rekommendera vilken av prognosmetoderna som ska användas vid nästa prognosprojektion. Denna rekommendation är specifik för varje produkt och kan ändras från en prognosproduktion till nästa. De två prognosutvärderingsmetoderna visas på sidorna efter exempel på de tolv prognosmetoderna. A.3 Metod 1 - Specificerad procentsats under förra året Denna metod multiplicerar försäljningsdata från föregående år med en användardefinierad faktor till exempel 1,10 för en 10 ökning eller 0,97 för en 3 minskning. Erforderlig försäljningshistorik: Ett år för beräkning av prognosen plus användarens specificerade antal tidsperioder för utvärdering av prognosprestanda (behandlingsalternativ 19). A.4.1 Beräkning Beräkningsområde Försäljningshistorik som ska användas vid beräkning av tillväxtfaktor (behandlingsalternativ 2a) 3 i detta exempel. Summa de sista tre månaderna 2005: 114 119 137 370 Summa samma tre månader för föregående år: 123 139 133 395 Den beräknade faktorn 370395 0,9367 Beräkna prognoserna: januari 2005 försäljning 128 0,9367 119,8036 eller cirka 120 februari 2005 försäljning 117 0,9367 109,5939 eller cirka 110 mars 2005 försäljning 115 0,9367 107,7205 eller cirka 108 A.4.2 Simulerad prognosberäkning Summan av tre månaderna 2005 före uthållningsperioden (juli, augusti, september): 129 140 131 400 Summa samma tre månader för föregående år: 141 128 118 387 Den beräknade faktorn 400387 1.033591731 Beräkna simulerad prognos: oktober 2004 försäljning 123 1.033591731 127.13178 november 2004 försäljning 139 1.033591731 143.66925 december 2004 försäljning 133 1.033591731 137.4677 A.4.3 Procent av beräkningsberäkning POA (127.13178 143.66925 137.4677) (114 119 137) 100 408,26873 370 100 110,3429 A.4.4 Genomsnittlig Absolut Avvikelse Beräkning MAD (127,13178 - 114 143,66925 - 119 137,4677-137) 3 (13.13178 24.66925 0.4677) 3 12.75624 A.5 Metod 3 - Förra året till det här året Denna metod kopierar försäljningsdata från föregående år till nästa år. Erforderlig försäljningshistorik: Ett år för beräkning av prognosen plus antal tidsperioder som anges för att utvärdera prognosprestanda (bearbetningsalternativ 19). A.6.1 Beräkning av prognos Antal perioder som ska ingå i medelvärdet (bearbetningsalternativ 4a) 3 i detta exempel För varje månad av prognosen, genomsnitt de föregående tre månaderna data. Januari prognos: 114 119 137 370, 370 3 123 333 eller 123 februari prognos: 119 137 123 379, 379 3 126 333 eller 126 mars prognos: 137 123 126 379, 386 3 128 677 eller 129 A.6.2 Simulerad prognosberäkning Oktober 2005 försäljning 140 131) 3 133 33333 Försäljning i november 2005 (140 131 114) 3 128 33333 Försäljning i december 2005 (131 114 119) 3 121 33333 A.6.3 Procent av beräkningsberäkning POA (133.3333 128.3333 121.3333) (114 119 137) 100 103.513 A.6.4 Medel Absolut Avvikelseberäkning MAD (133.3333 - 114 128.3333 - 119 121.3333 - 137) 3 14.7777 A.7 Metod 5 - Linjär approximation Linjär approximation beräknar en trend baserad på två försäljningshistorikdatapunkter. Dessa två punkter definierar en rak trendlinje som projiceras in i framtiden. Använd denna metod med försiktighet, eftersom långdistansprognoser utnyttjas av små förändringar på bara två datapunkter. Erforderlig försäljningshistorik: Antalet perioder som ska inkluderas i regression (behandlingsalternativ 5a) plus 1 plus antal tidsperioder för utvärdering av prognosprestanda (behandlingsalternativ 19). A.8.1 Beräkning av prognos Antal perioder som ska inkluderas i regression (behandlingsalternativ 6a) 3 i det här exemplet För varje månad av prognosen, lägg till ökningen eller minskningen under de angivna perioderna före hållbarhetsperioden föregående period. Medelvärde av de föregående tre månaderna (114 119 137) 3 123.3333 Sammanfattning av de föregående tre månaderna med hänsyn till (114 1) (119 2) (137 3) 763 Skillnad mellan värdena 763 - 123 3333 (1 2 3) 23 Förhållande 12 22 32) - 2 3 14 - 12 2 Värde1 SkillnadRatio 232 11,5 Värde2 Genomsnitt - värde1 förhållande 123.3333 - 11.5 2 100.3333 Prognos (1 n) värde1 värde2 4 11.5 100.3333 146.333 eller 146 Prognos 5 11.5 100.3333 157.8333 eller 158 Prognos 6 11.5 100.3333 169.3333 eller 169 A.8.2 Simulerad prognosberäkning Oktober 2004 Försäljning: Genomsnittet för de föregående tre månaderna (129 140 131) 3 133 3333 Sammanfattning av de föregående tre månaderna med hänsyn tagen (129 1) (140 2) (131 3) 802 Skillnad mellan värden 802 - 133.3333 (1 2 3) 2 Förhållande (12 22 32) - 2 3 14 - 12 2 Värde1 DifferenceRatio 22 1 Värde2 Genomsnitt - värde1 förhållande 133.3333 - 1 2 131.3333 Prognos (1 n) värde1 värde2 4 1 131.3333 135.3333 November 2004 försäljning Genomsnittet för de tre föregående månaderna (140 131 114) 3 128 3333 Sammanfattning av de föregående tre månaderna med hänsyn till (140 1) (131 2) (114 3) 744 Skillnad mellan värdena 744 - 128 3333 (1 2 3) -25,9999 Värde1 DiffferenceRatio -25.99992 -12.9999 Värde2 Genomsnitt - värde1-förhållande 128.3333 - (-12.9999) 2 154.3333 Prognos 4 -12.9999 154.3333 102.3333 december 2004 Försäljning Genomsnitt av de föregående tre månaderna (131 114 119) 3 121.3333 Sammanfattning av de föregående tre månaderna med hänsyn tagen ( 131 1) (114 2) (119 3) 716 Skillnad mellan värdena 716 - 121.3333 (1 2 3) -11.9999 Värde1 SkillnadRatio -11.99992 -5.9999 Värde2 Genomsnitt - värde1 förhållande 121.3333 - (-5.9999) 2 133.3333 Prognos 4 (-5.9999 ) 133.3333 109.3333 A.8.3 Procent av noggrannhetsberäkning POA (135.33 102.33 109.33) (114 119 137) 100 93.78 A.8.4 Genomsnittlig Absolut Avvikelse Beräkning MAD (135,33 - 114 102,33 - 119 109,33 - 137) 3 21,88 A.9 Metod 7 - Secon d Grad approximation Linjär regression bestämmer värdena för a och b i prognosformeln Y a bX med målet att anpassa en rak linje till försäljningshistorikdata. Andra grader Approximation är liknande. Denna metod bestämmer emellertid värdena för a, b och c i prognosformeln Y a bX cX2 med målet att anpassa en kurva till försäljningshistorikdata. Denna metod kan vara användbar när en produkt är i övergången mellan stadierna i en livscykel. Till exempel, när en ny produkt flyttar från introduktion till tillväxtstadier, kan försäljningsutvecklingen accelereras. På grund av den andra orderperioden kan prognosen snabbt närma sig oändligheten eller släppa till noll (beroende på om koefficienten c är positiv eller negativ). Därför är denna metod endast användbar på kort sikt. Prognosspecifikationer: Formlerna finner a, b och c för att passa en kurva till exakt tre punkter. Du anger n i bearbetningsalternativet 7a, antalet tidsperioder för data som ackumuleras i var och en av de tre punkterna. I detta exempel n 3. Därför kombineras faktiska försäljningsdata för april till juni i första punkten, Q1. Juli till september läggs samman för att skapa Q2 och oktober till december summa till Q3. Kurvan kommer att monteras på de tre värdena Q1, Q2 och Q3. Erforderlig försäljningshistorik: 3 n perioder för beräkning av prognosen plus antal tidsperioder som krävs för att utvärdera prognosprestandan (PBF). Antal perioder som ska inkluderas (behandlingsalternativ 7a) 3 i detta exempel Använd de föregående (3 n) månaderna i tre månaders block: Q1 (april-juni) 125 122 137 384 Q2 (jul-september) 129 140 131 400 Q3 Okt-dec) 114 119 137 370 Nästa steg innefattar att beräkna de tre koefficienterna a, b och c som ska användas i prognosformeln Y a bX cX2 (1) Q1 en bX cX2 (där X1) abc (2) Q2 en bX cX2 (där X2) en 2b 4c (3) Q3 en bX cX2 (där X3) a 3b 9c Lös de tre ekvationerna samtidigt för att hitta b, a och c: Subtrahera ekvation (1) från ekvation (2) och lösa för b (2) - (1) Q2 - Q1 b 3c Ersätt denna ekvation för b till ekvation (3) (3) Q3 a 3 (Q2 - Q1) - 3c c Äntligen ersätt dessa ekvationer för a och b till ekvation (1) Q3 - 3 (Q2 - Q1) (q2 - Q1) - 3c c Q1c (Q3 - Q2) (Q1 - Q2) 2 Den andra graden approximationsmetoden beräknar a, b och c enligt följande: en Q3 - 3 (Q2-Q1) 370-3 (400-384) 322 c (Q3-Q2) (Q1-Q2) 2 (370-400) (384-400) 2 -23 b (Q2-Q1) - 3c (400-384) - (3-23) 85 Y a bX cX2 322 85X (-23) X2 januari till marsprognos (X4): (322 340 - 368) 3 2943 98 per period april till juni prognos (X5): (322 425 - 575) 3 57 333 eller 57 per period juli till september prognos (X6): (322 510 - 828) 3 1,33 eller 1 per period oktober till december (X7) 595 - 11273 -70 A.9.2 Simulerad prognosberäkning Oktober, november och december 2004 Försäljning: Q1 (jan-mar) 360 Q2 (april-juni) 384 Q3 (jul-sep) 400 a 400-3 (384-360) 328 c (400 - 384) (360 - 384) 2 -4 b (384 - 360) - 3 (-4) 36 328 36 4 (-4) 163 136 A.9.3 Procent av beräkningsberäkning POA (136 136 136) (114 119 137) 100 110,27 A.9.4 Genomsnittlig avvikelseberäkning MAD (136 - 114 136 - 119 136 - 137) 3 13,33 A.10 Metod 8 - Flexibel metod Den flexibla metoden (Procent över en månad före) liknar Metod 1, procent över fjolåret. Båda metoderna multiplicerar försäljningsdata från en tidigare tidsperiod av en användardefinierad faktor och sedan projektet som resultat i framtiden. I Procenten över senaste årmetoden är projiceringen baserad på data från samma period föregående år. Den flexibla metoden lägger till förmågan att ange en annan tidsperiod än samma period förra året för att användas som underlag för beräkningarna. Multiplikationsfaktor. Ange till exempel 1,15 i bearbetningsalternativet 8b för att öka tidigare försäljningshistorikdata med 15. Basperiod. Till exempel kommer n 3 att göra att den första prognosen baseras på försäljningsdata i oktober 2005. Minimal försäljningshistorik: Användaren specificerade antal perioder tillbaka till basperioden plus antalet tidsperioder som krävs för att utvärdera prognosprestandan ( PBF). A.10.4 Genomsnittlig Absolut Avvikelse Beräkning MAD (148 - 114 161 - 119 151 - 137) 3 30 A.11 Metod 9 - Vägt Flyttande Medeltal Den Vägda Flyttande Genomsnittsmetoden (WMA) liknar Metod 4, Flyttande medelvärde (MA). Men med det vägda rörliga genomsnittsvärdet kan du tilldela ojämna vikter till historiska data. Metoden beräknar ett vägt genomsnitt av den senaste försäljningshistoriken för att komma fram till en prognos på kort sikt. Nyare data tilldelas vanligtvis en större vikt än äldre data, så det gör WMA mer mottagligt för skift i försäljningsnivån. Men prognosfel och systematiska fel uppstår fortfarande när produktförsäljningshistoriken uppvisar stark trend eller säsongsmönster. Denna metod fungerar bättre för kortvariga prognoser för mogna produkter snarare än för produkter i livscykelns tillväxt eller fördjupning. n antalet försäljningsperioder som ska användas i prognosberäkningen. Ange till exempel n 3 i bearbetningsalternativet 9a för att använda de senaste tre perioderna som utgångspunkt för projiceringen till nästa tidsperiod. Ett stort värde för n (som 12) kräver mer försäljningshistoria. Det resulterar i en stabil prognos, men kommer att vara långsam för att känna igen skift i försäljningsnivån. Å andra sidan kommer ett litet värde för n (som 3) att reagera snabbare på förändringar i försäljningsnivån, men prognosen kan fluktuera så mycket att produktionen inte kan svara på variationerna. Den vikt som tilldelas var och en av de historiska dataperioderna. De tilldelade vikterna måste uppgå till 1,00. Till exempel, när n 3, tilldela vikter på 0,6, 0,3 och 0,1, med den senaste data som tar emot största vikt. Minimikrav på försäljningshistorik: n plus antal tidsperioder som krävs för att utvärdera prognosprestandan (PBF). MAD (133,5 - 114 121,7 - 119 118,7 - 137) 3 13,5 A.12 Metod 10 - Linjär utjämning Denna metod liknar Metod 9, Vägt rörande medelvärde (WMA). I stället för att godtyckligt tilldela vikter till historiska data används en formel för att tilldela vikter som faller linjärt och summan till 1,00. Metoden beräknar sedan ett vägt genomsnitt av den senaste försäljningshistoriken för att komma fram till en prognos på kort sikt. Såsom är sant för alla linjära glidande medelprognostekniker förekommer prognosfel och systematiska fel när produktförsäljningshistoriken uppvisar stark trend eller säsongsmönster. Denna metod fungerar bättre för kortvariga prognoser för mogna produkter snarare än för produkter i livscykelns tillväxt eller fördjupning. n antalet försäljningsperioder som ska användas i prognosberäkningen. Detta anges i bearbetningsalternativet 10a. Ange till exempel n 3 i bearbetningsalternativet 10b för att använda de senaste tre perioderna som utgångspunkt för projiceringen till nästa tidsperiod. Systemet kommer automatiskt att tilldela vikterna till historiska data som minskar linjärt och summerar till 1,00. Till exempel, när n 3, kommer systemet att tilldela vikter på 0,5, 0,3333 och 0,1, med den senaste data som tar emot största vikt. Minimikrav på försäljningshistorik: n plus antal tidsperioder som krävs för att utvärdera prognosprestandan (PBF). A.12.1 Beräkningsberäkning Antal perioder som ska inkluderas i utjämningsgenomsnitt (behandlingsalternativ 10a) 3 i detta exempel Förhållande för en period före 3 (n2 n) 2 3 (32 3) 2 36 0,5 Förhållande för två perioder före 2 (n2 n ) 2 2 (32 3) 2 26 0,3333 .. Förhållande för tre perioder före 1 (n2 n) 2 1 (32 3) 2 16 0,166 .. Januari prognos: 137 0,5 119 13 114 16 127,16 eller 127 februari prognos: 127 0,5 137 13 119 16 129 Marsprognos: 129 0,5 127 13 137 16 129 666 eller 130 A.12.2 Simulerad prognosberäkning Oktober 2004 Försäljning 129 16 140 26 131 36 133,6666 Försäljning november 2004 140 16 131 26 114 36 124 december 2004 Försäljning 131 16 114 26 119 36 119.3333 A.12.3 Procent av beräkningsberäkning POA (133.6666 124 119.3333) (114 119 137) 100 101.891 A.12.4 Genomsnittlig Absolut Avvikelse Beräkning MAD (133.6666 - 114 124 - 119 119.3333 - 137) 3 14.1111 A.13 Metod 11 - Exponentiell utjämning Denna metod liknar metod 10, linjär utjämning. Vid linjär utjämning tilldelar systemet vikter till historiska data som avtar linjärt. Vid exponentiell utjämning tilldelar systemet vägar som exponentiellt sönderfall. Exponential utjämning prognos ekvation är: Prognos a (Tidigare verklig försäljning) (1-a) Föregående Prognos Prognosen är ett vägt genomsnitt av den faktiska försäljningen från föregående period och prognosen från föregående period. a är vikten på den faktiska försäljningen för föregående period. (1 - a) är vikten av prognosen för föregående period. Giltiga värden för ett intervall från 0 till 1, och vanligtvis faller mellan 0,1 och 0,4. Summan av vikterna är 1,00. a (1 - a) 1 Du bör tilldela ett värde för utjämningskonstanten, a. Om du inte tilldelar värden för utjämningskonstanten, beräknar systemet ett antaget värde baserat på antalet försäljningsperioder som anges i bearbetningsalternativet 11a. en utjämningskonstanten som används vid beräkning av det jämnformade genomsnittet för den allmänna nivån eller storleken på försäljningen. Giltiga värden för ett intervall från 0 till 1. n sortimentet av försäljningshistorikdata som ingår i beräkningarna. Ett år med försäljningshistorikdata är i allmänhet tillräcklig för att uppskatta den allmänna försäljningsnivån. För detta exempel valdes ett litet värde för n (n 3) för att minska de manuella beräkningar som krävs för att verifiera resultaten. Exponentiell utjämning kan generera en prognos baserad på så lite som en historisk datapunkt. Minimikrav på försäljningshistorik: n plus antal tidsperioder som krävs för att utvärdera prognosprestandan (PBF). A.13.1 Prognosberäkning Antal perioder som ska inkluderas i utjämningsgenomsnitt (bearbetningsalternativ 11a) 3 och alfaktor (bearbetningsalternativ 11b) tom i detta exempel en faktor för äldsta försäljningsdata 2 (11) eller 1 när alfabet specificeras en faktor för den 2: e äldsta försäljningsdata 2 (12), eller alf när alpha anges en faktor för den 3: e äldsta försäljningsdata 2 (13), eller alf när alpha anges en faktor för den senaste försäljningsdata 2 (1n) , eller alfa när alpha är specificerat november sm. Avg. a (oktober faktiskt) (1 - a) oktober sm. Avg. 1 114 0 0 114 december Sm. Avg. a (november faktiskt) (1 - a) november sm. Avg. 23 119 13 114 117.3333 januari prognos a (december faktiskt) (1 - a) december sm. Avg. 24 137 24 117.3333 127.16665 eller 127 februari Prognos januari prognos 127 mars prognos januari prognos 127 A.13.2 simulerad prognosberäkning juli 2004 sm. Avg. 22 129 129 augusti Sm. Avg. 23 140 13 129 136.3333 September Sm. Avg. 24 131 24 136 3333 133,6666 oktober 2004 försäljning sep sm. Avg. 133.6666 augusti, 2004 Sm. Avg. 22 140 140 september Sm. Avg. 23 131 13 140 134 oktober Sm. Avg. 24 114 24 134 124 november 2004 försäljning sep sm. Avg. 124 september 2004 Sm. Avg. 22 131 131 oktober Sm. Avg. 23 114 13 131 119,6666 November Sm. Avg. 24 119 24 119,6666 119,3333 december 2004 försäljning sep sm. Avg. 119.3333 A.13.3 Procent av noggrannhetsberäkning POA (133.6666 124 119.3333) (114 119 137) 100 101.891 A.13.4 Genomsnittlig Absolut Avvikelse Beräkning MAD (133.6666 - 114 124 - 119 119.3333 - 137) 3 14.1111 A.14 Metod 12 - Exponentiell utjämning med trend och säsonglighet Denna metod liknar metod 11, exponentiell utjämning genom att ett jämnt medelvärde beräknas. Metod 12 innehåller emellertid också en term i prognosekvationen för att beräkna en jämn trend. Prognosen består av en jämn genomsnittlig justering för en linjär trend. När det anges i bearbetningsalternativet justeras prognosen också för säsongsmässigt. en utjämningskonstanten som används vid beräkning av det jämnformade genomsnittet för den allmänna nivån eller storleken på försäljningen. Giltiga värden för alfabetik från 0 till 1. b utjämningskonstanten som används vid beräkning av det jämnde genomsnittet för prognosens trendkomponent. Giltiga värden för betavärde från 0 till 1. Om ett säsongsindex används för prognos a och b är oberoende av varandra. De behöver inte lägga till 1,0. Minimikrav på försäljningshistoria: två år plus antal tidsperioder som krävs för att utvärdera prognosprestandan (PBF). Metod 12 använder två exponentiella utjämningsekvationer och ett enkelt medelvärde för att beräkna ett jämnt medelvärde, en jämn trend och en enkel genomsnittlig säsongsfaktor. A.14.1 Prognosberäkning A) Ett exponentiellt jämnt MAD (122.81 - 114 133.14 - 119 135.33 - 137) 3 8.2 A.15 Utvärdering av prognoserna Du kan välja prognosmetoder för att generera så många som tolv prognoser för varje produkt. Varje prognosmetod kommer sannolikt att skapa en något annorlunda projicering. När tusentals produkter prognostiseras är det opraktiskt att göra ett subjektivt beslut om vilka av prognoserna som ska användas i dina planer för var och en av produkterna. Systemet utvärderar automatiskt prestanda för var och en av de prognosmetoder du väljer och för varje prognos för produkterna. Du kan välja mellan två prestandakriterier, Mean Absolute Deviation (MAD) och Procent Accuracy (POA). MAD är ett mått på prognosfel. POA är ett mått på prognosförskjutning. Båda dessa prestandautvärderingstekniker kräver faktiska försäljningshistorikdata för en användarens specificerade tidsperiod. Den här historiska perioden kallas en hållbarhetstid eller perioder som passar bäst (PBF). För att mäta resultatet av en prognostiseringsmetod, använd prognosformlerna för att simulera en prognos för historisk uthållighetsperiod. Det kommer vanligtvis att finnas skillnader mellan faktiska försäljningsdata och den simulerade prognosen för hållbarhetsperioden. När flera prognosmetoder väljs utförs samma process för varje metod. Flera prognoser beräknas för hållbarhetsperioden och jämförs med den kända försäljningshistoriken för samma tidsperiod. Prognosmetoden som ger den bästa matchningen (bästa passformen) mellan prognosen och den faktiska försäljningen under hållbarhetsperioden rekommenderas för användning i dina planer. Denna rekommendation är specifik för varje produkt och kan ändras från en prognosproduktion till nästa. A.16 Mean Absolute Deviation (MAD) MAD är medelvärdet (eller genomsnittet) av de absoluta värdena (eller storleken) av avvikelserna (eller fel) mellan aktuell och prognosdata. MAD är ett mått på den genomsnittliga storleksgraden av fel som kan förväntas, med en prognosmetod och datahistorik. Eftersom absoluta värden används i beräkningen avbryter inte positiva fel negativa fel. När man jämför flera prognosmetoder har den med den minsta MAD visat sig vara den mest tillförlitliga för den produkten under den perioden som hålls kvar. När prognosen är opartisk och fel normalt distribueras finns det ett enkelt matematiskt förhållande mellan MAD och två andra gemensamma fördelningsförhållanden, standardavvikelse och medelkvadratfel: A.16.1 Procent av noggrannhet (POA) Procent av noggrannhet (POA) ett mått på prognosförskjutning. När prognoserna är konsekventa för höga ackumuleras lager och lagerkostnader ökar. När prognoserna är konsekvent två låga förbrukas lager och kundservice minskar. En prognos som är 10 enheter för låg, då 8 enheter för höga, då 2 enheter för höga, skulle vara en objektiv prognos. Det positiva felet på 10 avbryts med negativa fel på 8 och 2. Fel Aktuell - Prognos När en produkt kan lagras i lager, och när prognosen är opartisk, kan en liten mängd säkerhetslager användas för att buffra felet. I den här situationen är det inte så viktigt att eliminera prognosfel eftersom det är att skapa objektiva prognoser. Men inom serviceindustrin skulle ovanstående situation ses som tre fel. Tjänsten skulle vara underbemannad under den första perioden, sedan överbemannade för de kommande två perioderna. I tjänster är storleken av prognosfel vanligtvis viktigare än vad som är prognostiserad bias. Sammanfattningen över hållbarhetsperioden tillåter positiva fel att avbryta negativa fel. När den totala faktiska försäljningen överstiger den totala prognostiserade försäljningen är förhållandet större än 100. Det är naturligtvis omöjligt att vara mer än 100 exakt. När en prognos är opartisk blir POA-förhållandet 100. Därför är det mer önskvärt att vara 95 exakt än att vara 110 exakt. POA-kriterierna väljer prognosmetoden som har ett POA-förhållande närmast 100. Skripting på denna sida förstärker innehållsnavigering men ändrar inte innehållet på något sätt.3 Förstå prognosnivåer och metoder Du kan generera både detaljprognoser (enstaka objekt) och sammanfattningar (produktlinje) prognoser som speglar produktbehovsmönster. Systemet analyserar tidigare försäljning för att beräkna prognoser genom att använda 12 prognosmetoder. Prognoserna innehåller detaljerad information på objektnivå och högre nivåinformation om en filial eller företaget som helhet. 3.1 Prognos för prestationsutvärderingskriterier Beroende på valet av bearbetningsalternativ och trender och mönster i försäljningsdata, utförs vissa prognosmetoder bättre än andra för en given historisk dataset. En prognosmetod som är lämplig för en produkt kanske inte är lämplig för en annan produkt. Det kan hända att en prognosmetod som ger goda resultat i ett skede av en produkts livscykel är lämplig under hela livscykeln. Du kan välja mellan två metoder för att utvärdera nuvarande prestanda för prognosmetoderna: Procent av noggrannhet (POA). Medel absolut avvikelse (MAD). Båda dessa prestationsbedömningsmetoder kräver historiska försäljningsdata under en period som du anger. Denna period kallas en uthållningsperiod eller period med bästa passform. Uppgifterna under denna period används som utgångspunkt för att rekommendera vilken prognosmetod som ska användas vid nästa prognosprojektion. Denna rekommendation är specifik för varje produkt och kan ändras från en prognosproduktion till nästa. 3.1.1 Bästa passform Systemet rekommenderar den bästa anpassningsprognosen genom att använda de valda prognosmetoderna till tidigare försäljningsorderhistorik och jämföra prognosimuleringen till den aktuella historiken. När du genererar en bästa anpassningsprognos jämförs systemet faktiska försäljningsorderhistorier med prognoser för en viss tidsperiod och beräknar hur exakt varje olika prognosmetod förutspådde försäljningen. Då rekommenderar systemet att den mest exakta prognosen är den bästa passformen. Denna grafik illustrerar bästa passformsprognoser: Figur 3-1 Bästa passformsprognos Systemet använder denna stegsekvens för att bestämma den bästa passformen: Använd varje specificerad metod för att simulera en prognos för hållbarhetsperioden. Jämför den faktiska försäljningen till de simulerade prognoserna för hållbarhetsperioden. Beräkna POA eller MAD för att bestämma vilken prognosmetod som ligger närmast den tidigare faktiska försäljningen. Systemet använder antingen POA eller MAD, baserat på de behandlingsalternativ som du väljer. Rekommendera en lämplig prognos för POA som är närmast 100 procent (över eller under) eller MAD som är närmast noll. 3.2 Prognosmetoder JD Edwards EnterpriseOne Forecast Management använder 12 metoder för kvantitativ prognos och anger vilken metod som passar bäst för prognosläget. Detta avsnitt diskuterar: Metod 1: Procent under förra året. Metod 2: Beräknad procentsats under förra året. Metod 3: Förra året till det här året. Metod 4: Flyttande medelvärde. Metod 5: Linjär approximation. Metod 6: Minsta kvadratregression. Metod 7: Tillnärmning av andra graden. Metod 8: Flexibel metod. Metod 9: Viktat rörande medelvärde. Metod 10: Linjär utjämning. Metod 11: Exponentiell utjämning. Metod 12: Exponentiell utjämning med trend och säsonglighet. Ange den metod som du vill använda i behandlingsalternativen för prognosgenereringsprogrammet (R34650). De flesta av dessa metoder ger begränsad kontroll. Exempelvis kan vikten på senaste historiska data eller datumintervallet för historiska data som används i beräkningarna specificeras av dig. Exemplen i guiden anger beräkningsförfarandet för var och en av de tillgängliga prognosmetoderna, med en identisk uppsättning historiska data. Metodsexemplen i guiden använder en del eller alla dessa datasatser, vilket är historiska data från de senaste två åren. Prognosprojektionen går in i nästa år. Försäljningshistorikdata är stabila med små säsongsökningar i juli och december. Detta mönster är karakteristiskt för en mogen produkt som kan närma sig föryngring. 3.2.1 Metod 1: Procent under förra året Denna metod använder Formuläret Procent Över fjolårets formel för att multiplicera varje prognosperiod med angiven procentuell ökning eller minskning. För att kunna förutse efterfrågan kräver denna metod antalet perioder för bästa passform plus ett års försäljningshistoria. Denna metod är användbar för att prognostisera efterfrågan på säsongsvaror med tillväxt eller minskning. 3.2.1.1 Exempel: Metod 1: Procent under fjolåret Procenten över fjolårets formel multiplicerar försäljningsdata från föregående år med en faktor du anger och sedan projekt som resulterar under nästa år. Denna metod kan vara användbar vid budgetering för att simulera påverkan av en viss tillväxt eller när försäljningshistoriken har en betydande säsongskomponent. Prognosspecifikationer: Multiplikationsfaktor. Ange till exempel 110 i bearbetningsalternativet för att öka de tidigare årens försäljningshistorikdata med 10 procent. Erforderlig försäljningshistorik: Ett år för beräkning av prognosen plus antal tidsperioder som krävs för att utvärdera prognosprestandan (perioder med bästa passform) som du anger. Denna tabell är historia som används i prognosberäkningen: Februari-prognosen motsvarar 117 gånger 1,1 128,7 avrundad till 129. Marsprognosen är 115 gånger 1,1 126,5 avrundad till 127. 3.2.2 Metod 2: Beräknad procentsats under förra året Denna metod använder beräknad procentsats över Förra året formel för att jämföra den tidigare försäljningen av specificerade perioder till försäljning från samma perioder föregående år. Systemet bestämmer en procentuell ökning eller minskning, och multiplicerar sedan varje period med procentandelen för att bestämma prognosen. För att kunna förutse efterfrågan kräver denna metod antalet perioder med orderorderhistorik plus ett års försäljningshistorik. Denna metod är användbar för att förutspå kortfristig efterfrågan på säsongsvaror med tillväxt eller nedgång. 3.2.2.1 Exempel: Metod 2: Beräknad procentsats under förra året Beräknad procentsats Över fjolårets formel multiplicerar försäljningsdata från föregående år med en faktor som beräknas av systemet och sedan projekterar det resultatet för nästa år. Den här metoden kan vara användbar för att projicera inverkan på att förlänga den senaste tillväxttakten för en produkt till nästa år samtidigt som ett säsongsmönster som finns i försäljningshistoriken bevaras. Prognosspecifikationer: Omsättning av försäljningshistoria som ska användas vid beräkning av tillväxten. Till exempel, specificera n är lika med 4 i bearbetningsalternativet för att jämföra försäljningshistorik för de senaste fyra perioderna till samma fyra perioder föregående år. Använd det beräknade förhållandet för att göra projiceringen för nästa år. Erforderlig försäljningshistoria: Ett år för beräkning av prognosen plus antal tidsperioder som krävs för att utvärdera prognosprestandan (perioder med bästa passform). Denna tabell är historia som används i prognosberäkningen, givet n 4: Februari-prognosen motsvarar 117 gånger 0,9766 114,26 avrundad till 114. Marsprognosen motsvarar 115 gånger 0,9766 112,31 avrundad till 112. 3.2.3 Metod 3: Förra året till i år Denna metod använder Förra årets försäljning för nästa års prognos. För att prognostisera efterfrågan kräver denna metod det antal perioder som passar bäst, plus ett års orderorderhistorik. Denna metod är användbar för att förutse efterfrågan på mogna produkter med efterfrågan på efterfrågan eller säsongens efterfrågan utan en trend. 3.2.3.1 Exempel: Metod 3: Förra året till det här året Förra året till årets formel kopieras försäljningsdata från föregående år till nästa år. Denna metod kan vara användbar vid budgetering för att simulera försäljningen på nuvarande nivå. Produkten är mogen och har ingen trend på lång sikt, men det kan finnas ett betydande säsongsmönster. Prognosspecifikationer: Ingen. Erforderlig försäljningshistoria: Ett år för beräkning av prognosen plus antal tidsperioder som krävs för att utvärdera prognosprestandan (perioder med bästa passform). Denna tabell är historia som används i prognosberäkningen: Januari-prognosen motsvarar januari i fjol med ett prognosvärde på 128. Februari-prognosen motsvarar februari förra året med ett prognosvärde på 117. Marsprognosen är samma som i mars i fjol med ett prognostiskt värde av 115. 3.2.4 Metod 4: Flyttande medelvärde Med denna metod används den rörliga genomsnittsformeln för att medge det angivna antalet perioder för att projicera nästa period. Du bör räkna om det ofta (månadsvis eller åtminstone kvartalsvis) för att återspegla förändrad efterfråganivå. För att prognostisera efterfrågan kräver denna metod det antal perioder som passar bäst, plus antalet perioder med orderorderhistorik. Denna metod är användbar för att förutse efterfrågan på mogna produkter utan en trend. 3.2.4.1 Exempel: Metod 4: Flytta genomsnittligt rörligt medelvärde (MA) är en populär metod för att medelvärda resultaten av den senaste försäljningshistoriken för att bestämma en prognos på kort sikt. MA prognosmetoden ligger bakom trenderna. Prognosfel och systematiska fel uppstår när produktförsäljningshistoriken uppvisar stark trend eller säsongsmönster. Denna metod fungerar bättre för kortvariga prognoser för mogna produkter än för produkter som ligger i livscykelns tillväxt eller fördjupning. Prognosspecifikationer: n är det antal försäljningsperioder som ska användas i prognosberäkningen. Ange till exempel n 4 i bearbetningsalternativet för att använda de senaste fyra perioderna som utgångspunkt för projiceringen till nästa tidsperiod. Ett stort värde för n (som 12) kräver mer försäljningshistoria. Det resulterar i en stabil prognos, men är långsamt att känna igen skift i försäljningsnivån. Omvänt är ett litet värde för n (som 3) snabbare att svara på förändringar i försäljningsnivån, men prognosen kan fluktuera så mycket att produktionen inte kan svara på variationerna. Erforderlig försäljningshistorik: n plus antal tidsperioder som krävs för att utvärdera prognosprestandan (perioder med bästa passform). Denna tabell är historia som används i prognosberäkningen: Februari-prognosen motsvarar (114 119 137 125) 4 123,75 avrundad till 124. Marsprognosen är lika med (119 137 125 124) 4 126.25 avrundad till 126. 3.2.5 Metod 5: Linjär approximation Denna metod använder den linjära approximationsformeln för att beräkna en trend från antalet perioder av orderorderhistorik och att projicera denna trend till prognosen. Du bör omräkna trenden månadsvis för att upptäcka förändringar i trender. Denna metod kräver antalet perioder med bäst passform plus antal specificerade perioder av orderorderhistorik. Denna metod är användbar för att prognostisera efterfrågan på nya produkter eller produkter med konsekventa positiva eller negativa trender som inte beror på säsongsvariationer. 3.2.5.1 Exempel: Metod 5: Linjär approximation Linjär approximation beräknar en trend som baseras på två försäljningshistoriska datapunkter. Dessa två punkter definierar en rak trendlinje som projiceras in i framtiden. Use this method with caution because long range forecasts are leveraged by small changes in just two data points. Forecast specifications: n equals the data point in sales history that is compared to the most recent data point to identify a trend. For example, specify n 4 to use the difference between December (most recent data) and August (four periods before December) as the basis for calculating the trend. Minimum required sales history: n plus 1 plus the number of time periods that are required for evaluating the forecast performance (periods of best fit). This table is history used in the forecast calculation: January forecast December of past year 1 (Trend) which equals 137 (1 times 2) 139. February forecast December of past year 1 (Trend) which equals 137 (2 times 2) 141. March forecast December of past year 1 (Trend) which equals 137 (3 times 2) 143. 3.2.6 Method 6: Least Squares Regression The Least Squares Regression (LSR) method derives an equation describing a straight line relationship between the historical sales data and the passage of time. LSR fits a line to the selected range of data so that the sum of the squares of the differences between the actual sales data points and the regression line are minimized. The forecast is a projection of this straight line into the future. This method requires sales data history for the period that is represented by the number of periods best fit plus the specified number of historical data periods. The minimum requirement is two historical data points. This method is useful to forecast demand when a linear trend is in the data. 3.2.6.1 Example: Method 6: Least Squares Regression Linear Regression, or Least Squares Regression (LSR), is the most popular method for identifying a linear trend in historical sales data. The method calculates the values for a and b to be used in the formula: This equation describes a straight line, where Y represents sales and X represents time. Linear regression is slow to recognize turning points and step function shifts in demand. Linear regression fits a straight line to the data, even when the data is seasonal or better described by a curve. When sales history data follows a curve or has a strong seasonal pattern, forecast bias and systematic errors occur. Forecast specifications: n equals the periods of sales history that will be used in calculating the values for a and b. For example, specify n 4 to use the history from September through December as the basis for the calculations. When data is available, a larger n (such as n 24) would ordinarily be used. LSR defines a line for as few as two data points. For this example, a small value for n (n 4) was chosen to reduce the manual calculations that are required to verify the results. Minimum required sales history: n periods plus the number of time periods that are required for evaluating the forecast performance (periods of best fit). This table is history used in the forecast calculation: March forecast equals 119.5 (7 times 2.3) 135.6 rounded to 136. 3.2.7 Method 7: Second Degree Approximation To project the forecast, this method uses the Second Degree Approximation formula to plot a curve that is based on the number of periods of sales history. This method requires the number of periods best fit plus the number of periods of sales order history times three. This method is not useful to forecast demand for a long-term period. 3.2.7.1 Example: Method 7: Second Degree Approximation Linear Regression determines values for a and b in the forecast formula Y a b X with the objective of fitting a straight line to the sales history data. Second Degree Approximation is similar, but this method determines values for a, b, and c in the this forecast formula: Y a b X c X 2 The objective of this method is to fit a curve to the sales history data. This method is useful when a product is in the transition between life cycle stages. For example, when a new product moves from introduction to growth stages, the sales trend might accelerate. På grund av den andra orderperioden kan prognosen snabbt närma sig oändligheten eller släppa till noll (beroende på om koefficienten c är positiv eller negativ). This method is useful only in the short term. Forecast specifications: the formula find a, b, and c to fit a curve to exactly three points. You specify n, the number of time periods of data to accumulate into each of the three points. In this example, n 3. Actual sales data for April through June is combined into the first point, Q1. Juli till september läggs samman för att skapa Q2 och oktober till december summa till Q3. The curve is fitted to the three values Q1, Q2, and Q3. Required sales history: 3 times n periods for calculating the forecast plus the number of time periods that are required for evaluating the forecast performance (periods of best fit). This table is history used in the forecast calculation: Q0 (Jan) (Feb) (Mar) Q1 (Apr) (May) (Jun) which equals 125 122 137 384 Q2 (Jul) (Aug) (Sep) which equals 140 129 131 400 Q3 (Oct) (Nov) (Dec) which equals 114 119 137 370 The next step involves calculating the three coefficients a, b, and c to be used in the forecasting formula Y a b X c X 2 . Q1, Q2, and Q3 are presented on the graphic, where time is plotted on the horizontal axis. Q1 represents total historical sales for April, May, and June and is plotted at X 1 Q2 corresponds to July through September Q3 corresponds to October through December and Q4 represents January through March. This graphic illustrates the plotting of Q1, Q2, Q3, and Q4 for second degree approximation: Figure 3-2 Plotting Q1, Q2, Q3, and Q4 for second degree approximation Three equations describe the three points on the graph: (1) Q1 a bX cX 2 where X 1(Q1 a b c) (2) Q2 a bX cX 2 where X 2(Q2 a 2b 4c) (3) Q3 a bX cX 2 where X 3(Q3 a 3b 9c) Solve the three equations simultaneously to find b, a, and c: Subtract equation 1 (1) from equation 2 (2) and solve for b: (2) ndash (1) Q2 ndash Q1 b 3c b (Q2 ndash Q1) ndash 3c Substitute this equation for b into equation (3): (3) Q3 a 3(Q2 ndash Q1) ndash 3c 9c a Q3 ndash 3(Q2 ndash Q1) Finally, substitute these equations for a and b into equation (1): (1)Q3 ndash 3(Q2 ndash Q1) (Q2 ndash Q1) ndash 3c c Q1 c (Q3 ndash Q2) (Q1 ndash Q2) 2 The Second Degree Approximation method calculates a, b, and c as follows: a Q3 ndash 3(Q2 ndash Q1) 370 ndash 3(400 ndash 384) 370 ndash 3(16) 322 b (Q2 ndash Q1) ndash3c (400 nda sh 384) ndash (3 times ndash23) 16 69 85 c (Q3 ndash Q2) (Q1 ndash Q2) 2 (370 ndash 400) (384 ndash 400) 2 ndash23 This is a calculation of second degree approximation forecast: Y a bX cX 2 322 85X (ndash23) (X 2 ) When X 4, Q4 322 340 ndash 368 294. The forecast equals 294 3 98 per period. When X 5, Q5 322 425 ndash 575 172. The forecast equals 172 3 58.33 rounded to 57 per period. When X 6, Q6 322 510 ndash 828 4. The forecast equals 4 3 1.33 rounded to 1 per period. This is the forecast for next year, Last Year to This Year: 3.2.8 Method 8: Flexible Method This method enables you to select the best fit number of periods of sales order history that starts n months before the forecast start date, and to apply a percentage increase or decrease multiplication factor with which to modify the forecast. This method is similar to Method 1, Percent Over Last Year, except that you can specify the number of periods that you use as the base. Depending on what you select as n, this method requires periods best fit plus the number of periods of sales data that is indicated. This method is useful to forecast demand for a planned trend. 3.2.8.1 Example: Method 8: Flexible Method The Flexible Method (Percent Over n Months Prior) is similar to Method 1, Percent Over Last Year. Both methods multiply sales data from a previous time period by a factor specified by you, and then project that result into the future. I Procenten över senaste årmetoden är projiceringen baserad på data från samma period föregående år. You can also use the Flexible Method to specify a time period, other than the same period in the last year, to use as the basis for the calculations. Multiplikationsfaktor. For example, specify 110 in the processing option to increase previous sales history data by 10 percent. Base period. For example, n 4 causes the first forecast to be based on sales data in September of last year. Minimum required sales history: the number of periods back to the base period plus the number of time periods that is required for evaluating the forecast performance (periods of best fit). This table is history used in the forecast calculation: 3.2.9 Method 9: Weighted Moving Average The Weighted Moving Average formula is similar to Method 4, Moving Average formula, because it averages the previous months sales history to project the next months sales history. However, with this formula you can assign weights for each of the prior periods. This method requires the number of weighted periods selected plus the number of periods best fit data. Similar to Moving Average, this method lags behind demand trends, so this method is not recommended for products with strong trends or seasonality. This method is useful to forecast demand for mature products with demand that is relatively level. 3.2.9.1 Example: Method 9: Weighted Moving Average The Weighted Moving Average (WMA) method is similar to Method 4, Moving Average (MA). However, you can assign unequal weights to the historical data when using WMA. Metoden beräknar ett vägt genomsnitt av den senaste försäljningshistoriken för att komma fram till en prognos på kort sikt. More recent data is usually assigned a greater weight than older data, so WMA is more responsive to shifts in the level of sales. However, forecast bias and systematic errors occur when the product sales history exhibits strong trends or seasonal patterns. This method works better for short range forecasts of mature products than for products in the growth or obsolescence stages of the life cycle. The number of periods of sales history (n) to use in the forecast calculation. For example, specify n 4 in the processing option to use the most recent four periods as the basis for the projection into the next time period. Ett stort värde för n (som 12) kräver mer försäljningshistoria. Such a value results in a stable forecast, but it is slow to recognize shifts in the level of sales. Conversely, a small value for n (such as 3) responds more quickly to shifts in the level of sales, but the forecast might fluctuate so widely that production cannot respond to the variations. The total number of periods for the processing option rdquo14 - periods to includerdquo should not exceed 12 months. The weight that is assigned to each of the historical data periods. The assigned weights must total 1.00. For example, when n 4, assign weights of 0.50, 0.25, 0.15, and 0.10 with the most recent data receiving the greatest weight. Minimum required sales history: n plus the number of time periods that are required for evaluating the forecast performance (periods of best fit). This table is history used in the forecast calculation: January forecast equals (131 times 0.10) (114 times 0.15) (119 times 0.25) (137 times 0.50) (0.10 0.15 0.25 0.50) 128.45 rounded to 128. February forecast equals (114 times 0.10) (119 times 0.15) (137 times 0.25) (128 times 0.50) 1 127.5 rounded to 128. March forecast equals (119 times 0.10) (137 times 0.15) (128 times 0.25) (128 times 0.50) 1 128.45 rounded to 128. 3.2.10 Method 10: Linear Smoothing This method calculates a weighted average of past sales data. In the calculation, this method uses the number of periods of sales order history (from 1 to 12) that is indicated in the processing option. The system uses a mathematical progression to weigh data in the range from the first (least weight) to the final (most weight). Then the system projects this information to each period in the forecast. This method requires the months best fit plus the sales order history for the number of periods that are specified in the processing option. 3.2.10.1 Example: Method 10: Linear Smoothing This method is similar to Method 9, WMA. I stället för att godtyckligt tilldela vikter till historiska data används en formel för att tilldela vikter som faller linjärt och summan till 1,00. Metoden beräknar sedan ett vägt genomsnitt av den senaste försäljningshistoriken för att komma fram till en prognos på kort sikt. Like all linear moving average forecasting techniques, forecast bias and systematic errors occur when the product sales history exhibits strong trend or seasonal patterns. This method works better for short range forecasts of mature products than for products in the growth or obsolescence stages of the life cycle. n equals the number of periods of sales history to use in the forecast calculation. For example, specify n equals 4 in the processing option to use the most recent four periods as the basis for the projection into the next time period. The system automatically assigns the weights to the historical data that decline linearly and sum to 1.00. For example, when n equals 4, the system assigns weights of 0.4, 0.3, 0.2, and 0.1, with the most recent data receiving the greatest weight. Minimum required sales history: n plus the number of time periods that are required for evaluating the forecast performance (periods of best fit). This table is history used in the forecast calculation: 3.2.11 Method 11: Exponential Smoothing This method calculates a smoothed average, which becomes an estimate representing the general level of sales over the selected historical data periods. This method requires sales data history for the time period that is represented by the number of periods best fit plus the number of historical data periods that are specified. The minimum requirement is two historical data periods. This method is useful to forecast demand when no linear trend is in the data. 3.2.11.1 Example: Method 11: Exponential Smoothing This method is similar to Method 10, Linear Smoothing. In Linear Smoothing, the system assigns weights that decline linearly to the historical data. In Exponential Smoothing, the system assigns weights that exponentially decay. The equation for Exponential Smoothing forecasting is: Forecast alpha (Previous Actual Sales) (1 ndashalpha) (Previous Forecast) The forecast is a weighted average of the actual sales from the previous period and the forecast from the previous period. Alpha is the weight that is applied to the actual sales for the previous period. (1 ndash alpha) is the weight that is applied to the forecast for the previous period. Values for alpha range from 0 to 1 and usually fall between 0.1 and 0.4. The sum of the weights is 1.00 (alpha (1 ndash alpha) 1). You should assign a value for the smoothing constant, alpha. If you do not assign a value for the smoothing constant, the system calculates an assumed value that is based on the number of periods of sales history that is specified in the processing option. alpha equals the smoothing constant that is used to calculate the smoothed average for the general level or magnitude of sales. Values for alpha range from 0 to 1. n equals the range of sales history data to include in the calculations. Generally, one year of sales history data is sufficient to estimate the general level of sales. For this example, a small value for n (n 4) was chosen to reduce the manual calculations that are required to verify the results. Exponential Smoothing can generate a forecast that is based on as little as one historical data point. Minimum required sales history: n plus the number of time periods that are required for evaluating the forecast performance (periods of best fit). This table is history used in the forecast calculation: 3.2.12 Method 12: Exponential Smoothing with Trend and Seasonality This method calculates a trend, a seasonal index, and an exponentially smoothed average from the sales order history. The system then applies a projection of the trend to the forecast and adjusts for the seasonal index. This method requires the number of periods best fit plus two years of sales data, and is useful for items that have both trend and seasonality in the forecast. You can enter the alpha and beta factor, or have the system calculate them. Alpha and beta factors are the smoothing constant that the system uses to calculate the smoothed average for the general level or magnitude of sales (alpha) and the trend component of the forecast (beta). 3.2.12.1 Example: Method 12: Exponential Smoothing with Trend and Seasonality This method is similar to Method 11, Exponential Smoothing, in that a smoothed average is calculated. Metod 12 innehåller emellertid också en term i prognosekvationen för att beräkna en jämn trend. The forecast is composed of a smoothed average that is adjusted for a linear trend. När det anges i bearbetningsalternativet justeras prognosen också för säsongsmässigt. Alpha equals the smoothing constant that is used in calculating the smoothed average for the general level or magnitude of sales. Values for alpha range from 0 to 1. Beta equals the smoothing constant that is used in calculating the smoothed average for the trend component of the forecast. Values for beta range from 0 to 1. Whether a seasonal index is applied to the forecast. Alpha and beta are independent of one another. They do not have to sum to 1.0. Minimum required sales history: One year plus the number of time periods that are required to evaluate the forecast performance (periods of best fit). When two or more years of historical data is available, the system uses two years of data in the calculations. Method 12 uses two Exponential Smoothing equations and one simple average to calculate a smoothed average, a smoothed trend, and a simple average seasonal index. An exponentially smoothed average: An exponentially smoothed trend: A simple average seasonal index: Figure 3-3 Simple Average Seasonal Index The forecast is then calculated by using the results of the three equations: L is the length of seasonality (L equals 12 months or 52 weeks). t is the current time period. m is the number of time periods into the future of the forecast. S is the multiplicative seasonal adjustment factor that is indexed to the appropriate time period. This table lists history used in the forecast calculation: This section provides an overview of Forecast Evaluations and discusses: You can select forecasting methods to generate as many as 12 forecasts for each product. Each forecasting method might create a slightly different projection. When thousands of products are forecast, a subjective decision is impractical regarding which forecast to use in the plans for each product. The system automatically evaluates performance for each forecasting method that you select and for each product that you forecast. You can select between two performance criteria: MAD and POA. MAD är ett mått på prognosfel. POA är ett mått på prognosförskjutning. Both of these performance evaluation techniques require actual sales history data for a period specified by you. The period of recent history used for evaluation is called a holdout period or period of best fit. To measure the performance of a forecasting method, the system: Uses the forecast formulas to simulate a forecast for the historical holdout period. Makes a comparison between the actual sales data and the simulated forecast for the holdout period. When you select multiple forecast methods, this same process occurs for each method. Multiple forecasts are calculated for the holdout period and compared to the known sales history for that same period. The forecasting method that produces the best match (best fit) between the forecast and the actual sales during the holdout period is recommended for use in the plans. This recommendation is specific to each product and might change each time that you generate a forecast. 3.3.1 Mean Absolute Deviation Mean Absolute Deviation (MAD) is the mean (or average) of the absolute values (or magnitude) of the deviations (or errors) between actual and forecast data. MAD är ett mått på den genomsnittliga storleksgraden av fel som kan förväntas, med en prognosmetod och datahistorik. Eftersom absoluta värden används i beräkningen avbryter inte positiva fel negativa fel. When comparing several forecasting methods, the one with the smallest MAD is the most reliable for that product for that holdout period. When the forecast is unbiased and errors are normally distributed, a simple mathematical relationship exists between MAD and two other common measures of distribution, which are standard deviation and Mean Squared Error. For example: MAD (Sigma (Actual) ndash (Forecast)) n Standard Deviation, (sigma) cong 1.25 MAD Mean Squared Error cong ndashsigma2 This example indicates the calculation of MAD for two of the forecasting methods. This example assumes that you have specified in the processing option that the holdout period length (periods of best fit) is equal to five periods. 3.3.1.1 Method 1: Last Year to This Year This table is history used in the calculation of MAD, given Periods of Best Fit 5: Mean Absolute Deviation equals (2 1 20 10 14) 5 9.4. Based on these two choices, the Moving Average, n 4 method is recommended because it has the smaller MAD, 9.4, for the given holdout period. 3.3.2 Percent of Accuracy Percent of Accuracy (POA) is a measure of forecast bias. När prognoserna är konsekventa för höga ackumuleras lager och lagerkostnader ökar. When forecasts are consistently too low, inventories are consumed and customer service declines. A forecast that is 10 units too low, then 8 units too high, then 2 units too high is an unbiased forecast. The positive error of 10 is canceled by negative errors of 8 and 2. (Error) (Actual) ndash (Forecast) When a product can be stored in inventory, and when the forecast is unbiased, a small amount of safety stock can be used to buffer the errors. In this situation, eliminating forecast errors is not as important as generating unbiased forecasts. However, in service industries, the previous situation is viewed as three errors. The service is understaffed in the first period, and then overstaffed for the next two periods. I tjänster är storleken av prognosfel vanligtvis viktigare än vad som är prognostiserad bias. POA (SigmaForecast sales during holdout period) (SigmaActual sales during holdout period) times 100 percent The summation over the holdout period enables positive errors to cancel negative errors. When the total of forecast sales exceeds the total of actual sales, the ratio is greater than 100 percent. Of course, the forecast cannot be more than 100 percent accurate. When a forecast is unbiased, the POA ratio is 100 percent. A 95 percent accuracy rate is more desirable than a 110 percent accurate rate. The POA criterion selects the forecasting method that has a POA ratio that is closest to 100 percent. This example indicates the calculation of POA for two forecasting methods. This example assumes that you have specified in the processing option that the holdout period length (periods of best fit) is equal to five periods. 3.3.2.1 Method 1: Last Year to This Year This table is history used in the calculation of MAD, given Periods of Best Fit 5: 3.4.2 Forecast Accuracy These statistical laws govern forecast accuracy: A long term forecast is less accurate than a short term forecast because the further into the future you project the forecast, the more variables can affect the forecast. A forecast for a product family tends to be more accurate than a forecast for individual members of the product family. Some errors cancel each other as the forecasts for individual items summarize into the group, thus creating a more accurate forecast. 3.4.3 Forecast Considerations You should not rely exclusively on past data to forecast future demands. These circumstances might affect the business, and require you to review and modify the forecast: New products that have no past data. Plans for future sales promotion. Changes in national and international politics. New laws and government regulations. Weather changes and natural disasters. Innovations from competition. You can use long term trend analysis to influence the design of the forecasts: Leading economic indicators. 3.4.4 Forecasting Process You use the Refresh Actuals program (R3465) to copy data from the Sales Order History File table (F42119), the Sales Order Detail File table (F4211), or both, into either the Forecast File table (F3460) or the Forecast Summary File table (F3400), depending on the kind of forecast that you plan to generate. Scripting on this page enhances content navigation, but does not change the content in any way.
No comments:
Post a Comment