Gewichtsbewegungs Durchschnitt Prognose Definition

Gleitender Mittelwert von Zeitreihendaten (Beobachtungen gleichermaßen zeitlich beabstandet) aus mehreren aufeinanderfolgenden Perioden. Angerufen, sich zu bewegen, weil es kontinuierlich neu berechnet wird, wenn neue Daten verfügbar werden, wird es fortgesetzt, indem man den frühesten Wert fällt und den letzten Wert addiert. Zum Beispiel kann der gleitende Durchschnitt von sechsmonatigen Verkäufen berechnet werden, indem man den Durchschnitt des Umsatzes von Januar bis Juni, dann den Durchschnitt der Verkäufe von Februar bis Juli, dann von März bis August und so weiter. Durchgehende Mittelwerte (1) reduzieren den Effekt von temporären Variationen in den Daten, (2) verbessern die Anpassung der Daten an eine Zeile (ein Prozess namens Glättung), um den Daten-Trend deutlicher zu zeigen und (3) einen Wert über oder unter dem Wert zu markieren Trend. Wenn du etwas mit sehr hoher Abweichung kalkst, kannst du das gleitende Durchschnitt herausfinden. Ich wollte wissen, was der gleitende Durchschnitt von den Daten war, also hätte ich ein besseres Verständnis dafür, wie wir es gemacht haben. Wenn Sie versuchen, herauszufinden, einige Zahlen, die sich ändern oft das Beste, was Sie tun können, ist die gleitenden Durchschnitt zu berechnen. Zeitreihenanalyse (TSA) FORECASTING Forecasting beinhaltet die Erzeugung einer Zahl, eines Satzes von Zahlen oder eines Szenarios, das einem zukünftigen Auftreten entspricht. Für die Kurzstrecken - und Langstreckenplanung ist es absolut notwendig. Definitionsgemäß basiert eine Prognose auf vergangenen Daten, im Gegensatz zu einer Vorhersage, die subjektiver ist und auf Instinkt basiert, gut gefühlt oder erraten hat. Zum Beispiel, die Abendnachrichten gibt das Wetter x0022forecastx0022 nicht das Wetter x0022prediction. x0022 Unabhängig davon werden die Begriffe Prognose und Vorhersage oft inter-changeable verwendet. Zum Beispiel, Definitionen von regressionx2014a Technik manchmal verwendet bei der Prognosex2014 generell sagen, dass ihr Zweck ist zu erklären oder x0022predict. x0022 Prognose basiert auf einer Reihe von Annahmen: Die Vergangenheit wird sich wiederholen. Mit anderen Worten, was in der Vergangenheit passiert ist, wird in Zukunft wieder passieren. Wenn der Prognosehorizont verkürzt, erhöht sich die Prognosegenauigkeit. Zum Beispiel wird eine Prognose für morgen genauer sein als eine Prognose für den nächsten Monat eine Prognose für den nächsten Monat wird genauer als eine Prognose für das nächste Jahr und eine Prognose für das nächste Jahr wird genauer als eine Prognose für zehn Jahre in der Zukunft. Die Prognose in der Summe ist genauer als die Prognose einzelner Posten. Das bedeutet, dass ein Unternehmen die Gesamtnachfrage über sein gesamtes Produktspektrum genauer prognostizieren kann, als es in der Lage ist, einzelne Lagerbestände (SKUs) zu prognostizieren. Zum Beispiel kann General Motors die Gesamtzahl der Autos, die für das nächste Jahr benötigt werden, genauer prognostizieren als die Gesamtzahl der weißen Chevrolet Impalas mit einem bestimmten Optionspaket. Prognosen sind selten genau. Darüber hinaus sind die Prognosen fast nie ganz richtig. Während einige sehr nah sind, sind nur wenige auf dem Geld. x0022 Daher ist es ratsam, eine Prognose anzubieten x0022range. x0022 Wenn man eine Nachfrage von 100.000 Einheiten für den nächsten Monat prognostizieren würde, ist es äußerst unwahrscheinlich, dass die Nachfrage 100.000 betragen würde genau. Eine Prognose von 90.000 bis 110.000 würde jedoch ein viel größeres Ziel für die Planung darstellen. William J. Stevenson listet eine Reihe von Merkmalen auf, die einer guten Prognose gemeinsam sind: Genauigkeitsgenauigkeitsgenauigkeit sollte festgelegt und angegeben werden, damit der Vergleich zu alternativen Prognosen durchgeführt werden kann. Reliablex2014Die Prognose-Methode sollte konsequent eine gute Prognose, wenn der Benutzer ein gewisses Maß an Vertrauen zu etablieren. Timelyx2014a wird eine gewisse Zeit benötigt, um auf die Prognose zu reagieren, so dass der Prognosehorizont die notwendige Zeit für Änderungen vornehmen muss. Einfach zu bedienen und understandx2014users der Prognose muss zuversichtlich und komfortabel damit arbeiten. Die Kosten für die Vorhersage sollten die von der Prognose erzielten Vorteile nicht überwiegen. Vorhersagetechniken reichen von der einfachen bis zur extrem komplexen. Diese Techniken werden in der Regel als qualitativ oder quantitativ klassifiziert. QUALITATIVE TECHNIKEN Qualitative Prognosetechniken sind in der Regel subjektiver als ihre quantitativen Pendants. Qualitative Techniken sind in den früheren Stadien des Produktlebenszyklus sinnvoller, wenn weniger vergangene Daten für den Einsatz in quantitativen Methoden existieren. Qualitative Methoden umfassen die Delphi-Technik, Nominal Group Technique (NGT), Außendienst-Stellungnahmen, Exekutiv-Stellungnahmen und Marktforschung. DIE DELPHI-TECHNIK. Die Delphi-Technik nutzt ein Expertengremium, um eine Prognose zu erstellen. Jeder Experte wird gebeten, eine Prognose für die Notwendigkeit zur Hand zu geben. Nachdem die anfänglichen Prognosen gemacht wurden, liest jeder Experte, was jeder andere Experte schrieb und ist natürlich von ihren Ansichten beeinflusst. Eine nachfolgende Prognose wird dann von jedem Fachmann gemacht. Jeder Experte liest dann wieder, was jeder andere Experte schrieb und wieder von den Wahrnehmungen der anderen beeinflusst wird. Dieser Prozeß wiederholt sich, bis jeder Experte eine Einigung über das benötigte Szenario oder Zahlen hat. NOMINAL GRUPPE TECHNIK. Nominal Group Technique ist ähnlich wie die Delphi-Technik, dass es eine Gruppe von Teilnehmern, in der Regel Experten verwendet. Nachdem die Teilnehmer auf Prognose-bezogene Fragen reagieren, richten sie ihre Antworten in der Reihenfolge der wahrgenommenen relativen Bedeutung ein. Dann werden die Ranglisten gesammelt und aggregiert. Schließlich sollte die Gruppe einen Konsens über die Prioritäten der Ranglisten erreichen. SALES FORCE MEINUNGEN. Die Vertriebsmitarbeiter sind oft eine gute Informationsquelle für die zukünftige Nachfrage. Der Vertriebsleiter kann von jedem Vertriebsmitarbeiter nach Input fragen und seine Antworten in eine Außendienst-Composite-Prognose zusammenfassen. Bei der Anwendung dieser Technik ist Vorsicht geboten, da die Mitglieder des Außendienstes nicht in der Lage sind, zwischen dem, was die Kunden sagen und was sie tatsächlich tun, zu unterscheiden. Auch wenn die Prognosen verwendet werden, um Verkaufsquoten zu etablieren, kann der Außendienst versucht werden, niedrigere Schätzungen zu liefern. EXECUTIVE MEINUNGEN. Manchmal treffen sich Top-Level-Manager auf der Grundlage ihrer Kenntnisse über ihre Verantwortungsbereiche. Dies wird manchmal als Jury der Exekutivaussage bezeichnet. MARKTFORSCHUNG. In der Marktforschung werden Verbraucherumfragen genutzt, um potenzielle Nachfrage zu etablieren. Solche Marketingforschung beinhaltet in der Regel den Aufbau eines Fragebogens, der persönliche, demographische, ökonomische und Marketinginformationen anfordert. Gelegentlich sammeln Marktforscher solche Informationen persönlich an Einzelhandelsgeschäften und Einkaufszentren, wo der Verbraucher erleben kann, wenn es sich um ein Produkt handelt. Deutsch:. Englisch: v3.espacenet. com/textdoc? DB = EPODOC & ... PN = Der Forscher muss darauf achten, dass die Stichprobe der befragten Personen repräsentativ für das gewünschte Verbraucherziel ist. QUANTITATIVE TECHNIKEN Quantitative Prognosetechniken sind in der Regel eher objektiv als ihre qualitativen Gegenstücke. Quantitative Prognosen können Zeitreihenprognosen (d. h. eine Projektion der Vergangenheit in die Zukunft) oder Prognosen basierend auf assoziativen Modellen (d. h. basierend auf einer oder mehreren erklärenden Variablen) sein. Zeitreihen-Daten können zugrunde liegende Verhaltensweisen haben, die vom Prognostiker identifiziert werden müssen. Darüber hinaus muss die Prognose möglicherweise die Ursachen des Verhaltens zu identifizieren. Einige dieser Verhaltensweisen können Muster oder einfach zufällige Variationen sein. Unter den Mustern sind: Trends, die langfristige Bewegungen (oben oder unten) in den Daten sind. Saisonalität, die kurzfristige Variationen produziert, die in der Regel mit der Zeit des Jahres, des Monats oder sogar eines bestimmten Tages zusammenhängen, wie die Einzelhandelsumsätze zu Weihnachten oder die Spikes im Bankgeschäft am ersten des Monats und freitags erlebt haben. Zyklen, die wellenförmige Variationen sind, die mehr als ein Jahr dauern, die gewöhnlich an ökonomische oder politische Bedingungen gebunden sind. Unregelmäßige Variationen, die kein typisches Verhalten widerspiegeln, wie zB eine Periode extremer Witterung oder ein Gewerkschaftsstreik. Zufällige Variationen, die alle nicht-typischen Verhaltensweisen umfassen, die nicht von den anderen Klassifikationen berücksichtigt wurden. Unter den Zeitreihenmodellen ist die einfachste die naxEFve-Prognose. Eine naxEFve-Prognose verwendet einfach die tatsächliche Nachfrage für die vergangene Periode als die prognostizierte Nachfrage für den nächsten Zeitraum. Das macht natürlich die Annahme, dass die Vergangenheit wiederholt wird. Es geht auch davon aus, dass irgendwelche Trends, Saisonalität oder Zyklen sich entweder in der vorherigen Periodex0027s Nachfrage widerspiegeln oder nicht existieren. Ein Beispiel für die NaxEFve-Prognose ist in Tabelle 1 dargestellt. Tabelle 1 NaxEFve-Prognose Eine weitere einfache Technik ist die Verwendung von Mittelung. Um eine Prognose mit Mittelwert zu machen, nimmt man einfach den Durchschnitt einer Anzahl von Perioden von vergangenen Daten durch Summierung jeder Periode und dividiert das Ergebnis durch die Anzahl der Perioden. Diese Technik hat sich als sehr effektiv für die Nahbereichsprognose erwiesen. Variationen der Mittelung umfassen den gleitenden Durchschnitt, den gewichteten Durchschnitt und den gewichteten gleitenden Durchschnitt. Ein gleitender Durchschnitt nimmt eine vorgegebene Anzahl von Perioden ein, summiert ihre tatsächliche Nachfrage und teilt sich durch die Anzahl der Perioden, um eine Prognose zu erreichen. Für jede nachfolgende Periode fällt die älteste Datenperiode ab und die letzte Periode wird hinzugefügt. Unter der Annahme eines dreimonatigen gleitenden Durchschnitts und der Verwendung der Daten aus Tabelle 1 würde man einfach 45 (Januar), 60 (Februar) und 72 (März) hinzufügen und durch drei teilen, um eine Prognose für April: 45 60 72 177 zu erreichen X00F7 3 59 Um zu einer Prognose für Mai zu gelangen, würde man von der Gleichung verlängern und die Nachfrage vom April addieren. Tabelle 2 zeigt ein Beispiel für eine dreimonatige gleitende Durchschnittsprognose. Tabelle 2 Drei Monate bewegte durchschnittliche Prognose Tatsächliche Nachfrage (000x0027s) Ein gewichteter Durchschnitt wendet ein vorbestimmtes Gewicht auf jeden Monat der vergangenen Daten an, summiert die vergangenen Daten aus jeder Periode und teilt sich durch die Summe der Gewichte. Wenn der Prognostiker die Gewichte so einstellt, daß ihre Summe gleich 1 ist, so werden die Gewichte mit der tatsächlichen Nachfrage jedes anwendbaren Zeitraums multipliziert. Die Ergebnisse werden dann summiert, um eine gewichtete Prognose zu erreichen. Im Allgemeinen, je neuere die Daten desto höher das Gewicht, und je älter die Daten desto kleiner das Gewicht. Mit dem Bedarfsbeispiel ein gewichteter Durchschnitt mit Gewichten von .4. 3.2 und .1 würde die Prognose für Juni wie folgt liefern: 60 (.1) 72 (.2) 58 (.3) 40 (.4) 53.8 Die Prognoseer können auch eine Kombination der gewogenen durchschnittlichen und gleitenden Durchschnittsprognosen verwenden . Eine gewichtete gleitende Durchschnittsprognose weist Gewichte einer vorgegebenen Anzahl von Perioden von Istdaten zu und berechnet die Prognose auf die gleiche Weise wie oben beschrieben. Wie bei allen laufenden Prognosen, da jede neue Periode hinzugefügt wird, werden die Daten aus der ältesten Periode verworfen. Tabelle 3 zeigt eine dreimonatige gewichtete gleitende Durchschnittsprognose unter Verwendung der Gewichte .5. 3 und .2. Tabelle 3 Dreix2013Month gewichtete bewegliche durchschnittliche Prognose tatsächliche Nachfrage (000x0027s) Eine komplexere Form des gewichteten gleitenden Durchschnitts ist exponentielle Glättung, so genannt, weil das Gewicht fällt exponentiell, wie die Daten altert. Die exponentielle Glättung nimmt die vorherige Periodex0027s prognostiziert und passt sie um eine vorgegebene Glättungskonstante an, x03AC (alpha der Wert für alpha ist kleiner als eins) multipliziert mit dem Unterschied in der vorherigen Prognose und der Nachfrage, die tatsächlich während der vorher prognostizierten Periode aufgetreten ist (genannt Prognosefehler). Die exponentielle Glättung wird formell als solche ausgedrückt: Neue Prognose vorherige Prognose Alpha (tatsächliche Nachfrage x2212 vorherige Prognose) FF x03AC (A x2212 F) Die exponentielle Glättung erfordert, dass der Prognostiker die Prognose in einem vergangenen Zeitraum beginnt und an den Zeitraum vorangeht, für den ein Strom gilt Prognose ist erforderlich. Eine beträchtliche Anzahl von vergangenen Daten und eine Anfangs - oder Anfangsprognose sind ebenfalls erforderlich. Die anfängliche Prognose kann eine tatsächliche Prognose aus einer früheren Periode, die tatsächliche Nachfrage aus einer früheren Periode, oder es kann durch die Mittelung der gesamten oder eines Teils der vergangenen Daten geschätzt werden. Einige Heuristiken existieren für die Berechnung einer ersten Prognose. Zum Beispiel würde die heuristische N (2 xF7 x03AC) x2212 1 und eine alpha von .5 ein N von 3 ergeben, was anzeigt, dass der Benutzer die ersten drei Perioden von Daten durchschnittlich vermitteln würde, um eine anfängliche Prognose zu erhalten. Allerdings ist die Genauigkeit der anfänglichen Prognose nicht kritisch, wenn man große Mengen an Daten verwendet, da eine exponentielle Glättung x0022self-correcting. x0022 ist. Bei genügend Perioden vergangener Daten wird eine exponentielle Glättung schließlich genügend Korrekturen vornehmen, um eine vernünftig ungenaue Initialisierung zu kompensieren Prognose. Unter Verwendung der in anderen Beispielen verwendeten Daten, einer Anfangsprognose von 50 und eines Alphas von 0,7 wird eine Prognose für Februar als solche berechnet: Neue Prognose (Februar) 50,7 (45 x 2212 50) 41,5 Als nächstes wird die Prognose für den März : Neue Prognose (März) 41.5 .7 (60 x2212 41.5) 54.45 Dieser Vorgang wird fortgesetzt, bis der Prognostiker den gewünschten Zeitraum erreicht hat. In Tabelle 4 wäre dies für den Monat Juni, da die tatsächliche Nachfrage nach Juni nicht bekannt ist. Tatsächliche Nachfrage (000x0027s) Eine Erweiterung der exponentiellen Glättung kann verwendet werden, wenn Zeitreihendaten einen linearen Trend aufweisen. Diese Methode ist durch mehrere Namen bekannt: doppelte Glättung Trend-angepasst exponentielle Glättung Prognose einschließlich Trend (FIT) und Holtx0027s Modell. Ohne Anpassung werden einfache, exponentielle Glättungsergebnisse dem Trend folgen, das heißt, die Prognose wird immer niedrig sein, wenn der Trend steigt oder hoch, wenn der Trend abnimmt. Bei diesem Modell gibt es zwei Glättungskonstanten, x03AC und x03B2 mit x03B2, die die Trendkomponente darstellen. Eine Erweiterung des Holtx0027s Modells, genannt Holt-Winterx0027s Methode, berücksichtigt sowohl Trend als auch Saisonalität. Es gibt zwei Versionen, multiplikativ und additiv, wobei das Multiplikativ das am weitesten verbreitete ist. Im additiven Modell wird die Saisonalität als eine Menge ausgedrückt, die dem Seriendurchschnitt hinzugefügt oder subtrahiert werden soll. Das multiplikative Modell drückt Saisonalität als Prozentsatz aus, der als saisonale Verwandten oder saisonale Indexesx2014 des Durchschnitts (oder des Tendenz) bekannt ist. Diese werden dann mal multipliziert, um Saisonalität zu berücksichtigen. Ein Verwandter von 0,8 würde auf eine Nachfrage hinweisen, die 80 Prozent des Durchschnitts beträgt, während 1,10 die Nachfrage anzeigt, die 10 Prozent über dem Durchschnitt liegt. Detaillierte Informationen zu dieser Methode finden Sie in den meisten Operations Management Lehrbücher oder einer von einer Reihe von Büchern über die Vorhersage. Assoziative oder kausale Techniken beinhalten die Identifizierung von Variablen, die verwendet werden können, um eine andere Variable von Interesse vorherzusagen. Zum Beispiel können Zinssätze verwendet werden, um die Nachfrage nach Hausrefinanzierung zu prognostizieren. Typischerweise beinhaltet dies die Verwendung einer linearen Regression, wobei das Ziel darin besteht, eine Gleichung zu entwickeln, die die Effekte der Prädiktor (unabhängigen) Variablen auf die prognostizierte (abhängige) Variable zusammenfasst. Wenn die Prädiktorvariable aufgetragen wäre, wäre das Objekt, eine Gleichung einer Geraden zu erhalten, die die Summe der quadrierten Abweichungen von der Linie minimiert (wobei die Abweichung der Abstand von jedem Punkt zur Linie ist). Die Gleichung würde als: ya bx erscheinen, wobei y die vorhergesagte (abhängige) Variable ist, x die Prädiktor (unabhängige) Variable ist, b die Steigung der Linie ist und a gleich der Höhe der Linie an der y - abfangen. Sobald die Gleichung bestimmt ist, kann der Benutzer aktuelle Werte für die Prädiktor (unabhängige) Variable einfügen, um zu einer Prognose (abhängige Variable) zu gelangen. Wenn es mehr als eine Prädiktorvariable gibt oder wenn die Beziehung zwischen Prädiktor und Prognose nicht linear ist, ist eine einfache lineare Regression unzureichend. Für Situationen mit mehreren Prädiktoren sollte eine multiple Regression angewendet werden, während nicht-lineare Beziehungen die Verwendung einer krummlinigen Regression fordern. WIRTSCHAFTLICHE VORSCHRIFTEN Ökonometrische Methoden wie das autoregressive integrierte Moving-Average-Modell (ARIMA) verwenden komplexe mathematische Gleichungen, um vergangene Beziehungen zwischen Nachfrage und Variablen, die die Nachfrage beeinflussen, zu zeigen. Eine Gleichung wird abgeleitet und dann getestet und fein abgestimmt, um sicherzustellen, dass es eine möglichst zuverlässige Darstellung der bisherigen Beziehung ist. Sobald dies geschehen ist, werden die projizierten Werte der beeinflussenden Variablen (Einkommen, Preise usw.) in die Gleichung eingefügt, um eine Prognose zu machen. EVALUIERENDE PROGNOSE Die Genauigkeit der Prognose kann durch Berechnung der Vorspannung, der mittleren Absolutabweichung (MAD), des mittleren quadratischen Fehlers (MSE) oder des mittleren absoluten Prozentfehlers (MAPE) für die Prognose unter Verwendung unterschiedlicher Werte für alpha bestimmt werden. Bias ist die Summe der Prognosefehler x2211 (FE). Für das oben erwähnte exponentielle Glättungsbeispiel wäre die berechnete Vorspannung: (60 x 2212 41,5) (72 x 2212 54,45) (58 x 2212 66,74) (40 x 2212 60,62) 6,69 Wenn man annimmt, dass eine niedrige Vorspannung einen insgesamt niedrigen Prognosefehler anzeigt, könnte man Berechnen Sie die Vorspannung für eine Anzahl von potentiellen Werten von alpha und nehmen Sie an, dass die mit der niedrigsten Vorspannung am genauesten wäre. Allerdings ist darauf zu achten, dass wild ungenaue Prognosen eine niedrige Vorspannung ergeben können, wenn sie sowohl über die Prognose als auch unter Prognose (negativ und positiv) neigen. Zum Beispiel kann ein Unternehmen über drei Perioden einen bestimmten Wert von Alpha bis zu einer Prognose von 75.000 Einheiten (x221275.000), unter Prognose von 100.000 Einheiten (100.000) und dann über Prognose von 25.000 Einheiten (x221225.000), nachgeben Eine Vorspannung von null (x221275.000 100.000 x2212 25.000 0). Im Vergleich dazu würde ein weiteres Alpha, das sich über Prognosen von 2.000 Einheiten, 1.000 Einheiten und 3.000 Einheiten ergibt, zu einer Vorspannung von 5.000 Einheiten führen. Wenn die normale Nachfrage 100.000 Einheiten pro Periode betrug, würde das erste Alpha Prognosen liefern, die um bis zu 100 Prozent ausstiegen, während das zweite Alpha um maximal 3 Prozent ausgeschaltet wäre, obwohl die Vorspannung in der ersten Prognose Null war. Ein sichereres Maß für die Prognosegenauigkeit ist die mittlere absolute Abweichung (MAD). Um den MAD zu berechnen, summiert der Prognostiker den absoluten Wert der Prognosefehler und teilt sich dann durch die Anzahl der Prognosen (x2211 FE x00F7 N). Mit dem Absolutwert der Prognosefehler wird die Verrechnung von positiven und negativen Werten vermieden. Dies bedeutet, dass sowohl eine Überprognose von 50 als auch eine Unterprognose von 50 um 50 ausgeschaltet ist. Mit den Daten aus dem exponentiellen Glättungsbeispiel kann MAD wie folgt berechnet werden: (60 x 2212 41,5 72 x 2212 54,45 58 x 2212 66,74 40 x 2212 60,62) X00F7 4 16.35 Daher ist der Prognostiker im Durchschnitt 16,35 Einheiten pro Prognose ausgeschaltet. Im Vergleich zum Ergebnis anderer Alphas wird der Prognostiker wissen, dass das Alpha mit dem niedrigsten MAD die genaueste Prognose liefert. Mittlerer Quadratfehler (MSE) kann auch in der gleichen Weise verwendet werden. MSE ist die Summe der prognostizierten Fehler quadriert geteilt durch N-1 (x2211 (FE)) x00F7 (N-1). Wenn man die Prognosefehler quittiert, entfällt die Möglichkeit, negative Zahlen auszugleichen, da keines der Ergebnisse negativ sein kann. Unter Verwendung der gleichen Daten wie oben, wäre die MSE: (18.5) (17.55) (x22128.74) (x221220.62) x00F7 3 383.94 Wie bei MAD kann der Prognostiker die MSE von Prognosen vergleichen, die mit verschiedenen Werten von alpha und Nehmen Sie an, dass das Alpha mit dem niedrigsten MSE die genaueste Prognose liefert. Der mittlere absolute Prozentfehler (MAPE) ist der durchschnittliche absolute Prozentfehler. Um die MAPE zu erreichen, muss man die Summe der Verhältnisse zwischen Prognosefehler und tatsächlichen Bedarfszeiten 100 (um den Prozentsatz zu erhalten) und dividieren durch N (x2211 Tatsächliche Nachfrage x2212 Prognose x00F7 Tatsächliche Nachfrage) xD7 100 x00F7 N. Mit den Daten aus Das exponentielle Glättungsbeispiel, MAPE kann wie folgt berechnet werden: (18.560 17.5572 8.7458 20.6248) xD7 100 x00F7 4 28.33 Wie bei MAD und MSE desto niedriger der relative Fehler, desto genauer ist die Prognose. Es ist anzumerken, dass in einigen Fällen die Fähigkeit der Prognose, sich schnell zu ändern, um auf Änderungen in Datenmustern zu reagieren, als wichtiger als Genauigkeit angesehen wird. Daher sollte eine Auswahl von Prognosemethoden die relative Wahrscheinlichkeit der Bedeutung zwischen Genauigkeit und Reaktionsfähigkeit, wie vom Prognostiker bestimmt, widerspiegeln. HERSTELLUNG EINES PROGNOSES William J. Stevenson listet als grundlegende Schritte im Prognoseverfahren folgendes auf: Bestimmen Sie den Vorhersagevoraussetzungen. Faktoren wie, wie und wann die Prognose verwendet wird, der Grad der Genauigkeit benötigt, und die Höhe der Details bestimmen die Kosten (Zeit, Geld, Mitarbeiter), die auf die Prognose gewidmet werden können und die Art der Prognose Methode verwendet werden . Stellen Sie einen Zeithorizont ein. Dies geschieht, nachdem man den Zweck der Prognose bestimmt hat. Längerfristige Prognosen erfordern längere Zeithorizonte und umgekehrt. Genauigkeit ist wieder eine Überlegung. Wählen Sie eine Prognosetechnik aus. Die gewählte Technik hängt vom Zweck der Prognose, dem gewünschten Zeithorizont und den zulässigen Kosten ab. Daten erfassen und analysieren Die Menge und Art der benötigten Daten unterliegt dem Vorhersagevoraussetzungen, der gewählten Prognosetechnik und allen Kostenüberlegungen. Machen Sie die Prognose. Überwachen Sie die Prognose. Bewerten Sie die Leistung der Prognose und ändern Sie, falls erforderlich. WEITERES LESEN: Finch, Byron J. Operations Now: Profitabilität, Prozesse, Performance. 2 ed. Boston: McGraw-Hill Irwin, 2006. Grün, William H. Ökonometrische Analyse. 5 ed. Upper Saddle River, NJ: Prentice Hall, 2003. Joppe, Dr. Marion. X0022Die Nominal Group Technique. x0022 Der Forschungsprozess. Erhältlich bei x003C ryerson. ca Stevenson, William J. Operations Management. 8 ed. Boston: McGraw-Hill Irwin, 2005. Lesen Sie auch Artikel über Forecasting aus WikipediaDefinition Im gewichteten gleitenden Durchschnittsmodell (Prognosestrategie 14) wird jeder historische Wert mit einem Faktor aus der Gewichtungsgruppe im univariaten Prognoseprofil gewichtet. Formel für den gewichteten beweglichen Durchschnitt Das gewichtete gleitende Durchschnittsmodell ermöglicht es Ihnen, die jüngsten historischen Daten stärker zu bewerten als ältere Daten bei der Bestimmung des Durchschnitts. Sie tun dies, wenn die neueren Daten repräsentativer sind, welche zukünftige Nachfrage als ältere Daten sein wird. Daher kann das System schneller auf eine Niveauänderung reagieren. Die Genauigkeit dieses Modells hängt weitgehend von Ihrer Wahl der Gewichtungsfaktoren ab. Wenn sich das Zeitreihenmuster ändert, müssen Sie auch die Gewichtungsfaktoren anpassen. Bei der Erstellung einer Gewichtungsgruppe geben Sie die Gewichtungsfaktoren als Prozentsatz ein. Die Summe der Gewichtungsfaktoren muss nicht 100 sein. Es wird keine Ex-post-Prognose mit dieser Prognosestrategie berechnet.3 Verständnis der Prognoseebenen und - methoden Sie können sowohl detaillierte (Einzelposten-) Prognosen als auch Zusammenfassungs - (Produktlinien-) Prognosen generieren Produktnachfragemuster Das System analysiert die bisherigen Verkäufe, um die Prognosen mit 12 Prognosemethoden zu berechnen. Die Prognosen beinhalten Detailinformationen auf der Positionsebene und übergeordnete Informationen über eine Zweigniederlassung oder das Unternehmen als Ganzes. 3.1 Prognoseleistungsbewertungskriterien Abhängig von der Auswahl der Verarbeitungsoptionen und von Trends und Mustern in den Verkaufsdaten sind einige Prognosemethoden besser als andere für einen gegebenen historischen Datensatz. Eine für ein Produkt geeignete Vorhersagemethode ist möglicherweise nicht für ein anderes Produkt geeignet. Sie könnten feststellen, dass eine Prognosemethode, die auf einer Stufe eines Produktlebenszyklus gute Ergebnisse liefert, während des gesamten Lebenszyklus angemessen bleibt. Sie können zwischen zwei Methoden wählen, um die aktuelle Leistung der Prognosemethoden zu bewerten: Prozent der Genauigkeit (POA). Mittlere absolute Abweichung (MAD). Beide dieser Bewertungsbewertungsmethoden erfordern historische Verkaufsdaten für einen Zeitraum, den Sie angeben. Dieser Zeitraum wird als Haltezeit oder Periode der besten Passung bezeichnet. Die Daten in diesem Zeitraum dienen als Grundlage für die Empfehlung, welche Prognosemethode bei der nächsten Prognoseprojektion verwendet wird. Diese Empfehlung ist für jedes Produkt spezifisch und kann von einer Prognoseerzeugung zum nächsten wechseln. 3.1.1 Best Fit Das System empfiehlt die Best-Fit-Prognose, indem es die ausgewählten Prognosemethoden auf den vergangenen Kundenauftragsverlauf anwendet und die Prognosesimulation mit der aktuellen Historie vergleicht. Wenn Sie eine Best-Fit-Prognose generieren, vergleicht das System die tatsächlichen Kundenauftragsgeschichten mit Prognosen für einen bestimmten Zeitraum und berechnet, wie genau jede einzelne Prognosemethode den Umsatz voraussagte. Dann empfiehlt das System die genaueste Prognose als die beste Passform. Diese Grafik zeigt die besten Anpassungsprognosen: Abbildung 3-1 Best-Fit-Prognose Das System verwendet diese Abfolge von Schritten, um die beste Passung zu bestimmen: Verwenden Sie jede spezifizierte Methode, um eine Prognose für den Holdout-Zeitraum zu simulieren. Vergleichen Sie die tatsächlichen Verkäufe an die simulierten Prognosen für den Haltezeitraum. Berechnen Sie die POA oder die MAD, um festzustellen, welche Prognosemethode am ehesten mit dem bisherigen Verkauf übereinstimmt. Das System verwendet entweder POA oder MAD, basierend auf den von Ihnen ausgewählten Verarbeitungsoptionen. Empfehlen Sie eine Best-Fit-Prognose von der POA, die am nächsten zu 100 Prozent (über oder unter) oder die MAD, die am nächsten an Null ist. 3.2 Prognosemethoden JD Edwards EnterpriseOne Forecast Management verwendet 12 Methoden zur quantitativen Prognose und zeigt an, welche Methode für die Prognosesituation am besten geeignet ist. Dieser Abschnitt behandelt: Methode 1: Prozent über letztes Jahr. Methode 2: Berechneter Prozentsatz über letztes Jahr. Methode 3: Letztes Jahr zu diesem Jahr. Methode 4: Durchschnittlich bewegen. Methode 5: Lineare Approximation. Methode 6: Least Squares Regression. Methode 7: Zweite Grad Approximation. Methode 8: Flexible Methode. Methode 9: Gewichteter bewegter Durchschnitt. Methode 10: Lineare Glättung. Methode 11: Exponentielle Glättung. Methode 12: Exponentielle Glättung mit Trend und Saisonalität. Geben Sie die Methode an, die Sie in den Verarbeitungsoptionen für das Programm für die Prognoseerzeugung verwenden möchten (R34650). Die meisten dieser Methoden bieten eine begrenzte Kontrolle. Zum Beispiel kann das Gewicht der letzten historischen Daten oder der Datumsbereich der historischen Daten, die in den Berechnungen verwendet werden, von Ihnen angegeben werden. Die Beispiele in der Anleitung geben die Berechnungsmethode für jede der verfügbaren Prognosemethoden an, wobei ein identischer Satz historischer Daten vorliegt. Die Methodenbeispiele im Leitfaden verwenden Teil oder alle diese Datensätze, die historische Daten aus den letzten zwei Jahren sind. Die Prognoseprojektion geht ins nächste Jahr. Diese Handelsgeschichte Daten sind stabil mit kleinen saisonalen Zunahmen im Juli und Dezember. Dieses Muster ist charakteristisch für ein reifes Produkt, das sich der Obsoleszenz nähern könnte. 3.2.1 Methode 1: Prozent über letztes Jahr Diese Methode verwendet die Percent Over Last Year Formel, um jeden Prognosezeitraum um den angegebenen Prozentsatz zu erhöhen oder zu verringern. Um die Nachfrage zu prognostizieren, erfordert diese Methode die Anzahl der Perioden für die beste Passform plus ein Jahr der Verkaufsgeschichte. Diese Methode ist nützlich, um die Nachfrage nach saisonalen Gegenständen mit Wachstum oder Rückgang zu prognostizieren. 3.2.1.1 Beispiel: Methode 1: Prozent über letztes Jahr Die Percent Over Last Year Formel vervielfacht die Verkaufsdaten des Vorjahres um einen Faktor, den Sie angeben und dann Projekte, die sich im nächsten Jahr ergeben. Diese Methode könnte bei der Budgetierung nützlich sein, um den Einfluss einer bestimmten Wachstumsrate zu simulieren oder wenn die Verkaufsgeschichte eine signifikante saisonale Komponente aufweist. Prognosevorgaben: Multiplikationsfaktor Geben Sie z. B. 110 in der Verarbeitungsoption an, um die Vorjahresgeschäftsdaten um 10 Prozent zu erhöhen. Erforderliche Verkaufsgeschichte: Ein Jahr für die Berechnung der Prognose plus die Anzahl der Zeiträume, die für die Bewertung der Prognoseleistung (Perioden der besten Anpassung) erforderlich sind, die Sie angeben. Diese Tabelle wird in der Prognoseberechnung verwendet: Februar-Prognose entspricht 117 mal 1.1 128.7 gerundet auf 129. März-Prognose entspricht 115 mal 1.1 126.5 gerundet auf 127. 3.2.2 Methode 2: Berechneter Prozentsatz über letztes Jahr Diese Methode verwendet den berechneten Percent Over Last-Jahr-Formel, um die vergangenen Verkäufe von bestimmten Perioden zu Verkäufen aus den gleichen Perioden des Vorjahres zu vergleichen. Das System bestimmt eine prozentuale Erhöhung oder Abnahme und multipliziert dann jede Periode mit dem Prozentsatz, um die Prognose zu ermitteln. Um die Nachfrage zu prognostizieren, erfordert diese Methode die Anzahl der Perioden des Kundenauftragsverlaufs plus ein Jahr der Verkaufsgeschichte. Diese Methode ist nützlich, um kurzfristige Nachfrage nach saisonalen Gegenständen mit Wachstum oder Rückgang zu prognostizieren. 3.2.2.1 Beispiel: Methode 2: Berechneter Prozentsatz über letztes Jahr Die berechnete Periode über dem letzten Jahr vervielfacht die Umsatzdaten des Vorjahres um einen Faktor, der vom System berechnet wird, und dann projiziert sie für das nächste Jahr. Diese Methode könnte nützlich sein, um den Einfluss der Verlängerung der jüngsten Wachstumsrate für ein Produkt in das nächste Jahr zu projizieren, während ein saisonales Muster, das in der Verkaufsgeschichte vorhanden ist, bewahrt wird. Prognose-Spezifikationen: Umfang der Verkaufsgeschichte bei der Berechnung der Wachstumsrate zu verwenden. Geben Sie z. B. n gleich 4 in der Verarbeitungsoption an, um die Verkaufsgeschichte für die letzten vier Perioden zu den gleichen vier Perioden des Vorjahres zu vergleichen. Verwenden Sie das berechnete Verhältnis, um die Projektion für das nächste Jahr zu machen. Erforderliche Verkaufsgeschichte: Ein Jahr für die Berechnung der Prognose plus die Anzahl der Zeiträume, die für die Bewertung der Prognoseleistung (Perioden der besten Passung) erforderlich sind. Diese Tabelle wird in der Prognoseberechnung verwendet, vorausgesetzt, n 4: Februar-Prognose entspricht 117 mal 0,9766 114,26 gerundet auf 114. März-Prognose entspricht 115 mal 0,9766 112,31 gerundet auf 112. 3.2.3 Methode 3: Letztes Jahr zu diesem Jahr Diese Methode verwendet Im vergangenen Jahr Umsatz für die nächsten Jahre prognostiziert. Um die Nachfrage zu prognostizieren, erfordert diese Methode die Anzahl der Perioden, die am besten passen, plus ein Jahr des Verkaufsauftragsverlaufs. Diese Methode ist sinnvoll, um die Nachfrage nach reifen Produkten mit Niveau Nachfrage oder saisonale Nachfrage ohne Trend zu prognostizieren. 3.2.3.1 Beispiel: Methode 3: Letztes Jahr zu diesem Jahr Das letzte Jahr zu diesem Jahr verwandelt die Verkaufsdaten vom Vorjahr auf das nächste Jahr. Diese Methode könnte bei der Budgetierung nützlich sein, um den Umsatz auf dem aktuellen Niveau zu simulieren. Das Produkt ist reif und hat keinen Trend auf lange Sicht, aber es könnte ein erhebliches saisonales Nachfragemuster bestehen. Vorhersage Spezifikationen: Keine. Erforderliche Verkaufsgeschichte: Ein Jahr für die Berechnung der Prognose plus die Anzahl der Zeiträume, die für die Bewertung der Prognoseleistung (Perioden der besten Passung) erforderlich sind. Diese Tabelle ist Geschichte in der Prognoseberechnung verwendet: Januar Prognose entspricht Januar des vergangenen Jahres mit einem Prognosewert von 128. Februar Prognose entspricht Februar des vergangenen Jahres mit einem Prognosewert von 117. März Prognose entspricht März des letzten Jahres mit einem Prognosewert von 115. 3.2.4 Methode 4: Moving Average Diese Methode verwendet die Moving Average-Formel, um die angegebene Anzahl von Perioden zu berechnen, um den nächsten Zeitraum zu projizieren. Sie sollten es oft (monatlich oder mindestens vierteljährlich) neu berechnen, um dem sich ändernden Nachfrageniveau zu entsprechen. Um die Nachfrage zu prognostizieren, erfordert diese Methode die Anzahl der Perioden, die am besten geeignet sind, sowie die Anzahl der Perioden des Kundenauftragsverlaufs. Diese Methode ist sinnvoll, um die Nachfrage nach ausgereiften Produkten ohne Trend zu prognostizieren. 3.2.4.1 Beispiel: Methode 4: Moving Average Moving Average (MA) ist eine beliebte Methode zur Mittelung der Ergebnisse der letzten Verkaufsgeschichte, um kurzfristig eine Projektion zu bestimmen. Die MA-Prognosemethode bleibt hinter den Trends zurück. Prognose-Bias und systematische Fehler treten auf, wenn die Produktverkäufe Geschichte starke Tendenz oder saisonale Muster zeigt. Diese Methode arbeitet besser für Kurzstreckenprognosen von reifen Produkten als für Produkte, die sich in den Wachstums - oder Obsoleszenzstadien des Lebenszyklus befinden. Prognosevorgaben: n entspricht der Anzahl der Perioden der Verkaufshistorie, die bei der Prognoseberechnung verwendet werden soll. Geben Sie z. B. n 4 in der Verarbeitungsoption an, um die letzten vier Perioden als Grundlage für die Projektion in den nächsten Zeitraum zu verwenden. Ein großer Wert für n (z. B. 12) erfordert mehr Verkaufsgeschichte. Es führt zu einer stabilen Prognose, ist aber langsam zu erkennen Verschiebungen in der Ebene des Umsatzes. Umgekehrt ist ein kleiner Wert für n (wie z. B. 3) schneller auf Verschiebungen in der Verkaufsstufe zu reagieren, aber die Prognose könnte so weit schwanken, dass die Produktion nicht auf die Variationen reagieren kann. Erforderliche Verkaufsgeschichte: n plus die Anzahl der Zeiträume, die für die Auswertung der Prognoseleistung erforderlich sind (Perioden der besten Passform). Diese Tabelle wird in der Prognoseberechnung verwendet: Februar-Prognose entspricht (114 119 137 125) 4 123,75 gerundet auf 124. März-Prognose entspricht (119 137 125 124) 4 126,25 gerundet auf 126. 3.2.5 Methode 5: Lineare Approximation Diese Methode Verwendet die lineare Approximation-Formel, um einen Trend aus der Anzahl der Perioden des Kundenauftragsverlaufs zu berechnen und diesen Trend auf die Prognose zu projizieren. Sie sollten den Trend monatlich neu berechnen, um Veränderungen in den Trends zu erkennen. Diese Methode erfordert die Anzahl der besagten Perioden und die Anzahl der vorgegebenen Perioden des Kundenauftragsverlaufs. Diese Methode ist nützlich, um die Nachfrage nach neuen Produkten oder Produkten mit gleichbleibenden positiven oder negativen Trends zu prognostizieren, die nicht auf saisonale Schwankungen zurückzuführen sind. 3.2.5.1 Example: Method 5: Linear Approximation Linear Approximation calculates a trend that is based upon two sales history data points. Diese beiden Punkte definieren eine gerade Trendlinie, die in die Zukunft projiziert wird. 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. Wegen des Termes zweiter Ordnung kann sich die Prognose schnell an die Unendlichkeit wenden oder auf Null fallen (je nachdem, ob der Koeffizient c positiv oder negativ ist). 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 bis September werden zusammen addiert, um Q2 zu schaffen, und Oktober bis Dezember Summe zu 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 ndash 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. In der Percent Over Last Year Methode basiert die Projektion auf Daten aus dem gleichen Zeitraum im Vorjahr. 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. Die Methode berechnet einen gewichteten Durchschnitt der letzten Verkaufsgeschichte, um kurzfristig eine Projektion zu erreichen. 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. Ein großer Wert für n (z. B. 12) erfordert mehr Verkaufsgeschichte. 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. Jedoch wird anstelle der willkürlichen Zuordnung von Gewichten zu den historischen Daten eine Formel verwendet, um Gewichte zuzuordnen, die linear abfallen und auf 1,00 summieren. Die Methode berechnet dann einen gewichteten Durchschnitt der letzten Verkaufsgeschichte, um kurzfristig eine Projektion zu erreichen. 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. Allerdings enthält das Verfahren 12 auch einen Begriff in der Prognosegleichung, um einen geglätteten Trend zu berechnen. The forecast is composed of a smoothed average that is adjusted for a linear trend. Wenn in der Verarbeitungsoption angegeben, wird die Prognose auch für Saisonalität angepasst. 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 ist ein Maß für Prognosefehler. POA ist ein Maß für die Prognose-Bias. 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 ist ein Maß für die durchschnittliche Größe der zu erwartenden Fehler, bei einer Prognosemethode und Datenhistorie. Da bei der Berechnung absolute Werte verwendet werden, werden bei positiven Fehlern keine negativen Fehler ausgelöst. 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. Wenn die Prognosen konsequent zu hoch sind, sammeln sich die Bestände an und die Inventurkosten steigen. When forecasts are consistently too low, inventories are consumed and customer service declines. A forecast that is 10 units too low, then 8 units too high, then 2 units too high is an unbiased forecast. The positive error of 10 is canceled by negative errors of 8 and 2. (Error) (Actual) ndash (Forecast) When a product can be stored in inventory, and when the forecast is unbiased, a small amount of safety stock can be used to buffer the errors. In this situation, eliminating forecast errors is not as important as generating unbiased forecasts. However, in service industries, the previous situation is viewed as three errors. The service is understaffed in the first period, and then overstaffed for the next two periods. In den Diensten ist die Größenordnung der Prognosefehler in der Regel wichtiger als die Vorhersage. 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 auf dieser Seite verbessert die Inhaltsnavigation, verändert aber den Inhalt nicht.