Moving Average. This Beispiel lehrt Sie, wie man den gleitenden Durchschnitt einer Zeitreihe in Excel berechnen Ein gleitender Durchschnitt wird verwendet, um Unregelmäßigkeiten Peaks und Täler zu glätten, um Trends leicht zu erkennen.1 Zuerst lassen Sie uns einen Blick auf unsere Zeitreihe Klicken Sie auf der Registerkarte Daten auf Datenanalyse. Hinweis finden Sie die Schaltfläche Datenanalyse Klicken Sie hier, um das Analyse-ToolPak-Add-In zu laden. 3. Wählen Sie Gleitender Durchschnitt und klicken Sie auf OK.4 Klicken Sie in das Feld Eingabebereich und wählen Sie den Bereich B2 M2. 5 Klicken Sie in das Feld Intervall und geben Sie ein. 6.6 Klicken Sie in das Feld Ausgabebereich und wählen Sie Zelle B3.8 Zeichnen Sie einen Graphen dieser Werte. Erläuterung, weil wir das Intervall auf 6 setzen, ist der gleitende Durchschnitt der Durchschnitt der vorherigen 5 Datenpunkte und Der aktuelle Datenpunkt Als Ergebnis werden Spitzen und Täler geglättet. Der Graph zeigt einen zunehmenden Trend Excel kann den gleitenden Durchschnitt für die ersten 5 Datenpunkte nicht berechnen, da es nicht genügend vorherige Datenpunkte gibt.9 Wiederholen Sie die Schritte 2 bis 8 für das Intervall 2 Und Intervall 4.Conclusion Die la Rger das Intervall, je mehr die Gipfel und Täler geglättet werden Je kleiner das Intervall ist, desto näher sind die gleitenden Durchschnitte auf die tatsächlichen Datenpunkte. Moving Average - MA. BREAKING DOWN Moving Average - MA. As ein SMA Beispiel, betrachten Sie eine Sicherheit Mit den folgenden Schlusskursen über 15 Tage. Week 1 5 Tage 20, 22, 24, 25, 23.Week 2 5 Tage 26, 28, 26, 29, 27.Week 3 5 Tage 28, 30, 27, 29, 28 . Ein 10-Tage-MA würde die Schlusskurse für die ersten 10 Tage als den ersten Datenpunkt ausgleichen. Der nächste Datenpunkt würde den frühesten Preis fallen lassen, den Preis am Tag 11 hinzufügen und den Durchschnitt nehmen und so weiter wie unten gezeigt. Wie bereits erwähnt, behaupten MAs die gegenwärtige Preisaktion, weil sie auf vergangenen Preisen basieren, je länger der Zeitraum für die MA ist, desto größer ist die Verzögerung So wird ein 200-Tage-MA einen viel größeren Grad an Verzögerung haben als ein 20-Tage-MA, weil Es enthält Preise für die letzten 200 Tage Die Länge der MA zu verwenden, hängt von den Handelszielen, mit kürzeren MAs für kurzfristige Handel und längerfristig verwendet MAs mehr geeignet für langfristige Investoren Die 200-Tage-MA ist weit gefolgt von Investoren und Händlern, mit Pausen über und unter diesem gleitenden Durchschnitt als wichtige Handelssignale. MAs auch vermitteln wichtige Handelssignale auf eigene Faust, oder wenn zwei Durchschnitte Überkreuzen Ein aufsteigender MA zeigt an, dass die Sicherheit in einem Aufwärtstrend ist, während ein abnehmender MA anzeigt, dass es sich in einem Abwärtstrend befindet. Ähnlich wird der Aufwärtsimpuls mit einem bullish Crossover bestätigt, der auftritt, wenn ein kurzfristiges MA über einen längerfristigen MA nach unten geht Impuls wird mit einem bärigen Crossover bestätigt, der auftritt, wenn ein kurzfristiges MA unterhalb eines längerfristigen MA.3 Understanding Prognose Levels und Methoden. Sie können sowohl Detail Single Item Prognosen und Zusammenfassung Produktlinie Prognosen, die Produktnachfrage Muster widerspiegeln System analysiert vergangene Verkäufe, um Prognosen mit 12 Prognosemethoden zu berechnen. Die Prognosen beinhalten Detailinformationen auf der Positionsebene und übergeordnete Informationen über eine Branche H oder das Unternehmen als Ganzes.3 1 Prognose Leistungsbewertungskriterien. Abhängig von der Auswahl der Verarbeitungsoptionen und auf Trends und Mustern in den Verkaufsdaten, sind einige Prognosemethoden besser als andere für einen gegebenen historischen Datensatz Eine Prognosemethode, die ist Geeignet für ein Produkt möglicherweise nicht geeignet für ein anderes Produkt Sie können feststellen, dass eine Prognosemethode, die gute Ergebnisse in einem Stadium eines Produktlebenszyklus liefert, während des gesamten Lebenszyklus angemessen bleibt. Sie können zwischen zwei Methoden wählen, um die aktuelle Leistung zu bewerten Die Prognosemethoden. Percent der Genauigkeit POA. Mean absolute Abweichung MAD. Bei dieser Performance-Evaluierung Methoden erfordern historische Verkaufsdaten für einen Zeitraum, den Sie angeben Diese Periode wird als Halteperiode oder Periode der besten Anpassung Die Daten in diesem Zeitraum verwendet wird als Die Grundlage für die Empfehlung, welche Vorhersagemethode bei der Erstellung der nächsten Prognoseprojektion verwendet wird. Diese Empfehlung ist spezifisch für jeden Produkt und kann von einer Prognose-Generation auf die nächste ändern.3 1 1 Best Fit. Das System empfiehlt die beste Passform Prognose durch die Anwendung der ausgewählten Prognosemethoden auf vergangene Verkäufe Auftragsverlauf und Vergleich der Prognose-Simulation, um die tatsächliche Geschichte Wenn Sie ein Bestes generieren Fit Prognose, das System vergleicht tatsächliche Kundenauftragsgeschichten auf Prognosen für einen bestimmten Zeitraum und berechnet, wie genau jede andere Prognosemethode vorhergesagt Verkäufe Dann empfiehlt das System die genaueste Prognose als die beste Passform Diese Grafik veranschaulicht beste fit Prognosen. Bild 3-1 Best-Fit-Prognose. Das System verwendet diese Abfolge von Schritten, um die beste Anpassung zu bestimmen. Verwenden Sie jede spezifizierte Methode, um eine Prognose für die Holdout-Periodpare-Ist-Verkäufe an die simulierten Prognosen für die Holdout-Periode zu simulieren. Berechnen Sie die POA oder die MAD, um festzustellen, welche Prognose Methode am ehesten entspricht die Vergangenheit tatsächlichen Umsatz. Das System verwendet entweder POA oder MAD, basierend auf die Verarbeitungsoptionen, die Sie sele Ct. Erstellen Sie eine Best-Fit-Prognose von der POA, die am nächsten zu 100 Prozent über oder unter oder die MAD, die am nächsten zu Null ist.3 2 Forecasting Methoden. JD Edwards EnterpriseOne Forecast Management verwendet 12 Methoden für die quantitative Prognose und zeigt, welche Methode bietet die Am besten für die Prognosesituation. This Abschnitt diskutiert. Method 1 Prozent über letztes Jahr. Method 2 berechnete Prozent über letztes Jahr. Method 3 Letztes Jahr zu diesem Jahr. Method 4 Moving Average. Method 5 Lineare Approximation. Method 6 Least Squares Regression. Methode 7 Zweite Grad Approximation. Method 8 Flexible Methode. Method 9 Gewichtete Moving Average. Methode 10 Lineare Glättung. Method 11 Exponentielle Glättung. Method 12 Exponentielle Glättung mit Trend und Seasonality. Specify die Methode, die Sie in den Verarbeitungsoptionen für die verwenden möchten Prognose-Erzeugungsprogramm R34650 Die meisten dieser Methoden bieten eine begrenzte Kontrolle. Zum Beispiel ist das Gewicht der letzten historischen Daten oder der Datumsbereich der historischen Daten tha T in den Berechnungen verwendet werden kann von Ihnen angegeben werden. Die Beispiele in der Anleitung geben die Berechnungsprozedur für jede der verfügbaren Prognosemethoden an, bei einem identischen Satz von historischen Daten. Die Methodenbeispiele im Leitfaden verwenden einen Teil oder alle diese Daten Sätze, die historische Daten aus den vergangenen zwei Jahren sind Die Prognoseprojektion geht in nächstes Jahr. Diese Verkaufsgeschichte 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. 2 1 1 Beispiel Methode 1 Prozent über letztes Jahr. Die Periode über dem letzten Jahr vervielfacht sich Verkaufsdaten aus dem Vorjahr um einen Faktor, den Sie angeben und dann Projekte, die sich im Laufe des nächsten Jahres 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 hat. Forecast-Spezifikationen Multiplikationsfaktor Geben Sie z. B. 110 in der Verarbeitungsoption an, um die Verkaufsgeschichte des Vorjahres um 10 Prozent zu erhöhen. Erforderliche Verkaufshistorie Ein Jahr für die Berechnung der Prognose plus die Anzahl der Zeiträume, die für die Bewertung der voraussichtlichen Leistungsperioden der besten Anpassung erforderlich sind Dass Sie spezifizieren. Diese Tabelle ist Geschichte verwendet in der Prognose Berechnung. Februar Prognose entspricht 117 1 1 128 7 gerundet auf 129.März Prognose entspricht 115 1 1 126 5 gerundet auf 127,3 2 2 Methode 2 Berechnet Prozent über letztes Jahr. Dieses Verfahren verwendet Die Berechnungsperiode über letztes Jahr Formel, um die vergangenen Verkäufe von bestimmten Perioden zu Verkäufen aus den gleichen Perioden des Vorjahres zu vergleichen Das System bestimmt Eine prozentuale Zunahme oder Abnahme, und multipliziert dann jede Periode um den Prozentsatz, um die Prognose zu bestimmen. Um die Nachfrage zu prognostizieren, erfordert diese Methode die Anzahl der Perioden des Kundenauftragsverlaufs plus ein Jahr des Verkaufsverlaufs Diese Methode ist nützlich, um kurzfristige Nachfrage zu prognostizieren Saisonale Gegenstände mit Wachstum oder Abnahme.3 2 2 1 Beispiel Methode 2 Berechneter Prozentsatz über letztes Jahr Die berechnete Percent Over Last Year Formel vervielfacht die Verkaufsdaten des Vorjahres um einen Faktor, der vom System berechnet wird, und dann projiziert das Ergebnis Für das nächste Jahr Diese Methode könnte nützlich sein, um den Einfluss der Ausweitung der jüngsten Wachstumsrate für ein Produkt in das nächste Jahr unter Beibehaltung eines saisonalen Muster, das in der Verkaufsgeschichte vorhanden ist, vorzubereiten. Forecast Spezifikationen Bereich der Verkaufsgeschichte bei der Berechnung der Rate zu verwenden Des Wachstums Zum Beispiel geben Sie n gleich 4 in der Verarbeitungsoption, um die Verkaufsgeschichte für die letzten vier Perioden zu den gleichen vier Perioden der pr zu vergleichen Ehrliches Jahr Verwenden Sie das berechnete Verhältnis, um die Projektion für das nächste Jahr zu machen. Benötigte Verkaufshistorie Ein Jahr für die Berechnung der Prognose plus die Anzahl der Zeiträume, die für die Bewertung der prognostizierten Leistungsperioden der besten fit. This Tabelle ist Geschichte verwendet in der Prognoseberechnung, gegeben n 4.Februarprognose entspricht 117 0 9766 114 26 gerundet auf 114.Märzvorhersage entspricht 115 0 9766 112 31 gerundet auf 112,3 2 3 Methode 3 Letztes Jahr in diesem Jahr. Diese Methode nutzt den Vorjahresumsatz für den nächsten Jahres-Prognose. Zu Prognose Nachfrage, erfordert diese Methode die Anzahl der Perioden am besten fit plus ein Jahr des Verkaufsauftrags Geschichte Diese Methode ist nützlich, um die Nachfrage nach reifen Produkten mit Level-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 Formel kopiert Verkaufsdaten vom Vorjahr zum nächsten Jahr Diese Methode könnte nützlich sein, um Budget zu simulieren Verkäufe auf dem gegenwärtigen Niveau Das Produkt ist reif und Hat keinen Trend auf lange Sicht, aber ein erhebliches saisonales Nachfrage-Muster könnte existieren. Forecast-Spezifikationen Keine. Berforderte Verkaufshistorie Ein Jahr für die Berechnung der Prognose plus die Anzahl der Zeiträume, die für die Bewertung der Prognose Performance Perioden der besten fit. This erforderlich sind Tabelle ist Geschichte in der Prognose Berechnung 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. This-Methode verwendet die Moving Average-Formel, um die angegebene Anzahl von Perioden zu projizieren, um den nächsten Zeitraum zu projizieren. Sie sollten es nur monatlich oder mindestens vierteljährlich neu berechnen, um dem sich ändernden Bedarfsniveau Rechnung zu tragen. Um die Nachfrage zu prognostizieren, erfordert diese Methode Die Anzahl der Perioden am besten passt zuzüglich der Anzahl der Perioden des Kundenauftragsverlaufs Diese Methode ist nützlich, um die Nachfrage nach ausgereiften Produkten ohne Trend zu prognostizieren. 3 2 4 1 Beispiel Methode 4 Moving Average. Moving Durchschnittliche MA ist eine beliebte Methode zur Mittelung der Ergebnisse der jüngsten Verkaufsgeschichte, um eine Projektion für die kurzfristige zu bestimmen Die MA-Prognose-Methode hinter den Trends Vorhersage Bias und systematische Fehler auftreten, wenn die Produktverkäufe Geschichte zeigt starke Tendenz oder saisonale Muster Diese Methode arbeitet besser für kurze Reichweitenprognosen von reifen Produkten als für Produkte, die in den Wachstums - oder Obsoleszenzstadien des Lebenszyklus sind. Forecast Spezifikationen n entspricht der Anzahl der Perioden der Verkaufsgeschichte, die in der Prognose verwendet werden soll Berechnung z. B. n 4 in der Verarbeitungsoption angeben, um die letzten vier Perioden als Grundlage für die Projektion in den nächsten Zeitraum zu verwenden. Ein großer Wert für n wie 12 erfordert mehr Verkaufsgeschichte Es ergibt eine stabile Prognose, ist aber Langsam zu erkennen Verschiebungen in der Ebene der Umsatz Umgekehrt ist ein kleiner Wert für n wie 3 ist schneller auf Verschiebungen in der Ebene des Umsatzes zu reagieren, aber die Prognose könnte Schwankte so weit, dass die Produktion nicht auf die Variationen reagieren kann. Erforderliche Verkaufsgeschichte n plus die Anzahl der Zeiträume, die für die Bewertung der prognostizierten Performance-Perioden der besten fit. This Tabelle ist Geschichte verwendet in der Prognose Berechnung. Februar Prognose entspricht 114 119 137 125 4 123 75 gerundet auf 124.Märzvorhersage 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 zu Projizieren Sie diesen Trend auf die Prognose Sie sollten den Trend monatlich neu berechnen, um Änderungen in Trends zu erkennen. Diese Methode erfordert die Anzahl der Perioden der besten Passform plus die Anzahl der festgelegten Zeiträume der Kundenauftragsgeschichte Diese Methode ist nützlich, um die Nachfrage nach neuen Produkten zu prognostizieren, oder Produkte mit gleichbleibenden positiven oder negativen Trends, die nicht auf saisonale Schwankungen zurückzuführen sind.3 2 5 1 Beispiel Methode 5 Lineare Approximation. Linear Approximation berechnen Ein Trend, der auf zwei Erfolgsgeschichte Datenpunkten basiert Diese beiden Punkte definieren eine gerade Trendlinie, die in die Zukunft projiziert wird. Verwenden Sie diese Methode mit Vorsicht, weil Langstreckenprognosen durch kleine Änderungen in nur zwei Datenpunkten genutzt werden. Forecast Spezifikationen n entspricht der Datenpunkt in der Verkaufsgeschichte, die mit dem jüngsten Datenpunkt verglichen wird, um einen Trend zu identifizieren. Geben Sie z. B. n 4 an, um den Unterschied zwischen Dezember-letzten Daten und August vier Perioden vor Dezember als Grundlage für die Berechnung des Trends zu verwenden Geschichte n plus 1 plus die Anzahl der Zeiträume, die für die Bewertung der prognostizierten Performance-Perioden der besten fit. This Tabelle ist Geschichte verwendet in der Prognose Berechnung. Januar Prognose Dezember des vergangenen Jahres 1 Trend, die 137 1 2 139.Februar Prognose Dezember des vergangenen Jahres 1 Trend entspricht 137 2 2 141.Märzvorhersage Dezember des vergangenen Jahres 1 Trend entspricht 137 3 2 143,3 2 6 Methode 6 Least Squares Regress Ion. Die Least Squares Regression LSR-Methode leitet eine Gleichung, die eine geradlinige Beziehung zwischen den historischen Verkaufsdaten und dem Ablauf der Zeit LSR passt eine Zeile auf die ausgewählten Datenbereich, so dass die Summe der Quadrate der Unterschiede zwischen den tatsächlichen Umsatz Datenpunkte und die Regressionsgeraden werden minimiert Die Prognose ist eine Projektion dieser Geraden in die Zukunft. Diese Methode erfordert Umsatzdatenverlauf für den Zeitraum, der durch die Anzahl der Perioden am besten angepasst wird, plus die angegebene Anzahl historischer Datenperioden Das Minimum Anforderung ist zwei historische Datenpunkte Diese Methode ist nützlich, um die Nachfrage zu prognostizieren, wenn ein linearer Trend in den Daten liegt.3 2 6 1 Beispiel Methode 6 Least Squares Regression. Linear Regression oder Least Squares Regression LSR, ist die beliebteste Methode zur Identifizierung eines Lineare Tendenz in historischen Verkaufsdaten Die Methode berechnet die Werte für a und b, die in der Formel verwendet werden sollen. Diese Gleichung beschreibt eine Gerade, wobei Y re Präsentiert Umsatz und X steht für die Zeit Lineare Regression ist langsam zu erkennen Wendepunkte und Schritt Funktion Verschiebungen in der Nachfrage Lineare Regression passt eine Gerade zu den Daten, auch wenn die Daten saisonal oder besser durch eine Kurve beschrieben werden, wenn die Verkaufsgeschichte Daten folgt einer Kurve oder Hat ein starkes saisonales Muster, prognostizierte Vorurteile und systematische Fehler auftreten. Forecast Spezifikationen n entspricht den Perioden der Verkaufsgeschichte, die bei der Berechnung der Werte für a und b verwendet werden. Zum Beispiel geben Sie n 4 an, um die Geschichte von September bis Dezember zu verwenden Basis für die Berechnungen Wenn Daten verfügbar sind, wird ein größeres n wie n 24 gewöhnlich verwendet werden. LSR definiert eine Zeile für so wenig wie zwei Datenpunkte Für dieses Beispiel wurde ein kleiner Wert für nn 4 gewählt, um die manuellen Berechnungen zu reduzieren Erforderlich, um die Ergebnisse zu überprüfen. Minimum erforderliche Verkaufsgeschichte n Perioden plus die Anzahl der Zeiträume, die für die Bewertung der Prognose Performance Perioden der besten fit. This Tabelle ist hi erforderlich sind Geschichte, die in der Prognoseberechnung verwendet wird. Märzvorhersage entspricht 119 5 7 2 3 135 6 abgerundet auf 136,3 2 7 Methode 7 Zweite Grad Approximation. Um die Prognose zu projizieren, verwendet diese Methode die zweite Grad-Approximationsformel, um eine Kurve zu erstellen, die auf der Basis basiert Anzahl der Perioden der Verkaufshistorie. Diese Methode erfordert die Anzahl der Perioden am besten passt zuzüglich der Anzahl der Perioden der Kundenauftragsgeschichte mal drei Diese Methode ist nicht sinnvoll, um die Nachfrage nach einer langfristigen Periode zu prognostizieren.3 2 7 1 Beispiel Methode 7 Zweitens Grad Approximation. Linear Regression bestimmt Werte für a und b in der Prognoseformel Y ab X mit dem Ziel, eine Gerade an die Verkaufsgeschichte Daten anzupassen Zweite Grad Approximation ist ähnlich, aber diese Methode bestimmt Werte für a, b und c in Diese prognose formula. Das Ziel dieser Methode ist es, eine Kurve auf die Verkaufsgeschichte Daten passen Diese Methode ist nützlich, wenn ein Produkt ist im Übergang zwischen Lebenszyklus-Stufen Zum Beispiel, wenn ein neues Produkt bewegt sich von int Ableitung zu Wachstumsstufen, die Umsatzentwicklung könnte beschleunigen Wegen des zweiten Terminsatzes kann sich die Prognose schnell an die Unendlichkeit richten oder auf Null fallen, je nachdem, ob der Koeffizient c positiv oder negativ ist. Diese Methode ist nur kurzfristig nützlich. Forecast-Spezifikationen der Formel Finden Sie a, b und c, um eine Kurve auf genau drei Punkte zu setzen. Sie geben n an, die Anzahl der Zeitperioden der Daten, die sich in jedem der drei Punkte ansammeln. In diesem Beispiel werden n 3 Aktuelle Verkaufsdaten für April bis Juni kombiniert Der erste Punkt, Q1 Juli bis September werden zusammen addiert, um Q2 zu erstellen, und Oktober bis Dezember Summe zu Q3 Die Kurve wird an die drei Werte Q1, Q2 und Q3 angepasst. Benötigte Verkaufsgeschichte 3 n Perioden für die Berechnung der Prognose plus die Zahl Von Zeiträumen, die für die Bewertung der prognostizierten Performance-Perioden der besten fit. This Tabelle ist Geschichte verwendet in der Prognose Berechnung. Q0 Jan Feb Mär. Q1 Apr Mai Jun, die gleich 125 122 137 384.Q2 Jul Aug Sep whic H entspricht 140 129 131 400.Q3 Okt Nov Dez, was 114 119 137 370 entspricht. Der nächste Schritt beinhaltet die Berechnung der drei Koeffizienten a, b und c, die in der Prognoseformel Y ab X c X 2.Q1, Q2, Und Q3 werden auf der Grafik dargestellt, wo die Zeit auf der horizontalen Achse aufgetragen ist. Q1 repräsentiert den gesamten historischen Verkauf für April, Mai und Juni und ist auf X 1 gelegt. Q2 entspricht Juli bis September Q3 entspricht Oktober bis Dezember und Q4 steht für Januar Bis März Diese Grafik veranschaulicht das Plotten von Q1, Q2, Q3 und Q4 für die zweite Gradnäherung. Bild 3-2 Plotten Q1, Q2, Q3 und Q4 für die Näherung des zweiten Grades. Drei Gleichungen beschreiben die drei Punkte auf dem Graphen. 1 Q1 a bX cX 2 wobei X 1 Q1 a b c 2 Q2 a bX cX 2 wobei X 2 Q2 a 2b 4c ist. 3 Q3 a bX cX 2 wobei X 3 Q3 a 3b 9c. Solve die drei Gleichungen gleichzeitig zu finden b, a und c. Subtract Gleichung 1 1 aus Gleichung 2 2 und lösen für b. Substitut diese Gleichung für b in Gleichung 3. 3 Q3 a 3 Q2 Q1 3c 9c a Q3 3 Q2 Q1.Finally ersetzen Sie diese Gleichungen für a und b in Gleichung 1. 1 Q3 3 Q2 Q1 Q2 Q1 3c c Q1.c Q3 Q2 Q1 Q2 2.Das zweite Grad Approximation-Verfahren Berechnet a, b und c wie folgt. a Q3 3 Q2 Q1 370 3 400 384 370 3 16 322.b Q2 Q1 3c 400 384 3 23 16 69 85.c Q3 Q2 Q1 Q2 2 370 400 384 400 2 23.Dieses Ist eine Berechnung des zweiten Grades Näherungsvorhersage. Y a bX cX 2 322 85X 23 X 2.When X 4, Q4 322 340 368 294 Die Prognose entspricht 294 3 98 pro Periode. Wenn X 5, Q5 322 425 575 172 Die Prognose entspricht 172 3 58 33 gerundet auf 57 pro Periode. Wenn X 6, Q6 322 510 828 4 Die Prognose entspricht 4 3 1 33 gerundet auf 1 pro Periode. Dies ist die Prognose für das nächste Jahr, letztes Jahr zu diesem Jahr.3 2 8 Methode 8 Flexible Method. This Methode ermöglicht es Ihnen, die beste passende Anzahl von pro auswählen Iods der Verkaufsauftragsgeschichte, die n Monate vor dem voraussichtlichen Startdatum beginnt und einen prozentualen Anstieg oder Verringerung des Multiplikationsfaktors anwendet, mit dem die Prognose geändert werden soll. Diese Methode ähnelt Methode 1, Prozent über letztes Jahr, mit der Ausnahme, dass Sie die Anzahl der Perioden, die Sie als Basis verwenden. Abhängig davon, was Sie als n wählen, benötigt diese Methode Perioden, die am besten passen, plus die Anzahl der angegebenen Perioden der Verkaufsdaten. Diese Methode ist nützlich, um die Nachfrage nach einem geplanten Trend zu prognostizieren.3 2 8 1 Beispiel Methode 8 Flexible Methode. Die Flexible Methode Prozent über n Monate Prior ist ähnlich wie Methode 1, Prozent über letztes Jahr Beide Methoden multiplizieren Verkaufsdaten aus einer vorherigen Zeitspanne um einen von Ihnen angegebenen Faktor und projizieren dann das Ergebnis in die Zukunft In der Percent Over Last Year-Methode basiert die Projektion auf Daten aus dem gleichen Zeitraum im Vorjahr. Sie können auch die Flexible Methode verwenden, um einen Zeitraum anzugeben, der nicht der gleiche Zeitraum in der la ist St Jahr, um als Grundlage für die Berechnungen zu verwenden. Multiplikationsfaktor Geben Sie z. B. 110 in der Verarbeitungsoption an, um die vorherigen Verkaufsgeschichte-Daten um 10 Prozent zu erhöhen. Basisperiode Beispielsweise bedeutet n 4, dass die erste Prognose auf Verkaufsdaten basiert Im September des vergangenen Jahres. Minimum erforderliche Verkaufsgeschichte die Anzahl der Perioden zurück zur Basisperiode plus die Anzahl der Zeiträume, die für die Bewertung der prognostizierten Leistungsperioden der besten fit. This Tabelle ist Geschichte verwendet in der Prognoseberechnung.3 2 9 Methode 9 Gewichteter beweglicher Durchschnitt Die gewichtete bewegliche durchschnittliche Formel ist ähnlich wie Methode 4, Moving Average Formel, weil es im Durchschnitt des Verkaufsverlaufs des Vormonats liegt, um die Verkaufsgeschichte des nächsten Monats zu projizieren. Mit dieser Formel können Sie jedoch Gewichte zuordnen Der vorherigen Perioden. Diese Methode erfordert die Anzahl der gewichteten Perioden ausgewählt plus die Anzahl der Perioden am besten passen Daten Ähnlich wie Moving Average, diese Methode hinter den Nachfrage Trends, so dass dies Methode wird nicht empfohlen für Produkte mit starken Trends oder Saisonalität Diese Methode ist nützlich, um die Nachfrage nach ausgereiften Produkten mit der Nachfrage zu veranschaulichen, die relativ niedrig ist.3 2 9 1 Beispiel Methode 9 Gewichteter bewegter Durchschnitt. Die gewichtete bewegliche durchschnittliche WMA-Methode ähnelt Methode 4 , Moving Average MA Allerdings können Sie bei der Verwendung von WMA ungleiche Gewichte den historischen Daten zuordnen. Die Methode berechnet einen gewichteten Durchschnitt der letzten Verkaufsgeschichte, um kurzfristig eine Projektion zu erreichen. Neuere Daten werden in der Regel ein größeres Gewicht als ältere Daten zugewiesen, So reagiert WMA eher auf Verschiebungen im Umsatzniveau. Allerdings treten prognostizierte Bias und systematische Fehler auf, wenn die Produktverkaufsgeschichte starke Trends oder saisonale Muster aufweist. Diese Methode funktioniert für kurzfristige Prognosen von reifen Produkten besser als bei Produkten im Wachstum oder in der Obsoleszenz Stufen des Lebenszyklus. Die Anzahl der Perioden der Verkaufsgeschichte n in der Prognoseberechnung verwenden. Zum Beispiel geben Sie n 4 in der Prozedur Ssing-Option, um die letzten vier Perioden als Grundlage für die Projektion in den nächsten Zeitraum zu verwenden Ein großer Wert für n wie 12 erfordert mehr Verkaufsgeschichte Ein solcher Wert führt zu einer stabilen Prognose, aber es ist langsam, Verschiebungen in der Umsatzniveau Umgekehrt reagiert ein kleiner Wert für n wie 3 schneller auf Verschiebungen im Umsatz, aber die Prognose könnte so weit schwanken, dass die Produktion nicht auf die Variationen reagieren kann. Die Gesamtzahl der Perioden für die Verarbeitungsoption 14 - Die zu berücksichtigenden Perioden dürfen 12 Monate nicht überschreiten. Das Gewicht, das jedem der historischen Datenperioden zugeordnet ist. Die zugeteilten Gewichte müssen 1 00 betragen. Wenn z. B. n 4 Gewichte von 0 50, 0 25, 0 15 und 0 zugewiesen werden 10 mit den aktuellsten Daten, die das größte Gewicht erhalten. Minimum erforderliche Verkaufsgeschichte n plus die Anzahl der Zeiträume, die für die Bewertung der prognostizierten Performance-Perioden der besten fit. This Tabelle ist Geschichte verwendet in der Prognose Berechnung. Januar-Prognose erforderlich sind Ast entspricht 131 0 10 114 0 15 119 0 25 137 0 50 0 10 0 15 0 25 0 50 128 45 gerundet auf 128.Februarprognose entspricht 114 0 10 119 0 15 137 0 25 128 0 50 1 127 5 auf 128 abgerundet. März-Prognose entspricht 119 0 10 137 0 15 128 0 25 128 0 50 1 128 45 gerundet auf 128,3 2 10 Methode 10 Lineare Glättung. Diese Methode berechnet einen gewichteten Durchschnitt der vergangenen Verkaufsdaten. Bei der Berechnung verwendet diese Methode die Anzahl der Perioden von Kundenauftragsverlauf von 1 bis 12, der in der Verarbeitungsoption angegeben ist Das System verwendet eine mathematische Progression, um Daten im Bereich vom ersten geringsten Gewicht bis zum letzten Gewicht zu wiegen. Dann projiziert das System diese Informationen auf jeden Zeitraum in der Prognose Methode erfordert den Monat am besten passt zuzüglich der Verkaufsauftragshistorie für die Anzahl der Perioden, die in der Verarbeitungsoption angegeben sind. 2 10 1 Beispiel Methode 10 Lineare Glättung. Dieses Verfahren ähnelt Methode 9, WMA Jedoch statt der willkürlichen Zuordnung Gewichte zu den historischen Daten, wird 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. Wie alle linearen gleitenden durchschnittlichen Prognosetechniken, Vorhersagevorhersage und systematische Fehler treten bei der Produktverkäufe auf Zeigt starke Tendenz oder saisonale Muster Diese Methode arbeitet besser für kurzfristige Prognosen von reifen Produkten als für Produkte in der Wachstums - oder Obsoleszenzstadien des Lebenszyklus. n entspricht der Anzahl der Perioden der Verkaufsgeschichte, die in der Prognoseberechnung verwendet werden sollen N entspricht 4 in der Verarbeitungsoption, um die letzten vier Perioden als Grundlage für die Projektion in die nächste Zeitspanne zu verwenden. Das System ordnet die Gewichte automatisch den historischen Daten zu, die linear abfallen und auf 1 00 summieren. Wenn beispielsweise n gleich 4 ist , Weist das System Gewichte von 0 4, 0 3, 0 2 und 0 1 zu, wobei die aktuellsten Daten das größte Gewicht erhalten. Minimum erforderliche Verkaufsgeschichte np Lus die Anzahl der Zeiträume, die für die Auswertung der prognostizierten Leistungsperioden der besten Anpassung erforderlich sind. Diese Tabelle ist die in der Prognoseberechnung verwendete Geschichte.3 2 11 Methode 11 Exponentielle Glättung. Diese Methode berechnet einen geglätteten Durchschnitt, der zu einer Schätzung wird Allgemeine Umsatzniveaus über die ausgewählten historischen Datenperioden. Diese Methode erfordert Umsatzdatenverlauf für den Zeitraum, der durch die Anzahl der Perioden am besten passt und die Anzahl der historischen Datenperioden, die angegeben werden, repräsentiert wird. Die Mindestanforderung ist zwei historische Datenperioden Methode ist sinnvoll, um die Nachfrage zu prognostizieren, wenn kein linearer Trend in den Daten vorliegt.3 2 11 1 Beispiel Methode 11 Exponentielle Glättung. Dieses Verfahren ähnelt Methode 10, Lineare Glättung In Linearer Glättung weist das System Gewichte zu, die linear den historischen Daten abweichen Bei der Exponential-Glättung weist das System Gewichte auf, die exponentiell abklingen. Die Gleichung für die Exponential-Glättungsvorhersage ist. Forecast P Neuste tatsächliche Verkäufe 1 vorherige Prognose. Die Prognose ist ein gewichteter Durchschnitt der tatsächlichen Umsatz aus der vorherigen Periode und die Prognose aus der vorherigen Periode Alpha ist das Gewicht, das auf den tatsächlichen Umsatz für die vorherige Periode 1 angewendet wird, ist das Gewicht, das angewendet wird Auf die Prognose für die vorherige Periode Werte für Alpha-Bereich von 0 bis 1 und fallen normalerweise zwischen 0 1 und 0 4 Die Summe der Gewichte beträgt 1 00 1 1. Sie sollten einen Wert für die Glättungskonstante zuweisen, alpha Wenn Sie dies nicht tun Einen Wert für die Glättungskonstante zuordnen, berechnet das System einen angenommenen Wert, der auf der Anzahl der Perioden der Verkaufshistorie basiert, die in der Verarbeitungsoption angegeben ist. Die Glättungskonstante, die zur Berechnung des geglätteten Durchschnitts für die allgemeine Ebene verwendet wird, Größe von sales. Values für Alpha-Bereich von 0 bis 1.n entspricht dem Bereich der Umsatz Geschichte Daten in die Berechnungen enthalten. Generisch, ein Jahr der Umsatz Geschichte Daten ist ausreichend, um die allgemeine Umsatzniveau zu schätzen Für dieses Beispiel wurde ein kleiner Wert für nn 4 gewählt, um die manuellen Berechnungen zu reduzieren, die erforderlich sind, um die Ergebnisse zu verifizieren. Exponentielle Glättung kann eine Prognose erzeugen, die auf so wenig wie einem historischen Datenpunkt basiert. Minimal erforderliche Verkaufsgeschichte n plus die Zahl Von Zeiträumen, die für die Bewertung der prognostizierten Leistungsperioden der besten Anpassung erforderlich sind. Diese Tabelle ist die in der Prognoseberechnung verwendete Geschichte.3 2 12 Methode 12 Exponentielle Glättung mit Trend und Seasonality. This Methode berechnet einen Trend, einen saisonalen Index und einen Exponentiell geglättete Mittel aus der Verkaufsauftragsübersicht Das System wendet dann eine Projektion des Trends auf die Prognose an und passt sich dem saisonalen Index an. Diese Methode erfordert die Anzahl der Perioden, die am besten passt, plus zwei Jahre Verkaufsdaten und ist für Gegenstände nützlich Sowohl Trend als auch Saisonalität in der Prognose Du kannst den Alpha - und Beta-Faktor eingeben oder das System berechnen. Alpha - und Beta-Faktoren sind die Glättungskonstante Das System verwendet, um den geglätteten Durchschnitt für das allgemeine Niveau oder die Größe des Verkaufs alpha und die Trendkomponente der Prognose beta zu berechnen.3 2 12 1 Beispiel Methode 12 Exponentielle Glättung mit Trend und Seasonality. This Methode ähnelt Methode 11, Exponential Glättung , Da ein geglätteter Durchschnitt berechnet wird. Allerdings enthält Methode 12 auch einen Begriff in der Prognosegleichung, um einen geglätteten Trend zu berechnen. Die Prognose setzt sich aus einem geglätteten Durchschnitt zusammen, der für einen linearen Trend angepasst ist. Wenn in der Verarbeitungsoption angegeben, ist die Prognose Auch für Saisonalität angepasst. Alpha entspricht der Glättungskonstante, die bei der Berechnung des geglätteten Durchschnitts für die allgemeine Ebene oder Größe der Verkäufe verwendet wird. Werte für Alpha-Bereich von 0 bis 1.Beta entspricht der Glättungskonstante, die bei der Berechnung des geglätteten Durchschnitts verwendet wird Die Trendkomponente der Prognose. Values für Beta-Bereich von 0 bis 1.Whether ein saisonaler Index wird auf die Prognose angewendet. Alpha und Beta sind unabhängig von on E ... Sie müssen nicht auf 1 0 summieren. Minimum erforderliche Verkaufsgeschichte Ein Jahr plus die Anzahl der Zeiträume, die erforderlich sind, um die prognostizierten Leistungsperioden der besten Passage zu bewerten Wenn zwei oder mehr Jahre historische Daten verfügbar sind, verwendet das System Zwei Jahre der Daten in den Berechnungen. Method 12 verwendet zwei Exponential Glättung Gleichungen und einen einfachen Durchschnitt, um einen geglätteten Durchschnitt, einen geglätteten Trend und einen einfachen durchschnittlichen saisonalen Index zu berechnen. Eine exponentiell geglättete Durchschnitt. Eine exponentiell geglättete Trend. A einfache durchschnittliche saisonale Index. Figur 3-3 Einfacher durchschnittlicher saisonaler Index. Die Prognose wird dann unter Verwendung der Ergebnisse der drei Gleichungen berechnet. L ist die Länge der Saisonalität L entspricht 12 Monate oder 52 Wochen. t ist die aktuelle Zeitspanne. m ist die Zahl Von Zeiträumen in die Zukunft der Prognose. S ist der multiplikative saisonale Anpassungsfaktor, der auf die entsprechende Zeitspanne indiziert ist. Diese Tabelle listet die Geschichte in der Prognoseberechnung verwendet. Dieser Abschnitt pr Ovides einen Überblick über Prognoseauswertungen und diskutiert. Sie können Prognosemethoden auswählen, um so viele wie 12 Prognosen für jedes Produkt zu generieren Jede Prognosemethode könnte eine etwas andere Projektion verursachen Wenn Tausende von Produkten prognostiziert werden, ist eine subjektive Entscheidung unpraktisch, welche Prognose zu verwenden ist In den Plänen für jedes Produkt. Das System automatisch wertet Leistung für jede Prognose Methode, die Sie auswählen und für jedes Produkt, das Sie prognostizieren Sie können zwischen zwei Leistungskriterien wählen MAD und POA MAD ist ein Maß für die Prognose Fehler POA ist ein Maß für die Prognose Bias Beide dieser Leistungsbewertungstechniken erfordern tatsächliche Verkaufsgeschichte Daten für einen von Ihnen angegebenen Zeitraum. Die Periode der letzten Geschichte, die für die Auswertung verwendet wird, wird als Halteperiode oder Periode der besten Passung bezeichnet. Um die Leistung einer Prognosemethode zu messen, benötigt das System Prognoseformeln, um eine Prognose für die historische Holdoutperiode zu simulieren. Macht einen Vergleich zwischen dem Tatsächliche Verkaufsdaten und die simulierte Prognose für die Holdout-Periode. Wenn Sie mehrere Prognosemethoden auswählen, tritt dieser Vorgang für jede Methode auf. Mehrere Prognosen werden für die Halteperiode berechnet und mit der bekannten Verkaufsgeschichte für denselben Zeitraum verglichen. Die Prognosemethode, die produziert wird Die beste Übereinstimmung am besten zwischen der Prognose und dem tatsächlichen Umsatz während der Haltezeit ist für die Verwendung in den Plänen empfohlen Diese Empfehlung ist spezifisch für jedes Produkt und könnte sich jedes Mal ändern, wenn Sie eine Prognose erzeugen.3 3 1 Mean Absolute Deviation. Mean Absolute Abweichung MAD ist der Mittelwert oder der Mittelwert der absoluten Werte oder Größen der Abweichungen oder Fehler zwischen Ist - und Prognosedaten MAD ist ein Maß für die durchschnittliche Größe der zu erwartenden Fehler bei einer Prognosemethode und Datenhistorie Da Absolutwerte in der Berechnung, positive Fehler nicht auslöschen negative Fehler Beim Vergleich mehrere Prognosemethoden, die mit der kleinsten MA D 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 Actual Forecast n. Standard Deviation, 1 25 MAD. Mean Squared Error 2.This example indicates the calculation of MAD for two of the forecasting methods This example assumes that you have specified in the processing option that the holdout period length periods of best fit is equal to five periods.3 3 1 1 Method 1 Last Year to This Year. This table is history used in the calculation of MAD, given Periods of Best Fit 5.Mean Absolute Deviation equals 2 1 20 10 14 5 9 4.Based on these two choices, the Moving Average, n 4 method is recommended because it has the smaller MAD, 9 4, for the given holdout period.3 3 2 Percent of Accuracy. Percent of Accuracy POA is a measure of forecast bias When forecast s are consistently too high, inventories accumulate and inventory costs rise When forecasts are consistently too low, inventories are consumed and customer service declines A forecast that is 10 units too low, then 8 units too high, then 2 units too high is an unbiased forecast The positive error of 10 is canceled by negative errors of 8 and 2. Error Actual Forecast. When a product can be stored in inventory, and when the forecast is unbiased, a small amount of safety stock can be used to buffer the errors In this situation, eliminating forecast errors is not as important as generating unbiased forecasts However, in service industries, the previous situation is viewed as three errors The service is understaffed in the first period, and then overstaffed for the next two periods In services, the magnitude of forecast errors is usually more important than is forecast bias. POA Forecast sales during holdout period Actual sales during holdout period 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 fore cast, 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