4 Vuotta Liikkuvan Keskiarvon Ennuste

Keskimääräisen ennusteen siirto Johdanto. Kuten arvataankin, tarkastelemme joitain ennennäkemättömiä ennusteita. Mutta toivottavasti nämä ovat ainakin hyödyllinen esittely joihinkin laskentataulukoiden ennusteiden toteuttamiseen liittyvistä laskentakysymyksistä. Tällä tavoin jatkamme aloittamalla alusta ja aloittamalla Moving Average - ennusteiden kanssa. Liukuva keskiennuste. Jokainen tuntee liikkuvien keskimääräisten ennusteiden riippumatta siitä, ovatko he sitä mieltä. Kaikki opiskelijat tekevät niitä koko ajan. Ajattele testituloksia kurssilla, jossa sinulla on neljä testia lukukauden aikana. Oletetaan, että sinulla on 85 testissä. Mitä arvioisit toisen testipisteen suhteen Mitä luulet opettajasi ennustavan seuraavalle testipisteelle Mitä luulet ystäväsi saattavan ennustaa seuraavalle testipisteelle Mitä mieltä olet vanhempanne, jotka saattavat ennustaa seuraavan testipisteenne Riippumatta siitä, kaikki mitä voit tehdä ystävillesi ja vanhemmillesi, he ja opettajasi odottavat todennäköisesti, että saat jotain 85-luvun alueella. No, nyt oletamme, että huolimatta sinun itsesi edistämisestä ystävillesi, voit yliarvioida itseäsi ja katsoa, ​​että voit opiskella vähemmän toisen testin ja niin saat 73. Nyt kaikki ovat huolestuneita ja huolimattomia menossa ennakoida, että saat kolmannen testin. Heille kaksi todennäköistä lähestymistapaa on kehittää arvio riippumatta siitä, jakavatko ne sinulle. He voivat sanoa itselleen, että tämä kaveri on aina puhaltaa savua hänen älykkyydestään. Hän aikoo saada toisen 73, jos on onnekas. Ehkä vanhemmat yrittävät olla tukevampia ja sanoa: "No niin, sinä olet saanut 85: n ja 73: n, joten ehkä sinun pitäisi ymmärtää (85 73) 2 79. En tiedä, ehkä jos teit vähemmän juhlimista ja werent wagging the weasel koko paikka ja jos olet alkanut tehdä paljon enemmän opiskelu voit saada korkeamman pistemäärän. Quot molemmat arviot ovat todellisuudessa liikkuvat keskimääräiset ennusteet. Ensimmäinen käyttää vain viimeisimpiä pisteitä ennustamaan tulevaa suorituskykyäsi. Tätä kutsutaan liikkuvaksi keskimääräiseksi ennusteeksi käyttäen yhtä tietovuotta. Toinen on myös liukuva keskimääräinen ennuste, mutta kaksi tietojen jaksoa. Oletetaan, että kaikki nämä ihmiset, jotka menevät hyvään mieleesi, ovat sortuneet sinut irti ja päätät tehdä kolmannella testillä omia syitäsi ja laittaa korkeamman pistemäärän kvartetinne eteen. Teet testin ja pisteesi on oikeastaan ​​89 Jokainen, mukaanlukien itsesi, on vaikuttunut. Joten nyt olet lukukauden viimeinen testi tulossa ja tavalliseen tapaan tunnet tarvetta yllyttää kaikki tekemään ennustuksia siitä, miten voit tehdä viimeisen testin. No, toivottavasti näet kuvion. Nyt toivottavasti näet kuvion. Mikä luulet olevan tarkin Whistle While We Work? Nyt palaamme uuteen siivousyhtiöön, jonka aloitti teidän hämmästynyt puolisko nimeltä Whistle While We Work. Sinulla on joitain aiempia myyntitilastoja, joita edustaa seuraava osio laskentataulukosta. Esitämme tiedot ensimmäistä kertaa kolmen peräkkäisen liukuvan keskiarvon ennusteessa. Solun C6 merkinnän pitäisi olla Nyt voit kopioida tämän solukehyksen alas muihin soluihin C7-C11. Huomaa, kuinka keskiarvo liikkuu viimeisimpien historiallisten tietojen perusteella, mutta käyttää täsmälleen kolmea viimeisintä ajanjaksoa jokaiselle ennusteelle. Sinun on myös huomattava, että emme todellakaan tarvitse tehdä ennusteita aiempina aikoina, jotta voimme kehittää viimeisintä ennustetta. Tämä on ehdottomasti erilainen kuin eksponentiaalinen tasoitusmalli. Olen sisällyttänyt quotpast ennusteita, koska käytämme niitä seuraavalla verkkosivustolla ennusteen pätevyyden mittaamiseen. Nyt haluan esitellä samankaltaiset tulokset kahteen jaksoon liukuvalle keskimääräiselle ennusteelle. Solun C5 merkinnän pitäisi olla Nyt voit kopioida tämän solukehyksen alas muihin soluihin C6-C11. Huomaa, miten kullekin ennusteelle käytetään vain kahta viimeisintä historiatietoa. Jälleen olen sisällyttänyt quotpast ennusteetquot havainnollistamistarkoituksiin ja myöhempää käyttöä varten ennustevalidoinnissa. Joitakin muita asioita, jotka ovat tärkeitä huomaamaan. M-ajan liikkuvaa keskimääräistä ennustetta käytetään ennusteiden tekemiseen vain viimeisimmillä m arvoilla. Mikään muu ei ole välttämätöntä. M-ajan liikkuvaa keskimääräistä ennustetta varten, kun annat quotpast ennusteita, huomaa, että ensimmäinen ennuste tapahtuu ajanjaksossa m. Molemmat näistä ongelmista ovat erittäin merkittäviä, kun kehitämme koodimme. Liikkuvan keskiarvotoiminnon kehittäminen. Nyt meidän on kehitettävä liikkuvaa keskimääräistä ennusteita, joita voidaan käyttää joustavammin. Koodi seuraa. Huomaa, että panokset ovat niiden aikojen lukumäärää, jotka haluat käyttää ennusteessa ja historiallisten arvojen sarjassa. Voit tallentaa sen haluamaasi työkirjaan. Toiminto MovingAverage (Historiallinen, NumberOfPeriods) Yksittäisen ilmoituksen ja alustuksen muuttujat Dim elementti versioksi Dim Counter kuin kokonaisluku Dim kertyminen yksittäisenä hilaan HistoricalSize kuin kokonaisluku Muuttujien alustus Counter 1 kertyminen 0 Historiallisen taulukon koko määrittäminen HistoricalSize Historical. Count for Counter 1 to NumberOfPeriods Kertyminen sopivasta määrästä viimeisimpiä aiemmin havaittuja arvoja Kertymisen kertyminen Historiallinen (HistoricalSize - NumberOfPeriods Counter) Siirtyminen keskimääräisen kertymän lukumääränperiaatteista Koodi selitetään luokassa. Haluat sijoittaa funktion laskentataulukkoon niin, että laskutoimituksen tulos näytetään missä se haluaisi. Ennusteiden laskentayksiköt A.1 Ennusteiden laskentamenetelmät Käytettävissä on kaksitoista ennusteiden laskentamenetelmää. Suurin osa näistä menetelmistä tarjoaa rajoitetun käyttäjän ohjauksen. Esimerkiksi laskentaan käytettyihin historiallisiin tietoihin tai historiallisten tietojen päivämäärään voidaan määrittää esimerkiksi paino. Seuraavat esimerkit kuvaavat kunkin käytettävissä olevan ennustemenetelmän laskentamenetelmää, kun otetaan huomioon samanlaiset historiatiedot. Seuraavat esimerkit käyttävät samoja vuoden 2004 ja 2005 myyntiä koskevia tietoja vuoden 2006 myynnin ennusteen tuottamiseksi. Ennustalaskennan lisäksi jokaisessa esimerkissä on simuloitu vuoden 2005 ennuste kolmen kuukauden jaksotusajankohdasta (prosessointivaihtoehto 19 3), jota käytetään prosenttiosuuteen tarkkuudesta ja absoluuttisen keskiarvon laskelmista (todellinen myynti verrattuna simuloituun ennusteeseen). A.2 Suorituskyvyn arviointikriteerit Tietojenkäsittelyvaihtoehtojen valinnasta ja myynnin tietojen kehityksestä ja mallista riippuen tietyt ennustemenetelmät toimivat paremmin kuin toiset tietylle historialliselle tietueelle. Yhdelle tuotteelle sopiva ennustemenetelmä ei ehkä ole sopiva toiselle tuotteelle. On myös epätodennäköistä, että ennustemenetelmä, joka tuottaa hyviä tuloksia tuotteen elinkaaren jossakin vaiheessa, pysyy tarkoituksenmukaisena koko elinkaaren ajan. Voit valita kahden menetelmän arvioimaan ennusteiden nykyisen suorituskyvyn. Nämä ovat keskiarvon absoluuttinen poikkeama (MAD) ja prosenttiosuus (POA). Molemmat suorituskyvyn arviointimenetelmät edellyttävät historiallisia myyntitietoja käyttäjän määritellylle ajanjaksolle. Tätä ajanjaksoa kutsutaan pidätysajaksi tai parhaiten sopiviksi jaksoiksi (PBF). Tämän ajanjakson tietoja käytetään perustana suositelleille ennustejärjes - telmistä, joita käytetään seuraavan ennusteennusteen tekemisessä. Tämä suositus koskee jokaista tuotetta, ja se voi muuttua ennustetusta sukupolvesta toiseen. Kaksi ennustettua suorituskyvyn arviointimenetelmää on esitetty sivuilla, joissa esitetään esimerkkejä kahdestatoista ennakointimenetelmästä. A.3 Menetelmä 1 - määritetty prosenttiosuus viime vuoteen Menetelmä kertoo edellisen vuoden myyntitiedot käyttäjän määrittämällä tekijällä, esimerkiksi 1.10 10: n korotuksella tai 0,97: lla 3: n laskiessa. Tarvittava myyntihistoria: Yhden vuoden ennustearvon laskemiseksi sekä käyttäjän määrittämien ennusteiden suorittamisajankohta (käsittelyvaihtoehto 19). A.4.1 Ennusteiden laskenta Myyntikorjausalue, jota käytetään tässä esimerkissä kasvutekijän laskemisessa (käsittelyvaihtoehto 2a) 3. Summa viimeisten kolmen kuukauden aikana: 114 119 137 370 Summa edellisvuoden kolme kuukautta: 123 139 133 395 Laskettu tekijä 370395 0,9367 Lasketaan ennusteet: tammikuu 2005 myynti 128 0,9367 119.8036 tai noin 120 helmikuu 2005 myynti 117 0,9367 109,5939 tai noin 110 päivänä maaliskuuta 2005 myynti 115 0,9367 107,7205 tai noin 108 A.4.2 Simuloitu ennuste Laskelma Summa kolme kuukautta 2005 ennen pidempiä jaksoja (heinäkuu, elokuu, syyskuu): 129 140 131 400 Summa samat kolme kuukautta edellisenä vuonna: 141 128 118 387 Laskettu tekijä 400387 1.033591731 Laske simuloitu ennuste: lokakuu 2004 myynti 123 1.033591731 127.13178 marraskuu 2004 myynti 139 1.033591731 143.66925 joulukuu 2004 myynti 133 1.033591731 137.4677 A.4.3 Tarkkuuslaskennan prosenttiosuus (127.13178 143.66925 137.4677) (114 119 137) 100 408.26873 370 100 110.3429 A.4.4 Absoluuttinen poikkeamislaskelma MAD (127.13178 - 114 143.66925 - 119 137.4677- 137) 3 (13.13178 24.66925 0.4677) 3 12.75624 A.5 Menetelmä 3 - viime vuonna tähän vuoteen Tämä menetelmä kopioi myyntitiedot edelliseltä vuodelta seuraavalle vuodelle. Vaadittava myyntihistoria: Yhden vuoden ennustearvon laskemiseksi sekä ennakoidun suorituskyvyn arvioimiseksi määritettyjen aikajaksojen määrä (käsittelyvaihtoehto 19). A.6.1 Ennustalaskenta Keskimäärään sisällytettävien jaksoiden määrä (käsittelyvaihtoehto 4a) 3 Tässä esimerkissä arvioidaan jokaisen ennustejakson kuukauden osalta edellisten kolmen kuukauden tiedot. Tammikuun ennuste: 114 119 137 370, 370 3 123.333 tai 123 helmikuuennuste: 119 137 123 379, 379 3 126.333 tai 126 maaliskuu ennuste: 137 123 126 379, 386 3 128.667 tai 129 A.6.2 Simuloitu ennuste Laskelma Lokakuu 2005 myynti (129 140 131) 3 133,3333 marraskuu 2005 myynti (140 131 114) 3 128,3333 joulukuu 2005 myynti (131 114 119) 3 121,3333 A.6.3 Tarkkuuslaskennan prosenttiosuus (133,3333 128,3333 121,3333) (114 119 137) 100 103,513 A.6.4 Keskimääräinen absoluuttinen Poikkeaman laskeminen MAD (133.3333 - 114 128.3333 - 119 121.3333 - 137) 3 14.7777 A.7 Menetelmä 5 - Lineaarinen likimääräisyys Lineaarinen approksimointi laskee trendin, joka perustuu kahteen myyntihistoriatietopisteeseen. Nämä kaksi pistettä muodostavat suoran trendilinjan, joka on suunniteltu tulevaisuuteen. Käytä tätä menetelmää varoen, koska pitkän aikavälin ennusteita hyödynnetään pienillä muutoksilla vain kahdessa datapisteessä. Vaadittava myyntihistoria: Regressioon sisällytetyt kaudet (prosessointivaihtoehto 5a) plus 1 plus ennusteiden suoritustasoa arvioivien aikajaksojen lukumäärä (käsittelyvaihtoehto 19). A.8.1 Ennustekorjaus Jaksot, jotka on sisällytettävä regressioon (prosessointivaihtoehto 6a) 3 tässä esimerkissä Ennusteen jokaiselle kuukaudelle lisää lisäys tai vähennys määritettyjen jaksojen aikana ennen edellisen jakson pitenemisen jaksoa. Edellisen kolmen kuukauden keskiarvo (114 119 137) 3 123.3333 Tiivistelmä edellisistä kolmesta kuukaudesta painotettuna (114 1) (119 2) (137 3) 763 Arvojen 763 - 123.3333 (1 2 3) 12 22 32) - 2 3 14 - 12 2 Arvo1 Erotusaste 232 11,5 Arvo2 Keskiarvo - arvo1 suhde 123,3333 - 11,5 2 100,3333 Ennuste (1 n) arvo1 arvo2 4 11,5 100,3333 146,333 tai 146 Ennuste 5 11,5 100,3333 157,8333 tai 158 Ennuste 6 11,5 100,3333 169,3333 tai 169 A.8.2 Simuloitu ennuste Laskelma Lokakuun 2004 myynti: edellisten kolmen kuukauden keskiarvo (129 140 131) 3 133,3333 Yhteenveto edellisistä kolmesta kuukaudesta painotettuna (129 1) (140 2) (131 3) 802 (1 22) - 2 3 14 - 12 2 Arvo1 Erotusaste 22 1 Arvo2 Keskiarvo - arvo1 suhde 133,3333 - 1 2 131,3333 Ennuste (1 n) arvo1 arvo2 4 1 131,3333 135,3333 marraskuu 2004 myynti Edellisen kolmen kuukauden keskiarvo (140 131 114) 3 128.3333 Yhteenveto edellisistä kolmesta kuukaudesta painotettuna (140 1) (131 2) (114 3) 744 Arvojen 744 - 128.3333 (1 2 3) välinen ero -25.9999 Arvo1 Erotus -25,99992 -12,9999 Arvo2 Keskimääräinen - arvo1 suhde 128,3333 - (-12,9999) 2 154,3333 Ennuste 4 -12,9999 154,3333 102,3333 Joulukuu 2004 myynti Edellisten kolmen kuukauden keskiarvo (131 114 119) 3 121,3333 Yhteenveto edellisistä kolmesta kuukaudesta, Arvot 716 - 121.3333 (1 2 3) -11.9999 Arvo1 Erotus -11.99992 -5.9999 Arvo2 Keskimääräinen - arvo1 suhde 121.3333 - (-5.9999) 2 133.3333 Ennuste 4 (-5.9999) ) 133.3333 109.3333 A.8.3 Tarkkuuslaskennan prosenttiosuus POA (135.33 102.33 109.33) (114 119 137) 100 93.78 A.8.4 Keskimääräinen absoluuttinen poikkeamalaskenta MAD (135.33 - 114 102.33 - 119 109.33 - 137) 3 21.88 A.9 Menetelmä 7 - secon d asteittainen lähentyminen Lineaarinen regressio määrittää a ja b: n arvot ennuste kaavassa Y a bX, jonka tavoitteena on sovittaa suora viiva myyntihistoriatietoihin. Toinen asteen arviointi on samanlainen. Tämä menetelmä määrittää kuitenkin arvot a, b ja c ennuste kaavassa Y a bX cX2, jonka tarkoituksena on sovittaa käyrä myyntihistoriatietoihin. Tämä menetelmä voi olla hyödyllinen, kun tuote siirtyy elinkaaren eri vaiheissa. Esimerkiksi kun uusi tuote siirtyy johdannosta kasvuvaiheisiin, myyntikehitys voi nopeutua. Toisen asteen termin vuoksi ennuste voi nopeasti lähestyä äärettömyyttä tai pudota nollaan (riippuen siitä, kertoo c on positiivinen tai negatiivinen). Siksi tämä menetelmä on hyödyllinen vain lyhyellä aikavälillä. Ennustetiedot: Kaavojen avulla a, b ja c sopivat käyrän määrittämiseen täsmälleen kolmeen pisteeseen. Olet määrittänyt n käsittelyvaihtoehdossa 7a kerättävien tietojen aikajaksoja jokaiseen näistä kolmesta pisteestä. Tässä esimerkissä n 3. Näin ollen huhti-kesäkuun todelliset myyntitiedot yhdistetään ensimmäiseen pisteeseen Q1. Heinä-syyskuu lisätään yhdessä luomaan Q2, ja loka-joulukuun summa Q3. Käyrä asetetaan kolmeen arvoon Q1, Q2 ja Q3. Vaadittava myyntihistoria: 3 n jaksoa ennustearvon laskemiseksi ja odotetun suoritusarvon (PBF) arvioimiseksi tarvittavien aikajaksojen lukumäärä. Tässä esimerkissä käytettävien kausien lukumäärä (käsittelyvaihtoehdon 7a) 3 Käytä aikaisempia (3 n) kuukausia kolmen kuukauden lohkoissa: Q1 (huhti-kesäkuu) 125 122 137 384 Q2 (heinä-syyskuu) 129 140 131 400 Q3 ( Loka - joulukuu) 114 119 137 370 Seuraavassa vaiheessa lasketaan kolme ennustekaava-kaavassa käytettävää kolmijakoa a, b ja c bX cX2 (1) Q1 bX cX2 (jossa X 1) abc (2) Q2 a bx cX2 (jossa X2) a 2b 4c (3) Q3 a bX cX2 (jossa X3) a 3b 9c Ratkaise kolme yhtälöä samanaikaisesti b, a ja c: n löytämiseksi: vähennä yhtälö (1) yhtälöstä (2) ja ratkaise b (2) - (1) Q2 - Q1 b 3c Korvaa yhtälö (b) yhtälöön (3) (3) Q3 a 3 (Q2 - Q1) - 3c c Lopuksi korvataan nämä a ja b: n yhtälöt yhtälö (1) Q3 - 3 (Q2 - Q1) (q2 - Q1) - 3c c Q1 c (Q3 - Q2) (Q1 - Q2) 2 Toisen asteen approksiointimenetelmä laskee a, b ja c seuraavasti: Q3 - 3 (Q2 - Q1) 370-3 (400 - 384) 322 c (Q3 - Q2) (Q1 - Q2) 2 (370-400) (384-400) -23) 85 Y a bX cX2 322 85X (-23) X2 Tammi-maaliskuun ennuste (X4): (322 340 - 368) 3 2943 98 (X2): (322 510 - 828) 3 1.33 tai 1 kaudesta lokakuuhun joulukuuhun (X7) (322 425 - 575) 3 57.333 tai 57 595 - 11273 -70 A.9.2 Simuloitu ennuste laskenta Lokakuu, marraskuu ja joulukuu 2004 myynti: Q1 (tammi-maaliskuu) 360 Q2 (huhti-kesäkuu) 384 Q3 (heinä-syyskuu) 400 400 400 (3 - 328 c (400 - 384) (360 - 384) 2 -4 b (384 - 360) - 3 (-4) 36 328 36 4 (-4) 163 136 A.9.3 Tarkkuuslaskennan prosenttiosuus POA (136 136 136) (114 119 137) 100 110,27 A.9.4 Keskimääräinen absoluuttinen poikkeamislaskelma MAD (136 - 114 136 - 119 136 - 137) 3 13.33 A.10 Menetelmä 8 - Joustava menetelmä Joustava menetelmä (prosenttiyksikköä yli kuukausi ennen) 1, prosenttia edellisvuodesta. Molemmat menetelmät moninkertaistaa myyntitiedot aikaisemmasta aikajaksosta käyttäjän määrittämän tekijän mukaan, ja sitten tuokaa tämä tulos tulevaisuuteen. Viime vuoden menetelmä prosentteina ennuste perustuu edellisen vuoden vastaavaan ajanjaksoon. Joustava menetelmä lisää kyvyn määrittää muu aika kuin viime vuoden vastaavana ajanjaksona käytettäväksi laskelmien perustana. Kertomiskerroin. Määritä esimerkiksi käsittelyvaihtoehdon 8b arvoksi 1.15 lisätä aiempia myyntihistoriatietoja 15. Perusjaksolla. Esimerkiksi n 3 aiheuttaa ensimmäisen ennusteen perustuvan myyntitietoihin lokakuussa 2005. Myyntihistorian vähimmäismäärä: Käyttäjä määritteli ajanjaksot takaisin perusjaksoon sekä ennustetun suorituskyvyn arvioimiseen tarvittavien aikajaksojen määrää ( PBF). A.10.4 Keskimääräinen absoluuttinen poikkeamislaskelma MAD (148 - 114 161 - 119 151 - 137) 3 30 A.11 Menetelmä 9 - painotettu siirtymä keskiarvo Painotettu liikkuvan keskiarvon (WMA) menetelmä on samanlainen kuin menetelmä 4, Moving Average (MA). Painotetusta liikkuvasta keskiarvosta voidaan kuitenkin määrittää historiatietoihin eriarvoisia painoja. Menetelmä laskee viimeaikaisen myyntihistorian painotetun keskiarvon lyhyellä aikavälillä. Uusimmilla tiedoilla on tavallisesti suurempi paino kuin vanhemmilla tiedoilla, joten WMA reagoi paremmin myynnin tason muutoksiin. Ennusteellisia ennakointi - ja systemaattisia virheitä esiintyy kuitenkin edelleen, kun tuotemyyntihistoria osoittaa voimakkaasti trendiä tai kausivaihteluita. Tämä menetelmä toimii paremmin lyhyen aikavälin ennusteiden suhteen kypsillä tuotteilla eikä tuotteilla elinkaaren kasvu - tai vanhentumisvaiheissa. n ennakkolaskennassa käytettävien myyntihistorioiden määrä. Esimerkiksi määritä prosessointivaihtoehdossa 9a n 3, jotta voit käyttää viimeisimpiä kolmea jaksoa seuraavan jakson projisoinnin perustana. Suuri arvo n: lle (kuten 12) vaatii enemmän myyntihistoriaa. Se johtaa vakaaseen ennusteeseen, mutta hidastaa hitaasti myynnin tason muutoksia. Toisaalta pieni arvo n: lle (kuten 3) reagoi nopeammin myynnin tason muutoksiin, mutta ennuste saattaa vaihdella niin laajasti, että tuotanto ei pysty vastaamaan muunnelmia. Jokaiseen historialliseen ajanjaksoon osoitettu paino. Määritettyjen painojen on oltava 1,00. Esimerkiksi, kun n3, anna painot 0,6, 0,3 ja 0,1, ja tuoreimmat tiedot vastaanottavat suurimman painon. Pienin vaadittu myyntihistoria: n plus ennakoidun suorituskyvyn (PBF) arvioimiseen tarvittavien aikajaksojen määrä. MAD (133.5 - 114 121.7 - 119 118.7 - 137) 3 13.5 A.12 Menetelmä 10 - lineaarinen tasoitus Tämä menetelmä on samanlainen kuin menetelmä 9, painotettu liikkuvan keskiarvon (WMA). Kuitenkin sen sijaan, että painot syötettäisiin mielivaltaisesti historiallisiin tietoihin, kaavaa käytetään määrittämään lineaarisesti laskeutuvat painot ja summa 1,00: een. Menetelmä laskee sitten viimeisimmän myyntihistorian painotetun keskiarvon lyhyellä aikavälillä. Kuten kaikkien lineaaristen liukuvien keskimääräisten ennustustekniikoiden kohdalla, ennakoidut ennakoinnit ja systemaattiset virheet tapahtuvat, kun tuotemyyntihistoria osoittaa vahvaa suuntausta tai kausivaihteluita. Tämä menetelmä toimii paremmin lyhyen aikavälin ennusteiden suhteen kypsillä tuotteilla eikä tuotteilla elinkaaren kasvu - tai vanhentumisvaiheissa. n ennakkolaskennassa käytettävien myyntihistorioiden määrä. Tämä on määritelty käsittelyvaihtoehdossa 10a. Määritä esimerkiksi käsittelyvaihtoehdon 10b n 3, kun haluat käyttää viimeisimpiä kolmea jaksoa perustana projektiolle seuraavaan ajanjaksoon. Järjestelmä määrittää automaattisesti painot historiallisiin tietoihin, jotka vähenevät lineaarisesti ja summa 1,00: een. Esimerkiksi kun n 3, järjestelmä antaa painot 0,5, 0,3333 ja 0,1, ja viimeisimmät tiedot vastaanottavat suurimman painon. Pienin vaadittu myyntihistoria: n plus ennakoidun suorituskyvyn (PBF) arvioimiseen tarvittavien aikajaksojen määrä. A.12.1 Ennusteiden laskeminen Kausien lukumäärä, jotka sisällytetään keskimääräiseen tasoitukseen (käsittelyvaihtoehto 10a) 3 tässä esimerkissä Yhden edellisen jakson aika (n2 n) 2 3 (32 3) 2 36 0,5 Kahden kahden ensimmäisen jakson (n2 n ) 2 2 (32 3) 2 26 0,3333 .. Suhde kolmesta edeltävästä kaudesta (n2 n) 2 1 (32 3) 2 16 0,1666 .. Tammikuun ennuste: 137 0,5 119 13 114 16 127,16 tai 127 Helmikuun ennuste: 127 0,5 137 13 119 16 129 maaliskuuennuste: 129 0,5 127 13 137 16 129,666 tai 130 A.12.2 Simuloitu ennuste Laskelma Lokakuu 2004 myynti 129 16 140 26 131 36 133,6666 marraskuu 2004 myynti 140 16 131 26 114 36 124 joulukuu 2004 myynti 131 16 114 26 119 36 119.3333 A.12.3 Tarkkuuslaskennan prosenttiosuus POA (133.6666 124 119.3333) (114 119 137) 100 101.891 A.12.4 Keskimääräinen absoluuttinen poikkeamislaskelma MAD (133.6666 - 114 124 - 119 119.3333 - 137) 3 14.1111 A.13 Menetelmä 11 - Eksponentiaalinen tasoitus Tämä menetelmä on samanlainen kuin menetelmä 10, lineaarinen tasoitus. Lineaarisessa tasoituksessa järjestelmä määrittää painot historiallisiin tietoihin, jotka vähenevät lineaarisesti. Eksponentiaalisessa tasoituksessa järjestelmä määrittää painot, jotka eksponentiaalisesti hajoavat. Eksponenttien tasausennusteyhtälö on: ennuste a (aikaisempi tosiasiallinen myynti) (1 a) Edellinen ennuste Ennuste on edellisen jakson ja edellisen jakson ennusteiden painotettu keskiarvo. a on paino, jota sovelletaan edellisen jakson tosiasialliseen myyntiin. (1 - a) on paino, jota sovelletaan edellisen jakson ennusteeseen. Voimassa olevat arvot vaihtelevat välillä 0 - 1 ja yleensä laskevat välillä 0,1 ja 0,4. Painojen summa on 1,00. a (1 - a) 1 Sinun pitäisi määrittää tasoitustason vakioarvo, a. Jos et lisää arvoja tasoitusvakion suhteen, järjestelmä laskee oletetun arvon jalostusvaihtoehdossa 11a määritettyjen myyntihistorioiden lukumäärän perusteella. a tasoitusvakio, jota käytetään laskettaessa tasoitettua keskiarvoa yleisen tason tai myynnin suuruuden osalta. Voimassa olevat arvot alueelle 0-1. N myyntihistoriatietojen alue sisällytetään laskelmiin. Yleensä yhden vuoden myyntihistorian tiedot ovat riittävät arvioimaan yleistä myynnin tasoa. Tässä esimerkissä valittiin pieni arvo n (n 3), jotta voidaan pienentää manuaalisia laskelmia, jotka tarvitaan tulosten tarkistamiseksi. Eksponentiaalinen tasoitus voi tuottaa ennustuksen, joka perustuu vain yhtä historialliseen datapisteeseen. Pienin vaadittu myyntihistoria: n plus ennakoidun suorituskyvyn (PBF) arvioimiseen tarvittavien aikajaksojen määrä. A.13.1 Ennustalaskenta Tässä esimerkissä keskimääräinen tasoitus (prosessointivaihtoehto 11a) 3 ja alfa-tekijä (käsittelyvaihtoehto 11b) ovat esimerkkejä vanhimmista myyntitiedoista 2 (11) tai 1, kun alfa on määritetty (12) tai alfa, kun alfa on määritetty kertoimeksi kolmannelle vanhimmalle myyntitiedolle 2 (13) tai alpha: lle, kun alfa määritetään kertoimella viimeisimmistä myyntitiedoista 2 (1n) , tai alfa, kun alfa on määritetty marraskuu Sm. Keskim. a (lokakuun todellinen) (1 - a) lokakuu Sm. Keskim. 1 114 0 0 114 joulukuu Sm. Keskim. a (marraskuu todellinen) (1 - a) marraskuu Sm. Keskim. 23 119 13 114 117.3333 Tammikuun ennuste (joulukuu Todellinen) (1 - a) Joulukuu Sm. Keskim. 24 137 24 117.3333 127.16665 tai 127 Helmikuun ennuste Tammikuu Sääennuste 127 Maaliskuu Sääennuste Tammikuu Sääennuste 127 A.13.2 Simuloitu ennuste laskenta heinäkuu 2004 Sm. Keskim. 22 129 129 elokuu Sm. Keskim. 23 140 13 129 136.3333 syyskuu Sm. Keskim. 24 131 24 136.3333 133.6666 Lokakuu 2004 myynti syyskuu Sm. Keskim. 133.6666 elokuu 2004 Sm. Keskim. 22 140 140 syyskuu Sm. Keskim. 23 131 13 140 134 lokakuu Sm. Keskim. 24 114 24 134 124 marraskuu 2004 myynti syyskuu Sm. Keskim. 124 syyskuu 2004 Sm. Keskim. 22 131 131 lokakuu Sm. Keskim. 23 114 13 131 119.6666 marraskuu Sm. Keskim. 24 119 24 119,6666 119,3333 joulukuu 2004 myynti syyskuu Sm. Keskim. 119.3333 A.13.3 Tarkkuuslaskennan prosenttiosuus POA (133.6666 124 119.3333) (114 119 137) 100 101.891 A.13.4 Keskimääräinen absoluuttinen poikkeamalaskenta MAD (133.6666 - 114 124 - 119 119.3333 - 137) 3 14.1111 A.14 Menetelmä 12 - Eksponentiaalinen tasoitus trendillä ja kausivaihtelulla Tämä menetelmä on samanlainen kuin menetelmä 11, eksponentiaalinen tasoittaminen siinä, että lasketaan tasoitettu keskiarvo. Menetelmä 12 sisältää kuitenkin myös ennustejaksossa olevan termin laskennallisen trendin laskemiseksi. Ennuste koostuu tasoitetusta keskiarvosta, joka on mukautettu lineaariseen suuntaukseen. Kun prosessointivaihtoehdossa on määritelty, ennuste säädetään myös kausivaihteluihin. a tasoitusvakio, jota käytetään laskettaessa tasoitettua keskiarvoa yleisen tason tai myynnin suuruuden osalta. Alfa-arvot ovat 0: sta 1: een. B tasoitusvakio, jota käytetään ennustetun trendin komponentin sileän keskiarvon laskemisessa. Vaikuttavat arvot beta-alueelle 0: sta 1: een. Oletteko kausittaisen indeksin sovellu ennusteeseen a ja b riippumattomia toisistaan. Niiden ei tarvitse lisätä arvoon 1.0. Pienin vaadittu myyntihistoria: kaksi vuotta sekä ennakoidun suorituskyvyn (PBF) arvioimiseen tarvittavien aikajaksojen määrä. Menetelmä 12 käyttää kahta eksponentiaalisen tasoitusyhtälöä ja yhden yksinkertaisen keskiarvon laskea tasoitetun keskiarvon, tasoitetun trendin ja yksinkertaisen keskimääräisen kausittaisen tekijän. A.14.1 Ennustalaskenta A) Eksponentiaalisesti tasoitettu keskimääräinen MAD (122.81 - 114 133.14 - 119 135.33 - 137) 3 8.2 A.15 Ennusteiden arviointi Voit valita ennusteita tuottamaan peräti kaksitoista ennustetta jokaiselle tuotteelle. Jokainen ennustamismenetelmä luo todennäköisesti hieman erilainen projektio. Kun tuhannet tuotteet on ennustettu, on epäkäytännöllistä tehdä subjektiivinen päätös siitä, mitkä ennusteet käyttävät suunnitelmasi kullekin tuotteelle. Järjestelmä arvioi automaattisesti kunkin valitsemasi ennustusmenetelmän tehokkuuden ja kunkin ennustetun tuotteen. Voit valita kahden suorituskyvyn kriteerin, keskimääräisen absoluuttisen poikkeaman (MAD) ja prosenttiosoitteen (POA) välillä. MAD on ennakoidun virheen mittari. POA on arvioitu ennuste. Molemmat suorituskyvyn arviointitekniikat vaativat todellisia myyntihistoriatietoja käyttäjän määrätylle ajanjaksolle. Tätä äskettäistä historiaa kutsutaan pidemmälle ajanjaksoksi tai parhaiten sopiviksi jaksoiksi (PBF). Ennustamenetelmän suorituskyvyn mittaamiseksi käytä ennuste kaavoja simuloimaan ennustusta historialliselle ajanjaksolle. Yleensä todellisten myyntitietojen ja simuloitujen ennusteiden välillä on yleensä eroja. Kun valitaan useita ennusteita, sama menetelmä suoritetaan jokaiselle menetelmälle. Useita ennusteita lasketaan pidemmän ajanjakson osalta ja verrattiin saman ajanjakson tunnettuun myyntihistoriaan. Ennustemenetelmää, joka tuottaa parhaan mahdollisen yhteensopivuuden (parhaan mahdollisuuden) ennakoinnin ja todellisen myynnin välillä pidemmän ajanjakson aikana, on suositeltavaa käyttää suunnitelmissasi. Tämä suositus koskee jokaista tuotetta, ja se voi muuttua ennustetusta sukupolvesta toiseen. A.16 Keskimääräinen absoluuttinen poikkeama (MAD) MAD on todellisten ja ennusteiden välisten poikkeamien (tai virheiden) absoluuttisten arvojen (tai suuruuden) keskiarvo (tai keskiarvo). MAD on odotettavissa olevien virheiden keskimääräinen suuruus, kun otetaan huomioon ennustusmenetelmä ja tietojen historia. Koska laskelmissa käytetään absoluuttisia arvoja, positiiviset virheet eivät poista negatiivisia virheitä. Verrattaessa useampia ennusteita, pienimmän MAD: n kanssa on osoittautunut luotettavimmaksi kyseiselle tuotteelle kyseisen ajanjakson ajan. Kun ennuste on puolueeton ja virheet yleensä jakautuvat, on matemaattinen yhteys MAD: n ja kahden muun yhteisen jakautumistoimenpiteen, keskihajonnan ja keskimääräisen kvadratuurion välillä: A.16.1 Tarkkuuden prosenttiosuus (POA) on ennakoidun ennaltaehkäisyn mitta. Kun ennusteet ovat jatkuvasti liian korkeat, varastojen kertyminen ja varastojen kustannukset nousevat. Kun ennusteet ovat johdonmukaisesti kaksi matalia, varastoja kulutetaan ja asiakaspalvelu laskee. Ennuste, joka on 10 yksikköä liian matala, sitten 8 yksikköä liian korkea, sitten 2 yksikköä liian korkea, olisi puolueeton ennuste. 10 positiivinen virhe mitätöidään negatiivisilla virheillä 8 ja 2. Virhe Todellinen - ennuste Kun tuote voidaan tallentaa inventaarioon ja kun ennuste on puolueeton, pieniä määriä turvaraketta voidaan käyttää virheiden puskuroimiseen. Tässä tilanteessa ei ole niin tärkeää poistaa ennustevirheitä, koska se muodostaa puolueettomia ennusteita. Kuitenkin palvelualoilla edellä esitetty tilanne katsotaan kolmeksi virheeksi. Palvelu olisi aliedustettu ensimmäisellä kaudella, ja tällöin ylitettäisiin seuraavien kahden jakson aikana. Palveluissa ennustevirheiden suuruus on yleensä tärkeämpää kuin ennakoiva harha. Summation holdout-aikana mahdollistaa negatiivisten virheiden peruuttamisen positiiviset virheet. Kun todellisen myynnin kokonaismäärä ylittää ennustetun liikevaihdon, suhde on suurempi kuin 100. Tietenkin on mahdotonta olla yli 100 tarkkaa. Kun ennuste on puolueeton, POA-suhde on 100. Siksi on toivottavaa, että 95 on tarkka, kuin 110 on tarkka. POA-kriteerit valitsevat ennustamismenetelmän, jonka POA-suhde on lähinnä 100. Tämän sivun komentosarja parantaa sisällönavigointia, mutta ei muuta sisältöä millään tavoin. B kehittää 4 vuoden liikkuvaa keskimääräistä ennustetta b: lle. Kehitä 4 vuoden liukuva keskimääräinen ennuste Temptation Garden Supply - tuotteille. C. Lasketaan MSE ja ennuste vuodelle 12. Vuosi Lannoitteen kysyntä (1 000 pussia) 1 2 3 4 5 6 7 8 9 10 11 4 6 4 5 10 8 7 9 12 14 15 2. Käyttämällä samaa taulukkoa edellä kehitetään 3 vuoden liukuva keskiarvo ennusteiden myynnistä. Arvioi sitten kysyntä uudestaan ​​painotetulla liukuva keskiarvolla, jossa viimeisimmän vuoden myynnin paino on 2 ja myynti kahden muun vuoden aikana annetaan jokaiselle painoarvolle 1. Tämä esikatselu on tahallisesti epätarkkoja osia. Kirjaudu sisään nähdäksesi koko version. Harjoittelu 4.2 Nimi: Vuosi vahvistin Sec: Portable ilmastointilaitteiden myynti on kasvanut tasaisesti viimeisen viiden vuoden aikana: Vuosi Liikevaihto 1 450 2 495 3 518 4 563 5 584 Myyntipäällikkö oli ennustanut, että ennen liiketoiminnan aloittamista olla 410 ilmastointilaitteita. 1. Käytä eksponentiaalisia tasoituksia, joiden paino on 0,3, kehittää ennusteita vuosille 2 ja 6. 2. Käytä 0,6 ja 0,9 tasoitusvakioiden avulla ennusteita ilmastointilaitteiden myynnistä vuosina 2 - 6. 3. Mitä vaikutuksia tasoitusvakio on ilmastointilaitteiden ennusteessa 4. Suorita lineaarisen kehityksen projisointimenetelmän avulla ilmastointilaitteiden myynnin ennustamismalli. Harjoitus 4.3 Nimi: Vuosi vahvistin Sec: AAA-joukkovelkakirjalainojen korot 12 peräkkäisen kuukauden aikana ovat seuraavat: 9,3 9,4 9,6 9,5 9,8 9,8 9,7 10,3 9,9 9,7 9,6 9,5 1. Rakenna aikasarja-juoni. Tietokannan tyyppi on 2. Etsi alpha-arvo, joka minimoi MSE: n. 3. Mitkä ovat seuraavan tilikauden liukuvat keskimääräiset ennusteet? Tämä esikatselu on tahallisesti epätarkkoja osioita. Kirjaudu sisään nähdäksesi koko version. Harjoitus 4.4 Nimi: Vuosivahvistin Sec: Tarkastele seuraavaa aikasarjaa: t: 1 2 3 4 5 6 7 8 9 10 Y t. 88 92 94 96 100 110 120 129 135 150 1. Rakenna aikasarja-alue. Millaisia ​​kuvioita on olemassa? 2. Kehitä kvadraattisen trendin yhtälö, jota voidaan käyttää seuraavan jakson ennustamiseen. 3. Kehitä eksponentiaalisen trendin yhtälö, jota voidaan käyttää seuraavan jakson ennustamiseen. 4. Kehitä lineaarinen trendiyhtälö, jota voidaan käyttää seuraavan jakson ennustamiseen. 5. Mitkä yhtälöt suosittelisitte arvioimaan arvoa ajanjaksona 11 6. Käytä tätä mallia ennustaaksesi arvot kausina 11 ja 12 Harjoittelu 4.5 Nimi: Vuosi vahvistin Sec: Suuri tulolähde on tietynlaisten tavaroiden ja palvelut. Tiedot koottiin ja niitä käytettiin tulevien tulojen hankkimiseen kaupungin budjettiin. Eräs erityinen tavararyhmä luokitellaan vähittäismyynniksi. Neljä vuosittaista neljännesvuosittaista tietoa (miljoonaa pesos) tietylle kaupunginosaa varten ovat seuraavat: Quarter Year 1 Year 2 Year 3 Year 4 1 218 225 234 250 2 247 254 265 283 3 243 255 264 289 4 292 299 327 356 1. Rakenna aikasarja-juoni. Millaisia ​​kuvioita on olemassa? 2. Kehitä yhtälö, jossa otetaan huomioon kausittaiset vaikutukset. 3. Käytä hajoamismenetelmää ennakoimaan myyntiä vuosineljänneksen 5 ja 6 vuosineljänneksellä. Tämä esikatselu on tahallisesti epätarkkoja osia. Kirjaudu sisään nähdäksesi koko version. Luku Katsaus 1. Yrityksen tietueet osoittavat, että tuotteen kysyntä on vaihdellut seuraavien neljän viikon aikana: PERIOD DEMAND Paino neljä viikkoa sitten 50 .10 kolme viikkoa sitten 60 .20 kaksi viikkoa sitten 40 .30 viime viikolla 66 .40 a. Ennuste tällä viikolla kysyntä perustuen yksinkertaiseen liukuvaan keskiarvoon viimeisten neljän viikon aikana. Tämä on esikatselun loppu. Kirjaudu sisään päästäksesi muuhun dokumenttiin. Kehitä neljän kuukauden liukuva keskimääräinen ennuste Wallace Garden Supplyille ja laske MAD Kehitä neljän kuukauden liukuva keskimääräinen ennuste Wallace Garden Supplyille ja laske MAD-kohta Kuvaus Kuvaus sisältää EXCEL SPREADSHEET FORMULAS 5-13 : Kehitä neljän kuukauden liukuva keskimääräinen ennuste Wallace Garden Supplyille ja laske MAD. Kolmen kuukauden liukuva keskimääräinen ennuste kehitettiin taulukossa 5.3 5-15: n liukuvien keskiarvojen osuudessa: Seuraavassa taulukossa on kerätty tietoja 50 lb: n pussin lannoitteiden vuotuisesta kysynnästä Wallace Garden Supplyissa. Kehitä kolmen vuoden liukuva keskiarvo ennusteiden myyntiin. Arvioi sitten kysyntä uudestaan ​​painotetulla liukuva keskiarvolla, jossa viimeisimmän vuoden myynti on painoltaan 2 ja myynti kahdessa muussa vuodessa antaa jokaiselle paino 1. Mitkä menetelmät mielestänne parhaiten VUOSI KIINNITYS MÄÄRITYSTÄ 5 -16: Kehitä trendilinja lannoitteen kysyntään ongelmassa 5-15 käyttäen mitä tahansa tietokoneohjelmaa. 5-19: Cool-Manin ilmastointilaitteiden myynti on kasvanut tasaisesti viimeisten viiden vuoden aikana. Myyntipäällikkö oli ennustanut, että ennen liiketoiminnan aloittamista liikevaihto olisi 410 ilmastointilaitetta. Käyttämällä eksponentiaalisia tasoituksia painolla. 0,30, kehittää ennusteita vuosia 2-6. 5-25: Ratkaisut teollisuuspölynimurien myynnistä R. Lowenthal Supply Co: ssa ovat viimeisten 13 kuukauden aikana seuraavat: MYYNTI (1.000) KUUKAUDEN MYYNTI (1.000) KUUKAUSI 11. tammikuuta 14. elokuuta 14 Helmikuu 17 syyskuu 16 maaliskuu 12 lokakuu 10 huhtikuu 14 marraskuu 15 toukokuu 16 joulukuu 17 kesäkuu 11 tammikuu (a) Käyttämällä liikkuvaa keskiarvoa kolmeen jaksoon, määritä pölynimurien kysyntä helmikuussa. b) Käyttämällä painotettua liikkuvaa keskiarvoa kolmella jaksoilla määritetään pölynimurien kysyntä helmikuulle. (c) Arvioida kunkin menetelmän tarkkuus. (d) Millaisia ​​muita tekijöitä R. Lowenthal voisi harkita ennakoivan myynnin yhteydessä? Ostettu 14 kertaa luokiteltuna 4,7: sta 5: stä 3 asiakkaan arvostelun perusteella.