Liukuva Keskiarvo Kaava Ennustaminen

Moving Average. This esimerkki opettaa kuinka laskea Excel-sarjan aikasarjan liukuva keskiarvo Liikkuvaa keskiarvoa käytetään epäsäännöllisyyksien huiput ja laaksoja tasaamaan trendien tunnistamista helposti.1 Ensinnäkin katsotaan aikasarjamme.2 Valitse Tietojen välilehti Tietojen analysointi. Huomaa, ettei löydy Tietojen analysointi - painiketta. Napsauta tätä, jos haluat ladata Analyysityökalun lisäosat.3 Valitse Keskimääräinen siirto ja valitse OK. 4 Valitse Syöttöalue-ruutu ja valitse alue B2 M2. 5 Napsauta Väli-välilehteä ja kirjoita 6.6 Napsauta Lähtöalue-ruutua ja valitse solu B3.8 Piirrä kaaviosta näistä arvoista. Suunnitelma, koska asetamme välein 6, liikkuva keskiarvo on edellisten 5 datapisteen keskiarvo ja Nykyinen datapiste Tämän seurauksena huippuja ja laaksoja tasaantuu Kaavio näyttää kasvavan trendin Excel ei voi laskea ensimmäisen 5 datapisteen liukuvaa keskiarvoa, koska ei ole tarpeeksi aiempia datapisteitä.9 Toista vaiheet 2 - 8 aikavälille 2 Ja aikaväli 4. Yhteenveto La rger - väli, sitä enemmän piikit ja laaksot tasoitetaan. Mitä pienempi aikaväli, sitä lähempänä liikkuvat keskiarvot ovat todellisia datapisteitä. Siirtyminen keskimääräiseen ennusteeseen. Johdanto Kuten arvelette, tarkastelemme joitain alkeellisimpia lähestymistapoja Ennustettavuus Toivottavasti nämä ovat ainakin hyödyllisiä johdatuksia laskentataulukoiden ennusteiden toteuttamiseen liittyviin tietotekniikkakysymyksiin. Tällöin jatkamme alkua ja aloitamme Moving Average - ennusteiden kanssa. Siirtyminen keskimäärin ennusteisiin Jokainen tuntee liikkuvat Keskimääräiset ennusteet riippumatta siitä, uskovatko he ovat Kaikki opiskelijat tekevät heidät koko ajan Ajattele testituloksia kurssilla, jolla aiot saada neljä testia lukukauden aikana Oletetaan, että sinulla on 85 testissä. Mitä voitte arvioida toisen testipisteen. Mitä mieltä olet opettajasi seuraavan testipisteenne ennustamisesta. Mitä luulet ystäväsi saattavan ennen kerro seuraavasta testipisteestäsi. Mitä mieltä olette vanhemmillenne seuraavan testipistemääränne suhteen. Riippumatta kaikista ystävistä ja vanhemmistasi tekemistäsi blabbereista, he ja opettajasi todennäköisesti odottavat, että saat jotain alue, jonka olet juuri saanut. Vaikka, nyt oletetaan, että huolimatta oman edistämisen ystävillesi, voit yliarvioida itsesi ja luku olet vähemmän opiskelemaan vähemmän toisen testin ja niin saat 73. Nyt mitä ovat kaikki huolestuneita ja kiinnostuneita tulevat ennakoimaan saat kolmannella testillä on kaksi todennäköistä lähestymistapaa heille kehittää arvio riippumatta siitä, jakavatko ne kanssasi. He voivat sanoa itselleen, tämä kaveri on aina puhaltaa polttaa hänen älykkyytensä Hän aikoo saada toisen 73, jos hän on onnekas. Ehkä vanhemmat yrittävät olla tukevampia ja sanoa, No niin, sinä olet saanut 85 ja 73, joten ehkä sinun pitäisi ymmärtää saada 85 73 2 79 En tiedä, ehkä jos teit vähemmän juhlimista ja He eivät ymmärrä pikkutyttöä kaikkialla paikan päällä ja jos aloitit paljon enemmän opiskeluja, saatat saada korkeamman pistemäärän. Useimmat näistä arvioista ovat itse asiassa keskimäärin keskimääräisiä ennusteita. Ensimmäinen käyttää vain viimeisintä pistettäsi ennustamaan tulevaa suorituskykyäsi. on nimeltään liukuva keskimääräinen ennuste käyttäen yhtä tietojaksoa. Toinen on myös liukuva keskimääräinen ennuste, mutta käyttäen kahta dataa. Oletetaan, että kaikki nämä ihmiset, jotka menevät hyvään mielentilaan, ovat jonkinlaisen kuohuttaneet sinua ja päättävät tehdä hyvin kolmas testi omasta syystäsi ja laittaa korkeammat pisteet allianssisi edessä Teet testiä ja pisteesi on todella 89 Jokainen, mukaan lukien itsesi, on vaikuttunut. Ja nyt sinulla on lopullinen testi lukukauden tulossa ylös ja tavalliseen tapaan tunnet tarvetta yllyttää kaikki tekemään ennustuksen siitä, miten teet viimeisen testin aikana No, toivottavasti näet kuvion. Nyt, toivottavasti näet kuvion Mikä on mielestänne tarkin. Whistl e Kun työskentelemme Nyt palaamme uuteen siivousyhtiöön, jonka aloitti äänihäiriöinen puolisko nimeltä Whistle While We Work Sinulla on joitain aiempia myyntitilastoja, joita edustaa seuraava osa laskentataulukosta. Esitämme ensimmäisen kerran tiedot kolmen peräkkäisen liukuvan keskiarvon ennusteesta. Solun C6 merkinnän pitäisi olla. Nyt voit kopioida tämän soluosan kahteen muuhun soluun C7: stä C11: een. Huomaa, kuinka keskiarvo liikkuu viimeisimpien historiallisten tietojen perusteella, mutta käyttää täsmälleen kolmea viimeisintä ajanjaksoa jokaiselle ennustukselle. Huomaa, että emme todellakaan tarvitse tehdä ennusteita menneistä aikajaksoista, jotta voimme kehittää viimeisintä ennustetta. Tämä on ehdottomasti erilainen kuin eksponentiaalinen tasoitusmalli, johon olen sisällyttänyt aikaisemmat ennusteet, koska käytämme niitä seuraavalla verkkosivulla mittaamaan ennusteiden voimassaolon. Nyt haluan esittää samanlaiset tulokset kahteen jaksoon liukuvalle keskimääräiselle ennusteelle. Merkintä solulle C5 pitäisi olla. Nyt voit kopioida tämän solu kaavan alas muille C6- ja C11-soluille. Huomaa, miten kullekin ennusteelle käytetään vain kahta viimeisintä historiatietoa. Jälleen olen sisällyttänyt aikaisemmat ennusteet havainnollistamistarkoituksiin ja myöhempää käyttöä varten ennustevalidoinnissa. Merkitys on huomioitava. M-ajan liikkuvaa keskimääräistä ennustetta käytetään vain m viimeisimpien datan arvojen avulla ennusteen tekemiseen Mitään muuta ei ole välttämätöntä. M-periodin liukuva keskimääräinen ennuste, kun tehdään ennustavia ennusteita, huomaa, että ensimmäinen ennuste tapahtuu ajanjaksolla m 1.Muita näistä asioista tulee olemaan hyvin merkittäviä, kun kehitämme koodimme. Liikkuvan keskiarvotoiminnon kehittäminen Nyt on kehitettävä liikkuvaa keskimääräistä ennusteita, joita voidaan käyttää joustavammin. Koodi seuraa Huomaa, että panokset ovat ennusteiden ja historiallisten arvojen joukosta käytettävien kausien lukumäärän mukaan Voit tallentaa sen haluamaasi työkirjaan. Function MovingAverage Historiallinen, NumberOfPeriods As Sin gle Muuttujien ilmoittaminen ja alustaminen Dim-kohde muuttujana Dim Counter kuin kokonaisluku Dim-kertyminen yhtenä kokonaisuutena HistoricalSize As Integer. Muuttujien alustaminen Counter 1: n kertyminen 0. Historical array HistoricalSize. for: n määrittäminen Counter 1: lle NumberOfPeriods: lle. Kertyminen sopivasta määrästä viimeisimpiä aiemmin havaittuja arvoja. Kertymän kertyminen Historiallinen HistoricalSize - NumberOfPeriods Counter. MovingAvoimavarojen keskimääräinen kertymänumeroPeruutukset. Koodi selitetään luokassa Haluat sijoittaa funktion laskentataulukkoon niin, että laskutoimitus näkyy missä se pitäisi kuten seuraavassa. Ennusteiden laskentayksiköt. 1 Ennusteiden laskentamenetelmät. Saatavilla on kaksitoista ennusteiden laskentamenetelmiä. Useimmat näistä menetelmistä mahdollistavat rajoitetun käyttäjän valvonnan. Esimerkiksi viimeaikaisissa historiallisissa tiedoissa tai historiallisten tietojen päivämäärissä laskelmat voidaan määritellä Seuraavat esimerkit kuvaavat kunkin käytettävissä olevan ennustemenetelmän laskentamenetelmää ottaen huomioon samanlaiset historiatiedot. Seuraavat esimerkit käyttävät samoja vuoden 2004 ja 2005 myyntiä koskevia tietoja vuoden 2006 myynnin ennusteen tuottamiseksi. laskenta, jokainen esimerkki sisältää simuloitu 2005 fo uudelleenlaaditaan kolmen kuukauden ajanjakson käsittelyvaihtoehdolla 19 3, jota käytetään sitten prosenttiosuutena tarkkuuden ja absoluuttisen keskiarvon keskiarvon laskennassa todellinen myynti verrattuna simuloituun ennusteeseen. 2 Ennusteiden arviointikriteerit. Valitsemalla käsittelyvaihtoehdot ja trendit ja tietyt ennustemenetelmät toimivat paremmin kuin toiset tietylle historialliselle tietojoukolle Yhdelle tuotteelle sopiva ennustemenetelmä saattaa olla epätodennäköistä toiselle tuotteelle On myös epätodennäköistä, että ennustemenetelmä, joka tarjoaa hyviä tuloksia tuotteen elinkaaren yksi vaihe pysyy tarkoituksenmukaisena koko elinkaaren ajan. Voit valita kahden menetelmän arvioidaksesi ennusteiden nykyisen suorituskyvyn. Nämä ovat keskiarvo absoluuttinen poikkeama MAD ja tarkkuus prosenttiosuus POA Molemmat suorituskyvyn arviointimenetelmät edellyttävät aikaisemmat myyntitiedot käyttäjän määrätylle ajanjaksolle Tämä aika on jota kutsutaan pidätysajaksi tai ajanjaksoksi, joka parhaiten soveltuu PBF: hen Tämän ajanjakson tiedot perustuvat siihen, mihin ennusteisiin käytetään ennustejakoa. Tämä suositus koskee jokaista tuotetta, ja se voi vaihdella ennustetusta sukupolvesta toiseen Seuraavat kaksi ennustettua suorituskyvyn arviointimenetelmää on esitetty sivuilla, joissa esitetään esimerkkejä kahdestatoista ennusteesta. 3 Menetelmä 1 - Määritelty prosentti viime vuoteen verrattuna. Tämä menetelmä kertoo edellisvuoden myyntitiedot käyttäjän määrittämällä tekijällä, 1 10 10: n korotuksen osalta tai 0 97: n vähennys 3: lle. Myynnin edellyttämä aika Yksi vuosi ennusteiden laskemiseksi ja käyttäjän määrittämä määrä aikavälejä arvioidun suorituskyvyn käsittelyvaihtoehdon arvioimiseksi 19.A 4 1 Ennustalaskelma. käyttämään tässä esimerkissä kasvutekijän käsittelyvaihtoehdon 2a 3 laskemista. Summa vuoden 2005 viimeisten kolmen kuukauden aikana 114 119 137 370. Sama kolmen kuukauden ajan p edellisvuonna 123 139 133 395.Laskettu tekijä 370 395 0 9367. Laske ennusteet. January 2005 myynti 128 0 9367 119 8036 tai noin 120.Kaikki vuoden 2005 myynti 117 0 9367 109 5939 tai noin 110.March, 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, syyskuu129 140 131 400. Summa samat kolme kuukautta edelliseltä vuodelta.141 128 118 387.Laskettu kerroin 400 387 1 033591731.Lasketaan simuloitu ennuste. Lokakuu 2004 myynti 123 1 033591731 127 13178.Uusi 2004 myynti 139 1 033591731 143 66925Joulukuu 2004 myynti 133 1 033591731 137 4677.A 4 3 Prosentuaalinen tarkkuuslaskenta. POA 127 13178 143 66925 137 4677 114 119 137 100 408 26873 370 100 110 3429.A 4 4 Keskimääräinen absoluuttinen poikkeamalaskenta. 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 irrallinen myyntihistoria Vuosi ennustearvon laskemiseksi sekä ennakoidun suorituskyvyn prosessointivaihtoehdon 19.A 6 arvioitujen aikajaksojen lukumäärää. 6 1 Ennusteennustaminen. Tässä esimerkissä keskimääräisen prosessointivaihtoehdon 4a 3 mukaiset kaudet. ennusteennuste, keskimäärin edelliseltä kolmen kuukauden s data. January ennuste 114 119 137 370, 370 3 123 333 tai 123.Edellä ennuste 119 137 123 379, 379 3 126 333 tai 126.March ennuste 137 123 126 379, 386 3 128 667 tai 129.A 6 2 Simuloitu ennuste laskenta. 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 prosentti tarkkuuslaskennasta. POA 133 3333 128 3333 121 3333 114 119 137 100 103 513.A 6 4 Keskimääräinen absoluuttinen poikkeamalaskenta. MAD 133 3333 - 114 128 3333 - 119 121 3333 - 137 3 14 7777.A 7 Menetelmä 5 - Lineaarinen approksimointi. Lineaarinen approksimaatio laskee suuntaus perustuu kahteen myyntihistoriatietopisteeseen. Nämä kaksi pistettä d efinen suora suuntauslinja, joka on tulevaisuuteen suunniteltu Käytä tätä menetelmää varoen, sillä pitkän aikavälin ennusteita hyödynnetään pienillä muutoksilla vain kahdessa tietopisteessä. Myyntiretkellä tarvittava määrä Regressio-prosessoinnin 5a, plus 1 plus Ennakoidun suorituskyvyn prosessointivaihtoehdon 19.A arvojen määrittäminen. 8 1 Ennustalaskelma. Tässä esimerkissä sisällytetään regressio-prosessointivaihtoehtoon 6a 3. Tässä ennusteessa joka kuukausi lisätään lisäys tai vähennys määrätyissä jaksoissa edellisen jakson jälkeen. Edellisen kolmen kuukauden keskiarvo 114 119 137 3 123 3333.Esimerkki edellisistä kolmesta kuukaudesta painotettuna. 114 1 119 2 137 3 763. Arvojen välinen ero. 763 - 123 3333 1 2 3 23.Ratio 1 2 2 2 3 2 - 2 3 14 - 12 2.Value1 Erotussuhde 23 2 11 5.Value2 Keskiarvo - arvo1 suhde 123 3333 - 11 5 2 100 3333.Forecast 1 n arvo1 Arvo2 4 11 5 100 3333 146 333 tai 146. Lähetetty 5 11 5 100 3333 157 8333 tai 158. Lähetetty 6 11 5 100 3333 169 3333 tai 169.A 8 2 Simuloitu ennuste laskenta. Oli lokakuussa 2004 myynti. Ei kolmen edellisen kuukauden . 129 140 131 3 133 3333.Esimerkki edellisistä kolmesta kuukaudesta painotettuna. 129 1 140 2 131 3 802. Arvojen välinen ero. 802 - 133 3333 1 2 3 2.Ratio 1 2 2 2 3 2 - 2 3 14 - 12 2.Value1 Erotussuhde 2 2 1.Value2 Keskiarvo - arvo1 suhde 133 3333 - 1 2 131 3333.Forecast 1 n arvo1 arvo2 4 1 131 3333 135 3333.November 2004 myynti. Edellisten kolmen kuukauden keskiarvo. 140 131 114 3 128 3333.Esimerkki edellisistä kolmesta kuukaudesta painotettuna. Arvot 744 - 128 3333 1 2 3 -25 9999.Value1 Erotussuhde -25 9999 2 -12 9999.Value2 Keskiarvo - arvo1 suhde 128 3333 - -12 9999 2 154 3333.Forecast 4 -12 9999 154 3333 102 3333.Joulukuu 2004 myynti. Edellisten kolmen kuukauden keskiarvo. 131 114 119 3 121 3333.Esimerkki edellisistä kolmesta kuukaudesta, painotettuna. 131 1 114 2 119 3 716.Valojen välinen ero. 716 - 121 3333 1 2 3 -11 9999.Value1 Erotussuhde -11 9999 2 -5 9999.Value2 Keskiarvo - arvo1 suhde 121 3333 - -5 9999 2 133 3333.Forecast 4 -5 9999 133 3333 109 3333.A 8 3 Prosentuaalinen tarkkuuslaskenta. PPOA 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 - Toinen Degree Approximation. Linear Regression määrittää arvot a ja b ennuste kaavassa Y a bX tavoite sovittaa suora viiva myyntihistoriatiedot Toinen aste Applaatio on samanlainen Tämä menetelmä kuitenkin määrittää arvot a, b ja c in ennuste kaava Y a bX cX2, jonka tarkoituksena on sovittaa käyrä myyntihistoriatietoihin Tämä menetelmä voi olla hyödyllinen, kun tuote siirtyy elinkaaren vaiheiden välillä Esimerkiksi kun uusi tuote siirtyy johdannosta kasvuvaiheisiin , myyntikehitys voi kiihtyä Toisen kertaluvun termin ansiosta ennuste voi nopeasti lähestyä ääretön tai pudota nollaan riippuen siitä, onko kerroin c positiivinen vai negatiivinen. Siksi tämä menetelmä on hyödyllinen vain lyhyellä aikavälillä. Lähetyksen tekniset tiedot Kaavat löytävät a, b ja c sopivan käyrän täsmälleen kolmeen pisteeseen. prosessointivaihtoehdon 7a kerättävien tietojen aikajaksojen lukumäärä näihin kolmeen kohtaan Tässä esimerkissä n 3 Tämän vuoksi huhtikuun ja kesäkuun väliset varsinaiset myyntitiedot yhdistetään ensimmäiseen pisteeseen, Q1 heinäkuu-syyskuu lisätään yhteen muodostaen Q2 , Ja lokakuun ja joulukuun välinen summa Q3: een Käyrä asetetaan kolmeen arvoon Q1, Q2 ja Q3.Erätetty myyntihistoria 3 n jaksot ennustearvon laskemiseksi sekä ennustetun suorituskyvyn PBF arvioinnissa tarvittavien aikajaksojen lukumäärää. jaksot käsittävät tässä esimerkissä käsittelyvaihtoehdon 7a 3. Käytä edellisiä 3 n kuukautta kolmen kuukauden lohkossa. Huhtikuu - kesäkuu 125 122 137 384.Q2 Jul - 129 129 140 131 400.Q3 Loka - joulukuu 114 119 137 370. Seuraava askel c alkulohkossa kolmeen kertoimeen a, b ja c, joita käytetään ennustuskaavassa Y a bX cX 2. 1 Q1 a bX cX 2 jossa X 1 a b c. 2 Q2 a bX cX 2 jossa X2 a 2b 4c. 3 Q3 a bX cX 2 jossa X 3 a 3b 9c. Sulje kolme yhtälöä samanaikaisesti löytää b, a ja c. Subtract yhtälö 1 yhtälöstä 2 ja ratkaise b. Vaihda tämä yhtälö b: ksi yhtälöön 3. 3 Q3 a 3 Q2 - Q1 - 3c c. Lopuksi korvataan nämä a ja b yhtälöt yhtälöön 1. Q3 - 3 Q2 - Q1 q2 - Q1 - 3c c Q1.c Q3 - Q2 Q1 - Q2 2.The Second Degree Approximation - menetelmä laskee a, b ja c seuraamalla. Q3 - 3 Q2 - Q1 370 - 3 400 - 384 322.c Q3 - Q2 Q1 - Q2 2 370 - 400 384 - 400 2 -23.b Q2 - Q1 - 3c 400 - 384 - 3 -23 85.Y a bX cX 2 322 85 X -23 X 2.Joulukuu maaliskuun ennusteessa X 4. 322 340 - 368 3 294 3 98 per jaksolla. Kaikki kesäkuuennuste X 5. 322 425 - 575 3 57 333 tai 57 jaksolta. Joulukuu-syyskuun ennuste X 6. 322 510 - 828 3 1 33 tai 1 per jakso. Lokakuu joulukuuhun X 7. 322 595 - 1127 3 -70.A 9 2 Simuloitu ennuste laskenta. Lokakuu marraskuu ja joulukuun 2004 myynti. Q1 tammi - maaliskuu 360.Q2 huhti - kesäkuu 384.Q3 heinäkuu - syyskuu 400.a 400 - 3 384 - 360 328.c 400 - 384 360 - 384 2 -4.b 384 - 360 - 3 -4 36. 328 36 4 -4 16 3 136.A 9 3 Tarkkuuslaskennan prosenttiosuus. OA 136 136 136 114 119 137 100 110 27.A 9 4 Keskimääräinen absoluuttinen poikkeamalaskenta. MAD 136 - 114 136 - 119 136 - 137 3 13 33.A 10 Menetelmä 8 - Joustava menetelmä. Joustava menetelmä prosentteina yli kuukausina Prior on samanlainen kuin menetelmä 1, prosentti viime vuoteen. Molemmat menetelmät kertaavat myyntitiedot edellisestä ajanjaksosta käyttäjän määrittämän tekijän , sitten projekti tämän tuloksen tulevaisuuteen Viime vuoden menetelmä prosentteina ennuste perustuu ennalta edellisen vuoden vastaavaan ajanjaksoon verrattuna. Joustava menetelmä lisää kykyä määrittää muu kuin viime vuoden vastaavaan ajanjaksoon verrattuna Käytä laskentaperusteina. Monistuskerroin Esimerkiksi, määritä prosessointivaihtoehdossa 8b 1 15 lisätä aiempia myyntihistoriatietoja 15: een. Vaihejakso Esimerkiksi n 3 aiheuttaa ensimmäisen ennusteen perustuvan myyntitietoihin Lokakuu 2005.Minimum myyntihistoria Käyttäjän määrittämä numero o F jaksot takaisin perusjaksolle sekä ennakoidun suorituskyvyn arvioimiseen tarvittavien aikajaksojen lukumäärä. 10 4 Keskimääräinen absoluuttinen poikkeamalaskenta. MAD 148 - 114 161 - 119 151 - 137 3 30.A 11 Menetelmä 9 - Painotettu siirto Keskimäärin. Painotettu liikkuvan keskiarvon WMA-menetelmä on samanlainen kuin menetelmä 4, keskimääräinen siirtymä MA. Painotetulla liikkuvalla keskiarvolla voit kuitenkin määrittää epätasaiset painot historiallisiin tietoihin. Menetelmä laskee viimeaikaisen myyntihistorian painotetun keskiarvon, jotta saavutettaisiin projekti Lyhyellä aikavälillä Uusimpiin tietoihin annetaan yleensä suurempi paino kuin vanhemmilla tiedoilla, joten WMA reagoi paremmin myynnin tason muutoksiin. Ennaltaehkäisevät arviot ja systemaattiset virheet kuitenkin esiintyvät, kun tuotteen myynnin historia osoittaa voimakkaasti trendiä tai kausivaihteluja. menetelmä toimii paremmin lyhyen aikavälin ennusteiden kypsän tuotteen sijasta tuotteisiin elinkaaren kasvu - tai vanhentumisvaiheissa. ennuste laskenta Esimerkiksi määritä prosessointivaihtoehdossa 9a käytettävä n 3 käyttämään viimeisintä kolmea jaksoa lähtökohtana seuraavalle aikajaksolle Suuri arvo n: lle kuten 12 vaatii enemmän myyntihistoriaa Se johtaa vakaan ennusteen , mutta se on hidas tunnistamaan myynnin tason muutoksia. Toisaalta n: n pieni arvo n 3: llä reagoi nopeammin myynnin tason muutoksiin, mutta ennuste saattaa vaihdella niin laajasti, ettei tuotanto pysty vastaamaan Muuttujat. Jokaiselle historialliselle ajanjaksolle osoitettu paino. Määritettyjen painojen on oltava yhteensä 1 00. Esimerkiksi kun n3, anna painot 0 6, 0 3 ja 0 1 ja viimeisimmät tiedot vastaanottavat suurimman painon. Minimum tarvitaan myyntihistoriaa n sekä ennustearvon arvioimiseen tarvittavien aikajaksojen määrää PBF. 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 liikkuvuus Keskimääräinen WMA Miten koskaan, sen sijaan, että laskettaisiin mielivaltaisesti painoja historiallisiin tietoihin, käytetään kaavaa, joka määrittää lineaarisesti vähenevän painon ja summan 1 00 Menetelmä laskee sitten viimeisimmän myyntihistorian painotetun keskiarvon, jotta saadaan lyhyen aikavälin ennuste. joka koskee kaikkia lineaarisia liikkuvaa keskimääräistä ennustustekniikkaa, ennakoiva esijännitys ja systemaattiset virheet, kun tuotemyyntihistoria osoittaa voimakasta suuntausta tai kausivaihteluja. Tämä menetelmä toimii paremmin maturituotteiden lyhyen aikavälin ennusteiden sijaan kuin tuotteen elinkaaren kasvu - tai vanhentumisvaiheissa cycle. n ennustejulkaisussa käytettävien myyntihistoriajojen lukumäärä Tämä määritetään käsittelyvaihtoehdossa 10a. Esimerkiksi määritä käsittelyvaihtoehdon 10b määritelmä n 3, joka käyttää viimeisimpiä kolmea jaksoa lähtökohtana Seuraava aikajakso Järjestelmä määrittää automaattisesti painot historiallisiin tietoihin, jotka laskevat lineaarisesti ja summaavat 1 00 Esimerkiksi kun n 3, s Järjestelmä antaa 0 5, 0 3333 ja 0 1 painot, joissa viimeisimmät tiedot saivat suurimman painon. Minimi edellytti myyntihistoriaa n sekä ennustetun suorituskyvyn arvioimiseen tarvittavien aikajaksojen määrää. 12 1 Ennusteiden laskenta. Kausien lukumäärä, jotka sisällytetään tässä esimerkissä keskimääräiseen prosessointivaihtoehtoon 10a 3.Eri edellisen jakson aika 3 n 2 n 2 3 3 2 3 2 3 6 0 5.Ratio kahdelle kaudelle ennen 2 n 2 n 2 2 3 2 3 2 2 6 0 3333.Eri kolmesta edeltävästä jaksoista 1 n 2 n 2 1 3 2 3 2 1 6 0 1666.Uusikuuennuste 137 0 5 119 1 3 114 1 6 127 16 tai 127.Viisuennuste 127 0 5 137 1 3 119 1 6 129.Maunennusennuste 129 0 5 127 1 3 137 1 6 129 666 tai 130.A 12 2 Simuloitu ennuste Laskutoimitus Lokakuu 2004 myynti 129 1 6 140 2 6 131 3 6 133 6666.November 2004 myynti 140 1 6 131 2 6 114 3 6 124. joulukuuta 2004 myynti 131 1 6 114 2 6 119 3 6 119 3333.A 12 3 Tarkkuuslaskennan prosenttiosuus. POA 133 6666 124 119 3333 114 119 137 100 101 891.A 12 4 Keskimääräinen absoluuttinen poikkeamislaskelma. HULLU 133 6666 - 114 124 - 119 119 3333 - 137 3 14 1111.A 13 Menetelmä 11 - Eksponentiaalinen tasoittaminen. Tämä menetelmä on samanlainen kuin menetelmä 10, Lineaarinen tasoittaminen lineaarisessa tasoituksessa. Järjestelmä määrittää painot historiallisiin tietoihin, jotka vähenevät lineaarisesti. , järjestelmä jakaa painot, jotka eksponentiaalisesti hajoavat Exponential tasoitus ennustaminen yhtälö on. Forecast a Previous Actual Sales 1-Previous Forecast. The ennuste on painotettu keskiarvo todellisesta myynnistä edellisestä kaudesta ja ennuste edellisestä kaudesta a on edellisen jakson tosiasialliseen myyntiin sovellettava paino 1 - a on edellisen jakson ennusteeseen sovellettava paino Voimassa olevat arvot vaihteluvälillä 0-1, ja tavallisesti 0-1 ja 0 välillä 4 Painojen summa on 1 00 a 1 - a 1.Voit määrittää arvon tasoitusvakion arvolle a Jos et anna arvoja tasoitusvakiona, järjestelmä laskee oletetun arvon, joka perustuu myyntihistoria-ajanjaksoja d käsittelyvaihtoehdossa 11a. a tasoitusvakio, jota käytetään laskettaessa tasoitettua keskiarvoa yleisen tason tai myynnin laajuuden osalta Voimassa olevat arvot vaihteluvälillä 0 - 1.n myyntihistoriatietojen vaihteluvälin sisällyttämiseksi laskelmiin Yleensä yksi vuosi myyntihistorian tiedot ovat riittävät arvioimaan yleistä myynnin tasoa. Tässä esimerkissä valittiin pieni arvo nn 3, jotta tulosten tarkastamiseen tarvittavat manuaaliset laskelmat voitaisiin pienentää. Eksponenttien tasoittaminen voi tuottaa ennustuksen, joka perustuu vain yhtä historiallista data point. Minimum edellytti myyntihistoriaa n sekä ennusteiden suorituskyvyn PBF. A arvioimiseksi tarvittavien aikajaksojen määrää. 13 1 Ennusteennustaminen. Kausien määrä, johon sisällytetään keskimääräinen käsittelyvaihtoehto 11a 3 ja alfa-tekijän käsittelyvaihtoehto 11b tyhjä tässä example. a tekijä vanhimmille myyntitietoille 2 1 1 tai 1, kun alfa on määritetty. a tekijä toiselle vanhimmalle myyntitiedolle 2 1 2 tai alfalle, kun alfa on määritetty. a tekijä kolmannelle vanhimmalle myyntitiedolle 2 1 3 tai alfalle, kun alfa on määritetty. a tekijä viimeisimmistä myyntitiedoista 2 1 n tai alpha, kun alfa on määritetty. November Sm Avg a Lokakuu Todellinen 1 - lokakuu Sm keskimäärin 1 114 0 0 114.Joulukuu Sm Avg a marraskuu Todellinen 1 - marraskuu Sm Keskim. 2 3 119 1 3 114 117 3333.Uusikolmioennuste joulukuun todellinen 1 - joulukuu Sm Keskimääräinen 2 4 137 2 4 117 3333 127 16665 tai 127.Vasvaennuste Tammikuu Sääennuste 127Maht. Ennuste Tammikuuennuste 127.A 13 2 Simuloitu ennuste Laskutoimitus. Vuonna 2004 Älm. Keskim. 2 2 129 129.August Sm Avg 2 3 140 1 3 129 136 3333.September Sm Avg 2 4 131 2 4 136 3333 133 6666. Lokakuu 2004 myynti syyskuu Sm 133 13340.August, 2004 Sm Avg 2 2 140 140.September Sm Avg 2 3 131 1 3 140 134.October Sm Avg 2 4 114 2 4 134 124.November 2004 myynti syyskuu Sm Huhtikuu 124. Syyskuu 2004 S 2 2 131 131.October Sm Avg 2 3 114 1 3 131 119 6666.November Sm Avg 2 4 119 2 4 119 6666 119 3333.Joulukuu 2004 myynti syyskuu Sm Avg 119 3333.A 13 3% tarkkuuslaskulasta 135 133 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 tasaus trendillä ja kausivaihtelulla. Tämä menetelmä on samanlainen kuin menetelmä 11, eksponentiaalinen tasoittaminen siinä, että lasketaan tasoitettu keskiarvo. Menetelmä 12 sisältää myös ennustejaksossa olevan termin simuloidun trendin laskemiseen. Ennuste koostuu tasoitetusta keskiarvosta, joka on säädetty lineaariselle kehitykselle Kun määritetään prosessointivaihtoehdossa ennuste säädetään myös kausivaihteluun. a Tasoitusvakio, jota käytetään tasoitetun keskiarvon laskemisessa myynnin yleiselle tasolle tai suuruusluokalle. Alfa-arvot ovat 0: sta 1.b: een tasausvakio, jota käytetään siveltyjen ennusteiden trendikomponenttien keskiarvo Beta-alueen voimassaolevat arvot välillä 0-1. Jos ennusteeseen sovelletaan kausittaista indeksiä, a ja b ovat toisistaan ​​riippumattomia. Niiden ei tarvitse lisätä arvoa 0. 0. imum edellytti myyntihistoriaa kahteen vuoteen sekä ennakoidun suorituskyvyn PBF: n arvioimiseksi tarvittavien aikajaksojen lukumäärän. Menetelmä 12 käyttää kahta eksponentiaalisen tasoitusyhtälön ja yhden yksinkertaisen keskiarvon laskea tasoitetun keskiarvon, tasoitetun trendin ja yksinkertaisen keskimääräisen kausittaisen tekijän. 1 Ennustalaskenta. A Exponential sowed average. 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. menetelmä luo todennäköisesti hieman erilainen projektio Kun tuhansia tuotteita ennustetaan, on epäkäytännöllistä tehdä subjektiivinen päätös siitä, mitkä ennusteet käytetään suunnitelmissasi jokaiselle tuotteelle. Järjestelmä arvioi automaattisesti kunkin ennustemenetelmän suorituskyvyn Valitsemasi ja kunkin ennustetun tuotteen osalta Voit valita kahdesta suorituskyvyn kriteeristä, Mean Absolute Deviation MAD ja Percent of Accur acy POA MAD on ennakoidun virheen mittari. POA on ennakoivan poikkeaman mittari. Molemmat suorituskyvyn arviointitekniikat vaativat todellista myyntihistoriatietoa käyttäjän määrätylle ajanjaksolle. Tätä viimeaikaisen historian ajanjaksoa kutsutaan pidätysjakson tai ajanjaksojen parhaaksi sovituksi PBF: ksi. Ennustemenetelmän suorituskyvyn mittaamiseksi käytä ennuste kaavoja simuloimaan ennusteen historialliselle pidätysjakson ajaksi. Tavallisesti myytyjen tietojen ja simuloidun ennustearvon välillä on yleensä eroja odotusaikaa varten. Kun useita ennusteita valitaan, sama prosessi esiintyy jokaisen menetelmän osalta Useita ennusteita lasketaan holdout-ajanjaksolle ja verrattuna samaan ajanjaksoon tunnettuun myyntihistoriaan. Suositusta suositellaan käytettäväksi ennakoinnin ja todellisen myynnin välisen pidemmän ajanjakson aikana parhaiten sopivan ennustamismenetelmän avulla Suunnitelmissasi Tämä suositus koskee jokaista tuotetta, ja se voi muuttua ennustetusta sukupolvesta ne xt. 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 ennustemenetelmä ja tiedot historia Koska laskelmissa käytetään absoluuttisia arvoja, positiiviset virheet eivät peruuta negatiivisia virheitä Kun verrataan useampia ennusteita, pienimmän MAD: n kanssa on osoittautunut luotettavimmaksi kyseiselle tuotteelle kyseisen ajanjakson ajan, kun ennuste on puolueeton ja Virheet jaetaan normaalisti, on matemaattinen yhteys MAD: n ja kahden muun yhteisen jakautumistoimenpiteen välillä, keskihajonta ja keskimääräinen kvadrausvirhe. 16 1 prosentti tarkkuudesta POA. Tarkkuusperiaate POA on ennakoidun ennakkoarvon mittari Kun ennusteet ovat johdonmukaisia liian suuret, varastojen kertyminen ja varastojen nousu Kun ennusteet ovat johdonmukaisesti kaksi matalia, varastoja kulutetaan ja asiakaspalvelu laskee s Ennuste, joka on 10 yksikköä liian alhainen, sitten 8 yksikköä liian korkea, sitten 2 yksikköä liian korkea, olisi puolueeton ennuste 10 positiivinen virhe peruutetaan negatiivisilla virheillä 8 ja 2.Error Actual - Forecast. When a product voidaan varastoida inventaariossa, ja kun ennuste on puolueeton, pieniä määriä turvaraketta voidaan käyttää virheiden puskemiseen. Tässä tilanteessa ei ole niin tärkeää poistaa ennustevirheitä, koska se muodostaa puolueettomia ennusteita. Kuitenkin palvelualoilla , edellä oleva tilanne katsotaan kolmeksi virheeksi. Palvelussa olisi alijäämää ensimmäisellä jaksolla, sitten ylimäärin seuraavien kahden jakson aikana. Palveluissa ennustevirheiden suuruus on yleensä tärkeämpää kuin ennustettu bias. Summation over holdout period mahdollistaa negatiivisten virheiden poistamisen positiiviset virheet Kun todellinen myynti ylittää ennustetun myynnin, suhde on suurempi kuin 100 Tietenkin on mahdotonta olla yli 100 tarkkaa Kun ennuste on unbias edellinen, POA-suhde on 100 Siksi on toivottavaa, että 95 on tarkka kuin 110 on tarkka. POA-kriteerit valitsevat ennakointimenetelmän, jonka POA-suhde on lähimpänä 100. Tämän sivun tekeminen parantaa sisällönavigointia, mutta ei muuttaa sisältöä millään tavalla.