Weighted Moving Average Verkaufsprognose

Verwenden der FORECAST-Funktion in Excel (und Open Office Calc) kopieren Copyright. Inhalt auf InventoryOps ist urheberrechtlich geschützt und steht nicht für die Wiederveröffentlichung zur Verfügung. Lassen Sie mich beginnen, indem Sie sagen, dass Excels Prognose-Funktion ist nicht ein vollständiges Inventar Vorhersage-System. Die Vorhersage in der Bestandsverwaltung umfasst im Allgemeinen das Entfernen von Lärm aus der Nachfrage, dann die Berechnung und Integration von Trends, Saisonalität und Ereignisse. Die Prognose-Funktion wird nicht alle diese Dinge für Sie tun (technisch könnte es, aber es gibt bessere Möglichkeiten, einige davon zu erreichen). Aber es ist eine nette kleine Funktion, die einfach zu bedienen ist, und es kann sicherlich ein Teil Ihres Prognosesystems sein. Laut Microsoft Help zur Prognosefunktion. Die Funktion FORECAST (x, knownys, knownxs) gibt den vorhergesagten Wert der abhängigen Variablen (in den Daten durch bekannte) für den spezifischen Wert x der unabhängigen Variablen (die in den Daten durch bekanntexx dargestellt wird) unter Verwendung einer besten Übereinstimmung zurück (Kleinste Quadrate) lineare Regression, um y-Werte aus x-Werten vorherzusagen. Also, was genau bedeutet das Lineare Regression ist eine Form der Regressionsanalyse und kann verwendet werden, um eine mathematische Beziehung zwischen zwei (oder mehr) Sätze von Daten zu berechnen. In der Prognose würden Sie dies verwenden, wenn Sie dachten, dass ein Satz von Daten verwendet werden könnte, um einen anderen Satz von Daten vorherzusagen. Zum Beispiel, wenn Sie Baubedarf verkauft, können Sie feststellen, dass Änderungen der Zinsen verwendet werden können, um den Verkauf Ihrer Produkte vorauszusagen. Dies ist ein klassisches Beispiel für die Verwendung von Regression, um eine Beziehung zwischen einer externen Variablen (Zinssätze) und einer internen Variable (Ihren Verkäufen) zu berechnen. Wie wir später noch sehen werden, können Sie auch Regression verwenden, um eine Beziehung innerhalb desselben Datensatzes zu berechnen. Ein typischer Ansatz zur Regressionsanalyse beinhaltet die Verwendung von Regression, um die mathematische Beziehung zu bestimmen, aber auch, um Ihnen eine Vorstellung davon zu vermitteln, wie gültig diese Beziehung ist (das ist der Analyseteil). Die Forecast-Funktion überspringt die Analyse und berechnet einfach eine Beziehung und wendet sie automatisch auf Ihre Ausgabe an. Dies macht die Dinge für den Benutzer einfacher, aber es geht davon aus, dass Ihre Beziehung gültig ist. Im Wesentlichen verwendet die Forecast-Funktion eine lineare Regression, um einen Wert basierend auf einer Beziehung zwischen zwei Datensätzen vorherzusagen. Hier einige Beispiele. In Abbildung 1A haben wir eine Kalkulationstabelle, die den durchschnittlichen Zinssatz in den letzten 4 Jahren und den Absatz im gleichen Zeitraum von 4 Jahren umfasst. Wir zeigen auch einen voraussichtlichen Zinssatz für das 5. Jahr. Wir sehen in dem Beispiel, dass unsere Verkaufszahlen steigen, wenn die Zinsen sinken und sinken, wenn die Zinsen steigen. Wenn wir das Beispiel betrachten, können wir vermutlich vermuten, dass unsere Verkäufe für Jahr 5 irgendwo zwischen 5.000 und 6.000 liegen würden, basierend auf der beobachteten Beziehung zwischen Zinssätzen und Verkäufen in den vorherigen Perioden. Wir können die Prognosefunktion verwenden, um diese Beziehung präziser zu quantifizieren und sie auf das 5. Jahr anzuwenden. In Abbildung 1B sehen Sie, wie die Prognosefunktion angewendet wird. In diesem Fall ist die Formel in Zelle F4 FORECAST (F2, B3: E3, B2: E2). Was wir innerhalb der Klammer haben, wird als Argument bezeichnet. Ein Argument ist wirklich nur ein Mittel zur Übergabe von Parametern an die verwendete Funktion (in diesem Fall die Prognosefunktion). Jeder Parameter wird durch ein Komma getrennt. Damit die Forecast-Funktion funktioniert, muss sie wissen, welchen Wert wir verwenden, um unsere Produktion vorherzusagen (unsere Verkäufe des Jahres 5). In unserem Fall ist der Parameter (unser Jahr-5-Zinssatz) in Zelle F2, also ist das erste Element unseres Arguments F2. Als Nächstes muss er wissen, wo er die vorhandenen Werte finden kann, die er verwenden wird, um die Beziehung zu bestimmen, die auf F2 anzuwenden ist. Zuerst müssen wir die Zellen eingeben, die die Werte unserer abhängigen Variablen darstellen. In unserem Fall würde dies unsere Einheiten in den letzten 4 Jahren verkauft werden, daher geben wir B3: E3. Dann müssen wir die Zellen eingeben, die die Werte unserer Prädiktorvariablen repräsentieren. In unserem Fall sind dies die Zinsen der letzten 4 Jahre, daher geben wir B2: E2). Die Prognosefunktion kann nun die in den Jahren 1 bis 4 verkauften Einheiten mit den Zinssätzen in den gleichen Jahren vergleichen und dann diese Beziehung zu unserem vorhergesagten Jahr 5-Zinssatz anwenden, um unsere prognostizierten Umsätze für das Jahr 5 von 5,654 Einheiten zu erhalten. Im vorherigen Beispiel können wir die Graphen betrachten, um zu helfen, die Beziehung zu visualisieren. Auf den ersten Blick kann es nicht so offensichtlich aussehen, weil wir eine umgekehrte Beziehung haben (Verkäufe gehen oben, während Zinsen nach unten gehen), aber wenn Sie geistig eine der Diagramme gedreht würden, würden Sie eine sehr klare Beziehung sehen. Das ist eine der coolen Dinge über die Prognose-Funktion (und Regressionsanalyse). Es kann leicht mit einer umgekehrten Beziehung. Kopie des Urheberrechts. Inhalt auf InventoryOps ist urheberrechtlich geschützt und steht nicht für die Wiederveröffentlichung zur Verfügung. Nun sehen wir uns ein anderes Beispiel an. In Abbildung 2A sehen wir einen neuen Datensatz. In diesem Beispiel stiegen die Zinssätze in den vergangenen 4 Jahren nach oben und unten, der Absatz zeigte jedoch einen konstanten Aufwärtstrend. Während es möglich ist, dass die Zinsen in diesem Beispiel einige Auswirkungen auf unsere Umsätze hatten, ist es offensichtlich, dass hier wesentlich mehr Faktoren zu berücksichtigen sind. Durch die Verwendung unserer Prognose-Funktion mit diesen Daten, geben wir eine Prognose von 7.118 Einheiten für das Jahr 5 zurück. Ich denke, die meisten von uns würden auf unsere Umsatzentwicklung zu schauen und zuzustimmen, seine weitaus wahrscheinlicher unsere Verkäufe für Jahr 5 wäre 9.000 Einheiten. Wie ich bereits erwähnt habe, geht die Prognose-Funktion davon aus, dass die Beziehung gültig ist, daher produziert sie eine Ausgabe, die auf der bestmöglichen Größe basiert, die sie aus den Daten ergibt, die sie erhalten. Mit anderen Worten, wenn wir sagen, es gibt eine Beziehung, es glaubt uns und produziert die Ausgabe entsprechend, ohne uns eine Fehlermeldung oder ein Signal, das implizieren würde die Beziehung ist sehr schlecht. Also, seien Sie vorsichtig, was Sie verlangen. Die bisherigen Beispiele deckten die klassische Anwendung der Regression auf die Prognose. Während all dies klingt ziemlich glatt, ist diese klassische Anwendung der Regression nicht so nützlich, wie Sie vielleicht denken (Sie können überprüfen, mein Buch für weitere Informationen über Regression und warum es nicht eine gute Wahl für Ihre Prognose braucht werden). Aber jetzt können Sie mit der Forecast-Funktion einfach zu identifizieren Trend innerhalb eines bestimmten Satz von Daten. Beginnen wir mit der Betrachtung von Fig. 3A. Hier haben wir Nachfrage mit einem sehr offensichtlichen Trend. Die meisten von uns sollten in der Lage, diese Daten betrachten und sich wohl fühlen, vorauszusagen, dass die Nachfrage in Periode 7 wird wahrscheinlich 60 Einheiten sein. Wenn Sie diese Daten jedoch über die für die Bestandsführung verwendeten typischen Prognoserechnungen laufen ließen, können Sie überrascht sein, wie viele dieser Berechnungen für den Trend verantwortlich sind. Da die Prognosefunktion es erfordert, eine abhängige Variable und eine Prädiktorvariable einzugeben, wie gehen wir über die Verwendung der Prognosefunktion aus, wenn wir nur einen Datensatz haben Nun, während es technisch wahr ist, dass wir einen einzigen Datensatz haben (unsere Haben wir tatsächlich eine Beziehung, die innerhalb dieses Datensatzes vor sich geht. In diesem Fall ist unsere Beziehung zeitlich begrenzt. Daher können wir jede Periodenanforderung als Prädiktorvariable für die folgenden Periodennachfragen verwenden. So müssen wir nur sagen, die Prognose-Funktion, um die Nachfrage in den Perioden 1 bis 5 als die vorhandenen Daten für die Prädiktor-Variable verwenden und verwenden Sie Nachfrage in den Perioden 2 bis 6 als die vorhandenen Daten für die abhängige Variable. Dann sagen Sie es, diese Beziehung auf die Nachfrage in Periode 6 anzuwenden, um unsere Prognose für Periode 7 zu berechnen. Sie können in Abbildung 3B sehen, unsere Formel in Zelle I3 ist FORECAST (H2, C2: H2, B2: G2). Und es gibt eine Prognose von 60 Einheiten zurück. Offensichtlich ist dieses Beispiel nicht realistisch, da die Nachfrage viel zu nett ist (kein Rauschen). So sehen wir in Abbildung 3C, wo wir diese gleiche Berechnung auf einige realistische Daten. Ich möchte nur zu wiederholen, dass, während die Forecast-Funktion nützlich ist, ist es nicht ein Prognosesystem. Ich normalerweise lieber ein wenig mehr Kontrolle über genau, wie ich anwenden und erweitern Tendenzen zu meiner Prognose. Darüber hinaus möchten Sie zunächst entfernen Sie alle anderen Elemente Ihrer Nachfrage, die nicht im Zusammenhang mit Ihren Grundbedarf und Trend. Beispielsweise möchten Sie alle Effekte von Saisonalität oder Ereignissen (z. B. Promotions) aus Ihrem Bedarf entfernen, bevor Sie die Forecast-Funktion anwenden. Sie würden dann Ihre Saisonalität Index und alle Event-Indizes auf die Ausgabe der Forecast-Funktion anwenden. Sie können auch mit Ihren Eingaben spielen, um ein bestimmtes gewünschtes Ergebnis zu erhalten. Beispielsweise möchten Sie vielleicht zuerst versuchen, Ihre Bedarfs-Historie (durch einen gleitenden Durchschnitt, einen gewichteten gleitenden Durchschnitt oder eine exponentielle Glättung) zu glätten, und das ist die Vorhersagevariable anstelle der rohen Nachfrage. Weitere Informationen zu Forecasting finden Sie in meinem Buch Inventory Management Explained. Verwenden der Forecast-Funktion in Open Office Calc. Für Benutzer von Openoffice. org Calc. Funktioniert die Forecast-Funktion genauso wie in Excel. Allerdings gibt es einen leichten Unterschied in der Syntax in Calc verwendet. Wo immer Sie ein Komma in einem Argument in einer Excel-Funktion verwenden würden, verwenden Sie stattdessen ein Semikolon in Calc. Also, anstelle der Excel-Formel würden Sie eingeben Zum Artikel-Seite für weitere Artikel von Dave Piasecki. Kopie des Urheberrechts. Inhalt auf InventoryOps ist urheberrechtlich geschützt und steht nicht für die Wiederveröffentlichung zur Verfügung. Dave Piasecki. Ist Eigentümer von Inventory Operations Consulting LLC. Ein Beratungsunternehmen, das Dienstleistungen im Zusammenhang mit Bestandsführung, Materialhandling und Lagerbetrieb anbietet. Er hat über 25 Jahre Erfahrung in der Betriebsführung und kann über seine Website (inventoryops) erreicht werden, wo er zusätzliche relevante Informationen unterhält. Mein Unternehmen Inventory Operations Consulting LLC bietet schnelle, erschwingliche, kompetente Unterstützung mit Bestandsführung und Lagerbetrieb. Meine BücherA Prognoseberechnungsbeispiele A.1 Prognoseberechnungsmethoden Es stehen zwölf Berechnungsmethoden zur Verfügung. Die meisten dieser Methoden bieten eine eingeschränkte Benutzerkontrolle. Beispielsweise könnte das Gewicht, das auf die jüngsten historischen Daten oder den Datumsbereich der in den Berechnungen verwendeten historischen Daten gesetzt wurde, spezifiziert werden. Die folgenden Beispiele zeigen das Berechnungsverfahren für jede der verfügbaren Prognosemethoden bei einem identischen Satz von historischen Daten. Die folgenden Beispiele verwenden dieselben Verkaufsdaten für 2004 und 2005, um eine Verkaufsprognose von 2006 zu erstellen. Zusätzlich zur Prognoserechnung enthält jedes Beispiel eine simulierte Prognose von 2005 für eine dreimonatige Halteperiode (Verarbeitungsoption 19 3), die dann für Prozentsätze der Genauigkeit und der mittleren Absolutabweichung (tatsächlicher Umsatz gegenüber simulierter Prognose) verwendet wird. A.2 Kriterien für die Bewertung der Prognoseleistung Abhängig von der Auswahl der Verarbeitungsoptionen und den in den Verkaufsdaten vorhandenen Trends und Mustern werden einige Prognosemethoden für einen bestimmten historischen Datensatz besser abschneiden als andere. Eine für ein Produkt geeignete Prognosemethode ist möglicherweise nicht für ein anderes Produkt geeignet. Es ist auch unwahrscheinlich, dass eine Prognosemethode, die in einem Stadium des Produktlebenszyklus gute Ergebnisse liefert, über den gesamten Lebenszyklus hinweg angemessen bleibt. Sie können zwischen zwei Methoden wählen, um die aktuelle Leistung der Prognosemethoden zu bewerten. Diese sind mittlere absolute Abweichung (MAD) und Prozent der Genauigkeit (POA). Beide dieser Leistungsbewertungsverfahren erfordern historische Verkaufsdaten für einen vom Benutzer angegebenen Zeitraum. Dieser Zeitraum wird als Halteperiode oder Perioden am besten geeignet (PBF) bezeichnet. Die Daten in diesem Zeitraum dienen als Grundlage für die Empfehlung, welche der Prognosemethoden für die nächste Prognoseprojektion verwendet werden sollen. Diese Empfehlung ist spezifisch für jedes Produkt und kann von einer Prognosegeneration zur nächsten wechseln. Die beiden prognostizierten Methoden der Leistungsbewertung werden in den Seiten nach den Beispielen der zwölf Prognosemethoden vorgestellt. A.3 Methode 1 - Festgelegter Prozentsatz über Letztes Jahr Diese Methode multipliziert Verkaufsdaten des Vorjahres mit einem benutzerdefinierten Faktor, zum Beispiel 1,10 für eine 10-Erhöhung oder 0,97 für eine 3-Abnahme. Erforderliche Verkaufsgeschichte: Ein Jahr für die Berechnung der Prognose plus die benutzerdefinierte Anzahl von Zeiträumen für die Bewertung der Prognoseperformance (Verarbeitungsoption 19). A.4.1 Prognoserechnung Berechnung des Umsatzverlaufs für die Berechnung des Wachstumsfaktors (Verarbeitungsoption 2a) 3 in diesem Beispiel. Summe der letzten drei Monate 2005: 114 119 137 370 Summe die gleichen drei Monate für das Vorjahr: 123 139 133 395 Der berechnete Faktor 370395 0,9367 Berechnen Sie die Prognosen: Januar 2005 Umsatz 128 0,9367 119,8036 oder etwa 120 Februar 2005 Umsatz 117 0,9367 109,5939 oder etwa 110 März 2005 Umsatz 115 0,9367 107,7205 oder etwa 108 A.4.2 Simulierte Prognoseberechnung Summe der drei Monate 2005 vor der Halteperiode (Juli, Aug, Sept): 129 140 131 400 Summe die gleichen drei Monate für die Vorjahr: 141 128 118 387 Der berechnete Faktor 400387 1.033591731 Berechnung der simulierten Prognose: Oktober 2004 Umsatz 123 1.033591731 127.13178 November 2004 Umsatz 139 1.033591731 143.66925 Dezember 2004 Umsatz 133 1.033591731 137.4677 A.4.3 Prozentsatz der Genauigkeitsberechnung POA (127.13178 143.66925 137.4677) (127.13178 - 114 143.66925 - 119 137.4677 - 137) 3 (13.13178 24.66925 0.4677) 3 12.75624 A.5 Methode 3 - Letztes Jahr zu diesem Jahr Diese Methode Kopiert die Verkaufsdaten des Vorjahres auf das nächste Jahr. Erforderliche Verkaufsgeschichte: Ein Jahr für die Berechnung der Prognose plus die Anzahl der für die Bewertung der Prognoseperformance angegebenen Zeiträume (Verarbeitungsoption 19). A.6.1 Prognoseberechnung Anzahl der Perioden, die in den Durchschnitt einzubeziehen sind (Verarbeitungsoption 4a) 3 in diesem Beispiel Für jeden Monat der Prognose durchschnittlich die letzten drei Monate Daten. Januar Prognose: 114 119 137 370, 370 3 123.333 oder 123. Februar Prognose: 119 137 123 379, 379 3 126.333 oder 126 März Prognose: 137 123 126 379, 386 3 128.667 oder 129 A.6.2 Simulierte Prognoseberechnung Oktober 2005 Verkauf (129 140 131 114 3 128,333 Dezember 2005 Umsatz (131 114 119) 3 121,333 A.6,3 Prozent der Genauigkeitsberechnung (133,333 128,333 121,333) (114 119 137) 100 103,513 A.6.4 Mittelwert Absolut Abweichungsberechnung MAD (133.3333 - 114 128.3333 - 119 121.3333 - 137) 3 14.7777 A.7 Methode 5 - Lineare Approximation Lineare Approximation berechnet einen Trend basierend auf zwei Verkaufsverlaufsdatenpunkten. Diese beiden Punkte definieren eine gerade Linie, die in die Zukunft projiziert wird. Verwenden Sie diese Methode mit Vorsicht, da Langstreckenvorhersagen durch kleine Änderungen an nur zwei Datenpunkten genutzt werden. Erforderliche Verkaufsgeschichte: Anzahl der in die Regression einzubeziehenden Perioden (Verarbeitungsoption 5a) plus 1 plus Anzahl der Zeiträume für die Bewertung der Prognoseperformance (Verarbeitungsoption 19). A.8.1 Prognoserechnung Anzahl der Perioden, die in die Regression aufzunehmen sind (Verarbeitungsoption 6a) 3 in diesem Beispiel Für jeden Monat der Prognose addieren Sie den Anstieg oder Abfall während der angegebenen Perioden vor der Halteperiode der vorherigen Periode. Durchschnitt der vorangegangenen drei Monate (114 119 137) 3 123.3333 Zusammenfassung der letzten drei Monate mit betrachtetem Gewicht (114 1) (119 2) (137 3) 763 Differenz zwischen den Werten 763 - 123.3333 (1 2 3) 23 Verhältnis ( (1 n) Wert1 Wert2 4 11,5 100,333 146,333 oder 146 Prognose 5 11,5 100,333 157,8333 oder 158 Prognose 6 11,5 100,333 169,333. Vorhersage (1 n) Wert1 Wert2 4 11,5 100,333 146,333 oder 146 Vorhersage 5 11,5 100,333 157,8333 oder 158 Vorhersage 6 11,5 100,333 169,333 Oder 169 A.8.2 Simulierte Prognoseberechnung Oktober 2004 Umsatz: Durchschnitt der vorangegangenen drei Monate (129 140 131) 3 133.3333 Zusammenfassung der letzten drei Monate mit betrachtetem Gewicht (129 1) (140 2) (131 3) 802 Differenz zwischen den (1 2 3) 2 Verhältnis (12 22 32) - 2 3 14 - 12 2 Wert1 DifferenzRatio 22 1 Wert2 Durchschnitt - Wert1 Verhältnis 133,333 - 1 2 131,333 Vorhersage (1 n) Wert1 Wert2 4 1 131,333 135,333 November 2004 Umsatz Durchschnitt der vorangegangenen drei Monate (140 131 114) 3 128,333 Zusammenfassung der letzten drei Monate mit Bezugsgewicht (140 1) (131 2) (114 3) 744 Differenz zwischen den Werten 744 - 128.3333 (1 2 3) -25.9999 Wert1 DifferenzRatio -25.99992 -12.9999 Wert2 Durchschnitt - Wert1 Verhältnis 128.3333 - (-12.9999) 2 154.3333 Prognose 4 -12.9999 154.3333 102.3333 Dezember 2004 Umsatz Durchschnitt der letzten drei Monate (131 114 119) 3 121.3333 Zusammenfassung der letzten drei Monate mit Gewichtung (119 3) 716 Differenz zwischen den Werten 716 - 121,3333 (1 2 3) -11,9999 Wert1 DifferenzRatio -11,99992 -5,9999 Wert2 Mittelwert-Wert1 Verhältnis 121,3333 - (-5,9999) 2 133,333 Prognose 4 (- (135.33 - 114 102.33 - 119 109.33 - 137) 3 21.88 A.9 Verfahren 7. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, - Second Degree Approximation Die lineare Regression ermittelt Werte für a und b in der Prognoseformel Y a bX mit dem Ziel, eine Gerade an die Verkaufsgeschichtsdaten anzupassen. Zweite Grad Approximation ist ähnlich. Dieses Verfahren ermittelt jedoch Werte für a, b und c in der Prognoseformel Y a bX cX2 mit dem Ziel, eine Kurve an die Verkaufsverlaufsdaten anzupassen. Dieses Verfahren kann nützlich sein, wenn sich ein Produkt im Übergang zwischen den Stufen eines Lebenszyklus befindet. Wenn sich beispielsweise ein neues Produkt von der Einführung in die Wachstumsstadien bewegt, kann sich die Umsatzentwicklung beschleunigen. Wegen des Termes der zweiten Ordnung kann die Prognose schnell an die Unendlichkeit heranreichen oder auf Null fallen (abhängig davon, ob der Koeffizient c positiv oder negativ ist). Daher ist dieses Verfahren nur kurzfristig nutzbar. Prognosedaten: Die Formeln finden a, b und c, um eine Kurve auf genau drei Punkte zu platzieren. Sie geben n in der Verarbeitungsoption 7a an, die Anzahl der Zeitperioden der Daten, die sich in jedem der drei Punkte ansammeln. In diesem Beispiel n 3. Daher werden die tatsächlichen Verkaufsdaten für April bis Juni in den ersten Punkt Q1 zusammengefasst. Juli bis September werden addiert, um Q2 zu schaffen, und Oktober bis Dezember Summe zu Q3. Die Kurve wird an die drei Werte Q1, Q2 und Q3 angepasst. Erforderliche Verkaufsgeschichte: 3 n Perioden für die Berechnung der Prognose plus die Anzahl der Zeiträume für die Bewertung der Prognoseperformance (PBF) erforderlich. Anzahl der einzubeziehenden Perioden (Verarbeitungsoption 7a) 3 in diesem Beispiel Die vorherigen (3 n) Monate in dreimonatigen Blöcken verwenden: Q1 (Apr - Jun) 125 122 137 384 Q2 (Jul - Sep) 129 140 131 400 Q3 Der nächste Schritt besteht darin, die drei Koeffizienten a, b und c zu berechnen, die in der Prognoseformel Y a bX cX2 (1) Q1 a bX cX2 (mit X 1) abc (2) Q2 verwendet werden (1) aus Gleichung (2) subtrahieren Sie die Gleichung (1) aus der Gleichung (1) aus der Gleichung (2) (3) (3) Q3 a 3 (Q2 - Q1) - 3c c Schliesslich setzen wir diese Gleichungen für a und b in die Gleichung (3) ein Gleichung (1) Q3 - 3 (Q2 - Q1) (q2 - Q1) - 3c c Q1 c (Q3 - Q2) (Q1 - Q2) 2 Das Zweite-Grad-Approximationsverfahren berechnet a, b und c wie folgt: a Q3 - 3 (Q2 - Q1) 370 - 3 (400 - 384) 322 c (Q3 - Q2) (Q1 - Q2) 2 (370 - 400) (X2) X2: (322 340 - 368) 3 2943 98 für den Zeitraum April bis Juni (X5): (3) 322 425 - 575) 3 57.333 oder 57 pro Zeitraum Juli bis September Prognose (X6): (322 510 - 828) 3 1,33 oder 1 pro Zeitraum Oktober bis Dezember (X7) (322 595 - 11273 -70 A.9.2 Simulierte Prognoseberechnung Oktober, November und Dezember 2004 Umsatz: Q1 (Jan - März) 360 Q2 (Apr - Jun) 384 Q3 (Jul - Sep) 400 a 400 - 3 (384 - 360) 328 c (400 - 384) (360 - 384) ) 2 -4 b (384 - 360) - 3 (-4) 36 328 36 4 (-4) 163 136 A.9.3 Prozent der Genauigkeitsberechnung POA (136 136 136) (114 119 137) 100 110,27 A.9.4 Mean Absolute Abweichungsberechnung MAD (136 - 114 136 - 119 136 - 137) 3 13.33 A.10 Methode 8 - Flexible Methode Die flexible Methode (Prozentsatz über n Monate vor) ähnelt der Methode 1, Prozent über dem letzten Jahr. Beide Verfahren multiplizieren Verkaufsdaten aus einer vorherigen Zeitspanne mit einem vom Benutzer spezifizierten Faktor und projizieren dieses Ergebnis dann in die Zukunft. In der Percent Over Last Year Methode basiert die Projektion auf Daten aus dem gleichen Zeitraum des Vorjahres. Das Flexible-Verfahren fügt die Möglichkeit hinzu, einen Zeitraum anzugeben, der nicht derselbe Zeitraum ist, der als Basis für die Berechnungen verwendet wird. Multiplikationsfaktor. Geben Sie z. B. 1.15 in der Verarbeitungsoption 8b an, um die vorherigen Verkaufsverlaufsdaten um 15. Basisperiode zu erhöhen. Zum Beispiel führt n 3 dazu, dass die erste Prognose im Oktober 2005 auf Verkaufsdaten basiert. Minimale Verkaufsgeschichte: Die vom Benutzer angegebene Anzahl von Perioden zurück zur Basisperiode plus die Anzahl der Zeitperioden, die für die Bewertung der Prognoseperformance erforderlich sind ( PBF). A.10.4 Mittlere Absolutabweichung MAD (148 - 114 161 - 119 151 - 137) 3 30 A.11 Methode 9 - Gewichteter gleitender Durchschnitt Die Methode des gewichteten gleitenden Durchschnitts (WMA) ist ähnlich wie Methode 4, Gleitender Durchschnitt (MA). Mit dem Weighted Moving Average können Sie jedoch den historischen Daten ungleiche Gewichte zuordnen. Die Methode berechnet einen gewichteten Durchschnitt der letzten Verkäufe Geschichte, um zu einer Projektion für die kurzfristige kommen. Neuere Daten sind in der Regel ein größeres Gewicht als ältere Daten zugeordnet, so dass dies WMA mehr reagiert auf Verschiebungen in der Ebene des Umsatzes. Prognosevorhersage und systematische Fehler treten jedoch immer noch auf, wenn die Produktverkäufe Geschichte starke Trend - oder saisonale Muster aufweisen. Diese Methode ist besser für Kurzstreckenvorhersagen von reifen Produkten besser geeignet als für Produkte in den Wachstums - oder Obsoleszenzphasen des Lebenszyklus. N die Anzahl der Perioden der Verkaufsgeschichte, die in der Prognoserechnung verwendet werden sollen. Geben Sie z. B. n 3 in der Verarbeitungsoption 9a an, um die letzten drei Perioden als Grundlage für die Projektion in die nächste Zeitperiode zu verwenden. Ein großer Wert für n (wie 12) erfordert mehr Umsatz Geschichte. Es resultiert in einer stabilen Prognose, aber es wird nur langsam sein, Veränderungen im Umsatzniveau zu erkennen. Andererseits reagiert ein kleiner Wert für n (wie z. B. 3) schneller auf Verschiebungen des Umsatzniveaus, doch kann die Prognose so weit schwanken, dass die Produktion nicht auf die Variationen reagieren kann. Das Gewicht, das jeder der historischen Datenperioden zugewiesen ist. Die zugeordneten Gewichte müssen insgesamt 1,00 betragen. Zum Beispiel, wenn n 3, Gewichte von 0,6, 0,3 und 0,1 zuweisen, wobei die neuesten Daten das größte Gewicht empfangen. Mindestens erforderlicher Umsatzverlauf: n plus Anzahl der Zeiträume, die für die Bewertung der Prognoseperformance (PBF) erforderlich sind. MAD (133,5 - 114 121,7 - 119 118,7 - 137) 3 13,5 A.12 Methode 10 - Lineare Glättung Diese Methode ähnelt Methode 9, Weighted Moving Average (WMA). Jedoch wird anstelle der willkürlichen Zuweisung von Gewichten zu den historischen Daten eine Formel verwendet, um Gewichtungen zuzuweisen, die linear abnehmen und auf 1,00 summieren. Das Verfahren berechnet dann einen gewichteten Durchschnitt der letzten Verkaufsgeschichte, um zu einer Projektion für die kurze Zeit zu gelangen. Wie bei allen linearen gleitenden durchschnittlichen Prognosemethoden treten Prognosevorhersage und systematische Fehler auf, wenn die Produktverkaufsgeschichte starke Trend - oder saisonale Muster aufweist. Diese Methode ist besser für Kurzstreckenvorhersagen von reifen Produkten besser geeignet als für Produkte in den Wachstums - oder Obsoleszenzphasen des Lebenszyklus. N die Anzahl der Perioden der Verkaufsgeschichte, die in der Prognoserechnung verwendet werden sollen. Dies ist in der Verarbeitungsoption 10a spezifiziert. Geben Sie beispielsweise n 3 in der Verarbeitungsoption 10b an, um die letzten drei Perioden als Grundlage für die Projektion in die nächste Zeitperiode zu verwenden. Das System vergibt automatisch die Gewichte der historischen Daten, die linear sinken und auf 1,00 sinken. Wenn beispielsweise n & sub3; wird das System Gewichte von 0,5, 0,3333 und 0,1 zuweisen, wobei die jüngsten Daten das größte Gewicht empfangen. Mindestens erforderlicher Umsatzverlauf: n plus Anzahl der Zeiträume, die für die Bewertung der Prognoseperformance (PBF) erforderlich sind. A.12.1 Prognoseberechnung Anzahl der Perioden, die in den Glättungsdurchschnitt einzubeziehen sind (Verarbeitungsoption 10a) 3 in diesem Beispiel Verhältnis für eine Periode vorher 3 (n2 n) 2 3 (32 3) 2 36 0.5 Verhältnis für zwei Perioden vor 2 (n2 n ) 2 2 (32 3) 2 26 0,333 .. Verhältnis für drei Perioden vorher 1 (n2 n) 2 1 (32 3) 2 16 0,1666 .. Januar Prognose: 137 0,5 119 13 114 16 127,16 oder 127 Februar Prognose: 127 0,5 137 13 119 16 129 März-Prognose: 129 0,5 127 13 137 16 129,666 oder 130 A.12.2 Simulierte Prognoseberechnung Oktober 2004 Umsatz 129 16 140 26 131 36 133,6666 November 2004 Umsatz 140 16 131 26 114 36 124 Dezember 2004 Umsatz 131 16 114 26 119 36 119,333 A.12.3 Prozentsatz der Genauigkeitsberechnung POA (133,6666 124 119,333) (114 119 137) 100 101,891 A.12.4 Mittlere Absolutabweichungsberechnung MAD (133,6666 - 114 124 - 119 119,333 - 137) 3 14,1111 A.13 Methode 11 - Exponentielle Glättung Diese Methode ist ähnlich wie Methode 10, Lineare Glättung. In der Linearglättung vergibt das System Gewichte an die historischen Daten, die linear abnehmen. Bei exponentieller Glättung weist das System Gewichte auf, die exponentiell zerfallen. Die exponentielle Glättungsvorhersagegleichung lautet: Prognose a (Vorherige Ist-Verkäufe) (1 - a) Vorhergehende Prognose Die Prognose ist ein gewichteter Durchschnitt der tatsächlichen Umsätze der Vorperiode und der Prognose der Vorperiode. A ist das Gewicht auf den tatsächlichen Umsatz für die vorherige Periode angewendet. (1 - a) das auf die Prognose der Vorperiode angewandte Gewicht. Gültige Werte für einen Bereich von 0 bis 1 und üblicherweise zwischen 0,1 und 0,4 liegen. Die Summe der Gewichte beträgt 1,00. A (1 - a) 1 Sie sollten einen Wert für die Glättungskonstante zuweisen, a. Wenn Sie keine Werte für die Glättungskonstante zuordnen, berechnet das System einen angenommenen Wert auf der Grundlage der in der Verarbeitungsoption 11a angegebenen Anzahl von Perioden der Verkaufsgeschichte. Eine Glättungskonstante, die beim Berechnen des geglätteten Durchschnitts für das allgemeine Niveau oder die Grße der Verkäufe verwendet wird. Gültige Werte für einen Bereich von 0 bis 1. n der Bereich der Verkaufsgeschichtsdaten, der in die Berechnungen aufzunehmen ist. Generell reicht ein Jahr der Umsatzverlaufsdaten aus, um das allgemeine Umsatzniveau abzuschätzen. Für dieses Beispiel wurde ein kleiner Wert für n (n 3) gewählt, um die manuellen Berechnungen zur Verifizierung der Ergebnisse zu reduzieren. Eine exponentielle Glättung kann eine Prognose erzeugen, die auf nur einem historischen Datenpunkt basiert. Mindestens erforderlicher Umsatzverlauf: n plus Anzahl der Zeiträume, die für die Bewertung der Prognoseperformance (PBF) erforderlich sind. A.13.1 Prognoserechnung Die Anzahl der Perioden, die in den Glättungsdurchschnitt (Verarbeitungsoption 11a) 3 und alpha-Faktor (Verarbeitungsoption 11b) einzubeziehen sind, ist in diesem Beispiel ein Faktor für die ältesten Vertriebsdaten 2 (11) oder 1 bei der Angabe von alpha Ein Faktor für die zweitältesten Verkaufsdaten 2 (12) oder alpha, wenn alpha ein Faktor für die 3. ältesten Verkaufsdaten 2 (13) angegeben ist, oder alpha, wenn alpha ein Faktor für die letzten Verkaufsdaten 2 (1n) , Oder alpha, wenn alpha angegeben ist November Sm. Durchschn. A (Oktober-Ist) (1 - a) Oktober Sm. Durchschn. 1 114 0 0 114 Dezember Sm. Durchschn. A (November-Ist) (1 - a) November Sm. Durchschn. 23 119 13 114 117.3333 Januar Vorhersage a (Dezember Tatsächlich) (1 - a) Dezember Sm. Durchschn. 24 137 24 117.3333 127.16665 oder 127 Februar Prognose Januar Prognose 127 März Prognose Januar Prognose 127 A.13.2 Simulierte Prognoseberechnung Juli 2004 Sm. Durchschn. 22 129 129 August Sm. Durchschn. 23 140 13 129 136,333 September Sm. Durchschn. 24 131 24 136.3333 133.6666 Oktober 2004 Verkauf Sep Sm. Durchschn. 133.6666 August 2004. Sm. Durchschn. 22 140 140 September Sm. Durchschn. 23 131 13 140 134 Oktober Sm. Durchschn. 24 114 24 134 124 November 2004 Verkauf Sep Sm. Durchschn. 124 September 2004 Sm. Durchschn. 22 131 131 Oktober Sm. Durchschn. 23 114 13 131 119,6666 November Sm. Durchschn. 24 119 24 119,6666 119,333 Dezember 2004 Umsatz Sep Sm. Durchschn. 119.3333 A.13.3 Prozentsatz der Genauigkeitsberechnung POA (133,6666 124 119,333) (114 119 137) 100 101,891 A.13.4 Mittlere Absolutabweichung MAD (133,6666 - 114 124 - 119 119,333 - 137) 3 14,1111 A.14 Methode 12 - Exponentialglättung Mit Trend und Saisonalität Diese Methode ist ähnlich wie Methode 11, Exponentialglättung, indem ein geglätteter Durchschnitt berechnet wird. Das Verfahren 12 enthält jedoch auch einen Begriff in der Prognose-Gleichung, um einen geglätteten Trend zu berechnen. Die Prognose setzt sich aus einem geglätteten Durchschnitt und einem linearen Trend zusammen. Wenn in der Verarbeitungsoption angegeben, wird die Prognose auch saisonbedingt angepasst. Eine Glättungskonstante, die beim Berechnen des geglätteten Durchschnitts für das allgemeine Niveau oder die Grße der Verkäufe verwendet wird. Gültige Werte für den Alpha-Bereich von 0 bis 1. b die Glättungskonstante, die beim Berechnen des geglätteten Durchschnitts für die Trendkomponente der Prognose verwendet wird. Gültige Werte für Beta reichen von 0 bis 1. Ob ein saisonaler Index auf die Prognose a und b angewendet wird, sind unabhängig voneinander. Sie müssen nicht zu 1.0 hinzufügen. Mindestens erforderlicher Umsatzverlauf: zwei Jahre plus Anzahl der für die Bewertung der Prognoseperformance (PBF) erforderlichen Zeiträume. Methode 12 verwendet zwei exponentielle Glättungsgleichungen und einen einfachen Mittelwert, um einen geglätteten Durchschnitt, einen geglätteten Trend und einen einfachen durchschnittlichen saisonalen Faktor zu berechnen. A.14.1 Prognoseberechnung A) Ein exponentiell geglättetes durchschnittliches MAD (122.81 - 114 133.14 - 119 135.33 - 137) 3 8.2 A.15 Auswertung der Prognosen Sie können Prognosemethoden auswählen, um so viele wie zwölf Prognosen für jedes Produkt zu generieren. Jede Prognose-Methode wird wahrscheinlich eine etwas andere Projektion. Wenn Tausende von Produkten prognostiziert werden, ist es unpraktisch, eine subjektive Entscheidung zu treffen, welche der Prognosen in Ihren Plänen für jedes der Produkte verwendet werden. Das System wertet die Leistung automatisch für jede der von Ihnen ausgewählten Prognosemethoden und für jede der Prognoseprognosen aus. Sie können zwischen zwei Leistungskriterien, Mean Absolute Deviation (MAD) und Percent of Accuracy (POA) wählen. MAD ist ein Maß für den Prognosefehler. POA ist ein Maß für die Vorhersage. Beide dieser Leistungsbewertungsverfahren erfordern tatsächliche Verkaufsgeschichtsdaten für eine vom Benutzer angegebene Zeitspanne. Diese Periode der jüngsten Geschichte wird als Halteperiode oder Perioden am besten geeignet (PBF) bezeichnet. Um die Leistung einer Prognosemethode zu messen, verwenden Sie die Prognoseformeln, um eine Prognose für die historische Halteperiode zu simulieren. Normalerweise gibt es Unterschiede zwischen den tatsächlichen Verkaufsdaten und der simulierten Prognose für die Halteperiode. Wenn mehrere Prognosemethoden ausgewählt werden, erfolgt dieser Prozess für jede Methode. Mehrere Prognosen werden für die Halteperiode berechnet und mit dem bekannten Umsatzverlauf für denselben Zeitraum verglichen. Für die Verwendung in Ihren Plänen wird die Prognosemethode empfohlen, die die optimale Übereinstimmung zwischen der Prognose und dem tatsächlichen Umsatz während des Haltezeitraums liefert. Diese Empfehlung ist spezifisch für jedes Produkt und kann sich von einer Prognosegeneration zur nächsten ändern. A.16 Mittlere Absolutabweichung (MAD) MAD ist der Mittelwert (oder Mittelwert) der Absolutwerte (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 einem Datenverlauf. Da bei der Berechnung absolute Werte verwendet werden, werden positive Fehler nicht negativ ausgewertet. Beim Vergleich mehrerer Prognosemethoden hat sich diejenige mit dem kleinsten MAD als die zuverlässigste für dieses Produkt für diese Halteperiode erwiesen. Wenn die Prognose unbestimmt ist und Fehler normal verteilt sind, gibt es eine einfache mathematische Beziehung zwischen MAD und zwei anderen gemeinsamen Maßeinheiten für Verteilung, Standardabweichung und Mean Squared Error: A.16.1 Prozent der Genauigkeit (POA) Prozent der Genauigkeit (POA) Ein Maß für die Vorhersage Bias. Wenn die Prognosen konsequent zu hoch sind, sammeln sich die Vorräte an und die Lagerhaltungskosten steigen. Wenn die Prognosen konsequent zwei niedrig sind, werden die Vorräte verbraucht und der Kundendienst sinkt. Eine Prognose, die 10 Einheiten zu niedrig ist, dann 8 Einheiten zu hoch, dann 2 Einheiten zu hoch, wäre eine unvoreingenommene Prognose. Der positive Fehler von 10 wird durch negative Fehler von 8 und 2 gelöscht. Fehler Tatsächlich - Prognose Wenn ein Produkt im Inventar gespeichert werden kann und wenn die Prognose nicht vorhanden ist, kann eine kleine Menge an Sicherheitsbestand verwendet werden, um die Fehler zu puffern. In dieser Situation ist es nicht so wichtig, Prognosefehler zu eliminieren, da es sich um die Erzeugung von unvorhersehbaren Prognosen handelt. In der Dienstleistungsbranche wäre die obige Situation jedoch als drei Fehler zu betrachten. Der Dienst würde in der ersten Periode unterbesetzt sein, dann überbesetzt für die nächsten zwei Perioden. In Services ist die Größenordnung der Prognosefehler in der Regel wichtiger als die prognostizierte Bias. Die Summierung über die Halteperiode ermöglicht positive Fehler, negative Fehler aufzuheben. Wenn die Summe der tatsächlichen Verkäufe die Summe der prognostizierten Verkäufe übersteigt, ist das Verhältnis größer als 100. Natürlich ist es unmöglich, mehr als 100 genau zu sein. Wenn eine Prognose nicht vorliegt, beträgt das POA-Verhältnis 100. Daher ist es wünschenswerter, genauer als 100 genau zu sein, als 110 genau zu sein. Die POA-Kriterien wählen die Prognosemethode, die ein POA-Verhältnis am nächsten zu 100 hat. Scripting auf dieser Seite verbessert die Inhaltsnavigation, ändert aber den Inhalt in keiner Weise.