Veid Bevegelig Gjennomsnitt Prognose Definisjon

Flytende gjennomsnitt Gjennomsnitt av tidsseriedata (observasjoner like fordelt i tid) fra flere sammenhengende perioder. Kalt flytting fordi det kontinuerlig omdannes når nye data blir tilgjengelige, går det fremover ved å slippe den tidligste verdien og legge til den nyeste verdien. For eksempel kan det bevegelige gjennomsnittet på seks måneders salg beregnes ved å ta gjennomsnittet av salget fra januar til juni, deretter gjennomsnittet av salget fra februar til juli, deretter fra mars til august og så videre. Flytte gjennomsnitt (1) redusere effekten av midlertidige variasjoner i data, (2) forbedre passformen til en linje (en prosess kalt utjevning) for å vise datasendensen tydeligere, og (3) markere en verdi over eller under trend. Hvis du regner med noe med svært høy varians, er det beste du kan gjøre, å finne ut det bevegelige gjennomsnittet. Jeg ønsket å vite hva det bevegelige gjennomsnittet var av dataene, så jeg ville få en bedre forståelse av hvordan vi gjorde. Når du prøver å finne ut noen tall som endrer seg ofte, er det beste du kan gjøre å beregne det bevegelige gjennomsnittet. Tidsserieanalyse (TSA) FORECASTING Forecasting innebærer generering av et tall, sett med tall eller scenario som tilsvarer en fremtidig forekomst. Det er helt avgjørende for kort rekkevidde og langdistanse planlegging. Per definisjon er en prognose basert på tidligere data, i motsetning til en prediksjon, som er mer subjektiv og basert på instinkt, magefølelse eller gjetning. For eksempel gir kveldsnyheten været x0022forecastx0022 ikke været x0022prediction. x0022 Uansett er vilkårene prognose og prediksjon ofte brukt interchangeable. For eksempel definerer definisjoner av regressionx2014a-teknikk som noen ganger brukes i forecastingx2014 generelt at dens formål er å forklare eller x0022predict. x0022 Forecasting er basert på en rekke antagelser: Fortiden vil gjenta seg selv. Med andre ord, hva som har skjedd i fortiden, vil skje igjen i fremtiden. Etter hvert som prognosehorisonten forkortes, øker prognosens nøyaktighet. For eksempel vil en prognose for i morgen være mer nøyaktig enn en prognose for neste måned, en prognose for neste måned vil være mer nøyaktig enn en prognose for neste år, og en prognose for neste år vil være mer nøyaktig enn en prognose i ti år i framtid. Forventning totalt sett er mer nøyaktig enn å forutse enkelte elementer. Dette betyr at et selskap vil kunne prognose total etterspørsel over hele produktspekteret mer nøyaktig enn det vil kunne prognostisere individuelle lagerbeholdningsenheter (SKU). For eksempel kan General Motors mer nøyaktig anslå det totale antallet biler som trengs for neste år enn totalt antall hvite Chevrolet Impalas med en viss opsjonspakke. Prognoser er sjelden nøyaktige. Videre er prognosene nesten aldri helt nøyaktige. Mens noen er veldig nær, er få x0022right på pengene. x0022 Derfor er det lurt å tilby en prognose x0022range. x0022 Hvis man skulle prognose en etterspørsel på 100.000 enheter for neste måned, er det ekstremt lite sannsynlig at etterspørselen vil være 100.000 nøyaktig. En prognose på 90.000 til 110.000 vil imidlertid gi et mye større mål for planlegging. William J. Stevenson lister opp en rekke egenskaper som er felles for en god prognose: Accuratex2014Som grad av nøyaktighet bør bestemmes og oppgis slik at sammenligning kan gjøres til alternative prognoser. Reliablex2014prognosen må konsekvent gi en god prognose hvis brukeren skal etablere en viss grad av selvtillit. Timelyx2014a Det er nødvendig med viss tid for å svare på prognosen, slik at prognoseperioden må tillate tiden som er nødvendig for å gjøre endringer. Enkel å bruke og forståelse av prognosen må være trygg og komfortabel å jobbe med. Kostnadseffektivitet2014kostnadene for å gjøre prognosen bør ikke oppveie fordelene fra prognosen. Forecasting teknikker spenner fra det enkle til det ekstremt komplekse. Disse teknikkene klassifiseres vanligvis som kvalitative eller kvantitative. KVALITATIVE TEKNIKER Kvalitative prognostiseringsteknikker er generelt mer subjektive enn deres kvantitative motparter. Kvalitative teknikker er mer nyttige i de tidligere stadier av produktets livssyklus, når det foreligger mindre fortidsdata for bruk i kvantitative metoder. Kvalitative metoder inkluderer Delphi teknikken, Nominell gruppeteknikk (NGT), salgsstyrke meninger, utøvende meninger og markedsundersøkelser. DELPHI TECHNOLOGY. Delphi-teknikken bruker et panel av eksperter til å produsere en prognose. Hver ekspert blir bedt om å gi en prognose som er spesifikk for behovet ved hånden. Etter at de første prognosene er gjort, leser hver ekspert hva hver annen ekspert skrev og er selvfølgelig påvirket av deres synspunkter. En etterfølgende prognose blir da laget av hver ekspert. Hver ekspert leser deretter igjen hva hver annen ekspert skrev og er igjen påvirket av oppfatningen av de andre. Denne prosessen gjentar seg til hver ekspert nærmer seg enighet om det nødvendige scenariet eller tallene. NOMINAL GROUP TECHNOLOGY. Nominell gruppeteknikk ligner på Delphi-teknikken ved at den bruker en gruppe deltakere, vanligvis eksperter. Etter at deltakerne har reagerer på prognosespørsmål, rangerer de deres svar i rekkefølge av opplevd relativ betydning. Deretter samles rangeringene og aggregeres. Til slutt bør gruppen nå enighet om prioriteringene av de rangerte problemene. Salgsforståelser. Salgspersonalet er ofte en god kilde til informasjon om fremtidig etterspørsel. Salgsansvarlig kan be om innspilling fra hver salgs person og samle sine svar til en sammensatt prognose for salgsstyrke. Forsiktighet bør utvises ved bruk av denne teknikken, da selgerens medlemmer kanskje ikke kan skille mellom hva kundene sier og hva de egentlig gjør. Også, hvis prognosene vil bli brukt til å etablere salgskvoter, kan salgsstyrken bli fristet til å gi lavere estimater. FØLGENDE OPINIONS. Noen ganger møter lederne på øverste nivå og utvikler prognoser basert på deres kunnskap om deres ansvarsområder. Dette er noen ganger referert til som en jury av utøvende mening. MARKEDSUNDERSØKELSER. I markedsundersøkelser benyttes forbrukerundersøkelser for å etablere potensiell etterspørsel. Slike markedsundersøkelser innebærer vanligvis å bygge et spørreskjema som krever personlig, demografisk, økonomisk og markedsføringsinformasjon. Noen ganger samler markedsforskere personlig informasjon i butikk og kjøpesentre, hvor forbrukerne kan oppleve, føle, lukte og se et spesielt produkt. Forskeren må være forsiktig med at prøven av undersøkte personer er representativ for ønsket forbrukermål. KVANTITATIVE TEKNIKER Kvantitative prognoseteknikker er generelt mer objektive enn sine kvalitative motparter. Kvantitative prognoser kan være tidsserier prognoser (dvs. et projeksjon fra fortiden inn i fremtiden) eller prognoser basert på associative modeller (dvs. basert på en eller flere forklarende variabler). Tidsseriedata kan ha underliggende atferd som må identifiseres av prospektoren. I tillegg kan prognosen kanskje identifisere årsakene til atferden. Noen av disse oppføringene kan være mønstre eller bare tilfeldige variasjoner. Blant mønstrene er: Trender, som er langsiktige bevegelser (opp eller ned) i dataene. Seasonality, som produserer kortsiktige variasjoner som vanligvis er relatert til tiden av året, måneden eller til og med en bestemt dag, som vitne til omsetningen til jul eller toppene i bankaktivitet på den første i måneden og på fredager. Sykler, som er wavelike variasjoner som varer mer enn et år som vanligvis er knyttet til økonomiske eller politiske forhold. Uregelmessige variasjoner som ikke gjenspeiler typisk oppførsel, som for eksempel ekstremvær eller en unionstank. Tilfeldige variasjoner, som omfatter alle ikke-typiske atferd som ikke er klassifisert av de andre klassifiseringene. Blant tidsseriemodellene er det enkleste naxEFve-prognosen. En naxEFve-prognose bruker bare den faktiske etterspørselen etter den siste perioden som forventet etterspørsel etter neste periode. Dette gjør selvsagt antakelsen om at fortiden vil gjenta. Det antas også at noen trender, sesongmessige eller sykluser blir enten reflektert i forrige periodes krav eller eksisterer ikke. Et eksempel på naxEFve-prognoser er presentert i tabell 1. Tabell 1 NaxEFve-prognoser En annen enkel teknikk er bruken av middelverdi. For å lage en prognose ved hjelp av gjennomsnitt, tar man bare gjennomsnittet av noen antall perioder med tidligere data ved å summere hver periode og dividere resultatet med antall perioder. Denne teknikken har vist seg å være svært effektiv for prognoser med kort rekkevidde. Variasjoner i gjennomsnitt er blant annet glidende gjennomsnitt, vektet gjennomsnitt og vektet glidende gjennomsnitt. Et glidende gjennomsnitt tar et forhåndsbestemt antall perioder, summerer deres faktiske etterspørsel, og deler etter antall perioder for å nå en prognose. For hver etterfølgende periode faller den eldste dataperioden og den siste perioden legges til. Hvis man antar et tre måneders glidende gjennomsnitt og bruker dataene fra tabell 1, vil man ganske enkelt legge til 45 (januar), 60 (februar) og 72 (mars) og dele med tre for å komme frem til en prognose for april: 45 60 72 177 x00F7 3 59 For å komme frem til en prognose for mai, ville man slippe Januaryx0027s etterspørsel fra ligningen og legge til etterspørselen fra april. Tabell 2 viser et eksempel på en tre måneders glidende gjennomsnittlig prognose. Tabell 2 Tre måneders flytende gjennomsnittlig prognose Faktisk etterspørsel (000x0027s) Et veid gjennomsnitt anvender en forhåndsbestemt vekt til hver måned med tidligere data, summerer de siste dataene fra hver periode og fordeler seg etter totalvekten. Hvis forforskeren justerer vektene slik at summen deres er lik 1, blir vektene multiplisert med den faktiske etterspørselen av hver aktuell periode. Resultatene summeres da for å oppnå en vektet prognose. Generelt, jo nyere dataene er jo høyere vekten, og jo eldre dataene, desto mindre er vekten. Bruk av etterspørselseksemplet, et veid gjennomsnitt med vekt på .4. 3. 2, og .1 ville gi prognosen for juni som: 60 (.1) 72 (.2) 58 (.3) 40 (.4) 53.8 Forutsetninger kan også bruke en kombinasjon av det veide gjennomsnittet og gjennomsnittlige gjennomsnittlige prognoser . En vektet glidende gjennomsnittlig prognose tilordner vekt til et forhåndsbestemt antall perioder med faktiske data og beregner prognosen på samme måte som beskrevet ovenfor. Som med alle flyttende prognoser, da hver ny periode legges til, blir dataene fra den eldste perioden kassert. Tabell 3 viser en tre måneders vektet glidende gjennomsnittlig prognose ved bruk av vektene .5. 3 og .2. Tabell 3 Threex2013Month Weighted Moving Gjennomsnittlig Forecast Actual Demand (000x0027s) En mer kompleks form av vektet glidende gjennomsnitt er eksponensiell utjevning, så oppkalt fordi vekten faller av eksponentielt etter hvert som dataene blir aldre. Eksponensiell utjevning tar forrige periodx0027s prognose og justerer den med en forhåndsbestemt utjevningskonstant, x03AC (kalt alfa verdien for alfa er mindre enn en) multiplisert med forskjellen i forrige prognose og etterspørselen som faktisk skjedde i den tidligere estimerte perioden (kalt prognose feil). Eksponensiell utjevning uttrykkes formelt som sådan: Ny prognose forrige prognose alfa (faktisk etterspørsel x2212 forrige prognose) FF x03AC (A x2212 F) Eksponensiell utjevning krever at prospektoren begynner prognosen i en tidligere periode og arbeider frem til perioden hvor en strøm prognose er nødvendig. En betydelig mengde tidligere data og en begynnelses - eller innledende prognose er også nødvendig. Den foreløpige prognosen kan være en faktisk prognose fra en tidligere periode, den faktiske etterspørselen fra en tidligere periode, eller det kan estimeres ved å gjennomsnittlig hele eller deler av de tidligere dataene. Noen heuristikker eksisterer for å beregne en innledende prognose. For eksempel vil den heuristiske N (2 xF7 x03AC) x2212 1 og en alfa på .5 gi en N av 3, som indikerer at brukeren vil gjennomsnittlig de første tre periodene av data for å få en innledende prognose. Imidlertid er nøyaktigheten av den første prognosen ikke kritisk hvis man bruker store mengder data, siden eksponensiell utjevning er x0022selfkorrigerende. x0022 Gitt til nok perioder med tidligere data, vil eksponensiell utjevning til slutt gi nok korreksjoner for å kompensere for en rimelig unøyaktig start prognose. Ved å bruke dataene som brukes i andre eksempler, beregnes en innledende prognose på 50 og en alfa på .7, en prognose for februar: Ny prognose (februar) 50 .7 (45 x2212 50) 41.5 Neste, prognosen for mars : Ny prognose (mars) 41.5 .7 (60 x2212 41.5) 54.45 Denne prosessen fortsetter til forutsetningen når den ønskede perioden. I tabell 4 vil dette være for juni måned, siden den faktiske etterspørselen etter juni ikke er kjent. Faktisk etterspørsel (000x0027s) En utvidelse av eksponensiell utjevning kan brukes når tidsseriedata viser en lineær trend. Denne metoden er kjent av flere navn: dobbel utjevning trendjustert eksponensiell utjevning prognose inkludert trend (FIT) og Holtx0027s Model. Uten justering vil enkle eksponensielle utjevningsresultater forsinke trenden, det vil si prognosen vil alltid være lav hvis trenden øker, eller høy hvis trenden minker. Med denne modellen er det to utjevningskonstanter, x03AC og x03B2 med x03B2 som representerer trendkomponenten. En utvidelse av Holtx0027s modell, kalt Holt-Winterx0027s Metode, tar hensyn til både trend og sesongmessighet. Det er to versjoner, multiplikativ og additiv, med multiplikasjonen som den mest brukte. I additivmodellen er sesongmessighet uttrykt som en mengde som skal legges til eller trekkes fra serienes gjennomsnitt. Den multiplikative modellen uttrykker sesongmessigheten som en prosentandel som kjent sesongfamilier eller sesongbestemte indekser i gjennomsnitt (eller trend). Disse blir deretter multiplisert gangerverdier for å inkludere sesongmessighet. En relativ på 0,8 ville indikere etterspørsel som er 80 prosent av gjennomsnittet, mens 1,10 vil indikere etterspørsel som er 10 prosent over gjennomsnittet. Detaljert informasjon om denne metoden finnes i de fleste operasjonshåndbok lærebøker eller en av flere bøker om prognoser. Associative eller kausal teknikker innebærer identifisering av variabler som kan brukes til å forutsi en annen variabel av interesse. For eksempel kan renten brukes til å prognose etterspørselen etter boligfinansiering. Vanligvis innebærer dette bruk av lineær regresjon, hvor målet er å utvikle en ligning som oppsummerer effektene av prediktor (uavhengige) variablene på den prognostiserte (avhengige) variabelen. Hvis prediktorvariabelen ble plottet, ville objektet være å oppnå en ligning av en rett linje som minimerer summen av de kvadratiske avvikene fra linjen (med avvik som er avstanden fra hvert punkt til linjen). Ekvationen vil se ut som: ya bx, hvor y er den forutsette (avhengige) variabelen, x er prediktor (uavhengig) variabel, b er linjens helling, og a er lik linjehøyden på y - avskjære. Når ligningen er bestemt, kan brukeren sette inn nåværende verdier for prediktor (uavhengig) variabel for å komme frem til en prognose (avhengig variabel). Hvis det er mer enn én prediktorvariabel eller hvis forholdet mellom prediktor og prognose ikke er lineært, vil enkel lineær regresjon være utilstrekkelig. For situasjoner med flere prediktorer, bør flere regresjon brukes, mens ikke-lineære forhold krever bruk av krøllet regresjon. ØKONOMETRISK FORSIKRING Økonometriske metoder, for eksempel autoregressiv integrert bevegelig gjennomsnittsmodell (ARIMA), bruker komplekse matematiske ligninger til å vise tidligere forhold mellom etterspørsel og variabler som påvirker etterspørselen. En ligning er avledet og deretter testet og finjustert for å sikre at det er like pålitelig en representasjon av det siste forholdet som mulig. Når dette er gjort, blir projiserte verdier av påvirkning variablene (inntekt, priser, etc.) satt inn i ligningen for å lage en prognose. EVALUERENDE FORSIKRINGER Forsiktig nøyaktighet kan bestemmes ved å beregne bias, gjennomsnittlig absolutt avvik (MAD), gjennomsnittlig kvadratfeil (MSE) eller gjennomsnittlig absolutt prosentfeil (MAPE) for prognosen ved å bruke forskjellige verdier for alfa. Bias er summen av prognosefeilene x2211 (FE). For eksponentiell utjevningseksempel ovenfor, ville beregningsforspenningen være: (60 x 2212 41,5) (72 x 2212 54,45) (58 x 2212 66,74) (40 x 2212 60,62) 6,69 Hvis man antar at en lav forspenning indikerer en generell lavprognosefeil, kan man beregne bias for en rekke potensielle verdier av alfa og antar at den med lavest bias ville være den mest nøyaktige. Imidlertid må man være oppmerksom på at feilaktig prognoser kan gi lav bias hvis de pleier å være både over prognose og under prognose (negativ og positiv). For eksempel kan et firma i løpet av tre perioder bruke en bestemt verdi av alfa til overprognose med 75 000 enheter (x221275 000), prognostisert av 100 000 enheter (100 000) og deretter over forventet med 25 000 enheter (x221225 000), hvilket gir en bias av null (x221275.000 100.000 x2212 25.000 0). Til sammenligning vil en annen alfa som gir over prognoser på 2000 enheter, 1000 enheter og 3000 enheter resultere i en bias på 5000 enheter. Hvis den normale etterspørselen var 100 000 enheter per periode, ville den første alfa gi prognoser som var av med så mye som 100 prosent, mens den andre alfa ville være ute med maksimalt bare 3 prosent, selv om bias i den første prognosen var null. Et sikrere mål for prognose nøyaktighet er gjennomsnittlig absolutt avvik (MAD). For å beregne MAD summerer forecasteren den absolutte verdien av prognosefeilene og deler deretter med antall prognoser (x2211 FE x00F7 N). Ved å ta absolutt verdien av prognosefeilene, er motsetningen av positive og negative verdier unngått. Dette betyr at både en prognose på 50 og en under prognose på 50 er av med 50. Ved å bruke dataene fra eksponentiell utjevning, kan MAD beregnes som følger: (60 x 2212 41,5 72 x2212 54,45 58 x2212 66,74 40 x2212 60,62) x00F7 4 16.35 Derfor er prospektoren av et gjennomsnitt på 16,35 enheter per prognose. Sammenlignet med resultatet av andre alfaer, vil forecasteren vite at alfa med laveste MAD gir den mest nøyaktige prognosen. Mean square error (MSE) kan også utnyttes på samme måte. MSE er summen av prognosefeilene kvadrert delt med N-1 (x2211 (FE)) x00F7 (N-1). Kvadrering av prognosefeil eliminerer muligheten for å kompensere for negative tall, siden ingen av resultatene kan være negative. Ved bruk av de samme dataene som ovenfor, ville MSE være: (18.5) (17.55) (x22128.74) (x221220.62) x00F7 3 383,94 Som med MAD, kan forecasteren sammenligne MSE med prognoser utledet ved hjelp av ulike verdier av alfa og anta at alfa med laveste MSE gir den mest nøyaktige prognosen. Den gjennomsnittlige absolutte prosentfeilen (MAPE) er gjennomsnittlig absolutt prosentfeil. For å komme til MAPE må man ta summen av forholdene mellom prognosefeil og faktiske etterspørselstider 100 (for å få prosentandelen) og dividere med N (x2211 Faktisk etterspørsel x2212 prognose x00F7 Faktisk etterspørsel) xD7 100 x00F7 N. Bruke dataene fra Eksponentiell utjevningseksempel, MAPE kan beregnes som følger: (18.560 17.5572 8.7458 20.6248) xD7 100 x00F7 4 28.33 Som med MAD og MSE, jo lavere er den relative feilen jo mer nøyaktig prognosen. Det skal bemerkes at i noen tilfeller kan prognosenes evne til å endre seg raskt for å svare på endringer i datamønstre anses å være viktigere enn nøyaktighet. Derfor bør onex0027s valg av prognosemetode gjenspeile den relative balansen mellom betydning mellom nøyaktighet og respons, som bestemt av forspilleren. GJØR EN FORSIKTIG William J. Stevenson lister følgende som de grunnleggende trinnene i prognoseprosessen: Bestem prognosen for purposex0027s. Faktorer som hvordan og når prognosen vil bli brukt, graden av nøyaktighet som trengs, og detaljnivået som ønskes, bestemmer kostnadene (tid, penger, ansatte) som kan dedikeres til prognosen og typen prognosemetode som skal utnyttes . Etablere en tidshorisont. Dette skjer etter at man har bestemt formålet med prognosen. Langsiktig prognoser krever lengre tidshorisonter og omvendt. Nøyaktighet er igjen en vurdering. Velg en prognose teknikk. Teknikken som velges, avhenger av formålet med prognosen, ønsket tidshorisont og den tillatte prisen. Samle og analysere data. Mengden og typen data som trengs styres av forecastx0027s formål, den valgte prognoseknikken, og eventuelle kostnadsoverveielser. Lag prognosen. Overvåk prognosen. Vurder ytelsen til prognosen og modifiser om nødvendig. YTTERLIGERE LESING: Finch, Byron J. Operations Now: Lønnsomhet, prosesser, ytelse. 2 ed. Boston: McGraw-Hill Irwin, 2006. Green, William H. Econometric Analysis. 5 ed. Upper Saddle River, NJ: Prentice Hall, 2003. Joppe, Dr. Marion. x0022Den nominelle gruppen Technique. x0022 Forskingsprosessen. Tilgjengelig fra x003C ryerson. ca Stevenson, William J. Operations Management. 8 ed. Boston: McGraw-Hill Irwin, 2005. Les også artikkelen om Forecasting fra WikipediaDefinition I den vektede glidende gjennomsnittsmodellen (prognosestrategi 14) blir alle historiske verdier vektet med en faktor fra vektingsgruppen i den univariate prognoseprofilen. Formel for vektet flytende gjennomsnitt Den vektede glidende gjennomsnittsmodellen lar deg vekten på nyere historiske data tyngre enn eldre data når du bestemmer gjennomsnittet. Du gjør dette hvis nyere data er mer representativ for hva fremtidig etterspørsel vil være enn eldre data. Derfor er systemet i stand til å reagere raskere på en endring i nivå. Nøyaktigheten av denne modellen avhenger i stor grad av ditt valg av vektningsfaktorer. Hvis tidsseriemønsteret endres, må du også tilpasse vektningsfaktorene. Når du oppretter en vektegruppe, angir du vektningsfaktorene som prosentandel. Summen av vektningsfaktorene må ikke være 100. Ingen prospektprognose beregnes med denne prognosen. 3 Forstå prognostiserte nivåer og metoder Du kan generere både prognoser for detalj og prognose (produktlinje) som reflekterer produkt etterspørsel mønstre. Systemet analyserer siste salg for å beregne prognoser ved å bruke 12 prognosemetoder. Prognosene inkluderer detaljert informasjon på elementnivå og høyere nivå informasjon om en filial eller selskapet som helhet. 3.1 Varsel om ytelsesvurdering av prognoser Avhengig av valg av behandlingsalternativer og trender og mønstre i salgsdata, utfører noen prognosemetoder bedre enn andre for et gitt historisk datasett. En prognosemetode som passer for ett produkt, kan ikke være aktuelt for et annet produkt. Det kan hende du finner ut at en prognosemetode som gir gode resultater på et stadie av et produkts livssyklus, forblir passende gjennom hele livssyklusen. Du kan velge mellom to metoder for å evaluere den nåværende ytelsen til prognosemetodene: Prosent av nøyaktighet (POA). Gjennomsnittlig avvik (MAD). Begge disse resultatevalueringsmetodene krever historiske salgsdata for en periode du angir. Denne perioden kalles en holdout periode eller periode med best passform. Dataene i denne perioden brukes som grunnlag for å anbefale hvilken prognosemetode som skal brukes til å gjøre neste prognoseprojeksjon. Denne anbefalingen er spesifikk for hvert produkt og kan endres fra en prognose generasjon til den neste. 3.1.1 Best Fit Systemet anbefaler den beste passformsprognosen ved å bruke de valgte prognosemetoder til tidligere salgsordrehistorikk og sammenligne prognosesimuleringen til den aktuelle historien. Når du genererer en best egnet prognose, sammenligner systemet faktiske salgsordrehistorier med prognoser for en bestemt tidsperiode og beregner hvor nøyaktig hver annen prognosemetode forutsier salg. Da anbefaler systemet den mest nøyaktige prognosen som den passer best. Denne grafikken viser beste passformsprognoser: Figur 3-1 Beste passformsprognose Systemet bruker denne fremgangsmåten for å bestemme den beste passformen: Bruk hver spesifisert metode for å simulere en prognose for holdoutperioden. Sammenlign faktisk salg til de simulerte prognosene for holdoutperioden. Beregn POA eller MAD for å fastslå hvilken prognosemetode som passer best med det siste faktiske salg. Systemet bruker enten POA eller MAD, basert på behandlingsalternativene du velger. Anbefal en best mulig prognose av POA som er nærmest 100 prosent (over eller under) eller MAD som er nærmest null. 3.2 Prognosemetoder JD Edwards EnterpriseOne Forecast Management bruker 12 metoder for kvantitativ prognose og indikerer hvilken metode som passer best for prognosesituasjonen. Denne delen diskuterer: Metode 1: Prosent over fjoråret. Metode 2: Beregnet prosent over fjoråret. Metode 3: Siste år til dette året. Metode 4: Flytende gjennomsnitt. Metode 5: Lineær tilnærming. Metode 6: Nedre kvadratregressjon. Metode 7: Tilnærming til andre grad. Metode 8: Fleksibel metode. Metode 9: Veidende Flytende Gjennomsnitt. Metode 10: Lineær utjevning. Metode 11: Eksponensiell utjevning. Metode 12: Eksponensiell utjevning med trend og sesongmessighet. Angi hvilken metode du vil bruke i behandlingsalternativene for prognosegenereringsprogrammet (R34650). De fleste av disse metodene gir begrenset kontroll. For eksempel kan vekten plassert på nyere historiske data eller datoperioden for historiske data som brukes i beregningene, spesifiseres av deg. Eksemplene i veiledningen angir beregningsmetoden for hver av de tilgjengelige prognosemetodene, gitt et identisk sett med historiske data. Metodeksemplene i veiledningen bruker deler eller alle disse datasettene, som er historiske data fra de siste to årene. Prognoseprosjektet går inn i neste år. Disse salgshistorikkdataene er stabile med små sesongmessige økninger i juli og desember. Dette mønsteret er karakteristisk for et modent produkt som kan nærme seg forældelse. 3.2.1 Metode 1: Prosent over fjorår Denne metoden bruker Prosent over fjorårs formel for å multiplisere hver prognoseperiode med den angitte prosentvis økning eller reduksjon. For å prognose etterspørsel krever denne metoden antall perioder for den beste passformen pluss ett års salgshistorie. Denne metoden er nyttig for å prognose etterspørselen etter sesongvarer med vekst eller nedgang. 3.2.1.1 Eksempel: Metode 1: Prosent over fjorår Prosenten over fjorårsformelen multipliserer salgsdata fra forrige år med en faktor du angir og deretter prosjekter som resulterer i neste år. Denne metoden kan være nyttig i budsjettering for å simulere effekten av en spesifisert vekstrate eller når salgshistorikken har en betydelig sesongkomponent. Prognose spesifikasjoner: Multiplikasjonsfaktor. For eksempel angi 110 i behandlingsalternativet for å øke tidligere års salgshistorikkdata med 10 prosent. Nødvendig salgshistorie: Ett år for beregning av prognosen, pluss antall tidsperioder som kreves for å evaluere prognoseytelsen (perioder med best egnethet) som du spesifiserer. Denne tabellen er historien som brukes i prognoseberegningen: Februar-prognosen er 117 ganger 1,1 128,7 avrundet til 129. Mars-prognosen er 115 ganger 1,1 126,5 avrundet til 127. 3.2.2 Metode 2: Beregnet prosent over siste år Denne metoden bruker beregnet prosentandel over Siste års formel for å sammenligne det siste salget av spesifiserte perioder til salg fra samme perioder i fjor. Systemet bestemmer en prosentvis økning eller reduksjon, og deretter multipliserer hver periode med prosentandelen for å bestemme prognosen. For å prognose etterspørsel krever denne metoden antall perioder med salgsordrehistorikk pluss ett år med salgshistorikk. Denne metoden er nyttig for å prognose kortsiktig etterspørsel etter sesongvarer med vekst eller nedgang. 3.2.2.1 Eksempel: Metode 2: Beregnet prosent over fjorår Beregnet prosentandel Over fjorårsformel multipliserer salgsdata fra foregående år med en faktor som beregnes av systemet, og deretter prosjekterer det resultatet for det neste året. Denne metoden kan være nyttig ved å projisere innvirkningen av å utvide den siste vekstraten for et produkt inn i det neste året, samtidig som det opprettholder et sesongmessig mønster som er tilstede i salgshistorikken. Prognose spesifikasjoner: Omfang av salgshistorie som skal brukes til å beregne vekstraten. For eksempel angi n være lik 4 i behandlingsalternativet for å sammenligne salgshistorikk for de siste fire perioder til de samme fire perioder i forrige år. Bruk det beregnede forholdet til å gjøre projeksjonen for det neste året. Nødvendig salgshistorie: Ett år for beregning av prognosen pluss antall tidsperioder som kreves for å vurdere prognoseytelsen (perioder med best egnethet). Denne tabellen er historien som brukes i prognoseberegningen, gitt n 4: Februar-prognosen er 117 ganger 0,9766 114,26 avrundet til 114. Mars-prognosen er 115 ganger 0,9766 112,31 avrundet til 112. 3.2.3 Metode 3: Siste år til i år Denne metoden bruker siste års salg for de neste årene prognosen. For å prognose etterspørsel krever denne metoden antall perioder som passer best, pluss ett år med salgsordrehistorikk. Denne metoden er nyttig for å prognose etterspørselen etter modne produkter med høy etterspørsel eller sesongbasert etterspørsel uten en trend. 3.2.3.1 Eksempel: Metode 3: Siste år til dette året Det siste året til dette året formelen kopierer salgsdata fra foregående år til neste år. Denne metoden kan være nyttig i budsjettering for å simulere salg på nåværende nivå. Produktet er modent og har ingen tendens i det lange løp, men et betydelig sesongbasert etterspørselsmønster kan eksistere. Prognose spesifikasjoner: Ingen. Nødvendig salgshistorie: Ett år for beregning av prognosen pluss antall tidsperioder som kreves for å vurdere prognoseytelsen (perioder med best egnethet). Denne tabellen er historien som brukes i prognoseberegningen: Januar-prognosen er tilsvarende januar i fjor med en prognosenverdi på 128. Februar-prognosen er tilsvarende februar i fjor med en prognoseverdi på 117. Mars-prognosen er lik i mars i fjor med en prognosenverdi på 115. 3.2.4 Metode 4: Flytende gjennomsnitt Denne metoden bruker den flytende gjennomsnittlige formelen til å gjennomsnittlig angitte antall perioder for å projisere neste periode. Du bør omregne det ofte (månedlig eller i hvert fall kvartalsvis) for å reflektere endring av etterspørselsnivå. For å prognose etterspørsel krever denne metoden antall perioder som passer best, pluss antall perioder med salgsordrehistorikk. Denne metoden er nyttig for å prognose etterspørselen etter modne produkter uten en trend. 3.2.4.1 Eksempel: Metode 4: Flytende Gjennomsnittlig Flytende Gjennomsnitt (MA) er en populær metode for å gjennomsnittsrekke resultatene fra den siste salgshistorikken for å bestemme et projeksjon på kort sikt. MA-prognosemetoden ligger bak trender. Prognoseforstyrrelser og systematiske feil oppstår når produktsalgshistorikken viser sterk trend eller sesongmessige mønstre. Denne metoden fungerer bedre for korte prognoser for modne produkter enn for produkter som er i vekst - eller forløpsfasen av livssyklusen. Prognose spesifikasjoner: n er det antall perioder med salgshistorie som skal brukes i prognoseberegningen. For eksempel angi n 4 i behandlingsalternativet for å bruke de siste fire periodene som grunnlag for projeksjonen i neste tidsperiode. En stor verdi for n (som 12) krever mer salgshistorikk. Det resulterer i en stabil prognose, men er sakte å gjenkjenne skift i salgsnivået. Omvendt er en liten verdi for n (som 3) raskere å svare på endringer i salgsnivået, men prognosen kan variere så mye at produksjonen ikke kan svare på variasjonene. Nødvendig salgshistorie: n pluss antall tidsperioder som kreves for å vurdere prognoseytelsen (perioder med best passform). Denne tabellen er historien som brukes i prognoseberegningen: Februar-prognosen er lik (114 119 137 125) 4 123,75 avrundet til 124. Mars-prognosen er lik (119 137 125 124) 4 126,25 avrundet til 126. 3.2.5 Metode 5: Lineær tilnærming Denne metoden bruker Linear Approximation formel for å beregne en trend fra antall perioder med salgsordre historie og å projisere denne trenden til prognosen. Du bør omregne trenden månedlig for å oppdage endringer i trender. Denne metoden krever antall perioder med best egnethet pluss antall spesifiserte perioder med salgsordrehistorikk. Denne metoden er nyttig for å prognose etterspørselen etter nye produkter, eller produkter med konsekvente positive eller negative trender som ikke skyldes sesongmessige svingninger. 3.2.5.1 Example: Method 5: Linear Approximation Linear Approximation calculates a trend that is based upon two sales history data points. Disse to punktene definerer en rett trendlinje som projiseres inn i fremtiden. Use this method with caution because long range forecasts are leveraged by small changes in just two data points. Forecast specifications: n equals the data point in sales history that is compared to the most recent data point to identify a trend. For example, specify n 4 to use the difference between December (most recent data) and August (four periods before December) as the basis for calculating the trend. Minimum required sales history: n plus 1 plus the number of time periods that are required for evaluating the forecast performance (periods of best fit). This table is history used in the forecast calculation: January forecast December of past year 1 (Trend) which equals 137 (1 times 2) 139. February forecast December of past year 1 (Trend) which equals 137 (2 times 2) 141. March forecast December of past year 1 (Trend) which equals 137 (3 times 2) 143. 3.2.6 Method 6: Least Squares Regression The Least Squares Regression (LSR) method derives an equation describing a straight line relationship between the historical sales data and the passage of time. LSR fits a line to the selected range of data so that the sum of the squares of the differences between the actual sales data points and the regression line are minimized. The forecast is a projection of this straight line into the future. This method requires sales data history for the period that is represented by the number of periods best fit plus the specified number of historical data periods. The minimum requirement is two historical data points. This method is useful to forecast demand when a linear trend is in the data. 3.2.6.1 Example: Method 6: Least Squares Regression Linear Regression, or Least Squares Regression (LSR), is the most popular method for identifying a linear trend in historical sales data. The method calculates the values for a and b to be used in the formula: This equation describes a straight line, where Y represents sales and X represents time. Linear regression is slow to recognize turning points and step function shifts in demand. Linear regression fits a straight line to the data, even when the data is seasonal or better described by a curve. When sales history data follows a curve or has a strong seasonal pattern, forecast bias and systematic errors occur. Forecast specifications: n equals the periods of sales history that will be used in calculating the values for a and b. For example, specify n 4 to use the history from September through December as the basis for the calculations. When data is available, a larger n (such as n 24) would ordinarily be used. LSR defines a line for as few as two data points. For this example, a small value for n (n 4) was chosen to reduce the manual calculations that are required to verify the results. Minimum required sales history: n periods plus the number of time periods that are required for evaluating the forecast performance (periods of best fit). This table is history used in the forecast calculation: March forecast equals 119.5 (7 times 2.3) 135.6 rounded to 136. 3.2.7 Method 7: Second Degree Approximation To project the forecast, this method uses the Second Degree Approximation formula to plot a curve that is based on the number of periods of sales history. This method requires the number of periods best fit plus the number of periods of sales order history times three. This method is not useful to forecast demand for a long-term period. 3.2.7.1 Example: Method 7: Second Degree Approximation Linear Regression determines values for a and b in the forecast formula Y a b X with the objective of fitting a straight line to the sales history data. Second Degree Approximation is similar, but this method determines values for a, b, and c in the this forecast formula: Y a b X c X 2 The objective of this method is to fit a curve to the sales history data. This method is useful when a product is in the transition between life cycle stages. For example, when a new product moves from introduction to growth stages, the sales trend might accelerate. På grunn av den andre ordreperioden kan prognosen raskt nærme seg uendelig eller slippe til null (avhengig av om koeffisient c er positiv eller negativ). This method is useful only in the short term. Forecast specifications: the formula find a, b, and c to fit a curve to exactly three points. You specify n, the number of time periods of data to accumulate into each of the three points. In this example, n 3. Actual sales data for April through June is combined into the first point, Q1. Juli til september legges sammen for å skape Q2, og oktober til desember sum til Q3. The curve is fitted to the three values Q1, Q2, and Q3. Required sales history: 3 times n periods for calculating the forecast plus the number of time periods that are required for evaluating the forecast performance (periods of best fit). This table is history used in the forecast calculation: Q0 (Jan) (Feb) (Mar) Q1 (Apr) (May) (Jun) which equals 125 122 137 384 Q2 (Jul) (Aug) (Sep) which equals 140 129 131 400 Q3 (Oct) (Nov) (Dec) which equals 114 119 137 370 The next step involves calculating the three coefficients a, b, and c to be used in the forecasting formula Y a b X c X 2 . Q1, Q2, and Q3 are presented on the graphic, where time is plotted on the horizontal axis. Q1 represents total historical sales for April, May, and June and is plotted at X 1 Q2 corresponds to July through September Q3 corresponds to October through December and Q4 represents January through March. This graphic illustrates the plotting of Q1, Q2, Q3, and Q4 for second degree approximation: Figure 3-2 Plotting Q1, Q2, Q3, and Q4 for second degree approximation Three equations describe the three points on the graph: (1) Q1 a bX cX 2 where X 1(Q1 a b c) (2) Q2 a bX cX 2 where X 2(Q2 a 2b 4c) (3) Q3 a bX cX 2 where X 3(Q3 a 3b 9c) Solve the three equations simultaneously to find b, a, and c: Subtract equation 1 (1) from equation 2 (2) and solve for b: (2) ndash (1) Q2 ndash Q1 b 3c b (Q2 ndash Q1) ndash 3c Substitute this equation for b into equation (3): (3) Q3 a 3(Q2 ndash Q1) ndash 3c 9c a Q3 ndash 3(Q2 ndash Q1) Finally, substitute these equations for a and b into equation (1): (1)Q3 ndash 3(Q2 ndash Q1) (Q2 ndash Q1) ndash 3c c Q1 c (Q3 ndash Q2) (Q1 ndash Q2) 2 The Second Degree Approximation method calculates a, b, and c as follows: a Q3 ndash 3(Q2 ndash Q1) 370 ndash 3(400 ndash 384) 370 ndash 3(16) 322 b (Q2 ndash Q1) ndash3c (400 nda sh 384) ndash (3 times ndash23) 16 69 85 c (Q3 ndash Q2) (Q1 ndash Q2) 2 (370 ndash 400) (384 ndash 400) 2 ndash23 This is a calculation of second degree approximation forecast: Y a bX cX 2 322 85X (ndash23) (X 2 ) When X 4, Q4 322 340 ndash 368 294. The forecast equals 294 3 98 per period. When X 5, Q5 322 425 ndash 575 172. The forecast equals 172 3 58.33 rounded to 57 per period. When X 6, Q6 322 510 ndash 828 4. The forecast equals 4 3 1.33 rounded to 1 per period. This is the forecast for next year, Last Year to This Year: 3.2.8 Method 8: Flexible Method This method enables you to select the best fit number of periods of sales order history that starts n months before the forecast start date, and to apply a percentage increase or decrease multiplication factor with which to modify the forecast. This method is similar to Method 1, Percent Over Last Year, except that you can specify the number of periods that you use as the base. Depending on what you select as n, this method requires periods best fit plus the number of periods of sales data that is indicated. This method is useful to forecast demand for a planned trend. 3.2.8.1 Example: Method 8: Flexible Method The Flexible Method (Percent Over n Months Prior) is similar to Method 1, Percent Over Last Year. Both methods multiply sales data from a previous time period by a factor specified by you, and then project that result into the future. I prosentandelen over siste årsmetoden er projeksjonen basert på data fra samme tidsperiode året før. You can also use the Flexible Method to specify a time period, other than the same period in the last year, to use as the basis for the calculations. Multiplikasjonsfaktor. For example, specify 110 in the processing option to increase previous sales history data by 10 percent. Base period. For example, n 4 causes the first forecast to be based on sales data in September of last year. Minimum required sales history: the number of periods back to the base period plus the number of time periods that is required for evaluating the forecast performance (periods of best fit). This table is history used in the forecast calculation: 3.2.9 Method 9: Weighted Moving Average The Weighted Moving Average formula is similar to Method 4, Moving Average formula, because it averages the previous months sales history to project the next months sales history. However, with this formula you can assign weights for each of the prior periods. This method requires the number of weighted periods selected plus the number of periods best fit data. Similar to Moving Average, this method lags behind demand trends, so this method is not recommended for products with strong trends or seasonality. This method is useful to forecast demand for mature products with demand that is relatively level. 3.2.9.1 Example: Method 9: Weighted Moving Average The Weighted Moving Average (WMA) method is similar to Method 4, Moving Average (MA). However, you can assign unequal weights to the historical data when using WMA. Metoden beregner et veid gjennomsnitt av den siste salgshistorikken for å komme frem til en projeksjon på kort sikt. More recent data is usually assigned a greater weight than older data, so WMA is more responsive to shifts in the level of sales. However, forecast bias and systematic errors occur when the product sales history exhibits strong trends or seasonal patterns. This method works better for short range forecasts of mature products than for products in the growth or obsolescence stages of the life cycle. The number of periods of sales history (n) to use in the forecast calculation. For example, specify n 4 in the processing option to use the most recent four periods as the basis for the projection into the next time period. En stor verdi for n (som 12) krever mer salgshistorikk. Such a value results in a stable forecast, but it is slow to recognize shifts in the level of sales. Conversely, a small value for n (such as 3) responds more quickly to shifts in the level of sales, but the forecast might fluctuate so widely that production cannot respond to the variations. The total number of periods for the processing option rdquo14 - periods to includerdquo should not exceed 12 months. The weight that is assigned to each of the historical data periods. The assigned weights must total 1.00. For example, when n 4, assign weights of 0.50, 0.25, 0.15, and 0.10 with the most recent data receiving the greatest weight. Minimum required sales history: n plus the number of time periods that are required for evaluating the forecast performance (periods of best fit). This table is history used in the forecast calculation: January forecast equals (131 times 0.10) (114 times 0.15) (119 times 0.25) (137 times 0.50) (0.10 0.15 0.25 0.50) 128.45 rounded to 128. February forecast equals (114 times 0.10) (119 times 0.15) (137 times 0.25) (128 times 0.50) 1 127.5 rounded to 128. March forecast equals (119 times 0.10) (137 times 0.15) (128 times 0.25) (128 times 0.50) 1 128.45 rounded to 128. 3.2.10 Method 10: Linear Smoothing This method calculates a weighted average of past sales data. In the calculation, this method uses the number of periods of sales order history (from 1 to 12) that is indicated in the processing option. The system uses a mathematical progression to weigh data in the range from the first (least weight) to the final (most weight). Then the system projects this information to each period in the forecast. This method requires the months best fit plus the sales order history for the number of periods that are specified in the processing option. 3.2.10.1 Example: Method 10: Linear Smoothing This method is similar to Method 9, WMA. Imidlertid, i stedet for å tilfeldigvis gi vekt til historiske data, brukes en formel til å tildele vekter som avtar lineært og summen til 1,00. Metoden beregner deretter et veid gjennomsnitt av den siste salgshistorikken for å komme frem til en projeksjon på kort sikt. Like all linear moving average forecasting techniques, forecast bias and systematic errors occur when the product sales history exhibits strong trend or seasonal patterns. This method works better for short range forecasts of mature products than for products in the growth or obsolescence stages of the life cycle. n equals the number of periods of sales history to use in the forecast calculation. For example, specify n equals 4 in the processing option to use the most recent four periods as the basis for the projection into the next time period. The system automatically assigns the weights to the historical data that decline linearly and sum to 1.00. For example, when n equals 4, the system assigns weights of 0.4, 0.3, 0.2, and 0.1, with the most recent data receiving the greatest weight. Minimum required sales history: n plus the number of time periods that are required for evaluating the forecast performance (periods of best fit). This table is history used in the forecast calculation: 3.2.11 Method 11: Exponential Smoothing This method calculates a smoothed average, which becomes an estimate representing the general level of sales over the selected historical data periods. This method requires sales data history for the time period that is represented by the number of periods best fit plus the number of historical data periods that are specified. The minimum requirement is two historical data periods. This method is useful to forecast demand when no linear trend is in the data. 3.2.11.1 Example: Method 11: Exponential Smoothing This method is similar to Method 10, Linear Smoothing. In Linear Smoothing, the system assigns weights that decline linearly to the historical data. In Exponential Smoothing, the system assigns weights that exponentially decay. The equation for Exponential Smoothing forecasting is: Forecast alpha (Previous Actual Sales) (1 ndashalpha) (Previous Forecast) The forecast is a weighted average of the actual sales from the previous period and the forecast from the previous period. Alpha is the weight that is applied to the actual sales for the previous period. (1 ndash alpha) is the weight that is applied to the forecast for the previous period. Values for alpha range from 0 to 1 and usually fall between 0.1 and 0.4. The sum of the weights is 1.00 (alpha (1 ndash alpha) 1). You should assign a value for the smoothing constant, alpha. If you do not assign a value for the smoothing constant, the system calculates an assumed value that is based on the number of periods of sales history that is specified in the processing option. alpha equals the smoothing constant that is used to calculate the smoothed average for the general level or magnitude of sales. Values for alpha range from 0 to 1. n equals the range of sales history data to include in the calculations. Generally, one year of sales history data is sufficient to estimate the general level of sales. For this example, a small value for n (n 4) was chosen to reduce the manual calculations that are required to verify the results. Exponential Smoothing can generate a forecast that is based on as little as one historical data point. Minimum required sales history: n plus the number of time periods that are required for evaluating the forecast performance (periods of best fit). This table is history used in the forecast calculation: 3.2.12 Method 12: Exponential Smoothing with Trend and Seasonality This method calculates a trend, a seasonal index, and an exponentially smoothed average from the sales order history. The system then applies a projection of the trend to the forecast and adjusts for the seasonal index. This method requires the number of periods best fit plus two years of sales data, and is useful for items that have both trend and seasonality in the forecast. You can enter the alpha and beta factor, or have the system calculate them. Alpha and beta factors are the smoothing constant that the system uses to calculate the smoothed average for the general level or magnitude of sales (alpha) and the trend component of the forecast (beta). 3.2.12.1 Example: Method 12: Exponential Smoothing with Trend and Seasonality This method is similar to Method 11, Exponential Smoothing, in that a smoothed average is calculated. Metode 12 inneholder imidlertid også en term i prognosekvasjonen for å beregne en glatt trend. The forecast is composed of a smoothed average that is adjusted for a linear trend. Når spesifisert i behandlingsalternativet, er prognosen også justert for sesongmessig. Alpha equals the smoothing constant that is used in calculating the smoothed average for the general level or magnitude of sales. Values for alpha range from 0 to 1. Beta equals the smoothing constant that is used in calculating the smoothed average for the trend component of the forecast. Values for beta range from 0 to 1. Whether a seasonal index is applied to the forecast. Alpha and beta are independent of one another. They do not have to sum to 1.0. Minimum required sales history: One year plus the number of time periods that are required to evaluate the forecast performance (periods of best fit). When two or more years of historical data is available, the system uses two years of data in the calculations. Method 12 uses two Exponential Smoothing equations and one simple average to calculate a smoothed average, a smoothed trend, and a simple average seasonal index. An exponentially smoothed average: An exponentially smoothed trend: A simple average seasonal index: Figure 3-3 Simple Average Seasonal Index The forecast is then calculated by using the results of the three equations: L is the length of seasonality (L equals 12 months or 52 weeks). t is the current time period. m is the number of time periods into the future of the forecast. S is the multiplicative seasonal adjustment factor that is indexed to the appropriate time period. This table lists history used in the forecast calculation: This section provides an overview of Forecast Evaluations and discusses: You can select forecasting methods to generate as many as 12 forecasts for each product. Each forecasting method might create a slightly different projection. When thousands of products are forecast, a subjective decision is impractical regarding which forecast to use in the plans for each product. The system automatically evaluates performance for each forecasting method that you select and for each product that you forecast. You can select between two performance criteria: MAD and POA. MAD er et mål på prognosefeil. POA er et mål på prognoseforspenning. Both of these performance evaluation techniques require actual sales history data for a period specified by you. The period of recent history used for evaluation is called a holdout period or period of best fit. To measure the performance of a forecasting method, the system: Uses the forecast formulas to simulate a forecast for the historical holdout period. Makes a comparison between the actual sales data and the simulated forecast for the holdout period. When you select multiple forecast methods, this same process occurs for each method. Multiple forecasts are calculated for the holdout period and compared to the known sales history for that same period. The forecasting method that produces the best match (best fit) between the forecast and the actual sales during the holdout period is recommended for use in the plans. This recommendation is specific to each product and might change each time that you generate a forecast. 3.3.1 Mean Absolute Deviation Mean Absolute Deviation (MAD) is the mean (or average) of the absolute values (or magnitude) of the deviations (or errors) between actual and forecast data. MAD er et mål på den gjennomsnittlige størrelsen på feilene som kan forventes, gitt en prognosemetode og datahistorie. Fordi absoluttverdier brukes i beregningen, avbryter ikke positive feil ut negative feil. When comparing several forecasting methods, the one with the smallest MAD is the most reliable for that product for that holdout period. When the forecast is unbiased and errors are normally distributed, a simple mathematical relationship exists between MAD and two other common measures of distribution, which are standard deviation and Mean Squared Error. For example: MAD (Sigma (Actual) ndash (Forecast)) n Standard Deviation, (sigma) cong 1.25 MAD Mean Squared Error cong ndashsigma2 This example indicates the calculation of MAD for two of the forecasting methods. This example assumes that you have specified in the processing option that the holdout period length (periods of best fit) is equal to five periods. 3.3.1.1 Method 1: Last Year to This Year This table is history used in the calculation of MAD, given Periods of Best Fit 5: Mean Absolute Deviation equals (2 1 20 10 14) 5 9.4. Based on these two choices, the Moving Average, n 4 method is recommended because it has the smaller MAD, 9.4, for the given holdout period. 3.3.2 Percent of Accuracy Percent of Accuracy (POA) is a measure of forecast bias. Når prognosene er konsekvent for høye, samles varebeholdninger og lagerkostnadene øker. When forecasts are consistently too low, inventories are consumed and customer service declines. A forecast that is 10 units too low, then 8 units too high, then 2 units too high is an unbiased forecast. The positive error of 10 is canceled by negative errors of 8 and 2. (Error) (Actual) ndash (Forecast) When a product can be stored in inventory, and when the forecast is unbiased, a small amount of safety stock can be used to buffer the errors. In this situation, eliminating forecast errors is not as important as generating unbiased forecasts. However, in service industries, the previous situation is viewed as three errors. The service is understaffed in the first period, and then overstaffed for the next two periods. I tjenester er størrelsen på prognosefeil vanligvis viktigere enn det som er prognostisk forspenning. POA (SigmaForecast sales during holdout period) (SigmaActual sales during holdout period) times 100 percent The summation over the holdout period enables positive errors to cancel negative errors. When the total of forecast sales exceeds the total of actual sales, the ratio is greater than 100 percent. Of course, the forecast cannot be more than 100 percent accurate. When a forecast is unbiased, the POA ratio is 100 percent. A 95 percent accuracy rate is more desirable than a 110 percent accurate rate. The POA criterion selects the forecasting method that has a POA ratio that is closest to 100 percent. This example indicates the calculation of POA for two forecasting methods. This example assumes that you have specified in the processing option that the holdout period length (periods of best fit) is equal to five periods. 3.3.2.1 Method 1: Last Year to This Year This table is history used in the calculation of MAD, given Periods of Best Fit 5: 3.4.2 Forecast Accuracy These statistical laws govern forecast accuracy: A long term forecast is less accurate than a short term forecast because the further into the future you project the forecast, the more variables can affect the forecast. A forecast for a product family tends to be more accurate than a forecast for individual members of the product family. Some errors cancel each other as the forecasts for individual items summarize into the group, thus creating a more accurate forecast. 3.4.3 Forecast Considerations You should not rely exclusively on past data to forecast future demands. These circumstances might affect the business, and require you to review and modify the forecast: New products that have no past data. Plans for future sales promotion. Changes in national and international politics. New laws and government regulations. Weather changes and natural disasters. Innovations from competition. You can use long term trend analysis to influence the design of the forecasts: Leading economic indicators. 3.4.4 Forecasting Process You use the Refresh Actuals program (R3465) to copy data from the Sales Order History File table (F42119), the Sales Order Detail File table (F4211), or both, into either the Forecast File table (F3460) or the Forecast Summary File table (F3400), depending on the kind of forecast that you plan to generate. Skripting på denne siden forbedrer innholdsnavigasjon, men endrer ikke innholdet på noen måte.