ขั้นตอน ของ การย้าย ค่าเฉลี่ย การขาย พยากรณ์ เทคนิค

การคาดการณ์เกี่ยวกับการสร้างตัวเลขชุดตัวเลขหรือภาพจำลองที่สอดคล้องกับเหตุการณ์ในอนาคตเป็นสิ่งจำเป็นอย่างยิ่งสำหรับการวางแผนระยะสั้นและระยะยาวตามคำนิยามการคาดการณ์จะขึ้นอยู่กับข้อมูลที่ผ่านมาซึ่งตรงข้ามกับการคาดการณ์, ซึ่งขึ้นอยู่กับสัญชาตญาณความรู้สึกลำไส้หรือเดาตัวอย่างเช่นข่าวช่วงเย็นทำให้การพยากรณ์อากาศไม่เป็นไปตามการคาดการณ์สภาพอากาศโดยไม่คำนึงถึงเงื่อนไขการคาดการณ์และการคาดคะเนมักถูกใช้กันอย่างแพร่หลายตัวอย่างเช่นคำจำกัดความของการถดถอยเป็นเทคนิคบางครั้ง ใช้ในการคาดการณ์โดยทั่วไปกล่าวได้ว่าจุดประสงค์ของมันคือการอธิบายหรือทำนายการคาดการณ์จะขึ้นอยู่กับจำนวนสมมติฐานที่ผ่านมาจะทำซ้ำตัวเองในคำอื่น ๆ สิ่งที่เกิดขึ้นในอดีตจะเกิดขึ้นอีกครั้งในอนาคตเมื่อมีการคาดการณ์ขอบฟ้าสั้นลง การคาดการณ์ความแม่นยำเพิ่มขึ้นตัวอย่างเช่นการคาดการณ์ในวันพรุ่งนี้จะแม่นยำกว่าที่คาดการณ์ไว้สำหรับเดือนถัดไปการคาดการณ์สำหรับเดือนถัดไปจะแม่นยำกว่าคาดการณ์ f หรือปีหน้าและการคาดการณ์ในปีหน้าจะแม่นยำกว่าที่คาดการณ์ไว้เป็นเวลา 10 ปีในอนาคตการแสดงภาพรวมมีความถูกต้องกว่าการคาดการณ์แต่ละรายการซึ่งหมายความว่า บริษัท จะสามารถคาดการณ์ความต้องการรวมทั่วทั้งสเปกตรัมได้ ของผลิตภัณฑ์ได้แม่นยำมากขึ้นกว่าที่จะสามารถคาดการณ์การเก็บสต็อคแต่ละหน่วย SKU ตัวอย่างเช่น General Motors สามารถคาดการณ์ได้อย่างถูกต้องมากขึ้นจำนวนรถยนต์ที่จำเป็นสำหรับปีหน้ากว่าจำนวนรวมของ Chevrolet Impalas สีขาวด้วยแพคเกจตัวเลือกบางอย่าง ForFor ไม่ค่อยถูกต้องนอกจากนี้การคาดการณ์แทบไม่เคยถูกต้องโดยสิ้นเชิงในขณะที่บางส่วนใกล้ชิดน้อยมีสิทธิในเงินดังนั้นจึงควรเสนอช่วงคาดการณ์หากมีการคาดการณ์ความต้องการของ 100,000 หน่วยสำหรับเดือนถัดไปเป็น ไม่น่าเป็นไปได้มากที่ความต้องการจะเท่ากับ 100,000 แน่นอนอย่างไรก็ตามการคาดการณ์ 90,000 ถึง 110,000 จะให้เป้าหมายที่ใหญ่กว่ามากสำหรับการวางแผน William J Stevenson แสดงตัวเลข ber ของลักษณะที่เป็นเรื่องธรรมดาในการคาดการณ์ที่ดีการวัดความถูกต้องบางประการควรได้รับการกำหนดและระบุเพื่อเปรียบเทียบกับทางเลือกอื่น ๆ การคาดการณ์วิธีการคาดการณ์ควรมีการคาดการณ์ที่ดีหากผู้ใช้มีการศึกษาระดับปริญญา ความเชื่อมั่นเวลาที่แน่นอนเป็นสิ่งจำเป็นเพื่อตอบสนองต่อการคาดการณ์ดังนั้นขอบฟ้าพยากรณ์อากาศจะต้องให้เวลาที่จำเป็นในการเปลี่ยนแปลงการใช้งานและเข้าใจผู้ใช้ของการคาดการณ์จะต้องมั่นใจและสะดวกสบายในการทำงานกับมันมีประสิทธิภาพมาก ค่าใช้จ่ายในการคาดการณ์ไม่ควรเกินดุลผลประโยชน์ที่ได้รับจากการคาดการณ์เทคนิคการทำวิดีโอตั้งแต่ง่ายไปจนถึงซับซ้อนมากเทคนิคเหล่านี้มักถูกจำแนกว่าเป็นเทคนิคเชิงคุณภาพหรือเชิงปริมาณเทคนิคการประเมินผลโดยละเอียด counterparts เทคนิคเชิงคุณภาพมีประโยชน์มากในช่วงก่อนหน้าของ pr oduct วงจรชีวิตเมื่อมีข้อมูลที่ผ่านมาน้อยกว่าสำหรับการใช้วิธีการเชิงปริมาณวิธีการเชิงคุณภาพ ได้แก่ เทคนิคเดลฟายเทคนิค NGT กลุ่มที่ระบุความคิดเห็นของฝ่ายขายความคิดเห็นของผู้บริหารและการวิจัยตลาดเทคนิค Delphi Delde เทคนิค Delphi ใช้แผงผู้เชี่ยวชาญเพื่อ คาดการณ์แต่ละผู้เชี่ยวชาญจะถูกถามเพื่อให้การคาดการณ์เฉพาะเพื่อความต้องการที่มือหลังจากการคาดการณ์เริ่มต้นจะทำผู้เชี่ยวชาญอ่านสิ่งที่ทุกผู้เชี่ยวชาญอื่น ๆ เขียนและเป็นของหลักสูตรอิทธิพลจากมุมมองของพวกเขาการคาดการณ์ที่ตามมาจะทำแล้วโดยแต่ละ ผู้เชี่ยวชาญแต่ละคนอ่านอีกครั้งสิ่งที่ทุกผู้เชี่ยวชาญอื่น ๆ เขียนและได้รับอิทธิพลอีกครั้งโดยการรับรู้ของคนอื่น ๆ ขั้นตอนนี้ซ้ำตัวเองจนกว่าผู้เชี่ยวชาญแต่ละคนใกล้เคียงกับข้อตกลงเกี่ยวกับสถานการณ์ที่จำเป็นหรือตัวเลข TECHNICAL เทคนิคกลุ่มย่อยเทคนิคเฉพาะกลุ่มคล้ายกับเทคนิค Delphi ในการที่จะใช้กลุ่มของผู้เข้าร่วมผู้เชี่ยวชาญมักจะหลังจากที่ผู้เข้าร่วมตอบคำถามที่เกี่ยวข้องกับการคาดการณ์พวกเขาจัดอันดับความรับผิดชอบของพวกเขา ตามลำดับความสำคัญที่เกี่ยวข้องกับการรับรู้แล้วการจัดอันดับจะได้รับการรวบรวมและสรุปรวมในที่สุดกลุ่มควรจะให้ข้อเสนอแนะเกี่ยวกับลำดับความสำคัญของประเด็นที่จัดอันดับความคิดเห็นของฝ่ายบริหารฝ่ายขายพนักงานขายมักเป็นแหล่งข้อมูลที่ดีเกี่ยวกับความต้องการในอนาคตผู้จัดการฝ่ายขาย อาจขอข้อมูลจากแต่ละคนขายและรวมการตอบสนองของพวกเขาลงในยอดขายรวมคาดการณ์ข้อควรระวังควรใช้เมื่อใช้เทคนิคนี้เป็นสมาชิกของพนักงานขายอาจไม่สามารถแยกแยะระหว่างสิ่งที่ลูกค้าพูดและสิ่งที่พวกเขาทำยัง ถ้าการคาดการณ์จะใช้ในการสร้างโควต้าการขายพนักงานขายอาจถูกล่อลวงเพื่อให้การประมาณการที่ต่ำกว่าความคาดหวังจาก EXECUTIVE บางครั้งผู้จัดการระดับบนจะพบและพัฒนาการคาดการณ์ขึ้นอยู่กับความรู้เกี่ยวกับพื้นที่รับผิดชอบเหล่านี้บางครั้งเรียกว่า คณะกรรมการตัดสินของความคิดเห็นผู้บริหาร MARKET วิจัยในการวิจัยตลาดการสำรวจผู้บริโภคจะใช้ในการสร้างความต้องการที่อาจเกิดขึ้นดังกล่าว m นักวิจัยทางการตลาดรวบรวมข้อมูลดังกล่าวด้วยตนเองที่ร้านค้าปลีกและห้างสรรพสินค้าซึ่งผู้บริโภคจะได้สัมผัสกับรสชาติความรู้สึกกลิ่นและดูผลิตภัณฑ์ใดผลิตภัณฑ์หนึ่งโดยเฉพาะการวิจัยเกี่ยวกับการตลาดมักเกี่ยวข้องกับการสร้างแบบสอบถามที่เรียกร้องข้อมูลส่วนบุคคลข้อมูลทางด้านเศรษฐกิจเศรษฐกิจและการตลาด นักวิจัยต้องระมัดระวังว่าตัวอย่างของคนที่สำรวจเป็นตัวแทนของเป้าหมายที่ผู้บริโภคต้องการเทคนิคการพยากรณ์เทคนิคโดยทั่วไปมีวัตถุประสงค์มากกว่าคู่สัญญาเชิงคุณภาพการคาดการณ์เชิงปริมาณสามารถคาดการณ์ในรูปแบบของเวลาเช่นการคาดการณ์ของอดีตในอนาคตหรือ การคาดการณ์บนพื้นฐานของรูปแบบการเชื่อมโยง ได้แก่ บนพื้นฐานของตัวแปรชี้แจงอย่างน้อยหนึ่งตัวแปรข้อมูลชุดข้อมูลเวลาอาจมีพฤติกรรมพื้นฐานที่จำเป็นต้องมีการระบุโดยตัวพยากรณ์นอกจากนี้การคาดการณ์อาจจำเป็นต้องระบุสาเหตุของพฤติกรรมพฤติกรรมบางส่วนเหล่านี้อาจเป็นรูปแบบ หรือรูปแบบสุ่มเพียงอย่างเดียวในบรรดารูปแบบที่มี ปลายซึ่งเป็นการเคลื่อนไหวระยะยาวขึ้นหรือลงในข้อมูลความสมเหตุสมผลซึ่งก่อให้เกิดรูปแบบระยะสั้นที่มักเกี่ยวข้องกับช่วงเวลาของปีเดือนหรือแม้แต่วันใดวันหนึ่งโดยมีรายได้จากการขายปลีกในวันคริสต์มาสหรือวันหยุด กิจกรรมทางการธนาคารในวันแรกของเดือนและวันศุกร์ซึ่งเป็นรูปแบบที่แปรเปลี่ยนไปซึ่งยาวนานกว่าหนึ่งปีที่มักจะเชื่อมโยงกับสภาวะทางเศรษฐกิจและการเมืองรูปแบบต่าง ๆ ที่ไม่ได้สะท้อนถึงพฤติกรรมทั่วไปเช่นช่วงเวลาที่รุนแรง สภาพอากาศหรือการประท้วงของสหภาพแรงงานรูปแบบต่างๆซึ่งรวมถึงพฤติกรรมที่ไม่เป็นแบบฉบับทั้งหมดที่ไม่ได้เป็นสาเหตุของการจำแนกประเภทอื่น ๆ ในขณะที่แบบจำลองของซีรีส์เวลาแบบที่ง่ายที่สุดคือการคาดการณ์บนแผนที่การคาดการณ์บนแผนที่จะใช้ความต้องการที่แท้จริงในอดีต ระยะเวลาเป็นความต้องการที่คาดการณ์ไว้สำหรับรอบระยะเวลาถัดไปนี้แน่นอนทำให้สมมติฐานที่ว่าอดีตจะทำซ้ำนอกจากนี้ยังอนุมานว่าแนวโน้มใด ๆ seasonality หรือรอบจะสะท้อนให้เห็นได้ในความต้องการของช่วงเวลาก่อนหน้าหรือ ไม่มีตัวอย่างของการคาดการณ์ของนาได้ถูกนำเสนอในตารางที่ 1 ตารางที่ 1 การประมาณการณ์ Nae อีกวิธีหนึ่งคือการใช้ค่าเฉลี่ยเพื่อให้การคาดการณ์โดยใช้ค่าเฉลี่ยหนึ่งก็ใช้เวลาเฉลี่ยของจำนวนรอบระยะเวลาของข้อมูลที่ผ่านมาโดย ข้อสรุปของแต่ละช่วงเวลาและหารผลตามจำนวนรอบระยะเวลาเทคนิคนี้ได้รับการพิสูจน์แล้วว่ามีประสิทธิภาพมากสำหรับการคาดการณ์ในระยะสั้นรูปแบบของค่าเฉลี่ย ได้แก่ ค่าเฉลี่ยเคลื่อนที่ค่าเฉลี่ยถ่วงน้ำหนักและค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักค่าเฉลี่ยเคลื่อนที่จะกำหนดไว้ล่วงหน้า จำนวนรอบระยะเวลารวมความต้องการที่เกิดขึ้นจริงของพวกเขาและหารด้วยจำนวนรอบระยะเวลาที่จะถึงการคาดการณ์สำหรับงวดถัดไปแต่ละงวดข้อมูลที่เก่าที่สุดจะลดลงและมีการเพิ่มช่วงเวลาล่าสุดสมมติว่าค่าเฉลี่ยเคลื่อนที่สามเดือนและใช้ข้อมูลจาก ตารางที่ 1 หนึ่งก็จะเพิ่ม 45 มกราคม, 60 กุมภาพันธ์และ 72 มีนาคมและหารด้วยสามถึงคาดการณ์สำหรับเมษายน 45 60 72 177 3 59.To มาถึงที่คาดการณ์สำหรับเดือนพฤษภาคมหนึ่งจะลดลงมกราคม s ความต้องการจากสมการและเพิ่มความต้องการจากเดือนเมษายนตารางที่ 2 แสดงตัวอย่างของการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ย้อนหลัง 3 เดือนค่าพยากรณ์ 2 เดือนย้อนหลัง 3 เดือนความต้องการปกติ 000 s ค่าเฉลี่ยถ่วงน้ำหนักใช้น้ำหนักที่กำหนดไว้ล่วงหน้าสำหรับแต่ละเดือนของข้อมูลที่ผ่านมา ผลรวมข้อมูลที่ผ่านมาจากแต่ละช่วงเวลาและหารด้วยน้ำหนักทั้งหมดถ้าเครื่องพยากรณ์จะปรับน้ำหนักเพื่อให้ผลรวมของพวกเขาเท่ากับ 1 แล้วน้ำหนักจะคูณกับความต้องการที่แท้จริงของแต่ละช่วงเวลาผลที่ได้จะสรุปรวมกัน คาดการณ์การถ่วงน้ำหนักโดยทั่วไปข้อมูลล่าสุดมีน้ำหนักมากขึ้นและข้อมูลเก่ามีน้ำหนักน้อยลงการใช้ตัวอย่างความต้องการค่าเฉลี่ยถ่วงน้ำหนักโดยใช้น้ำหนักของ 4 3 2 และ 1 จะให้อัตราการคาดการณ์สำหรับเดือนมิถุนายนเป็น 60 1 72 2 58 3 40 4 53 8. ผู้ประกาศข่าวอาจใช้การรวมกันของค่าเฉลี่ยถ่วงน้ำหนักและการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ค่าพยากรณ์ถ่วงน้ำหนักถัวเฉลี่ยถ่วงน้ำหนักกำหนดน้ำหนักให้เป็นจำนวนรอบของข้อมูลจริงและจำนวนที่กำหนดไว้ล่วงหน้า คาดการณ์เช่นเดียวกับที่อธิบายไว้ข้างต้นเช่นเดียวกับการคาดการณ์การเคลื่อนที่ทั้งหมดเนื่องจากมีการเพิ่มช่วงเวลาใหม่ ๆ ข้อมูลที่ได้จากช่วงที่เก่าที่สุดจะถูกทิ้งไปตารางที่ 3 แสดงการคำนวณโดยเฉลี่ยถ่วงน้ำหนัก 3 เดือนโดยใช้น้ำหนัก 5 3 และ 2 ตารางที่ 3 การคำนวณถ่วงน้ำหนักเฉลี่ยย้อนหลัง 3 เดือนความต้องการตามจริง 000 s รูปแบบที่ซับซ้อนมากขึ้นของค่าเฉลี่ยเคลื่อนที่ถ่วงน้ำหนักเป็นแบบเลขแจงที่ราบเรียบเนื่องจากมีการระบุชื่อเนื่องจากน้ำหนักจะลดลงอย่างมากในขณะที่ข้อมูลเป็นแบบต่างๆการทำให้เรียบสม่ำเสมอจะใช้ระยะเวลาก่อนหน้าของการคาดการณ์และปรับค่าตามที่กำหนดไว้ ความราบเรียบคงที่เรียกว่าอัลฟาค่าสำหรับอัลฟาน้อยกว่าหนึ่งคูณด้วยความแตกต่างในการคาดการณ์ก่อนหน้านี้และความต้องการที่เกิดขึ้นจริงในระหว่างรอบระยะเวลาที่คาดการณ์ไว้ก่อนหน้านี้เรียกว่าข้อผิดพลาดในการคาดการณ์ exponential smoothing จะแสดง formulaically เช่นการคาดการณ์ใหม่คาดการณ์ก่อน alpha จริงความต้องการก่อนหน้า FFA F. การปรับความสมดุลอย่างสม่ำเสมอต้องใช้ตัวพยากรณ์เพื่อเริ่มคาดการณ์ในช่วงที่ผ่านมา a การคาดการณ์ครั้งแรกอาจเป็นการคาดการณ์ที่เกิดขึ้นจริงจากช่วงเวลาก่อนหน้าความต้องการที่เกิดขึ้นจริงจากช่วงก่อนหน้าหรือจากที่คาดการณ์ไว้ก่อนหน้านี้ มันสามารถประมาณโดยเฉลี่ยหรือบางส่วนของข้อมูลที่ผ่านมา heuristics บางอย่างมีอยู่สำหรับการคำนวณการคาดการณ์ครั้งแรกตัวอย่างเช่นการแก้ปัญหา N 2 1 และ alpha ของ 5 จะให้ผล N ของ 3 แสดงว่าผู้ใช้จะเฉลี่ยสามช่วงแรก ของข้อมูลที่จะได้รับการคาดการณ์เริ่มต้นอย่างไรก็ตามความถูกต้องของการคาดการณ์เริ่มต้นไม่สำคัญหากมีการใช้ข้อมูลจำนวนมากเนื่องจากเรียบเป็นตัวชี้แจงการแก้ไขด้วยตัวเองให้ระยะเวลาเพียงพอของข้อมูลที่ผ่านมาเรียบในที่สุดจะทำให้การแก้ไขพอที่จะชดเชย สำหรับการคาดการณ์เริ่มต้นที่ไม่ถูกต้องอย่างมีเหตุผลโดยใช้ข้อมูลที่ใช้ในตัวอย่างอื่น ๆ การคาดการณ์เบื้องต้นที่ 50 และอัลฟาจาก 7 การคาดการณ์สำหรับเดือนกุมภาพันธ์จะคำนวณเป็นเช่นก่อนหน้านี้ โยนเดือนกุมภาพันธ์ 50 7 45 50 41 5. ต่อไปการคาดการณ์สำหรับเดือนมีนาคมคาดการณ์ใหม่ 41 มีนาคม 5 7 60 41 5 54 45 กระบวนการนี้ยังคงดำเนินต่อไปจนกว่าผู้พยากรณ์จะถึงช่วงเวลาที่ต้องการในตารางที่ 4 นี้จะเป็นเดือนมิถุนายนนับตั้งแต่ ความต้องการที่แท้จริงสำหรับเดือนมิถุนายนไม่เป็นที่ทราบความต้องการตามจริง 000 s การขยายความละเอียดที่ชี้แจงสามารถนำมาใช้เมื่อข้อมูลแบบเวลามีแนวโน้มเป็นเส้นตรงวิธีการนี้เป็นที่รู้จักกันในชื่อหลายชื่อว่าการปรับให้เรียบแบบทวีคูณเป็นสองเท่ารวมทั้งแนวโน้ม FIT และ Holt s Model โดยไม่มีการปรับผลเรียบง่ายชี้แจงจะล่าช้าแนวโน้มที่คาดการณ์จะต่ำถ้าแนวโน้มเพิ่มขึ้นหรือสูงหากแนวโน้มลดลงด้วยรูปแบบนี้มีสองราบเรียบ constants และแสดงแนวโน้ม component ส่วนขยายของ Holt s Model เรียกว่า Holt-Winter s Method คำนึงถึงทั้งแนวโน้มและฤดูกาลมีอยู่สองรูปแบบคือ multiplicative และ additive โดย multiplicative เป็นคำที่ใช้กันแพร่หลายมากที่สุด d ในแบบจำลอง additive ฤดูกาลจะแสดงเป็นปริมาณที่จะเพิ่มหรือลบออกจากชุดค่าเฉลี่ยแบบคูณแสดงฤดูกาลตามเปอร์เซ็นต์ที่รู้จักกันเป็นญาติตามฤดูกาลหรือดัชนีตามฤดูกาลของค่าเฉลี่ยหรือแนวโน้มเหล่านี้แล้วคูณค่าตามลำดับ เพื่อรวมความเป็นฤดูกาลญาติของ 0 8 จะระบุความต้องการที่เป็น 80 เปอร์เซ็นต์ของค่าเฉลี่ยในขณะที่ 1 10 จะระบุความต้องการที่สูงกว่าค่าเฉลี่ยประมาณ 10 เปอร์เซ็นต์ข้อมูลโดยละเอียดเกี่ยวกับวิธีการนี้สามารถดูได้ในตำราการจัดการการดำเนินงานส่วนใหญ่หรือหมายเลขใดหมายเลขหนึ่ง ของหนังสือเกี่ยวกับการคาดการณ์เทคนิคการเชื่อมโยงหรือสาเหตุที่เกี่ยวข้องกับการระบุตัวแปรที่สามารถใช้ในการทำนายตัวแปรอื่น ๆ ที่น่าสนใจตัวอย่างเช่นอัตราดอกเบี้ยอาจถูกใช้เพื่อคาดการณ์ความต้องการในการรีไฟแนนซ์บ้านโดยปกติแล้วจะเกี่ยวข้องกับการใช้การถดถอยเชิงเส้น มีวัตถุประสงค์เพื่อพัฒนาสมการที่สรุปผลกระทบของตัวแปรอิสระที่ทำนายตามลำดับ e predicted dependent variable ถ้าตัวแปร predictor ถูกวางแผนเอาไว้วัตถุจะเป็นสมการของเส้นตรงที่ลดผลรวมของส่วนเบี่ยงเบนจากเส้นที่มีส่วนเบี่ยงเบนเป็นระยะทางจากแต่ละจุดไปยังเส้นสมการจะปรากฏเป็น ya bx โดยที่ y คือตัวแปรที่คาดการณ์ขึ้น x เป็นตัวแปรอิสระที่ทำนาย b คือความลาดเอียงของเส้นและ a เท่ากับความสูงของเส้นที่จุดตัด Y เมื่อสมการกำหนดแล้วผู้ใช้สามารถ แทรกค่าปัจจุบันสำหรับตัวแปรอิสระของตัวทำนายเพื่อให้ได้ตัวแปรขึ้นกับการคาดการณ์หากมีตัวแปรทำนายมากกว่าหนึ่งตัวแปรหรือถ้าความสัมพันธ์ระหว่างตัวทำนายกับการคาดการณ์ไม่ใช่เชิงเส้นการถดถอยเชิงเส้นอย่างง่ายจะไม่เพียงพอสำหรับสถานการณ์ที่มีตัวทำนายหลายตัว ควรใช้ในขณะที่ความสัมพันธ์ที่ไม่ใช่เชิงเส้นเรียกร้องให้ใช้การถดถอยแบบโค้ง (Curvilinear regression) การคาดการณ์ทางเศรษฐศาสตร์. วิธีทางเศรษฐมิติเช่น autoregressive ARIMA แบบสมการเชิงบูรณาการใช้สมการทางคณิตศาสตร์ที่ซับซ้อนเพื่อแสดงความสัมพันธ์ในอดีตระหว่างความต้องการและตัวแปรที่มีอิทธิพลต่อความต้องการสมการได้มาและผ่านการทดสอบและปรับแต่งเพื่อให้มั่นใจว่ามีความเชื่อถือได้ในการแสดงถึงความสัมพันธ์ในอดีตที่เป็นไปได้ นี้จะทำค่าที่คาดการณ์ไว้ของรายได้ตัวแปรที่มีอิทธิพล ฯลฯ ราคาถูกแทรกลงในสมการที่จะทำให้ความคาดการณ์การประเมินความถูกต้องความถูกต้องแม่นยำ Forecast สามารถกำหนดได้โดยการคำนวณอคติ, เบี่ยงเบนความหมายเฉลี่ย MAD, ความหมายเฉลี่ยความผิดพลาดของสแควร์ MSE หรือหมายถึง ข้อผิดพลาดเปอร์เซ็นต์สัมบูรณ์ MAPE สำหรับการคาดการณ์โดยใช้ค่าที่แตกต่างกันสำหรับอัลฟ่าค่าอคติเป็นผลรวมของข้อผิดพลาดในการคาดการณ์ FE สำหรับตัวอย่างการทำให้เรียบแบบยกตัวอย่างเช่นข้างต้นการคำนวณความลำเอียงจะเป็น 60 41 5 72 54 45 58 66 74 40 60 62 6 69. ถ้าหนึ่ง สมมติว่าอคติต่ำบ่งชี้ข้อผิดพลาดในการคาดการณ์โดยรวมต่ำหนึ่งสามารถคำนวณอคติสำหรับจำนวนค่าที่มีศักยภาพของอัลฟาและสมมติว่าหนึ่งที่มีอคติต่ำสุดจะ b. e ที่ถูกต้องที่สุดอย่างไรก็ตามต้องระวังในการคาดการณ์ที่ไม่ถูกต้องอย่างรุนแรงเหล่านี้อาจส่งผลให้เกิดความลำเอียงต่ำหากพวกเขามีแนวโน้มที่จะเป็นไปตามคาดการณ์และภายใต้การคาดการณ์เชิงลบและเป็นบวกตัวอย่างเช่น บริษัท มีแนวโน้มที่จะใช้ค่า alpha เป็น มากกว่าคาด 75,000 หน่วย 75,000 โดยคาดการณ์ 100,000 หน่วย 100,000 แล้วคาดการณ์มากกว่า 25,000 หน่วย 25,000 โดยให้ค่าความลำเอียงเป็นศูนย์ 75,000 100,000 25,000 0 เมื่อเปรียบเทียบแล้วค่า alpha จะให้ผลตอบแทนมากกว่า 2,000 หน่วย 1,000 หน่วยและ 3,000 หน่วย จะส่งผลให้มีความลำเอียง 5,000 หน่วยหากต้องการปกติคือ 100,000 หน่วยต่อระยะเวลาอัลฟาแรกจะให้ผลการคาดการณ์ที่ลดลงมากถึงร้อยละ 100 ในขณะที่อัลฟาที่สองจะปิดโดยไม่เกินร้อยละ 3 ถึงแม้ว่า อคติในการคาดการณ์ครั้งแรกคือศูนย์การวัดความถูกต้องของความถูกต้องของความเป็นศูนย์เป็นความปลอดภัยมากขึ้นความเบี่ยงเบนสัมบูรณ์หมายถึง MAD เพื่อคำนวณ MAD ผลสรุปพยากรณ์ค่าสัมบูรณ์ของข้อผิดพลาดในการคาดการณ์และหารด้วย จำนวนของการคาดการณ์ FE N โดยการใช้ค่าสัมบูรณ์ของข้อผิดพลาดในการคาดการณ์การหักล้างของค่าบวกและลบจะหลีกเลี่ยงซึ่งหมายความว่าทั้งการคาดการณ์มากกว่า 50 และการคาดการณ์ 50 จะปิดลง 50 โดยใช้ข้อมูลจากการชี้แจง MAD สามารถคำนวณได้ดังต่อไปนี้ 60 41 5 72 54 45 58 66 74 40 60 62 4 16 35 ดังนั้นเครื่องคาดการณ์จึงลดลงเฉลี่ย 16 35 หน่วยต่อการคาดการณ์เมื่อเปรียบเทียบกับผลของอัลฟาอื่น ๆ ผู้พยากรณ์จะ ทราบว่าอัลฟาที่มีค่า MAD ต่ำสุดจะยอมให้มีการคาดการณ์ที่แม่นยำที่สุดข้อผิดพลาด square square MSE สามารถใช้ในรูปแบบเดียวกัน MSE คือผลรวมของข้อผิดพลาดในการพยากรณ์แบ่งเป็น N-1 FE N-1 ข้อผิดพลาดในการคาดการณ์จะลดลง ความเป็นไปได้ของการลบล้างตัวเลขเชิงลบเนื่องจากไม่มีผลใด ๆ สามารถเป็นค่าลบได้การใช้ข้อมูลเดียวกับข้างต้น MSE จะเท่ากับ 18 5 17 55 8 74 20 62 3 383 94 เช่นเดียวกับ MAD the forecaster อาจเปรียบเทียบ MSE ของการคาดการณ์ ใช้ VA ต่างๆ lues ของ alpha และสมมติว่า alpha ที่มี MSE ต่ำสุดจะทำให้การคาดการณ์ที่ถูกต้องที่สุดข้อผิดพลาดเปอร์เซ็นต์เปอร์เซ็นต์เฉลี่ย MAPE เป็นข้อผิดพลาดเปอร์เซ็นต์เปอร์เซ็นต์โดยเฉลี่ยเมื่อต้องการไปยัง MAPE ต้องใช้อัตราส่วนระหว่างข้อผิดพลาดในการคาดการณ์กับเวลาที่เกิดขึ้นจริง 100 เพื่อให้ได้เปอร์เซ็นต์และหารด้วย N การพยากรณ์ความต้องการที่เกิดขึ้นจริงความต้องการตามจริง 100 N การใช้ข้อมูลจากตัวอย่างการทำให้เรียบตัวอย่างเช่น MAPE สามารถคำนวณได้ดังนี้ 18 5 60 17 55 72 8 74 58 20 62 48 100 4 28 33 เช่นเดียวกับ MAD และ MSE ค่าความผิดพลาดที่สัมพันธ์กับค่าพยากรณ์จะน้อยกว่าที่คาดการณ์ไว้ควรสังเกตว่าในบางกรณีความสามารถในการคาดการณ์การเปลี่ยนแปลงอย่างรวดเร็วเพื่อตอบสนองต่อการเปลี่ยนแปลงรูปแบบข้อมูลถือว่ามีความสำคัญมากกว่าความถูกต้องดังนั้นทางเลือกหนึ่ง ของวิธีการคาดการณ์ควรสะท้อนถึงความสมดุลที่สัมพันธ์กันของความสำคัญระหว่างความถูกต้องและการตอบสนองตามที่นักพยากรณ์คาดการณ์ไว้การตัดสินโครงการ William J Stevenson แสดงรายการต่อไปนี้เป็นขั้นตอนพื้นฐานใน Foreca กระบวนการการต่อยระบุจุดประสงค์ของการคาดการณ์ปัจจัยต่าง ๆ เช่นวิธีการและเวลาในการคาดการณ์จะใช้ระดับความถูกต้องที่ต้องการและระดับรายละเอียดที่ต้องการกำหนดเวลาต้นทุนเงินพนักงานที่สามารถทุ่มเทให้กับการคาดการณ์และประเภท ของวิธีการคาดการณ์ที่จะใช้กำหนดเส้นขอบฟ้าเวลานี้เกิดขึ้นหลังจากที่หนึ่งได้กำหนดวัตถุประสงค์ของการคาดการณ์การคาดการณ์ในระยะยาวต้องใช้ระยะเวลานานและในทางกลับกันความถูกต้องเป็นอีกหนึ่งพิจารณาเลือกเทคนิคการพยากรณ์เทคนิคที่เลือกขึ้นอยู่กับวัตถุประสงค์ ของการคาดการณ์ขอบข่ายเวลาที่ต้องการและค่าใช้จ่ายที่ได้รับอนุญาตรวบรวมและวิเคราะห์ข้อมูลปริมาณและชนิดของข้อมูลที่จำเป็นต้องอยู่ภายใต้การคาดการณ์ของวัตถุประสงค์เทคนิคการคาดการณ์ที่เลือกและคำนึงถึงค่าใช้จ่ายใด ๆ การคาดการณ์ผู้ลงทุนคาดการณ์ ประเมินผลการปฏิบัติงานของการคาดการณ์และแก้ไขหากจำเป็นการอ่านต่อจากนี้การดำเนินการไบรอนเจขณะนี้การทำกำไรกระบวนการผลการปฏิบัติงาน 2 ed Boston McGraw-H เออร์วิน, 2006.Green วิลเลียม H การวิเคราะห์ทางเศรษฐศาสตร์ 5 ed Upper Saddle River, นิวเจอร์ซีย์ Prentice Hall, 2003.Joppe, Dr Marion เทคนิคกลุ่มที่ระบุกระบวนการวิจัยที่มีจำหน่ายจาก Stevenson, William J Operations Management 8 ed Boston McGraw-Hill Irwin , 2005 นอกจากนี้อ่านบทความเกี่ยวกับการพยากรณ์จาก Wikipedia. A Forecast Calculation Examples. A 1 วิธีการคำนวณพยากรณ์อากาศวิธีการคำนวณการคาดการณ์จำนวนมากมีอยู่แล้ววิธีการเหล่านี้ส่วนใหญ่ใช้สำหรับการควบคุมผู้ใช้ที่ จำกัด ตัวอย่างเช่นน้ำหนักที่วางไว้ในข้อมูลทางประวัติศาสตร์ล่าสุดหรือ ช่วงวันที่ของข้อมูลย้อนหลังที่ใช้ในการคำนวณอาจถูกระบุตัวอย่างต่อไปนี้แสดงขั้นตอนการคำนวณสำหรับแต่ละวิธีการคาดการณ์ที่พร้อมใช้งานให้ข้อมูลเชิงประวัติที่เหมือนกันตัวอย่างต่อไปนี้ใช้ข้อมูลการขายเดียวกันในปี 2004 และ 2548 เพื่อสร้างปี 2006 การคาดการณ์ยอดขายนอกเหนือจากการคำนวณตามความคาดการณ์แล้วตัวอย่างแต่ละตัวอย่างยังรวมถึงการคาดการณ์ในปีพ. ศ. 2548 สำหรับการประมวลผลระยะเวลาสามเดือน n 19 3 ซึ่งใช้แล้วสำหรับเปอร์เซ็นต์ของความถูกต้องและการคำนวณค่าเบี่ยงเบนสัมบูรณ์ที่คำนวณได้หมายถึงยอดขายตามจริงเมื่อเทียบกับการคาดการณ์แบบจำลอง A 2 เกณฑ์การประเมินผลการพยากรณ์ผลพยากรณ์ขึ้นอยู่กับการเลือกตัวเลือกการประมวลผลและแนวโน้มและรูปแบบที่มีอยู่ในข้อมูลการขาย วิธีคาดการณ์ที่เหมาะสมสำหรับผลิตภัณฑ์หนึ่งอาจไม่เหมาะสมสำหรับผลิตภัณฑ์อื่นนอกจากนี้ยังไม่น่าเป็นไปได้ว่าวิธีการคาดการณ์ที่ให้ผลลัพธ์ที่ดีในขั้นตอนหนึ่งของวงจรชีวิตของผลิตภัณฑ์ จะมีความเหมาะสมตลอดทั้งวัฏจักรชีวิตคุณสามารถเลือกระหว่างสองวิธีเพื่อประเมินประสิทธิภาพปัจจุบันของวิธีการคาดการณ์เหล่านี้คือค่าส่วนเบี่ยงเบนสัมบูรณ์ MAD เฉลี่ยและเปอร์เซ็นต์ความถูกต้อง POA ทั้งสองวิธีการประเมินผลการปฏิบัติงานเหล่านี้ต้องการข้อมูลการขายที่ผ่านมาสำหรับผู้ใช้ที่ระบุ ของเวลาระยะเวลานี้เรียกว่าระยะเวลา holdout หรือช่วงเวลาที่เหมาะสมที่สุด PBF the a ในช่วงนี้ใช้เป็นพื้นฐานสำหรับการแนะนำวิธีการพยากรณ์ที่จะใช้ในการทำประมาณการต่อไปข้อเสนอแนะนี้มีความเฉพาะเจาะจงกับแต่ละผลิตภัณฑ์และอาจมีการเปลี่ยนแปลงจากรุ่นที่คาดการณ์หนึ่งไปอีกวิธีหนึ่ง ในหน้าต่อไปนี้เป็นตัวอย่างของวิธีการพยากรณ์ 12 วิธี A 3 วิธีที่ 1 - เปอร์เซ็นต์ที่ระบุในปีที่ผ่านมาวิธีการนี้จะคูณข้อมูลการขายจากปีที่ผ่านมาโดยผู้ใช้ระบุค่าตัวอย่างเช่น 1 10 สำหรับการเพิ่ม 10 หรือ 0 97 สำหรับการลดลง 3 ประวัติการขายที่ต้องการหนึ่งปีสำหรับการคำนวณการคาดการณ์บวกจำนวนผู้ใช้ที่ระบุช่วงเวลาสำหรับการประเมินตัวเลือกการประมวลผลประสิทธิภาพการคาดการณ์ 19.A 4 1 การคำนวณพยากรณ์ความแตกต่างของประวัติการขายเพื่อใช้ในการคำนวณตัวเลือกการเติบโตของปัจจัยการผลิต 2a 3 ในตัวอย่างนี้สามเดือนสุดท้ายของปีงบการเงิน 2548 114 119 137 370 รวม 3 เดือนของปีก่อน 123 139 133 395. ปัจจัยที่ใช้คำนวณ 370 3 95 0 9367 คำนวณประมาณการมกราคม 2007 ยอดขาย 128 0 9367 119 8036 หรือประมาณ 120. กุมภาพันธ์ 2005 ยอดขาย 117 0 9367 109 5939 หรือประมาณ 110 ล้านบาทยอดขายปี 2548 115 0 9367 107 7205 หรือประมาณ 108.A 4 2 การคำนวณพยากรณ์แบบจำลองสมมติฐาน 3 เดือนแรกของปีพ. ศ. 2548 ก่อนระยะเวลาการระงับการให้บริการเดือนกรกฎาคม ก. ย. กันยายนกันยายนกันยายน 140 131 400 รวมสามเดือนสำหรับปีก่อนหน้า 128 128 118 387 คำนวณได้ 400 387 1 033591731 คำนวณโดยจำลอง การคาดการณ์ตุลาคม 2004 ยอดขาย 123 1 033591731 127 13178.November, 2004 sales 139 1 033591731 143 66925 ธันวาคม 2004 sales 133 1 033591731 137 4677.A 4 3 เปอร์เซ็นต์ของการคำนวณความถูกต้อง PAO 127 13178 143 66925 137 4677 114 119 137 100 408 26873 370 100 110 3429.A 4 4 คาเฉลี่ยการเบี่ยงเบนสัมบูรณ์ (Mean Absolute Deviation) มี.ค. 127 13178 - 114 143 66925 - 119 137 4677 137 3 13 13178 24 66925 0 4677 3 12 75624.A 5 วิธีที่ 3 - ปกอนถึงปนี้ วิธีนี้จะคัดลอกข้อมูลการขายจากปีที่แล้วไปยังปีหน้าประวัติการขายที่ต้องการหนึ่งปีสำหรับการคำนวณการคาดการณ์ บวกจำนวนของช่วงเวลาที่ระบุไว้สำหรับการประเมินตัวประมวลผลการคาดการณ์การประมวลผล 19.A 6 1 การคำนวณพยากรณ์จำนวนวันที่จะรวมอยู่ในตัวเลือกการประมวลผลเฉลี่ย 4a 3 ในตัวอย่างนี้สำหรับแต่ละเดือนของการคาดการณ์เฉลี่ยสามเดือนก่อนหน้า s ข้อมูลคาดการณ์มกราคม 114 119 137 370, 370 3 123 333 หรือ 123. การคาดการณ์กุมภาพันธ์ 119 137 123 379, 3 126 333 หรือ 126 คาดการณ์ของตลาด 137 123 126 379, 386 3 128 667 หรือ 129.A 6 2 พยากรณ์จำลอง การคำนวณยอดขายในเดือนตุลาคม 2548 129 140 131 3 133 3333. พฤศจิกายน 2548 ขาย 140 131 114 3 128 3333 ยอดขายในเดือนธันวาคม 2548 131 114 119 3 121 3333.A 6 3 เปอร์เซ็นต์ของการคำนวณความถูกต้อง 133 133 3333 128 3333 121 3333 114 119 137 100 103 513.A 6 4 คาเฉลี่ยการเบี่ยงเบนสัมบูรณ์ MAD 133 3333 - 114 128 3333 - 119 121 3333 - 137 3 14 7777.A 7 วิธีที่ 5 - การประมาณคาเสนใยประมาณประมาณคํานวณโดยประมาณจากจุดขอมูลประวัติการขายสองจุด จุดที่สองกำหนดเส้นแนวโน้มตรงที่ฉายลงใน f uture ใช้วิธีนี้ด้วยความระมัดระวังเนื่องจากการคาดการณ์ในระยะยาวจะใช้ประโยชน์จากการเปลี่ยนแปลงเพียงเล็กน้อยในสองจุดข้อมูลประวัติการขายที่ต้องการจำนวนรอบที่จะรวมไว้ในตัวเลือกการประมวลผลการประมวลผลการถดถอย 5a บวก 1 บวกจำนวนช่วงเวลาสำหรับการประเมินการประมวลผลประสิทธิภาพการคาดการณ์ ตัวเลือก 19.A 8 1 การคำนวณพยากรณ์จำนวนวันที่จะรวมไว้ในตัวเลือกการประมวลผลการถดถอย 6a 3 ในตัวอย่างนี้สำหรับแต่ละเดือนของการคาดการณ์เพิ่มการเพิ่มขึ้นหรือลดลงในช่วงระยะเวลาที่ระบุก่อนช่วง holdout รอบระยะเวลาก่อนหน้านี้ สามเดือนที่ผ่านมา 114 119 137 3 123 3333 ในช่วง 3 เดือนที่ผ่านมาโดยพิจารณาน้ำหนัก 114 1 119 2 137 3 763 ความแตกต่างระหว่างค่า 763 - 123 3333 1 2 3 23.Ratio 1 2 2 2 3 2 - 2 3 14 - 12 2. อัตราส่วน 1 อัตราส่วนความแตกต่าง 23 2 11 5. มูลค่า 2 มูลค่าเฉลี่ย 1 123 3333 - 11 5 2 100 3333.Forecast 1 n value1 มูลค่า 2 4 11 5 100 3333 146 333 หรือ 146.Forecast 5 11 5 100 3333 157 8333 หรือ 158.Forecast 6 11 5 100 3333 169 3333 หรือ 169.A 8 2 การคำนวณโดยใช้การคำนวณแบบจำลองคำนวณจากยอดขายในช่วงเดือนตุลาคม 2547 ที่ผ่านมา . 129 140 131 3 133 3333 ในช่วง 3 เดือนที่ผ่านมาโดยพิจารณาน้ำหนัก 129 1 140 2 131 3 802 ความแตกต่างระหว่างค่า 802 - 133 3333 1 2 3 2.Ratio 1 2 2 2 3 2 - 2 3 14 - 12 2.Value1 อัตราส่วนความแตกต่าง 2 2 1.Value2 ค่าเฉลี่ย - ค่า 1 133 3333 - 1 2 131 3333.Forecast 1 n value1 value2 4 1 131 3333 135 3333.November 2004 sales. Average ของสามเดือนก่อนหน้า 140 131 114 3 128 3333 ในช่วง 3 เดือนที่ผ่านมาโดยพิจารณาน้ำหนัก 140 1 131 2 114 3 744 ความแตกต่างระหว่างค่า 744 - 128 3333 1 2 3 -25 9999. ค่า 1 อัตราส่วนความแตกต่าง -25 9999 2 -12 9999.Value2 ค่าเฉลี่ย - ค่า 1 128 3333 - -12 9999 2 154 3333.Forecast 4 -12 9999 154 3333 102 3333 ยอดขายของเดือนธันวาคม 2547 โดยประมาณช่วง 3 เดือนที่ผ่านมา 131 114 119 3 121 3333 ในช่วง 3 เดือนที่ผ่านมาโดยพิจารณาน้ำหนัก 131 1 114 2 119 3 716 ความแตกต่างระหว่างค่า 716 - 121 3333 1 2 3 -11 9999. ค่า 1 อัตราส่วนความแตกต่าง -11 9999 2 -5 9999. มูลค่า 2 ค่าเฉลี่ย 1 อัตราส่วน 121 3333 - -5 9999 2 133 3333.Forecast 4 -5 9999 133 3333 109 3333.A 8 3 ร้อยละของการคำนวณความถูกต้อง 135 135 33 109 33 114 119 137 100 93 78.A 8 4 การคำนวณค่าเบี่ยงเบนสัมบูรณ์เฉลี่ย. 135 135 33 - 119 109 33 - 137 3 21 88.A 9 วิธีที่ 7 - การประมาณค่าประมาณค่าการถดถอยเชิงเส้นกำหนดค่าสำหรับ a และ b ในสูตรคาดการณ์ Y a bX โดยมีวัตถุประสงค์เพื่อให้เหมาะสมกับข้อมูลประวัติการขายการประมาณระดับที่สองคล้ายกันอย่างไรก็ตามวิธีนี้กำหนดค่าสำหรับ a, b และ c ใน สูตรการคาดการณ์ Y a bX cX2 โดยมีวัตถุประสงค์เพื่อให้เหมาะสมกับข้อมูลประวัติการขายวิธีนี้อาจเป็นประโยชน์เมื่อผลิตภัณฑ์อยู่ระหว่างการเปลี่ยนแปลงระหว่างขั้นตอนของวงจรชีวิตตัวอย่างเช่นเมื่อผลิตภัณฑ์ใหม่ย้ายจากช่วงแนะนำสู่ขั้นตอนการเจริญเติบโต แนวโน้มการขายอาจเร่งตัวขึ้นเนื่องจากคำสั่งซื้อลำดับที่สองการคาดการณ์สามารถเข้าใกล้ได้อย่างรวดเร็ว อนันต์หรือลดลงเป็นศูนย์ขึ้นอยู่กับว่าค่าสัมประสิทธิ์ c เป็นบวกหรือลบดังนั้นวิธีนี้มีประโยชน์เฉพาะในข้อกำหนดระยะสั้นเท่านั้นข้อกำหนดของ Forecast สูตรที่พบ a, b และ c ให้พอดีกับเส้นโค้งตรงกับจุดสามจุดที่คุณระบุ n ใน ตัวอยางการประมวลผล 7a จํานวนชวงเวลาที่จะเก็บขอมูลลงในแตละจุดในตัวอย่างนี้ n 3 ดังนั้นข้อมูลการขายจริงสําหรับเดือนเมษายนถึงเดือนมิถุนายนจะรวมกันเป็นจุดแรกตั้งแต่ Q1 กรกฎาคมจนถึงกันยายน และเดือนตุลาคมถึงเดือนธันวาคมถึง Q3 เส้นโค้งจะพอดีกับสามค่า Q1, Q2 และ Q3 ประวัติการขายที่ต้องการ 3 n งวดสำหรับการคำนวณการคาดการณ์บวกจำนวนของช่วงเวลาที่จำเป็นสำหรับการประเมินประสิทธิภาพการคาดการณ์ PBF จำนวนของ ระยะเวลาที่จะรวมตัวเลือกการประมวลผล 7a 3 ในตัวอย่างนี้ใช้ 3 เดือนที่ผ่านมาในช่วง 3 เดือนก่อนหน้า Q1 เม. ย. - มิ.ย. 125 122 137 384.Q2 ก. ค. - ก. ย. 129 140 131 400.Q3 ต. ค. - ธ. ค. 114 119 137 370 ขั้นตอนต่อไปคือ c การคำนวณหาค่าสัมประสิทธิ์ทั้งสามแบบ a, b และ c เพื่อใช้ในสูตรการคาดการณ์ Y a bX cX 2. 1 Q 1 a bX cX 2 โดยที่ X 1 a b c. 2 Q2 a bX cX 2 โดยที่ X 2 a 2b 4 c 3 Q3 a bX cX 2 โดยที่ X 3 a 3b 9c สมการสมการทั้งสามสมการหาสมการ b, a และ c สมการ 1 จากสมการที่ 2 และแก้สมการ b แทนสมการนี้ให้เป็นสมการที่ 3 3 Q3 a 3 Q2 - Q1 - 3c c. ท้ายสุดแทนสมการเหล่านี้สำหรับ a และ b ให้เป็นสมการ 1. Q3 - 3 Q2 - Q1 q2 - Q1 - 3c c Q1.c Q3 - Q2 Q1 - Q2 2. วิธีการประมาณค่าระดับที่สอง a, b และ c ดังต่อไปนี้ Q3 - 3 Q2 - Q1 370 - 3 400 - 384 322.c Q3 - Q2 Q1 - Q2 2 370 - 400 384 - 400 2 - 23.b Q2 - Q1 - 3c 400 - 384 - 3 -23 85.Y a bX cX 2 322 85 X -23 X 2. เดือนมกราคมถึงเดือนมีนาคมที่คาดการณ์ X 4 322 340 - 368 3 294 3 98 ต่องวดเมษายนถึงมิถุนายนคาดการณ์ X 5. 322 425 - 575 3 57 333 หรือ 57 ต่องวดตั้งแต่เดือนกรกฎาคมถึงเดือนกันยายนที่คาดการณ์ไว้ X 6 322 510 - 828 3 1 33 หรือ 1 ต่อรอบเดือนตุลาคมถึงธันวาคม X 32 325 595 - 1127 3 - 70.A 9 2 การคำนวณพยากรณ์แบบจำลองตุลาคม และธันวาคม 2547 ยอดขายไตรมาสที่ 1 ม. ค. - มี.ค. 360.Q2 เม. ย. - มิ.ย. 384.Q3 ก. ค. - ก. ย. 400.a 400 - 3 384 - 360 328.c 400 - 384 360 - 384 2 -4.b 384 - 360 - 3 -4 36. 328 36 4 -4 16 3 136.A 9 3 เปอร์เซ็นต์ของการคำนวณความถูกต้อง 136. 136 136 114 119 137 110 110 27.A 9 4 การคำนวณค่าเบี่ยงเบนสัมบูรณ์เฉลี่ยคำนวณตาม 136 - 114 136 - 119 136 - 137 3 13 33.A 10 วิธีที่ 8 - วิธีที่ยืดหยุ่นวิธีการยืดหยุ่นร้อยละกว่า n เดือนก่อนมีลักษณะใกล้เคียงกับวิธีที่ 1 ร้อยละเมื่อเทียบกับปีก่อนทั้งสองวิธีคูณยอดขายจากช่วงเวลาก่อนหน้าโดยผู้ใช้ระบุปัจจัย จากนั้นจึงคาดการณ์ผลลัพธ์ในอนาคตในรูปแบบเปอร์เซ็นต์ต่อปีที่ผ่านมาการฉายภาพจะขึ้นอยู่กับข้อมูลจากช่วงเวลาเดียวกันของปีก่อนวิธีการแบบยืดหยุ่นนี้เพิ่มความสามารถในการระบุช่วงเวลาอื่นนอกเหนือจากช่วงเดียวกันของปีที่แล้ว ใช้เป็นเกณฑ์ในการคำนวณปัจจัยการขยายตัวตัวอย่างเช่นระบุ 1 15 ในตัวเลือกการประมวลผล 8b เพื่อเพิ่มข้อมูลประวัติการขายก่อนหน้านี้โดยระยะเวลา 15.Base ตัวอย่างเช่น n 3 จะทำให้การคาดการณ์ครั้งแรกขึ้นอยู่กับข้อมูลการขายใน ตุลาคม 2548 ประวัติการขายขั้นต่ำผู้ใช้ระบุหมายเลข o f ระยะเวลาย้อนกลับไปยังช่วงเวลาพื้นฐานบวกกับจำนวนช่วงเวลาที่จำเป็นสำหรับการประเมินผลการคาดการณ์ PBF. A 10 4 การคำนวณค่าเบี่ยงเบนสัมบูรณ์เฉลี่ย MAD 148 - 114 161 - 119 151 - 137 3 30.A 11 วิธีที่ 9 - การถ่วงน้ำหนัก เฉลี่ยถ่วงน้ำหนักเฉลี่ย WMA วิธีการเคลื่อนที่คล้ายกับวิธีที่ 4, Moving Average MA แต่ด้วยค่าเฉลี่ยถ่วงน้ำหนักที่คุณสามารถกำหนดน้ำหนักไม่เท่ากันกับข้อมูลทางประวัติศาสตร์วิธีการคำนวณค่าเฉลี่ยถ่วงน้ำหนักของประวัติการขายล่าสุดที่จะมาถึงการฉายสำหรับ ระยะสั้นข้อมูลล่าสุดมักได้รับมอบหมายให้มีน้ำหนักมากกว่าข้อมูลที่เก่ากว่าดังนั้นจึงทำให้ WMA มีการตอบสนองต่อการเปลี่ยนแปลงในระดับการขายอย่างไรก็ตามคาดการณ์อคติและข้อผิดพลาดอย่างเป็นระบบยังคงเกิดขึ้นเมื่อประวัติการขายของผลิตภัณฑ์แสดงแนวโน้มที่แข็งแกร่งหรือตามฤดูกาล วิธีการทำงานได้ดียิ่งขึ้นสำหรับการคาดการณ์ในระยะสั้นของผลิตภัณฑ์ที่เป็นผู้ใหญ่มากกว่าสำหรับผลิตภัณฑ์ที่อยู่ในช่วงการเจริญเติบโตหรือเสื่อมคุณภาพของวัฏจักรชีวิตในช่วงระยะเวลาของประวัติการขายที่จะใช้ การคำนวณการคาดการณ์ตัวอย่างเช่นระบุ n 3 ในตัวเลือกการประมวลผล 9a เพื่อใช้ช่วงสามงวดล่าสุดเป็นเกณฑ์สำหรับการประมาณการในช่วงเวลาถัดไปค่าที่มีขนาดใหญ่สำหรับ n เช่น 12 ต้องการประวัติการขายเพิ่มขึ้นส่งผลให้เกิดการคาดการณ์ที่มีเสถียรภาพ แต่จะช้าที่จะรับรู้ถึงการเปลี่ยนแปลงในระดับของยอดขายในทางกลับกันค่าเล็กน้อยสำหรับ n เช่น 3 จะตอบสนองได้เร็วขึ้นเพื่อเลื่อนระดับของยอดขาย แต่การคาดการณ์อาจผันผวนอย่างกว้างขวางว่าการผลิตไม่สามารถตอบสนองต่อ น้ำหนักที่กำหนดให้กับแต่ละช่วงข้อมูลที่ผ่านมาน้ำหนักที่กำหนดให้ต้องรวมเป็น 1 00 ตัวอย่างเช่นเมื่อ n 3 ให้กำหนดน้ำหนักของ 0 6, 0 3 และ 0 1 โดยข้อมูลล่าสุดที่ได้รับน้ำหนักมากที่สุด ประวัติการขายที่ต้องการขั้นต่ำ n บวกจำนวนช่วงเวลาที่จำเป็นสำหรับการประเมินผลการคาดการณ์ PBF MAD 133 5 - 114 121 7 - 119 118 7 - 137 3 13 5.A 12 วิธีที่ 10 - การทำให้เรียบแบบ Linear Smoothing วิธีนี้คล้ายกับ วิธีที่ 9, Weighted Moving Average WMA วิธีการ เคยแทนการกำหนดน้ำหนักโดยพลการในข้อมูลทางประวัติศาสตร์สูตรจะใช้เพื่อกำหนดน้ำหนักที่ลดลงเป็นเชิงเส้นและรวมเป็น 1 00 วิธีคำนวณค่าเฉลี่ยถ่วงน้ำหนักของประวัติการขายล่าสุดที่จะมาถึงการฉายในระยะสั้นเช่นเดียวกับ จริงของทุกเทคนิคการคาดการณ์การเคลื่อนที่โดยเฉลี่ยเชิงเส้นการพยากรณ์ความลำเอียงและข้อผิดพลาดที่เป็นระบบเกิดขึ้นเมื่อประวัติการขายของผลิตภัณฑ์แสดงแนวโน้มที่แข็งแกร่งหรือรูปแบบตามฤดูกาลวิธีนี้ใช้ได้ดีกับการคาดการณ์ในระยะสั้นของผลิตภัณฑ์ที่เป็นผู้ใหญ่มากกว่าสำหรับผลิตภัณฑ์ที่อยู่ในช่วงการเติบโตหรือเสื่อมคุณภาพชีวิต cycle. n จำนวนระยะเวลาของประวัติการขายที่จะใช้ในการคำนวณคาดการณ์ซึ่งระบุไว้ในตัวเลือกการประมวลผล 10a ตัวอย่างเช่นระบุ n 3 ในตัวเลือกการประมวลผล 10b เพื่อใช้ช่วง 3 งวดล่าสุดเป็นเกณฑ์สำหรับการฉายภาพลงใน ช่วงเวลาถัดไประบบจะกำหนดน้ำหนักให้กับข้อมูลทางประวัติศาสตร์ที่ลดลงเป็นเชิงเส้นและรวมกันเป็น 1 00 ตัวอย่างเช่นเมื่อ n 3 s ystem จะกำหนดน้ำหนักของ 0 5, 0 3333 และ 0 1 โดยข้อมูลล่าสุดที่ได้รับน้ำหนักมากที่สุดต้องมีประวัติการขายที่จำเป็นขั้นต่ำ n รวมทั้งจำนวนช่วงเวลาที่จำเป็นสำหรับการประเมินผลการคาดการณ์ PBF. A 12 1 การคำนวณพยากรณ์ จำนวนงวดที่จะรวมไว้ในตัวเลือกการประมวลผลเฉลี่ยที่ราบรื่น 10a 3 ในตัวอย่างนี้ระยะเวลาหนึ่งก่อน 3 วินาที 2 3 3 2 3 2 3 6 0 5. การเรทติ้งเป็นเวลาสองช่วงก่อน 2 n 2 n 2 2 3 2 3 2 2 6 0 3333. ระยะเวลาสามช่วงก่อน 1 n 2 n 2 1 3 2 3 2 1 6 0 1666. การคาดการณ์ในเดือนมกราคม 137 0 5 119 1 3 114 1 6 127 16 หรือ 127. การคาดการณ์กุมภาพันธ์ 127 0 5 137 1 3 119 1 6 129 การคาดการณ์ของตลาด 129 0 5 127 1 3 137 1 6 129 666 หรือ 130.A 12 2 การคำนวณโดยใช้การพยากรณ์แบบจำลองตุลาคม 2547 ยอดขาย 129 1 6 140 2 6 131 3 6 133 6666.November 2004 sales 140 1 6 131 2 6 114 3 6 124 ยอดขายเดือนธันวาคม 2547 131 1 6 114 2 6 119 3 6 119 3333.A 12 3 รอยละของการคํานวณความถูกตอง 133 133 6666 124 119 3333 114 119 137 100 101 891.A 12 4 คาเฉลี่ยการเบี่ยงเบนสัมบูรณ์.MAD 133 6666 - 114 124 - 119 119 3333 - 137 3 14 1111.A 13 วิธีที่ 11 - สมูทตีแบบ Exponential วิธีนี้คล้ายคลึงกับวิธีที่ 10 การปรับ Linear ใน Linear Smoothing ระบบจะกำหนดน้ำหนักให้กับข้อมูลทางประวัติศาสตร์ที่ลดลงแบบเป็นเส้นตรง ระบบจะกำหนดน้ำหนักที่มีการสลายตัวแบบเลขชี้กำลังสมการพยากรณ์ความราบเรียบแบบเสวนาคือ Forecast การขายจริงที่เกิดขึ้นก่อนหน้านี้ 1 - a การคาดการณ์ก่อนหน้านี้การคาดการณ์คือค่าเฉลี่ยถ่วงน้ำหนักของยอดขายจริงจากช่วงก่อนหน้าและการคาดการณ์จากช่วงก่อนหน้า a คือ น้ำหนักที่ใช้กับยอดขายที่เกิดขึ้นจริงสำหรับช่วงเวลาก่อนหน้า 1 - a คือน้ำหนักที่ใช้กับการคาดการณ์สำหรับงวดก่อนหน้าค่าที่ถูกต้องสำหรับช่วงตั้งแต่ 0 ถึง 1 และโดยปกติจะอยู่ระหว่าง 0 1 ถึง 0 4 ผลรวมของน้ำหนักคือ 1 00 a 1 - a 1. คุณควรกำหนดค่าสำหรับค่าคงที่ที่ราบเรียบ a หากคุณไม่ได้กำหนดค่าสำหรับค่าคงที่ที่ราบเรียบระบบจะคำนวณค่าที่สันนิษฐานตามจำนวนรอบระยะเวลาของประวัติการขาย d ในตัวประมวลผล 11a. a ค่าคงที่ที่ราบเรียบที่ใช้ในการคำนวณค่าเฉลี่ยที่ราบเรียบสำหรับระดับทั่วไปหรือขนาดของการขายค่าที่ถูกต้องสำหรับช่วงตั้งแต่ 0 ถึง 1.n ช่วงของข้อมูลประวัติการขายเพื่อรวมไว้ในการคำนวณโดยทั่วไปหนึ่งปี ของข้อมูลประวัติการขายก็เพียงพอที่จะประมาณยอดขายทั่วไปตัวอย่างเช่นค่า nn ขนาดเล็ก 3 ถูกเลือกเพื่อลดการคำนวณด้วยตนเองที่จำเป็นในการตรวจสอบผลลัพธ์การทำให้เรียบแบบเสแสร้งสามารถสร้างการคาดการณ์โดยอิงตามประวัติการศึกษาเพียงเล็กน้อย จุดข้อมูลประวัติการขายที่จำเป็นขั้นต่ำ n รวมจำนวนงวดที่จำเป็นสำหรับการประเมินผลการพยากรณ์อากาศ PBF. A 13 1 การคำนวณพยากรณ์จำนวนวันที่จะรวมไว้ในตัวเลือกการประมวลผลเฉลี่ยที่ราบเรียบ 11a 3 และตัวเลือกการประมวลผลปัจจัยอัลฟา 11b ว่างไว้ในนี้ ตัวอย่างเช่นปัจจัยสำหรับข้อมูลการขายที่เก่าแก่ที่สุด 2 1 1 หรือ 1 เมื่อระบุ alpha เป็นปัจจัยสำหรับข้อมูลการขายที่เก่าแก่ที่สุดอันดับ 2 2 1 2 หรือ alpha เมื่อระบุ alpha เป็นปัจจัย สำหรับข้อมูลการขายที่เก่าแก่ที่สุดอันดับที่ 3 3 หรืออัลฟาเมื่อระบุ alpha เป็นปัจจัยสำหรับข้อมูลการขายล่าสุด 2 1 n หรือ alpha เมื่อระบุ alpha เดือนพฤศจิกายน Sm เฉลี่ยเดือนตุลาคมจริง 1 - ต. ค. Sm เฉลี่ย 1 114 0 0 114. ธันวาคม Sm เฉลี่ยพฤศจิกายนจริง 1 - พฤศจิกายน Sm เฉลี่ย 2 3 119 1 3 114 117 3333.January Forecast ธันวาคมจริง 1 - ธันวาคม Sm เฉลี่ย 2 4 137 2 4 117 3333 127 16665 หรือ 127. February Forecast พยากรณ์มกราคมพยากรณ์อากาศ 127. พยากรณ์อากาศมกราคมพยากรณ์ 127.A 13 2 การคำนวณพยากรณ์จำลองกรกฎาคม 2547 Sm เฉลี่ย 2 2 129 129.August Sm เฉลี่ย 2 3 140 1 3 129 136 3333 กันยายน Sm เฉลี่ย 2 4 131 2 4 136 3333 133 6666 ตุลาคมตุลาคม 2547 กันยายน ก. ค. สมปทุมธานี พ. ศ. 2543 สิงหาคม 2547 Sm เฉลี่ย 2 2 140 140 กันยายน Sm เฉลี่ย 2 3 131 1 3 140 134. ตุลาคมรมสูง 2 4 114 2 4 134 124. พฤศจิกายน 2547 กันยายนกันยายน เฉลี่ย 124 สค. 2547 มรสุมเฉลี่ย 2 2 131 131 ตร. ต. ร.ว. เฉลี่ย 2 3 114 1 3 131 119 6666.November Sm เฉลี่ย 2 4 119 2 4 119 6666 119 3333 ยอดขายเดือน พ. ย. 2547 ก. ย. สม. 119 3333.A 13 3 เปอร์เซ็นต์ ของความถูกต้อง Calcula การคำนวณความเบี่ยงเบนสัมบูรณ์เฉลี่ย 133 133 6666 114 124 119 119 3333 137 3 14 1111.A 14 วิธีที่ 12 การเรียบเนียนแบบเสแสร้งตามแนวโน้มและฤดูกาล วิธีนี้มีความคล้ายคลึงกับวิธีที่ 11 Exponential Smoothing โดยมีการคำนวณหาค่าเฉลี่ยที่ราบเรียบอย่างไรก็ตามวิธีที่ 12 รวมถึงเทอมในสมการพยากรณ์เพื่อคำนวณแนวโน้มที่ราบรื่นการคาดการณ์จะประกอบด้วยค่าเฉลี่ยที่ราบรื่นปรับตามแนวโน้มเชิงเส้น ในตัวประมวลผลการคาดการณ์ยังมีการปรับค่าตามฤดูกาลเช่นค่าคงที่ที่ราบเรียบที่ใช้ในการคำนวณค่าเฉลี่ยที่เรียบสำหรับระดับทั่วไปหรือขนาดของยอดขายค่าที่ถูกต้องสำหรับช่วงอัลฟาตั้งแต่ 0 ถึง 1b ค่าคงที่ที่ราบเรียบที่ใช้ในการคำนวณค่าความเรียบ ค่าเฉลี่ยสำหรับส่วนประกอบแนวโน้มของการคาดการณ์ค่าที่ถูกต้องสำหรับช่วงเบต้าตั้งแต่ 0 ถึง 1. ไม่ว่าจะใช้ดัชนีตามฤดูกาลกับ forecast. a และ b จะไม่ขึ้นกับแต่ละอื่น ๆ พวกเขาไม่จำเป็นต้องเพิ่มเป็น 1 0.Min imum จำเป็นต้องขายประวัติสองปีบวกจำนวนรอบระยะเวลาที่จำเป็นสำหรับการประเมินผลการคาดการณ์ประสิทธิภาพ PBF วิธีที่ 12 ใช้สมการราบเรียบสองเลขและหนึ่งเฉลี่ยที่ง่ายในการคำนวณค่าเฉลี่ยที่ราบเรียบแนวโน้มเรียบและปัจจัยฤดูกาลตามฤดูกาลที่เรียบง่าย A 14 1 Forecast Calculation. A ค่าเฉลี่ยที่ได้รับการอธิบายอย่างละเอียด MAD 122 81 - 114 133 14 - 119 135 33 - 137 3 8 2.A 15 การประเมิน Forecasts. You สามารถเลือกวิธีการคาดการณ์เพื่อสร้างการคาดการณ์ได้ถึงสิบสองครั้งสำหรับแต่ละผลิตภัณฑ์ วิธีการอาจจะสร้างการประมาณการที่แตกต่างกันเล็กน้อยเมื่อหลายพันผลิตภัณฑ์มีการคาดการณ์จะทำไม่ได้ที่จะตัดสินใจอย่างอัตนัยเกี่ยวกับการคาดการณ์ที่จะใช้ในแผนของคุณสำหรับแต่ละผลิตภัณฑ์ระบบจะประเมินประสิทธิภาพการทำงานสำหรับแต่ละวิธีการคาดการณ์ ที่คุณเลือกและสำหรับการคาดการณ์ผลิตภัณฑ์แต่ละรายการคุณสามารถเลือกระหว่างสองเกณฑ์ประสิทธิภาพ ได้แก่ Mean Devute Deviation MAD และเปอร์เซ็นต์ของ Accur ทั้งสองเทคนิคการประเมินผลการปฏิบัติงานเหล่านี้ต้องการข้อมูลประวัติการขายที่แท้จริงสำหรับผู้ใช้ที่ระบุช่วงเวลาช่วงเวลานี้ของประวัติล่าสุดเรียกว่าระยะเวลา holdout หรือช่วงเวลาที่เหมาะสมกับ PBF มากที่สุด ในการวัดประสิทธิภาพของวิธีการคาดการณ์ให้ใช้สูตรคาดการณ์เพื่อจำลองการคาดการณ์สำหรับระยะเวลาการระงับชั่วคราวในอดีตโดยปกติแล้วจะมีข้อมูลการขายที่แตกต่างกันและการคาดการณ์แบบจำลองสำหรับระยะเวลาการระงับเมื่อเลือกวิธีการคาดการณ์หลายวิธี เกิดขึ้นสำหรับแต่ละวิธีการคาดการณ์หลายรายการจะถูกคำนวณสำหรับระยะเวลาการระงับและเปรียบเทียบกับประวัติการขายที่รู้จักกันในช่วงเวลาเดียวกันวิธีการคาดการณ์ที่เหมาะสมที่สุดในการคาดการณ์ระหว่างการคาดการณ์กับยอดขายจริงในช่วงระยะเวลาการระงับ ในแผนของคุณข้อเสนอแนะนี้มีความเฉพาะเจาะจงกับแต่ละผลิตภัณฑ์และอาจเปลี่ยนจากรุ่นที่คาดการณ์ไปเป็นรุ่น ne xt. A 16 ค่าเบี่ยงเบนสัมบูรณ์ที่แท้จริง MAD. MAD หมายถึงค่าเฉลี่ยหรือค่าเฉลี่ยของค่าสัมบูรณ์หรือความสำคัญของความเบี่ยงเบนหรือความผิดพลาดระหว่างข้อมูลจริงและข้อมูลที่คาดการณ์ MAD เป็นมาตรวัดขนาดเฉลี่ยของข้อผิดพลาดที่คาดว่าจะได้รับโดยใช้วิธีพยากรณ์และข้อมูล เนื่องจากมีการใช้ค่าสัมบูรณ์ในการคำนวณข้อผิดพลาดในเชิงบวกจะไม่ยกเลิกข้อผิดพลาดเชิงลบเมื่อเปรียบเทียบวิธีการคาดการณ์หลายวิธี MAD หนึ่งที่มีขนาดเล็กที่สุดแสดงให้เห็นว่าน่าเชื่อถือที่สุดสำหรับผลิตภัณฑ์นั้นในช่วงเวลาที่มีการหยุดชะงัก ข้อผิดพลาดมีการกระจายตามปกติมีความสัมพันธ์ทางคณิตศาสตร์ที่เรียบง่ายระหว่าง MAD และสองมาตรการทั่วไปอื่น ๆ ของการแจกแจงส่วนเบี่ยงเบนมาตรฐานและ Mean Squared Error. A 16 1 เปอร์เซ็นต์ของความถูกต้อง POA. Percent of Accuracy POA คือการวัดความอคติในการคาดการณ์เมื่อมีการคาดการณ์อย่างสม่ำเสมอ สินค้าคงเหลือสูงเกินไปสินค้าคงเหลือสะสมและต้นทุนสินค้าคงเหลือเพิ่มขึ้นเมื่อประมาณการอยู่ในระดับต่ำสองเท่าสินค้าคงเหลือถูกใช้และการบริการลูกค้าลดลง s ประมาณการที่ 10 หน่วยต่ำเกินไปจากนั้น 8 หน่วยสูงเกินไปแล้ว 2 หน่วยสูงเกินไปจะคาดการณ์ที่เป็นกลางข้อผิดพลาดในเชิงบวกของ 10 ถูกยกเลิกโดยข้อผิดพลาดเชิงลบของ 8 และ 2.Error Actual - Forecast. When ผลิตภัณฑ์ สามารถเก็บไว้ในสินค้าคงคลังและเมื่อการคาดการณ์เป็นกลางจำนวนหุ้นที่มีความปลอดภัยสามารถนำไปใช้กับบัฟเฟอร์ข้อผิดพลาดได้ในสถานการณ์เช่นนี้การกำจัดข้อผิดพลาดในการคาดการณ์ไม่ได้เป็นสิ่งสำคัญในการสร้างการคาดการณ์ที่เป็นกลางอย่างไรก็ตามในอุตสาหกรรมบริการ , สถานการณ์ข้างต้นจะถูกมองว่าเป็นข้อผิดพลาดสามบริการจะไม่เพียงพอในช่วงแรกแล้ว overstaffed สำหรับสองช่วงต่อไปในการให้บริการขนาดของข้อผิดพลาดในการคาดการณ์มักจะมีความสำคัญมากกว่าคาดการณ์อคติยอดรวมในช่วง holdout ช่วยให้ข้อผิดพลาดในเชิงบวกที่จะยกเลิกข้อผิดพลาดเชิงลบเมื่อยอดขายรวมจริงเกินกว่ายอดขายคาดการณ์อัตราส่วนสูงกว่า 100 แน่นอนมันเป็นไปไม่ได้ที่จะมากกว่า 100 ที่ถูกต้องเมื่อมีการคาดการณ์ unbias ed อัตราส่วน POA จะเท่ากับ 100 ดังนั้นจึงเป็นที่น่าพอใจมากขึ้นกว่าที่จะเป็น 95 ถูกต้องแม่นยำกว่าที่กำหนดไว้ 110 หลักเกณฑ์ POA เลือกวิธีการคาดการณ์ที่มีอัตราส่วน POA ใกล้เคียงกับ 100 มากที่สุดการใช้งานบนหน้าเว็บนี้ช่วยเพิ่มการนำทางเนื้อหา แต่ไม่ได้ เปลี่ยนเนื้อหาในแบบใดก็ได้ 3 การทำความเข้าใจเกี่ยวกับระดับและวิธีการพยากรณ์อากาศคุณสามารถสร้างการคาดการณ์รายละเีอียดรายเดียวและการคาดการณ์สายผลิตภัณฑ์สรุปที่สะท้อนถึงรูปแบบความต้องการของผลิตภัณฑ์ระบบจะวิเคราะห์ยอดขายในอดีตเพื่อคำนวณการคาดการณ์โดยใช้วิธีพยากรณ์ 12 วิธีการคาดการณ์ประกอบด้วยข้อมูลรายละเอียด ในระดับรายการและข้อมูลระดับที่สูงขึ้นเกี่ยวกับสาขาหรือ บริษัท ในภาพรวม 1.3 เกณฑ์การประเมินประสิทธิภาพการพยากรณ์ผลงานทั้งนี้ขึ้นอยู่กับการเลือกตัวเลือกการประมวลผลและแนวโน้มและรูปแบบในข้อมูลการขายวิธีการคาดการณ์บางอย่างทำได้ดีกว่าวิธีอื่น ๆ ชุดข้อมูลที่ผ่านมาที่กำหนดวิธีการคาดการณ์ที่เหมาะสมสำหรับผลิตภัณฑ์หนึ่งอาจไม่เหมาะสมสำหรับผลิตภัณฑ์อื่นที่คุณอาจทำ พบว่าวิธีการคาดการณ์ที่ให้ผลลัพธ์ที่ดีในขั้นตอนหนึ่งของวัฏจักรชีวิตของผลิตภัณฑ์ยังคงเหมาะสมตลอดทั้งวงจรชีวิตคุณสามารถเลือกระหว่างสองวิธีในการประเมินประสิทธิภาพปัจจุบันของวิธีการคาดการณ์เปอร์เซ็นต์ความแม่นยำ POA. Mean การเบี่ยงเบนสัมบูรณ์ MAD ทั้งสองวิธีการประเมินผลการปฏิบัติงานต้องการข้อมูลการขายในอดีตสำหรับระยะเวลาที่คุณระบุช่วงเวลานี้เรียกว่าช่วงเวลาการระงับหรือระยะเวลาที่เหมาะสมที่สุดข้อมูลในช่วงนี้ใช้เป็นพื้นฐานสำหรับการแนะนำวิธีการคาดการณ์ที่จะใช้ในการทำต่อไป การคาดการณ์การคาดการณ์ข้อเสนอแนะนี้มีความเฉพาะเจาะจงกับแต่ละผลิตภัณฑ์และสามารถเปลี่ยนจากรุ่นที่คาดการณ์หนึ่งไปเป็นรุ่นถัดไป 3 1 1 Best Fit ระบบแนะนำการคาดการณ์พอดีที่ดีที่สุดโดยใช้วิธีการคาดการณ์ที่เลือกไว้กับประวัติคำสั่งซื้อที่ผ่านมาและเปรียบเทียบการจำลองการคาดการณ์ ประวัติที่แท้จริงเมื่อคุณสร้างการคาดการณ์พอดีที่ดีที่สุดระบบจะเปรียบเทียบประวัติการสั่งขายที่เกิดขึ้นจริงกับการคาดการณ์ของ a ช่วงเวลาที่เฉพาะเจาะจงและคำนวณว่าแต่ละวิธีคาดการณ์ที่แตกต่างกันทำนายยอดขายอย่างไรแล้วระบบจะแนะนำการคาดการณ์ที่ถูกต้องที่สุดเท่าที่จะเป็นไปได้เหมาะสมที่สุดภาพนี้แสดงการคาดการณ์พอดีที่ดีที่สุดรูปที่ 3-1 การคาดการณ์พอดีที่ดีที่สุดระบบใช้ลำดับขั้นตอนนี้เพื่อกำหนด เหมาะสมที่สุดโดยใช้วิธีการที่ระบุไว้แต่ละตัวเพื่อจำลองการคาดการณ์สำหรับระยะเวลาการระงับชั่วคราวที่จะขายตามจริงกับการคาดการณ์แบบจำลองสำหรับระยะเวลา holdout คำนวณ POA หรือ MAD เพื่อกำหนดวิธีการคาดการณ์ที่ตรงกับยอดขายจริงมากที่สุดในอดีตระบบใช้ทั้ง POA หรือ MAD ตามตัวเลือกการประมวลผลที่คุณเลือกขอแนะนำการคาดการณ์พอดีที่ดีที่สุดโดย POA ที่ใกล้เคียงกับ 100 เปอร์เซ็นต์มากกว่าหรือต่ำกว่าหรือ MAD ที่ใกล้เคียงกับศูนย์มากที่สุด 3 2 Forecasting Methods. JD Edwards EnterpriseOne Forecast Management ใช้ 12 วิธีการพยากรณ์ปริมาณและระบุว่าวิธีใดที่เหมาะสมที่สุดสำหรับสถานการณ์การคาดการณ์ส่วนนี้กล่าวถึงวิธีการ 1 เปอร์เซ็นต์มากกว่าลา ปีที่ผลิตวิธีที่ 2 คำนวณร้อยละเมื่อเทียบกับปีที่แล้ววิธีที่ 3 ปีที่ผ่านมาถึงปีนี้วิธีที่ 4 การเคลื่อนที่เฉลี่ยวิธีการ 5 วิธีการประมาณเชิงเส้นวิธีการ 6 การถดถอยต่ำสุดวิธีที่ 7 วิธีที่ 2 วิธีที่ 8 วิธีการแบบยืดหยุ่นวิธีที่ 9 การถ่วงน้ำหนัก เฉลี่ยวิธีการ 10 วิธีการแบบ Linear Smoothing วิธีที่ 11 การคำนวณความสมูทแบบ Exponential วิธีที่ 12 การระบุด้วย Smoothing กับ Trend และ Seasonality ระบุวิธีการที่คุณต้องการใช้ในตัวเลือกการประมวลผลสำหรับโปรแกรม Forecast Generation R34650 ส่วนใหญ่ของวิธีการเหล่านี้ให้การควบคุมที่ จำกัด ตัวอย่างเช่น น้ำหนักที่วางไว้ในข้อมูลทางประวัติศาสตร์ล่าสุดหรือช่วงวันที่ของข้อมูลทางประวัติศาสตร์ที่ใช้ในการคำนวณสามารถระบุได้โดยคุณตัวอย่างในคู่มือระบุขั้นตอนการคำนวณสำหรับแต่ละวิธีการคาดการณ์ที่พร้อมใช้งานให้ข้อมูลทางประวัติศาสตร์ที่เหมือนกัน ตัวอย่างวิธีการในส่วนคู่มือใช้หรือชุดข้อมูลทั้งหมดเหล่านี้ซึ่งเป็นข้อมูลที่ผ่านมาจากช่วงสองปีที่ผ่านมาการคาดการณ์การคาดการณ์จะเข้าสู่ช่วงถัดไป ข้อมูลประวัติการขายมีเสถียรภาพเมื่อมีการเพิ่มขึ้นของฤดูกาลในเดือนกรกฎาคมและธันวาคมซึ่งเป็นลักษณะของผลิตภัณฑ์ผู้ใหญ่ที่อาจล้าสมัย 3 2 1 วิธีที่ 1 ร้อยละเมื่อเทียบกับปีที่แล้ววิธีนี้ใช้สูตรเปอร์เซ็นต์สุดท้ายของปีที่ผ่านมา คูณระยะเวลาการคาดการณ์แต่ละครั้งโดยการเพิ่มหรือลดเปอร์เซ็นต์ที่กำหนดไว้สำหรับความต้องการในการคาดการณ์วิธีนี้ต้องการจำนวนรอบระยะเวลาที่เหมาะสมที่สุดและประวัติการขายหนึ่งปีวิธีนี้เป็นประโยชน์ในการคาดการณ์ความต้องการสินค้าตามฤดูกาลที่มีการเติบโตหรือลดลง 3 2 1 1 ตัวอย่างวิธีที่ 1 ร้อยละเมื่อเทียบกับปีที่แล้วเปอร์เซ็นต์ของสูตรปีที่แล้วคูณข้อมูลการขายจากปีที่แล้วโดยปัจจัยที่คุณระบุและคาดการณ์ผลลัพธ์ในปีหน้าวิธีนี้อาจเป็นประโยชน์ในการจัดทำงบประมาณเพื่อจำลองผลกระทบของ a อัตราการเติบโตที่ระบุหรือเมื่อประวัติการขายมีองค์ประกอบตามฤดูกาลที่สำคัญข้อกำหนดเกี่ยวกับการคูณปัจจัยการคูณตัวอย่างเช่นระบุ 110 ในตัวเลือกการประมวลผลเพื่อเพิ่ม ข้อมูลประวัติการขายของปีที่แล้ว 10 เปอร์เซ็นต์ประวัติการขายที่ต้องการหนึ่งปีสำหรับการคำนวณการคาดการณ์บวกจำนวนงวดที่จำเป็นสำหรับการประเมินช่วงเวลาคาดการณ์ที่เหมาะสมที่สุดที่คุณระบุตารางนี้เป็นประวัติที่ใช้ การคาดการณ์ในปีพ. ศ. 2556 มีค่าเท่ากับ 117 1 1 128 7 ปัดเศษมาเป็น 129 การคาดการณ์ของตลาดเท่ากับ 115 1 1 126 5 ปัดเศษทศนิยมเป็น 127.3 2 2 วิธีที่ 2 คำนวณเปอร์เซ็นต์เมื่อปีที่แล้ววิธีนี้ใช้สูตรคำนวณจากปีที่ผ่านมา การขายที่ผ่านมาของช่วงเวลาที่กำหนดให้ขายจากงวดเดียวกันของปีก่อนระบบจะกำหนดเปอร์เซ็นต์เพิ่มหรือลดแล้วคูณแต่ละช่วงเวลาตามเปอร์เซ็นต์เพื่อกำหนดการพยากรณ์ความต้องการในการคาดการณ์วิธีนี้ต้องการจำนวนงวดในการขาย ประวัติการสั่งซื้อและประวัติการขายหนึ่งปีวิธีการนี้เป็นประโยชน์ในการคาดการณ์ความต้องการสินค้าในฤดูกาลที่มีการเติบโตหรือลดลง 3 2 2 1 ตัวอย่างวิธีที่ 2 คำนวณ Perce nt Over Last Year. The Calculated Percent Over Last Year formula multiplies sales data from the previous year by a factor that is calculated by the system, and then it projects that result for the next year This method might be useful in projecting the affect of extending the recent growth rate for a product into the next year while preserving a seasonal pattern that is present in sales history. Forecast specifications Range of sales history to use in calculating the rate of growth For example, specify n equals 4 in the processing option to compare sales history for the most recent four periods to those same four periods of the previous year Use the calculated ratio to make the projection for the next year. Required sales history One year 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, given n 4.February forecast equals 117 0 9766 114 26 rounde d to 114.March forecast equals 115 0 9766 112 31 rounded to 112.3 2 3 Method 3 Last Year to This Year. This method uses last year s sales for the next year s forecast. To forecast demand, this method requires the number of periods best fit plus one year of sales order history This method is useful to forecast demand for mature products with level demand or seasonal demand without a trend.3 2 3 1 Example Method 3 Last Year to This Year. The Last Year to This Year formula copies sales data from the previous year to the next year This method might be useful in budgeting to simulate sales at the present level The product is mature and has no trend over the long run, but a significant seasonal demand pattern might exist. Forecast specifications None. Required sales history One year 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. January forecast equals January of last year with a forecast value of 128.February forecast equals February of last year with a forecast value of 117.March forecast equals March of last year with a forecast value of 115.3 2 4 Method 4 Moving Average. This method uses the Moving Average formula to average the specified number of periods to project the next period You should recalculate it often monthly, or at least quarterly to reflect changing demand level. To forecast demand, this method requires the number of periods best fit plus the number of periods of sales order history This method is useful to forecast demand for mature products without a trend.3 2 4 1 Example Method 4 Moving Average. Moving Average MA is a popular method for averaging the results of recent sales history to determine a projection for the short term The MA forecast method lags behind trends Forecast bias and systematic errors occur when the product sales history exhibits strong trend or seasonal patterns This method works better for shor t range forecasts of mature products than for products that are in the growth or obsolescence stages of the life cycle. Forecast specifications n equals the number of periods of sales history 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 A large value for n such as 12 requires more sales history It results in a stable forecast, but is slow to recognize shifts in the level of sales Conversely, a small value for n such as 3 is quicker to respond to shifts in the level of sales, but the forecast might fluctuate so widely that production cannot respond to the variations. 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. February forecast equals 114 119 137 125 4 123 75 rounded to 124.March forecast equals 119 137 125 124 4 126 25 rounded to 126.3 2 5 Method 5 Linear Approximation. This method uses the Linear Approximation formula to compute a trend from the number of periods of sales order history and to project this trend to the forecast You should recalculate the trend monthly to detect changes in trends. This method requires the number of periods of best fit plus the number of specified periods of sales order history This method is useful to forecast demand for new products, or products with consistent positive or negative trends that are not due to seasonal fluctuations.3 2 5 1 Example Method 5 Linear Approximation. Linear Approximation calculates a trend that is based upon two sales history data points Those two points define a straight trend line that is projected into the future 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 2 139.February forecast December of past year 1 Trend which equals 137 2 2 141.March forecast December of past year 1 Trend which equals 137 3 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 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 pe riods 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. 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 Because of the second order term, the forecast can quickly approach infinity or drop to zero depending on whether coefficient c is positive or negative 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 July through September are added together to create Q2, and October through December sum to Q3 The curve is fitted to the three values Q1, Q2, and Q3.Required sales history 3 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. Substitute this equation for b into equation 3. 3 Q3 a 3 Q2 Q1 3c 9c a Q3 3 Q2 Q1.Finally, substitute these equations for a and b into equation 1. 1 Q3 3 Q2 Q1 Q2 Q1 3c c Q1.c Q3 Q2 Q1 Q2 2.The Second Degree Approximation method calculates a, b, and c as follows. a Q3 3 Q2 Q1 370 3 400 384 370 3 16 322.b Q2 Q1 3c 400 384 3 23 16 69 85.c Q3 Q2 Q1 Q2 2 370 400 384 400 2 23.This is a calculation of second degree approximation forecast. Y a bX cX 2 322 85X 23 X 2.When X 4, Q4 322 340 368 294 The forecast equals 294 3 98 per period. When X 5, Q5 322 425 575 172 The forecast equals 172 3 58 33 rounded to 57 per period. When X 6, Q6 322 510 828 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 per iods 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 In the Percent Over Last Year method, the projection is based on data from the same time period in the previous year You can also use the Flexible Method to specify a time period, other than the same period in the la st year, to use as the basis for the calculations. Multiplication factor 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 month s sales history to project the next month s 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 The method calculates a weighted average of recent sales history to arrive at a projection for the short term 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 proce ssing option to use the most recent four periods as the basis for the projection into the next time period A large value for n such as 12 requires more sales history 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 14 - periods to include 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 forec ast equals 131 0 10 114 0 15 119 0 25 137 0 50 0 10 0 15 0 25 0 50 128 45 rounded to 128.February forecast equals 114 0 10 119 0 15 137 0 25 128 0 50 1 127 5 rounded to 128.March forecast equals 119 0 10 137 0 15 128 0 25 128 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 month s 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 However, instead of arbitrarily assigning weights to the historical data, a formula is used to assign weights that decline linearly and sum to 1 00 The method then calculates a weighted average of recent sales history to arrive at a projection for the short term 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 p lus 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 P revious Actual Sales 1 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 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 1 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. 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 However, Method 12 also includes a term in the forecasting equation to calculate a smoothed trend The forecast is composed of a smoothed average that is adjusted for a linear trend When specified in the processing option, the forecast is also adjusted for seasonality. 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 on e 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 pr ovides 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 is a measure of forecast error POA is a measure of forecast bias 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 is a measure of the average magnitude of errors to expect, given a forecasting method and data history Because absolute values are used in the calculation, positive errors do not cancel out negative errors When comparing several forecasting methods, the one with the smallest MA D is the most reliable for that product for that holdout period When the forecast is unbiased and errors are normally distributed, a simple mathematical relationship exists between MAD and two other common measures of distribution, which are standard deviation and Mean Squared Error For example. MAD Actual Forecast n. Standard Deviation, 1 25 MAD. Mean Squared Error 2.This example indicates the calculation of MAD for two of the forecasting methods This example assumes that you have specified in the processing option that the holdout period length periods of best fit is equal to five periods.3 3 1 1 Method 1 Last Year to This Year. This table is history used in the calculation of MAD, given Periods of Best Fit 5.Mean Absolute Deviation equals 2 1 20 10 14 5 9 4.Based on these two choices, the Moving Average, n 4 method is recommended because it has the smaller MAD, 9 4, for the given holdout period.3 3 2 Percent of Accuracy. Percent of Accuracy POA is a measure of forecast bias When forecast s are consistently too high, inventories accumulate and inventory costs rise When forecasts are consistently too low, inventories are consumed and customer service declines A forecast that is 10 units too low, then 8 units too high, then 2 units too high is an unbiased forecast The positive error of 10 is canceled by negative errors of 8 and 2. Error Actual Forecast. When a product can be stored in inventory, and when the forecast is unbiased, a small amount of safety stock can be used to buffer the errors In this situation, eliminating forecast errors is not as important as generating unbiased forecasts However, in service industries, the previous situation is viewed as three errors The service is understaffed in the first period, and then overstaffed for the next two periods In services, the magnitude of forecast errors is usually more important than is forecast bias. POA Forecast sales during holdout period Actual sales during holdout period 100 percent. The summation over the holdout period enables positive errors to cancel negative errors When the total of forecast sales exceeds the total of actual sales, the ratio is greater than 100 percent Of course, the forecast cannot be more than 100 percent accurate When a forecast is unbiased, the POA ratio is 100 percent A 95 percent accuracy rate is more desirable than a 110 percent accurate rate The POA criterion selects the forecasting method that has a POA ratio that is closest to 100 percent. This example indicates the calculation of POA for two forecasting methods This example assumes that you have specified in the processing option that the holdout period length periods of best fit is equal to five periods.3 3 2 1 Method 1 Last Year to This Year. This table is history used in the calculation of MAD, given Periods of Best Fit 5.3 4 2 Forecast Accuracy. These statistical laws govern forecast accuracy. A long term forecast is less accurate than a short term forecast because the further into the future you project the fore cast, the more variables can affect the forecast. A forecast for a product family tends to be more accurate than a forecast for individual members of the product family. Some errors cancel each other as the forecasts for individual items summarize into the group, thus creating a more accurate forecast.3 4 3 Forecast Considerations. You should not rely exclusively on past data to forecast future demands These circumstances might affect the business, and require you to review and modify the forecast. New products that have no past data. Plans for future sales promotion. Changes in national and international politics. New laws and government regulations. Weather changes and natural disasters. Innovations from competition. You can use long term trend analysis to influence the design of the forecasts. Leading economic indicators.3 4 4 Forecasting Process. You use the Refresh Actuals program R3465 to copy data from the Sales Order History File table F42119 , the Sales Order Detail File table F4211 , or both, into either the Forecast File table F3460 or the Forecast Summary File table F3400 , depending on the kind of forecast that you plan to generate. Scripting on this page enhances content navigation, but does not change the content in any way.