Quantitative Ansätze der Prognose Die meisten quantitativen Techniken berechnen die Bedarfsprognose als Durchschnitt aus der vergangenen Nachfrage. Im Folgenden sind die wichtigen Nachfragevorhersagetechniken Einfache durchschnittliche Methode: Ein einfacher Mittelwert der Forderungen, die in allen früheren Zeiträumen auftreten, wird als Bedarfsprognose für den nächsten Zeitraum in dieser Methode genommen. (Beispiel 1) Einfache gleitende Mittelmethode: Bei dieser Methode wird der Durchschnitt der Forderungen aus mehreren der letzten Perioden als Bedarfsprognose für den nächsten Zeitraum angenommen. Die Anzahl der vergangenen Perioden, die in Berechnungen verwendet werden sollen, wird am Anfang ausgewählt und konstant gehalten (wie z. B. 3-Perioden-Gleitender Durchschnitt). (Beispiel 2) Gewichtete gleitende Mittelmethode: Bei dieser Methode werden ungleiche Gewichte den vergangenen Nachfragedaten zugeordnet, während der einfache gleitende Durchschnitt berechnet wird, während die Nachfrage für den nächsten Zeitraum prognostiziert wird. In der Regel werden die aktuellsten Daten mit dem höchsten Gewichtsfaktor belegt. (Beispiel 3) Exponentielle Glättungsmethode: Bei dieser Methode werden Gewichte in exponentieller Reihenfolge zugeordnet. Die Gewichte verringern sich exponentiell von den jüngsten Nachfragedaten auf ältere Nachfragedaten. (Beispiel 4) Regressionsanalyseverfahren: In dieser Methode werden vergangene Nachfragedaten verwendet, um eine funktionale Beziehung zwischen zwei Variablen herzustellen. Eine Variable ist bekannt oder wird als bekannt erkannt und verwendet, um den Wert einer anderen unbekannten Variablen (d. h. Nachfrage) zu prognostizieren. (Beispiel 5) Fehler bei der Vorhersage Fehler bei der Prognose ist nichts als der numerische Unterschied in der prognostizierten Nachfrage und der tatsächlichen Nachfrage. MAD (Mean Absolute Deviation) und Bias sind zwei Maßnahmen, die zur Bewertung der Genauigkeit der prognostizierten Nachfrage verwendet werden. Es ist anzumerken, dass MAD die Größe ausdrückt, aber nicht die Richtung des Fehlers. OR-Notizen sind eine Reihe von einleitenden Notizen zu Themen, die unter die breite Überschrift des Feldes der Operations Research (OR) fallen. Sie wurden ursprünglich von mir in einem einleitenden ODER Kurs benutzt, den ich im Imperial College gebe. Sie sind jetzt für alle Schüler und Lehrer, die an ODER unter den folgenden Bedingungen interessiert sind, zur Verfügung. Eine vollständige Liste der in OR-Notes verfügbaren Themen finden Sie hier. Prognosebeispiele Prognosebeispiel 1996 UG-Prüfung Die Nachfrage nach einem Produkt in jedem der letzten fünf Monate ist nachfolgend dargestellt. Verwenden Sie einen zweimonatigen gleitenden Durchschnitt, um eine Prognose für die Nachfrage im Monat 6 zu generieren. Wenden Sie eine exponentielle Glättung mit einer Glättungskonstante von 0,9 an, um eine Prognose für die Nachfrage nach Nachfrage im Monat 6 zu generieren. Welche dieser beiden Prognosen bevorzugen Sie und warumDie zweimonatigen Umzugsweisen Durchschnitt für Monate zwei bis fünf ist gegeben durch: Die Prognose für den Monat sechs ist nur der gleitende Durchschnitt für den Monat vor, dass dh der gleitende Durchschnitt für Monat 5 m 5 2350. Anwenden exponentielle Glättung mit einer Glättung Konstante von 0,9 erhalten wir: Wie zuvor Die Prognose für den Monat sechs ist nur der Durchschnitt für den Monat 5 M 5 2386 Um die beiden Prognosen zu vergleichen, berechnen wir die mittlere quadratische Abweichung (MSD). Wenn wir dies tun, finden wir für den gleitenden Mittelwert MSD (15 - 19) sup2 (18 - 23) sup2 (21 - 24) sup23 16.67 und für den exponentiell geglätteten Durchschnitt mit einer Glättungskonstante von 0,9 MSD (13 - 17) sup2 (16,60 - 19) sup2 (18.76 - 23) sup2 (22.58 - 24) sup24 10.44 Insgesamt sehen wir dann, dass die exponentielle Glättung den besten einen Monat voraus prognostiziert, da es eine niedrigere MSD hat. Daher bevorzugen wir die Prognose von 2386, die durch exponentielle Glättung erzeugt wurde. Prognosebeispiel 1994 UG-Prüfung Die nachstehende Tabelle zeigt die Nachfrage nach einem neuen Aftershave in einem Shop für jeden der letzten 7 Monate. Berechnen Sie einen zweimonatigen gleitenden Durchschnitt für Monate zwei bis sieben. Was wäre Ihre Prognose für die Nachfrage in Monat acht Bewerben exponentielle Glättung mit einer Glättung Konstante von 0,1, um eine Prognose für die Nachfrage in Monat acht ableiten. Welche der beiden Prognosen für den Monat acht bevorzugen Sie und warum der Ladenbesitzer glaubt, dass die Kunden auf diese neue Aftershave von anderen Marken wechseln. Besprechen Sie, wie Sie dieses Schaltverhalten modellieren und die Daten angeben, die Sie benötigen, um zu bestätigen, ob diese Umschaltung erfolgt oder nicht. Die zwei Monate gleitenden Durchschnitt für die Monate zwei bis sieben ist gegeben durch: Die Prognose für den Monat acht ist nur der gleitende Durchschnitt für den Monat vor, dass dh die gleitenden Durchschnitt für Monat 7 m 7 46. Anwendung exponentielle Glättung mit einer Glättung Konstante von 0,1 wir Erhalten: Wie schon vor der Prognose für den Monat acht ist nur der Durchschnitt für den Monat 7 M 7 31,11 31 (da wir keine gebrochene Nachfrage haben können). Um die beiden Prognosen zu vergleichen, berechnen wir die mittlere quadratische Abweichung (MSD). Wenn wir dies tun, finden wir das für den gleitenden Durchschnitt und für den exponentiell geglätteten Durchschnitt mit einer Glättungskonstante von 0,1 Insgesamt sehen wir dann, dass der zweimonatige gleitende Durchschnitt den besten einen Monat voraus prognostiziert, da er eine niedrigere MSD hat. Daher bevorzugen wir die Prognose von 46, die durch den zweimonatigen gleitenden Durchschnitt produziert wurde. Um das Umschalten zu untersuchen, müssten wir ein Markov-Prozessmodell verwenden, in dem die Ländermarken und die notwendigen Statusinformationen und Kundenwechselwahrscheinlichkeiten (aus Umfragen) benötigt werden. Wir müssten das Modell auf historische Daten ausführen, um zu sehen, ob wir zwischen dem Modell und dem historischen Verhalten passen. Prognosebeispiel 1992 UG-Prüfung Die nachstehende Tabelle zeigt die Nachfrage nach einer bestimmten Marke von Rasiermesser in einem Geschäft für jeden der letzten neun Monate. Berechnen Sie einen dreimonatigen gleitenden Durchschnitt für Monate drei bis neun. Was wäre Ihre Prognose für die Nachfrage in Monat zehn Bewerben exponentielle Glättung mit einer Glättung Konstante von 0,3, um eine Prognose für die Nachfrage in Monat zehn ableiten. Welche der beiden Prognosen für den Monat zehn bevorzugen Sie und warum Der dreimonatige gleitende Durchschnitt für die Monate 3 bis 9 ist gegeben durch: Die Prognose für den Monat 10 ist nur der gleitende Durchschnitt für den Monat vor dem dh der gleitende Durchschnitt für Monat 9 m 9 20.33. Daher ist die Prognose für den Monat 10. 20. Die Anwendung einer exponentiellen Glättung mit einer Glättungskonstante von 0,3 ergibt sich: Wie vorher ist die Prognose für den Monat 10 nur der Durchschnitt für den Monat 9 M 9 18,57 19 (wie wir Kann keine gebrochene Nachfrage haben). Um die beiden Prognosen zu vergleichen, berechnen wir die mittlere quadratische Abweichung (MSD). Wenn wir dies tun, finden wir das für den gleitenden Durchschnitt und für den exponentiell geglätteten Durchschnitt mit einer Glättungskonstante von 0,3 Insgesamt sehen wir dann, dass der dreimonatige gleitende Durchschnitt den besten einen Monat voraus prognostiziert, da er eine niedrigere MSD hat. Daher bevorzugen wir die Prognose von 20, die durch den dreimonatigen gleitenden Durchschnitt produziert wurde. Vorhersage Beispiel 1991 UG Prüfung Die folgende Tabelle zeigt die Nachfrage nach einer bestimmten Marke von Faxgerät in einem Kaufhaus in jedem der letzten zwölf Monate. Berechnen Sie den viermonatigen gleitenden Durchschnitt für die Monate 4 bis 12. Was wäre Ihre Prognose für die Nachfrage im Monat 13 Bewerben Sie exponentielle Glättung mit einer Glättungskonstante von 0,2, um eine Prognose für die Nachfrage im Monat 13 abzuleiten. Welche der beiden Prognosen für den Monat 13 Bevorzugen Sie und warum Welche anderen Faktoren, die in den obigen Berechnungen nicht berücksichtigt wurden, könnten die Nachfrage nach dem Faxgerät im Monat 13 beeinflussen. Der viermonatige gleitende Durchschnitt für die Monate 4 bis 12 ist gegeben durch: m 4 (23 19 15 12) 4 17,25 m 5 (27 23 19 15) 4 21 m 6 (30 27 23 19) 4 24,75 m 7 (32 30 27 23) 4 28 m 8 (33 32 30 27) 4 30,5 m 9 (37 33 32 30) 4 33 m 10 (41 37 33 32) 4 35,75 m 11 (49 41 37 33) 4 40 m 12 (58 49 41 37) 4 46,25 Die Prognose für den Monat 13 ist nur der gleitende Durchschnitt für den Monat davor, dh der gleitende Durchschnitt Für Monat 12 m 12 46,25. Daher ist die Prognose für den Monat 13 46. Die Anwendung einer exponentiellen Glättung mit einer Glättungskonstante von 0,2 erhalten wir: Wie vorher ist die Prognose für den Monat 13 nur der Durchschnitt für den Monat 12 M 12 38,618 39 (wie wir Kann keine gebrochene Nachfrage haben). Um die beiden Prognosen zu vergleichen, berechnen wir die mittlere quadratische Abweichung (MSD). Wenn wir dies tun, finden wir das für den gleitenden Durchschnitt und für den exponentiell geglätteten Durchschnitt mit einer Glättungskonstante von 0,2 Insgesamt sehen wir dann, dass der viermonatige gleitende Durchschnitt den besten einen Monat voraus prognostiziert, da er eine niedrigere MSD hat. Daher bevorzugen wir die Prognose von 46, die durch den viermonatigen gleitenden Durchschnitt produziert wurde. Saisonale Nachfrage Werbung Preisänderungen, sowohl diese Marke und andere Marken allgemeine wirtschaftliche Situation neue Technologie Vorhersage Beispiel 1989 UG Prüfung Die Tabelle unten zeigt die Nachfrage nach einer bestimmten Marke von Mikrowellenherd in einem Kaufhaus in jedem der letzten zwölf Monate. Berechnen Sie einen sechsmonatigen gleitenden Durchschnitt für jeden Monat. Was wäre Ihre Prognose für die Nachfrage in Monat 13 Bewerben exponentielle Glättung mit einer Glättung Konstante von 0,7, um eine Prognose für die Nachfrage im Monat 13. Eine der beiden Prognosen für Monat 13 bevorzugen Sie und warum Jetzt können wir nicht berechnen, eine sechs Monat gleitenden Durchschnitt, bis wir mindestens 6 Beobachtungen haben - dh wir können nur einen solchen Durchschnitt ab dem 6. Monat berechnen. Wir haben also: m 6 (34 32 30 29 31 27) 6 30,50 m 7 (36 34 32 30 29 31) 6 32,00 m 8 (35 36 34 32 30 29) 6 32,67 m 9 (37 35 36 34 32 30) 6 34,00 m 10 (39 37 35 36 34 32) 6 35,50 m 11 (40 39 37 35 36 34) 6 36,83 m 12 (42 40 39 37 35 36) 6 38,17 Die Prognose für den Monat 13 ist nur der gleitende Durchschnitt für die Monat vor dem dh der gleitende Durchschnitt für Monat 12 m 12 38,17. Daher ist die Prognose für den Monat 13 38. Die Anwendung einer exponentiellen Glättung mit einer Glättungskonstante von 0,7 ergibt sich: 3 Verständnis der Prognoseebenen und - methoden Sie können sowohl Detail - (Einzelposten-) Prognosen als auch Zusammenfassung (Produktlinie) generieren ) Prognosen, die die Produktnachfrage widerspiegeln. Das System analysiert die bisherigen Verkäufe, um die Prognosen mit 12 Prognosemethoden zu berechnen. Die Prognosen beinhalten Detailinformationen auf der Positionsebene und übergeordnete Informationen über eine Zweigniederlassung oder das Unternehmen als Ganzes. 3.1 Prognoseleistungsbewertungskriterien Abhängig von der Auswahl der Verarbeitungsoptionen und von Trends und Mustern in den Verkaufsdaten sind einige Prognosemethoden besser als andere für einen gegebenen historischen Datensatz. Eine für ein Produkt geeignete Vorhersagemethode ist möglicherweise nicht für ein anderes Produkt geeignet. Sie könnten feststellen, dass eine Prognosemethode, die auf einer Stufe eines Produktlebenszyklus gute Ergebnisse liefert, während des gesamten Lebenszyklus angemessen bleibt. Sie können zwischen zwei Methoden wählen, um die aktuelle Leistung der Prognosemethoden zu bewerten: Prozent der Genauigkeit (POA). Mittlere absolute Abweichung (MAD). Beide dieser Bewertungsbewertungsmethoden erfordern historische Verkaufsdaten für einen Zeitraum, den Sie angeben. Dieser Zeitraum wird als Haltezeit oder Periode der besten Passung bezeichnet. Die Daten in diesem Zeitraum dienen als Grundlage für die Empfehlung, welche Prognosemethode bei der nächsten Prognoseprojektion verwendet wird. Diese Empfehlung ist für jedes Produkt spezifisch und kann von einer Prognoseerzeugung zum nächsten wechseln. 3.1.1 Best Fit Das System empfiehlt die Best-Fit-Prognose, indem es die ausgewählten Prognosemethoden auf den vergangenen Kundenauftragsverlauf anwendet und die Prognosesimulation mit der aktuellen Historie vergleicht. Wenn Sie eine Best-Fit-Prognose generieren, vergleicht das System die tatsächlichen Kundenauftragsgeschichten mit Prognosen für einen bestimmten Zeitraum und berechnet, wie genau jede einzelne Prognosemethode den Umsatz voraussagte. Dann empfiehlt das System die genaueste Prognose als die beste Passform. Diese Grafik zeigt die besten Anpassungsprognosen: Abbildung 3-1 Best-Fit-Prognose Das System verwendet diese Abfolge von Schritten, um die beste Passung zu bestimmen: Verwenden Sie jede spezifizierte Methode, um eine Prognose für den Holdout-Zeitraum zu simulieren. Vergleichen Sie die tatsächlichen Verkäufe an die simulierten Prognosen für den Haltezeitraum. Berechnen Sie die POA oder die MAD, um festzustellen, welche Prognosemethode am ehesten mit dem bisherigen Verkauf übereinstimmt. Das System verwendet entweder POA oder MAD, basierend auf den von Ihnen ausgewählten Verarbeitungsoptionen. Empfehlen Sie eine Best-Fit-Prognose von der POA, die am nächsten zu 100 Prozent (über oder unter) oder die MAD, die am nächsten an Null ist. 3.2 Prognosemethoden JD Edwards EnterpriseOne Forecast Management verwendet 12 Methoden zur quantitativen Prognose und zeigt an, welche Methode für die Prognosesituation am besten geeignet ist. Dieser Abschnitt behandelt: Methode 1: Prozent über letztes Jahr. Methode 2: Berechneter Prozentsatz über letztes Jahr. Methode 3: Letztes Jahr zu diesem Jahr. Methode 4: Durchschnittlich bewegen. Methode 5: Lineare Approximation. Methode 6: Least Squares Regression. Methode 7: Zweite Grad Approximation. Methode 8: Flexible Methode. Methode 9: Gewichteter bewegter Durchschnitt. Methode 10: Lineare Glättung. Methode 11: Exponentielle Glättung. Methode 12: Exponentielle Glättung mit Trend und Saisonalität. Geben Sie die Methode an, die Sie in den Verarbeitungsoptionen für das Programm für die Prognoseerzeugung verwenden möchten (R34650). Die meisten dieser Methoden bieten eine begrenzte Kontrolle. Zum Beispiel kann das Gewicht der letzten historischen Daten oder der Datumsbereich der historischen Daten, die in den Berechnungen verwendet werden, von Ihnen angegeben werden. Die Beispiele in der Anleitung geben die Berechnungsmethode für jede der verfügbaren Prognosemethoden an, wobei ein identischer Satz historischer Daten vorliegt. Die Methodenbeispiele im Leitfaden verwenden Teil oder alle diese Datensätze, die historische Daten aus den letzten zwei Jahren sind. Die Prognoseprojektion geht ins nächste Jahr. Diese Handelsgeschichte Daten sind stabil mit kleinen saisonalen Zunahmen im Juli und Dezember. Dieses Muster ist charakteristisch für ein reifes Produkt, das sich der Obsoleszenz nähern könnte. 3.2.1 Methode 1: Prozent über letztes Jahr Diese Methode verwendet die Percent Over Last Year Formel, um jeden Prognosezeitraum um den angegebenen Prozentsatz zu erhöhen oder zu verringern. Um die Nachfrage zu prognostizieren, erfordert diese Methode die Anzahl der Perioden für die beste Passform plus ein Jahr der Verkaufsgeschichte. Diese Methode ist nützlich, um die Nachfrage nach saisonalen Gegenständen mit Wachstum oder Rückgang zu prognostizieren. 3.2.1.1 Beispiel: Methode 1: Prozent über letztes Jahr Die Percent Over Last Year Formel vervielfacht die Verkaufsdaten des Vorjahres um einen Faktor, den Sie angeben und dann Projekte, die sich im nächsten Jahr ergeben. Diese Methode könnte bei der Budgetierung nützlich sein, um den Einfluss einer bestimmten Wachstumsrate zu simulieren oder wenn die Verkaufsgeschichte eine signifikante saisonale Komponente aufweist. Prognosevorgaben: Multiplikationsfaktor. Geben Sie z. B. 110 in der Verarbeitungsoption an, um die Vorjahresgeschäftsdaten um 10 Prozent zu erhöhen. Erforderliche Verkaufsgeschichte: Ein Jahr für die Berechnung der Prognose plus die Anzahl der Zeiträume, die für die Bewertung der Prognoseleistung (Perioden der besten Anpassung) erforderlich sind, die Sie angeben. Diese Tabelle wird in der Prognoseberechnung verwendet: Februar-Prognose entspricht 117 mal 1.1 128.7 gerundet auf 129. März-Prognose entspricht 115 mal 1.1 126.5 gerundet auf 127. 3.2.2 Methode 2: Berechneter Prozentsatz über letztes Jahr Diese Methode verwendet den berechneten Percent Over Last-Jahr-Formel, um die vergangenen Verkäufe von bestimmten Perioden zu Verkäufen aus den gleichen Perioden des Vorjahres zu vergleichen. Das System bestimmt eine prozentuale Erhöhung oder Abnahme und multipliziert dann jede Periode mit dem Prozentsatz, um die Prognose zu ermitteln. Um die Nachfrage zu prognostizieren, erfordert diese Methode die Anzahl der Perioden des Kundenauftragsverlaufs plus ein Jahr der Verkaufsgeschichte. Diese Methode ist nützlich, um kurzfristige Nachfrage nach saisonalen Gegenständen mit Wachstum oder Rückgang zu prognostizieren. 3.2.2.1 Beispiel: Methode 2: Berechneter Prozentsatz über letztes Jahr Die berechnete Periode über dem letzten Jahr vervielfacht die Umsatzdaten des Vorjahres um einen Faktor, der vom System berechnet wird, und dann projiziert sie für das nächste Jahr. Diese Methode könnte nützlich sein, um den Einfluss der Verlängerung der jüngsten Wachstumsrate für ein Produkt in das nächste Jahr zu projizieren, während ein saisonales Muster, das in der Verkaufsgeschichte vorhanden ist, bewahrt wird. Prognose-Spezifikationen: Umfang der Verkaufsgeschichte bei der Berechnung der Wachstumsrate zu verwenden. Geben Sie z. B. n gleich 4 in der Verarbeitungsoption an, um die Verkaufsgeschichte für die letzten vier Perioden zu den gleichen vier Perioden des Vorjahres zu vergleichen. Verwenden Sie das berechnete Verhältnis, um die Projektion für das nächste Jahr zu machen. Erforderliche Verkaufsgeschichte: Ein Jahr für die Berechnung der Prognose plus die Anzahl der Zeiträume, die für die Bewertung der Prognoseleistung (Perioden der besten Passung) erforderlich sind. Diese Tabelle wird in der Prognoseberechnung verwendet, vorausgesetzt, n 4: Februar-Prognose entspricht 117 mal 0,9766 114,26 gerundet auf 114. März-Prognose entspricht 115 mal 0,9766 112,31 gerundet auf 112. 3.2.3 Methode 3: Letztes Jahr zu diesem Jahr Diese Methode verwendet Im vergangenen Jahr Umsatz für die nächsten Jahre prognostiziert. Um die Nachfrage zu prognostizieren, erfordert diese Methode die Anzahl der Perioden, die am besten passen, plus ein Jahr des Verkaufsauftragsverlaufs. Diese Methode ist sinnvoll, um die Nachfrage nach reifen Produkten mit Niveau Nachfrage oder saisonale Nachfrage ohne Trend zu prognostizieren. 3.2.3.1 Beispiel: Methode 3: Letztes Jahr zu diesem Jahr Das letzte Jahr zu diesem Jahr verwandelt die Verkaufsdaten vom Vorjahr auf das nächste Jahr. Diese Methode könnte bei der Budgetierung nützlich sein, um den Umsatz auf dem aktuellen Niveau zu simulieren. Das Produkt ist reif und hat keinen Trend auf lange Sicht, aber es könnte ein erhebliches saisonales Nachfragemuster bestehen. Vorhersage Spezifikationen: Keine. Erforderliche Verkaufsgeschichte: Ein Jahr für die Berechnung der Prognose plus die Anzahl der Zeiträume, die für die Bewertung der Prognoseleistung (Perioden der besten Passung) erforderlich sind. Diese Tabelle ist Geschichte in der Prognoseberechnung verwendet: Januar Prognose entspricht Januar des vergangenen Jahres mit einem Prognosewert von 128. Februar Prognose entspricht Februar des vergangenen Jahres mit einem Prognosewert von 117. März Prognose entspricht März des letzten Jahres mit einem Prognosewert von 115. 3.2.4 Methode 4: Moving Average Diese Methode verwendet die Moving Average-Formel, um die angegebene Anzahl von Perioden zu berechnen, um den nächsten Zeitraum zu projizieren. Sie sollten es oft (monatlich oder mindestens vierteljährlich) neu berechnen, um dem sich ändernden Nachfrageniveau zu entsprechen. Um die Nachfrage zu prognostizieren, erfordert diese Methode die Anzahl der Perioden, die am besten geeignet sind, sowie die Anzahl der Perioden des Kundenauftragsverlaufs. Diese Methode ist sinnvoll, um die Nachfrage nach ausgereiften Produkten ohne Trend zu prognostizieren. 3.2.4.1 Beispiel: Methode 4: Moving Average Moving Average (MA) ist eine beliebte Methode zur Mittelung der Ergebnisse der letzten Verkaufsgeschichte, um kurzfristig eine Projektion zu bestimmen. Die MA-Prognosemethode bleibt hinter den Trends zurück. Prognose-Bias und systematische Fehler treten auf, wenn die Produktverkäufe Geschichte starke Tendenz oder saisonale Muster zeigt. Diese Methode arbeitet besser für Kurzstreckenprognosen von reifen Produkten als für Produkte, die sich in den Wachstums - oder Obsoleszenzstadien des Lebenszyklus befinden. Prognosevorgaben: n entspricht der Anzahl der Perioden der Verkaufshistorie, die bei der Prognoseberechnung verwendet werden soll. Geben Sie z. B. n 4 in der Verarbeitungsoption an, um die letzten vier Perioden als Grundlage für die Projektion in den nächsten Zeitraum zu verwenden. Ein großer Wert für n (z. B. 12) erfordert mehr Verkaufsgeschichte. Es führt zu einer stabilen Prognose, ist aber langsam zu erkennen Verschiebungen in der Ebene des Umsatzes. Umgekehrt ist ein kleiner Wert für n (wie z. B. 3) schneller auf Verschiebungen in der Verkaufsstufe zu reagieren, aber die Prognose könnte so weit schwanken, dass die Produktion nicht auf die Variationen reagieren kann. Erforderliche Verkaufsgeschichte: n plus die Anzahl der Zeiträume, die für die Auswertung der Prognoseleistung erforderlich sind (Perioden der besten Passform). Diese Tabelle wird in der Prognoseberechnung verwendet: Februar-Prognose entspricht (114 119 137 125) 4 123,75 gerundet auf 124. März-Prognose entspricht (119 137 125 124) 4 126,25 gerundet auf 126. 3.2.5 Methode 5: Lineare Approximation Diese Methode Verwendet die lineare Approximation-Formel, um einen Trend aus der Anzahl der Perioden des Kundenauftragsverlaufs zu berechnen und diesen Trend auf die Prognose zu projizieren. Sie sollten den Trend monatlich neu berechnen, um Veränderungen in den Trends zu erkennen. Diese Methode erfordert die Anzahl der besagten Perioden und die Anzahl der vorgegebenen Perioden des Kundenauftragsverlaufs. Diese Methode ist nützlich, um die Nachfrage nach neuen Produkten oder Produkten mit gleichbleibenden positiven oder negativen Trends zu prognostizieren, die nicht auf saisonale Schwankungen zurückzuführen sind. 3.2.5.1 Beispiel: Methode 5: Lineare Approximation Lineare Approximation berechnet einen Trend, der auf zwei Erfolgsdaten-Datenpunkten basiert. Diese beiden Punkte definieren eine gerade Trendlinie, die in die Zukunft projiziert wird. Verwenden Sie diese Methode mit Vorsicht, da Langstreckenprognosen durch kleine Änderungen an nur zwei Datenpunkten genutzt werden. Prognosevorgaben: n entspricht dem Datenpunkt im Verkaufsverlauf, der mit dem aktuellsten Datenpunkt verglichen wird, um einen Trend zu identifizieren. Geben Sie z. B. n 4 an, um die Differenz zwischen Dezember (aktuellste Daten) und August (vier Perioden vor Dezember) als Grundlage für die Berechnung des Trends zu verwenden. Mindestens erforderliche Verkaufsgeschichte: n plus 1 plus die Anzahl der Zeiträume, die für die Auswertung der Prognoseleistung (Perioden der besten Anpassung) erforderlich sind. Diese Tabelle wird in der Prognoseberechnung verwendet: Januar-Prognose Dezember des vergangenen Jahres 1 (Trend) 137 (1 mal 2) 139. Februar-Prognose Dezember des vergangenen Jahres 1 (Trend), was 137 (2 mal 2) 141 entspricht. März-Prognose Dezember des vergangenen Jahres 1 (Trend), was 137 entspricht (3 mal 2) 143. 3.2.6 Methode 6: Least Squares Regression Die Least Squares Regression (LSR) Methode ergibt eine Gleichung, die eine geradlinige Beziehung zwischen den historischen Verkaufsdaten beschreibt Und der Ablauf der Zeit. LSR passt eine Zeile in den ausgewählten Datenbereich, so dass die Summe der Quadrate der Unterschiede zwischen den tatsächlichen Verkaufsdatenpunkten und der Regressionsgeraden minimiert wird. Die Prognose ist eine Projektion dieser Geraden in die Zukunft. Diese Methode erfordert die Verkaufsdatenhistorie für den Zeitraum, der durch die Anzahl der Perioden am besten angepasst wird, sowie die angegebene Anzahl historischer Datenperioden. Die Mindestanforderung ist zwei historische Datenpunkte. Diese Methode ist nützlich, um die Nachfrage zu prognostizieren, wenn ein linearer Trend in den Daten liegt. 3.2.6.1 Beispiel: Methode 6: Least Squares Regression Lineare Regression oder Least Squares Regression (LSR) ist die beliebteste Methode zur Identifizierung eines linearen Trends in historischen Verkaufsdaten. Die Methode berechnet die Werte für a und b, die in der Formel verwendet werden sollen: Diese Gleichung beschreibt eine Gerade, wobei Y für Verkäufe steht und X die Zeit darstellt. Lineare Regression ist langsam zu erkennen, Wendepunkte und Schritt-Funktions-Verschiebungen in der Nachfrage. Lineare Regression passt zu einer geraden Linie zu den Daten, auch wenn die Daten saisonal oder besser durch eine Kurve beschrieben werden. Wenn die Verkaufsverlaufsdaten einer Kurve folgen oder ein starkes saisonales Muster aufweisen, treten prognostizierte Vorurteile und systematische Fehler auf. Prognosevorgaben: n entspricht den Perioden der Verkaufsgeschichte, die bei der Berechnung der Werte für a und b verwendet werden. Geben Sie z. B. n 4 an, um den Verlauf von September bis Dezember als Grundlage für die Berechnungen zu verwenden. Wenn Daten verfügbar sind, würde gewöhnlich ein größeres n (wie z. B. n 24) verwendet werden. LSR definiert eine Zeile für so wenig wie zwei Datenpunkte. Für dieses Beispiel wurde ein kleiner Wert für n (n 4) gewählt, um die manuellen Berechnungen zu reduzieren, die erforderlich sind, um die Ergebnisse zu verifizieren. Mindestens erforderliche Verkaufsgeschichte: n Perioden plus die Anzahl der Zeiträume, die für die Bewertung der Prognoseleistung (Perioden der besten Passung) erforderlich sind. Diese Tabelle wird in der Prognoseberechnung verwendet: März-Prognose entspricht 119,5 (7 mal 2,3) 135,6 gerundet auf 136. 3.2.7 Methode 7: Zweite Grad-Approximation Um die Prognose zu projizieren, verwendet diese Methode die Formel für die zweite Grad-Approximation, um eine Kurve zu zeichnen Das basiert auf der Anzahl der Perioden der Verkaufsgeschichte. Diese Methode erfordert die Anzahl der Perioden am besten passt plus die Anzahl der Perioden der Kundenauftrag Geschichte mal drei. Diese Methode ist nicht sinnvoll, um die Nachfrage nach einem längerfristigen Zeitraum zu prognostizieren. 3.2.7.1 Beispiel: Methode 7: Zweite Grad Approximation Lineare Regression bestimmt Werte für a und b in der Prognoseformel Y a b X mit dem Ziel, eine Gerade an die Verkaufsverlaufdaten anzupassen. Die zweite Grad-Approximation ist ähnlich, aber diese Methode bestimmt die Werte für a, b und c in dieser Prognoseformel: Y a b X c X 2 Ziel dieser Methode ist es, eine Kurve auf die Verkaufsverlaufsdaten zu setzen. Diese Methode ist nützlich, wenn sich ein Produkt im Übergang zwischen Lebenszyklusstadien befindet. Zum Beispiel, wenn ein neues Produkt von der Einführung in Wachstumsstadien bewegt, könnte sich der Umsatztrend beschleunigen. Wegen des Termes zweiter Ordnung kann sich die Prognose schnell an die Unendlichkeit wenden oder auf Null fallen (je nachdem, ob der Koeffizient c positiv oder negativ ist). Diese Methode ist nur kurzfristig sinnvoll. Prognose Spezifikationen: die Formel finden a, b und c, um eine Kurve auf genau drei Punkte passen. Sie geben n an, die Anzahl der Zeitperioden der Daten, die sich in jedem der drei Punkte ansammeln. In diesem Beispiel n 3. Die tatsächlichen Verkaufsdaten für April bis Juni werden in den ersten Punkt Q1 zusammengefasst. Juli bis September werden zusammen addiert, um Q2 zu schaffen, und Oktober bis Dezember Summe zu Q3. Die Kurve ist an die drei Werte Q1, Q2 und Q3 angepasst. Erforderliche Verkaufsgeschichte: 3 mal n Perioden für die Berechnung der Prognose plus die Anzahl der Zeiträume, die für die Auswertung der Prognoseleistung (Perioden der besten Anpassung) erforderlich sind. Diese Tabelle wird in der Prognoseberechnung verwendet: Q0 (Jan) (Feb) (Mar) Q1 (Apr) (Mai) (Jun), was 125 122 137 384 Q2 (Jul) (Aug) (Sep) entspricht, was 140 129 entspricht 131 400 Q3 (Okt) (Nov) (Dez), was 114 119 137 370 entspricht Der nächste Schritt beinhaltet die Berechnung der drei Koeffizienten a, b und c, die in der Prognoseformel Y ab X c X 2 verwendet werden sollen. Q1, Q2 und Q3 werden auf der Grafik dargestellt, wobei die Zeit auf der horizontalen Achse aufgetragen ist. Q1 repräsentiert den gesamten historischen Umsatz für April, Mai und Juni und ist auf X 1 Q2 entspricht Juli bis September Q3 entspricht Oktober bis Dezember und Q4 steht für Januar bis März. Diese Grafik veranschaulicht das Plotten von Q1, Q2, Q3 und Q4 für die Näherung des zweiten Grades: Abbildung 3-2 Plotten Q1, Q2, Q3 und Q4 für die zweite Gradnäherung Drei Gleichungen beschreiben die drei Punkte auf dem Graphen: (1) Q1 A cx 2 wobei X 1 (Q1 abc) (2) Q2 a bX cX 2 wobei X 2 (Q2 a 2b 4c) (3) Q3 a bX cX 2 wobei X 3 (Q3 a 3b 9c) die drei Gleichungen gleichzeitig lösen Um die Gleichung 1 (1) aus Gleichung 2 (2) zu subtrahieren und für b zu lösen: (2) ndash (1) Q2 ndash Q1 b 3c b (Q2 ndash Q1) ndash 3c Ersetzen Sie diese Gleichung für B in Gleichung (3): (3) Q3 a 3 (Q2 ndash Q1) ndash 3c 9c a Q3 ndash 3 (Q2 ndash Q1) Schließlich ersetzen diese Gleichungen für a und b in Gleichung (1): (1) Q3 ndash 3 (Q2 ndash Q1) (Q2 ndash Q1) ndash 3c c Q1 c (Q3 ndash Q2) (Q1 ndash Q2) 2 Das zweite Grad Approximation-Verfahren berechnet a, b und c wie folgt: a Q3 ndash 3 (Q2 ndash Q1 ) 370 ndash 3 (400 ndash 384) 370 ndash 3 (16) 322 b (Q2 ndash Q1) ndash3c (400 ndash 384) ndash (3 mal ndash23) 16 69 85 c (Q3 ndash Q2) (Q1 ndash Q2) 2 ( 370 ndash 400) (384 ndash 400) 2 ndash23 Dies ist eine Berechnung der Annäherungsprognose des zweiten Grades: Y a bX cX 2 322 85X (ndash23) (X 2) Wenn X 4, Q4 322 340 ndash 368 294. Die Prognose entspricht 294 3 98 pro Zeitraum. Wenn X 5, Q5 322 425 ndash 575 172. Die Prognose entspricht 172 3 58,33 abgerundet auf 57 pro Periode. Wenn X 6, Q6 322 510 ndash 828 4. Die Prognose entspricht 4 3 1,33 gerundet auf 1 pro Periode. Dies ist die Prognose für das nächste Jahr, letztes Jahr zu diesem Jahr: 3.2.8 Methode 8: Flexible Methode Diese Methode ermöglicht es Ihnen, die bestmögliche Anzahl von Perioden des Kundenauftragsverlaufs auszuwählen, der n Monate vor dem voraussichtlichen Startdatum beginnt Eine prozentuale Erhöhung oder Verringerung des Multiplikationsfaktors anwenden, um die Prognose zu ändern. Diese Methode ähnelt Methode 1, Prozent über letztes Jahr, außer dass Sie die Anzahl der Perioden angeben können, die Sie als Basis verwenden. Abhängig davon, was Sie als n wählen, benötigt diese Methode Perioden, die am besten passen, plus die Anzahl der angegebenen Perioden der Verkaufsdaten. Diese Methode ist nützlich, um die Nachfrage nach einem geplanten Trend zu prognostizieren. 3.2.8.1 Beispiel: Methode 8: Flexible Methode Die Flexible Methode (Prozent über n Monate vorher) ähnelt Methode 1, Prozent über letztes Jahr. Beide Methoden multiplizieren die Verkaufsdaten aus einer früheren Zeitspanne mit einem von Ihnen angegebenen Faktor und projizieren dann das Ergebnis in die Zukunft. In der Percent Over Last Year Methode basiert die Projektion auf Daten aus dem gleichen Zeitraum im Vorjahr. Sie können auch die Flexible Methode verwenden, um einen Zeitraum anzugeben, der nicht der gleiche Zeitraum im letzten Jahr ist, als Grundlage für die Berechnungen zu verwenden. Multiplikationsfaktor Geben Sie z. B. 110 in der Verarbeitungsoption an, um die vorherigen Verkaufsgeschichtsdaten um 10 Prozent zu erhöhen. Basisperiode Zum Beispiel, n 4 bewirkt, dass die erste Prognose auf Umsatzdaten im September des vergangenen Jahres basiert. Mindestens erforderliche Verkaufsgeschichte: Die Anzahl der Perioden zurück zur Basisperiode plus die Anzahl der Zeiträume, die für die Bewertung der Prognoseleistung erforderlich sind (Perioden der besten Anpassung). Diese Tabelle ist Geschichte, die in der Prognoseberechnung verwendet wird: 3.2.9 Methode 9: Gewichteter beweglicher Durchschnitt Die gewichtete bewegliche durchschnittliche Formel ist ähnlich wie Methode 4, Moving Average Formel, weil es im Durchschnitt der vorherigen Monatsverkäufe geschieht, um die nächste Monatsverkaufsgeschichte zu projizieren. Mit dieser Formel können Sie jedoch Gewichte für jede der Vorperioden zuordnen. Diese Methode erfordert die Anzahl der gewählten Perioden plus die Anzahl der Perioden am besten passende Daten. Ähnlich wie Moving Average ist diese Methode hinter den Nachfragetrends zurückgegangen, so dass diese Methode nicht für Produkte mit starken Trends oder Saisonalität empfohlen wird. Diese Methode ist nützlich, um die Nachfrage nach ausgereiften Produkten mit einer Nachfrage zu veranschlagen, die relativ gleich ist. 3.2.9.1 Beispiel: Methode 9: Gewichteter bewegter Durchschnitt Die Methode der gewichteten beweglichen Mittelwerte (WMA) ähnelt Methode 4, Moving Average (MA). Allerdings können Sie bei der Verwendung von WMA ungleiche Gewichte den historischen Daten zuordnen. Die Methode berechnet einen gewichteten Durchschnitt der letzten Verkaufsgeschichte, um kurzfristig eine Projektion zu erreichen. Neuere Daten werden in der Regel ein größeres Gewicht als ältere Daten zugewiesen, so dass WMA eher auf Verschiebungen in der Ebene des Umsatzes reagiert. Allerdings treten prognostizierte Vorurteile und systematische Fehler auf, wenn die Produktverkäufe Geschichte starke Tendenzen oder saisonale Muster aufweist. Diese Methode eignet sich besser für kurzfristige Prognosen von reifen Produkten als für Produkte in den Wachstums - oder Obsoleszenzstadien des Lebenszyklus. Die Anzahl der Perioden der Verkaufsgeschichte (n), die in der Prognoseberechnung verwendet werden soll. Geben Sie z. B. n 4 in der Verarbeitungsoption an, um die letzten vier Perioden als Grundlage für die Projektion in den nächsten Zeitraum zu verwenden. Ein großer Wert für n (z. B. 12) erfordert mehr Verkaufsgeschichte. Ein solcher Wert führt zu einer stabilen Prognose, aber es ist langsam, Verschiebungen im Umsatz zu erkennen. Umgekehrt reagiert ein kleiner Wert für n (wie z. B. 3) schneller auf Verschiebungen im Umsatz, aber die Prognose könnte so weit schwanken, dass die Produktion nicht auf die Variationen reagieren kann. Die Gesamtzahl der Perioden für die Verarbeitungsoption rdquo14 - Perioden zu includerdquo sollte 12 Monate nicht überschreiten. Das Gewicht, das jeder der historischen Datenperioden zugeordnet ist. Die zugewiesene Gewichte müssen 1,00 betragen. Zum Beispiel, wenn n 4, Gewichte von 0,50, 0,25, 0,15 und 0,10 mit den letzten Daten, die das größte Gewicht erhalten. Mindestens erforderliche Verkaufsgeschichte: n plus die Anzahl der Zeiträume, die für die Bewertung der Prognoseleistung (Perioden der besten Passung) erforderlich sind. Diese Tabelle wird in der Prognoseberechnung verwendet: Januar-Prognose entspricht (131 mal 0,10) (114 mal 0,15) (119 mal 0,25) (137 mal 0,50) (0,10 0,15 0,25 0,50) 128,45 gerundet auf 128. Februar-Prognose entspricht (114 mal 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. Jedoch wird anstelle der willkürlichen Zuordnung von Gewichten zu den historischen Daten eine Formel verwendet, um Gewichte zuzuordnen, die linear abfallen und auf 1,00 summieren. Die Methode berechnet dann einen gewichteten Durchschnitt der letzten Verkaufsgeschichte, um kurzfristig eine Projektion zu erreichen. 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. Allerdings enthält das Verfahren 12 auch einen Begriff in der Prognosegleichung, um einen geglätteten Trend zu berechnen. The forecast is composed of a smoothed average that is adjusted for a linear trend. Wenn in der Verarbeitungsoption angegeben, wird die Prognose auch für Saisonalität angepasst. 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 ist ein Maß für Prognosefehler. POA ist ein Maß für die Prognose-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 ist ein Maß für die durchschnittliche Größe der zu erwartenden Fehler, bei einer Prognosemethode und Datenhistorie. Da bei der Berechnung absolute Werte verwendet werden, werden bei positiven Fehlern keine negativen Fehler ausgelöst. 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. Wenn die Prognosen konsequent zu hoch sind, sammeln sich die Bestände an und die Inventurkosten steigen. 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. In den Diensten ist die Größenordnung der Prognosefehler in der Regel wichtiger als die Vorhersage. 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. Scripting on this page enhances content navigation, but does not change the content in any way.
No comments:
Post a Comment