สี่ งวด เฉลี่ยเคลื่อนที่ คาดการณ์ ตัวอย่างเช่น

ตัวอย่างการคำนวณการพยากรณ์อากาศ A.1 วิธีการคำนวณพยากรณ์อากาศมีอยู่ 12 วิธีในการคำนวณการคาดการณ์ วิธีการเหล่านี้ส่วนใหญ่มีไว้สำหรับการควบคุมผู้ใช้ที่ จำกัด ตัวอย่างเช่นอาจมีการระบุน้ำหนักที่วางไว้ในข้อมูลทางประวัติศาสตร์ล่าสุดหรือช่วงวันที่ของข้อมูลประวัติที่ใช้ในการคำนวณ ตัวอย่างต่อไปนี้แสดงขั้นตอนการคำนวณสำหรับแต่ละวิธีการคาดการณ์ที่พร้อมใช้งานโดยให้ข้อมูลประวัติที่เหมือนกัน ตัวอย่างต่อไปนี้ใช้ข้อมูลการขายแบบเดียวกันสำหรับปีพ. ศ. 2547 และ 2548 เพื่อสร้างยอดขายในปี 2549 นอกเหนือจากการคาดการณ์แล้วแต่ละตัวอย่างจะมีการคาดการณ์ในปีพ. ศ. 2548 สำหรับระยะเวลาการระงับสามเดือน (ตัวเลือกการประมวลผล 19 3) ซึ่งใช้แล้วสำหรับเปอร์เซ็นต์ความถูกต้องและการคำนวณค่าเบี่ยงเบนสัมบูรณ์ (ค่าเฉลี่ยการเบี่ยงเบนสัมบูรณ์) (ยอดขายจริงเทียบกับการคาดการณ์แบบจำลอง) A.2 เกณฑ์การประเมินประสิทธิภาพพยากรณ์พยากรณ์ขึ้นอยู่กับตัวเลือกการประมวลผลของคุณและแนวโน้มและรูปแบบที่มีอยู่ในข้อมูลการขายวิธีการคาดการณ์บางอย่างจะทำงานได้ดีกว่าข้อมูลอื่นที่มีอยู่ในอดีต วิธีการพยากรณ์อากาศที่เหมาะสมสำหรับผลิตภัณฑ์หนึ่งอาจไม่เหมาะสมสำหรับผลิตภัณฑ์อื่น นอกจากนี้ยังไม่น่าเป็นไปได้ว่าวิธีการคาดการณ์ที่ให้ผลลัพธ์ที่ดีในขั้นตอนหนึ่งของวงจรชีวิตของผลิตภัณฑ์จะยังคงเหมาะสมตลอดทั้งวงจรชีวิต คุณสามารถเลือกระหว่างสองวิธีเพื่อประเมินประสิทธิภาพปัจจุบันของวิธีการคาดการณ์ ค่าเบี่ยงเบนสัมบูรณ์ (MAD) และเปอร์เซ็นต์ความถูกต้อง (POA) ทั้งสองวิธีการประเมินผลการปฏิบัติงานเหล่านี้ต้องการข้อมูลการขายในอดีตสำหรับผู้ใช้ที่ระบุไว้ในช่วงเวลา ระยะเวลานี้เรียกว่าระยะเวลา holdout หรือช่วงเวลาที่เหมาะสม (PBF) ข้อมูลในช่วงนี้ใช้เป็นพื้นฐานสำหรับการแนะนำวิธีการคาดการณ์ที่จะใช้ในการทำประมาณการครั้งต่อไป คำแนะนำนี้มีไว้สำหรับแต่ละผลิตภัณฑ์และอาจมีการเปลี่ยนแปลงจากรุ่นที่คาดการณ์ไปหนึ่งรุ่นต่อไป ทั้งสองวิธีการประเมินผลการคาดการณ์จะแสดงในหน้าเว็บตามตัวอย่างของสิบสองวิธีการคาดการณ์ A.3 วิธีที่ 1 - เปอร์เซ็นต์ที่ระบุในปีที่ผ่านมาวิธีนี้จะคูณข้อมูลการขายจากปีที่แล้วโดยผู้ใช้ที่ระบุเช่น 1.10 สำหรับการเพิ่มขึ้น 10 ครั้งหรือ 0.97 สำหรับการลดลง 3 ครั้ง ประวัติการขายที่ต้องการ: หนึ่งปีสำหรับการคำนวณการคาดการณ์บวกจำนวนผู้ใช้ที่ระบุช่วงเวลาสำหรับการประเมินประสิทธิภาพการคาดการณ์ (ตัวเลือกการประมวลผล 19) A.4.1 ช่วงการคาดการณ์ของประมาณการประวัติการขายเพื่อใช้ในการคำนวณปัจจัยการเติบโต (ตัวเลือกการประมวลผล 2a) 3 ในตัวอย่างนี้ รวมสามเดือนสุดท้ายของปี 2548: 114 119 137 370 รวม 3 เดือนของปีก่อน 123 139 133 395 คำนวณตามปัจจัย 370395 0.9367 คำนวณการคาดการณ์ยอดขายในเดือนมกราคม 2548 128 0.9367 119.8036 หรือประมาณ 120 กุมภาพันธ์ 2548 ยอดขาย 117 0.9367 109.5939 หรือประมาณ 110 มีนาคม 2548 ยอดขาย 115 0.9367 107.7205 หรือประมาณ 108 A.4.2 การคำนวณพยากรณ์แบบจำลองรวม 3 เดือนของปี 2548 ก่อนระยะเวลาการระงับ (กรกฎาคมสิงหาคมกันยายน): 129 140 131 400 รวมสามเดือนสำหรับ ปีที่แล้ว: 141 128 118 387 ค่าที่คำนวณได้ 400387 1.033591731 คำนวณการคาดการณ์แบบจำลอง: ตุลาคม 2547 ยอดขาย 123 1.033591731 127.13178 พฤศจิกายน 2547 ยอดขาย 139 1.033591731 143.66925 ธันวาคม 2547 ยอดขาย 133 1.033591731 137.4677 A.4.3 เปอร์เซ็นต์ของการคำนวณความถูกต้อง POA (127.13178 143.66925 137.4677) (114 119 137) 100 408.26873 370 100 110.3429 A.4.4 การคำนวณค่าเบี่ยงเบนสัมบูรณ์เที่ยงตรงหมายถึง MAD (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นี้วิธีการนี้ทําการคัดลอกขอมูลการขายจากปกอนไปเปนปหนา ประวัติการขายที่ต้องการ: หนึ่งปีสำหรับการคำนวณการคาดการณ์บวกจำนวนของช่วงเวลาที่ระบุไว้สำหรับการประเมินประสิทธิภาพการคาดการณ์ (ตัวเลือกการประมวลผล 19) A.6.1 การพยากรณ์การคาดการณ์จำนวนรอบที่จะรวมอยู่ในค่าเฉลี่ย (ตัวเลือกการประมวลผล 4a) 3 ในตัวอย่างนี้สำหรับแต่ละเดือนของการคาดการณ์โดยเฉลี่ยแล้วข้อมูลสามเดือนก่อนหน้า ประมาณการมกราคม: 114 119 137 370, 370 3 123.333 หรือ 123 การคาดการณ์ในเดือนกุมภาพันธ์: 119 137 123 379, 379 3 126.333 หรือ 126 รายงานประจำเดือนมีนาคม: 137 123 126 379, 386 3 128.667 หรือ 129 A.6.2 การคำนวณพยากรณ์จำลองคำนวณยอดขายในเดือนตุลาคม 2548 (129 (131,333 128.3333 121.3333) (114 119 137) 100 103.513 A.6.4 Mean Absolute (ค่าสัมบูรณ์ที่คำนวณได้) การคำนวณค่าเบี่ยงเบน MAD (133.3333 - 114 128.3333 - 119 121.3333 - 137) 3 14.7777 A.7 วิธีที่ 5 - การประมาณค่าเชิงเส้นเส้นประมาณเชิงเส้นคำนวณแนวโน้มตามจุดข้อมูลการขายสองจุด จุดที่สองกำหนดเส้นแนวโน้มตรงที่คาดการณ์ไว้ในอนาคต ใช้วิธีนี้ด้วยความระมัดระวังเนื่องจากการคาดการณ์ในระยะยาวจะใช้ประโยชน์จากการเปลี่ยนแปลงเพียงจุดข้อมูลสองจุด ประวัติการขายที่ต้องการ: จำนวนงวดที่จะรวมไว้ในการถดถอย (ตัวเลือกการประมวลผล 5a) บวก 1 บวกจำนวนช่วงเวลาสำหรับการประเมินประสิทธิภาพการคาดการณ์ (ตัวเลือกการประมวลผล 19) (ตัวประมวลผลการประมวลผล 6a) 3 ในตัวอย่างนี้สำหรับแต่ละเดือนของการคาดการณ์เพิ่มการเพิ่มหรือลดลงในช่วงเวลาที่ระบุก่อนช่วงเวลา holdout รอบระยะเวลาก่อนหน้า ค่าเฉลี่ยของช่วง 3 เดือนก่อนหน้า (114 119 137) 3 123.3333 สรุปช่วง 3 เดือนที่ผ่านมาโดยพิจารณาน้ำหนัก (114 1) (119 2) (137 3) 763 ความแตกต่างระหว่างค่า 763 - 123.3333 (1 2 3) 23 อัตราส่วน ( 12 22 32) - 2 3 14 - 12 2 มูลคา 1 ความแตกตางระหวางการทํางาน 232 11.5 มูลคา 2 คาเฉลี่ย - value1 123.3333 - 11.5 2 100.3333 พยากรณ์ (1 n) คา 1 คา 2 4 11.5 100.3333 146.333 หรือ 146 การคาดการณ์ 5 11.5 100.3333 157.8333 หรือ 158 Forecast 6 11.5 100.3333 169.3333 หรือ 169 A.8.2 การคำนวณพยากรณ์จำลองคำนวณยอดขายในเดือนตุลาคม 2547: เฉลี่ย 3 เดือนก่อนหน้า (129 140 131) 3 133.3333 สรุปช่วงสามเดือนที่ผ่านมาโดยพิจารณาน้ำหนัก (129 1) (140 2) (131 3) 802 ความแตกต่างระหว่าง (1 22) 2 3 14 - 12 2 Value1 ความแตกต่างRatio 22 1 Value2 Average - value1 ratio 133.3333 - 1 2 131.3333 Forecast (1 n) value1 value2 4 1 131.3333 135.3333 November 2004 ขาย ค่าเฉลี่ยของสามเดือนก่อนหน้า (140 131 114) 3 128.3333 สรุปช่วง 3 เดือนที่ผ่านมาโดยพิจารณาน้ำหนัก (140 1) (131 2) (114 3) 744 ความแตกต่างระหว่างค่า 744 - 128.3333 (1 2 3) -25.9999 มูลค่า 1 (131 114 119) 3 121.3333 สรุปผลการดำเนินงานในช่วง 3 เดือนที่ผ่านมาโดยพิจารณาน้ำหนัก (3) ค่าใช้จ่ายในการดำเนินงาน 131 1) (114 2) (119 3) 716 ความแตกตางระหวางคา 716 - 121.3333 (1 2 3) -11.9999 คาที่ 1 ความแตกตางระหวาง -11.99992 -5.9999 มูลคา 2 คาเฉลี่ย 121.3333 - (-5.9999) 2 133.3333 พยากรณ์ 4 (-5.9999 ) 133.3333 109.3333 A.8.3 ร้อยละของการคำนวณความถูกต้อง POA (135.33 102.33 109.33) (114 119 137) 100 93.78 A.8.4 การคำนวณค่าเบี่ยงเบนสัมบูรณ์ที่มีค่าเฉลี่ย MAD (135.33 - 114 102.33 - 119 109.33 - 137) 3 21.88 A.9 วิธีที่ 7 - ซีคอน d การประมาณค่าระดับการถดถอยเชิงเส้นกำหนดค่าสำหรับ a และ b ในสูตรการคาดการณ์ Y a bX โดยมีวัตถุประสงค์เพื่อให้ตรงกับข้อมูลประวัติการขาย การประมาณปริญญาที่สองคล้ายกัน อย่างไรก็ตามวิธีนี้กำหนดค่าสำหรับ a, b และ c ในสูตรการคาดการณ์ Y a bX cX2 โดยมีวัตถุประสงค์เพื่อปรับเส้นโค้งให้สอดคล้องกับข้อมูลประวัติการขาย วิธีนี้อาจเป็นประโยชน์เมื่อผลิตภัณฑ์อยู่ในช่วงการเปลี่ยนผ่านระหว่างขั้นตอนของวงจรชีวิต ตัวอย่างเช่นเมื่อผลิตภัณฑ์ใหม่ย้ายจากช่วงแนะนำสู่ช่วงการเติบโตแนวโน้มการขายอาจเพิ่มขึ้น เนื่องจากลำดับที่สองการคาดการณ์สามารถหาอินฟินิตี้ได้อย่างรวดเร็วหรือลดลงเป็นศูนย์ (ขึ้นอยู่กับว่าสัมประสิทธิ์ c เป็นบวกหรือลบ) ดังนั้นวิธีนี้มีประโยชน์ในระยะสั้นเท่านั้น ข้อกำหนดการคาดการณ์: สูตรจะพบ a, b และ c ให้พอดีกับเส้นโค้งให้ตรงกับสามจุด คุณระบุ n ในตัวเลือกการประมวลผล 7a จำนวนช่วงเวลาของข้อมูลที่จะสะสมลงในแต่ละจุดสามจุด ในตัวอย่างนี้ n 3 ดังนั้นข้อมูลการขายจริงสำหรับเดือนเมษายนถึงมิถุนายนจะรวมกันเป็นจุดแรก Q1 ตั้งแต่เดือนกรกฎาคมถึงเดือนกันยายนรวมกันเพื่อสร้างไตรมาสที่ 2 และเดือนตุลาคมถึงเดือนธันวาคมรวมเป็นไตรมาสที่ 3 เส้นโค้งจะพอดีกับสามค่า Q1, Q2 และ Q3 ประวัติการขายที่ต้องการ: 3 n งวดสำหรับการคำนวณการคาดการณ์บวกจำนวนช่วงเวลาที่จำเป็นสำหรับการประเมินผลการพยากรณ์ (PBF) จำนวนงวดที่จะรวม (ตัวเลือกการประมวลผล 7a) 3 ในตัวอย่างนี้ใช้เดือนที่แล้ว (3 n) เดือนในช่วงสามเดือน: 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 ขั้นตอนต่อไปคือการคำนวณค่าสัมประสิทธิ์ทั้งสามแบบ a, b และ c เพื่อใช้ในสูตรคาดการณ์ Y a bX cX2 (1) Q1 a bX cX2 (โดยที่ X 1) abc (2) Q2 bx cX2 (where X 2) a 2b 4c (3) Q3 a bX cX2 (where X 3) a 3b 9c แก้สมการทั้งสามสมการหา b, a และ c: ลบสมการ (1) จากสมการ (2) (3) Q3 a 3 (Q2-Q1) - 3c c ท้ายแทนสมการเหล่านี้สำหรับ a และ b ให้เป็นสมการ (2) - (1) Q2 - Q1 b 3c (q2 - Q1) - 3c c Q1 c (Q3 - Q2) (Q1 - Q2) 2 วิธีประมาณที่สองใช้คำนวณหา a, b และ c ดังนี้ 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 cX2 322 85X (-23) X2 มกราคมถึงมีนาคมคาดการณ์ (X4): (322 340 - 368) 3 2943 98 ในช่วงเดือนเมษายนถึงมิถุนายน (X5): (322 425 - 575) 3 57.333 หรือ 57 ต่องวดตั้งแต่เดือนกรกฎาคมถึงกันยายน (X6): (322 510 - 828) 3 1.33 หรือ 1 ต่องวดตั้งแต่เดือนตุลาคมถึงธันวาคม (X7) (322 595 - 11273 -70 A.9.2 การคำนวณพยากรณ์แบบจำลองเดือนตุลาคมพฤศจิกายนและธันวาคม 2547 ยอดขาย: Q1 (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 ข (384 - 360) - 3 (-4) 36 328 36 4 (-4) 163 136 A.9.3 เปอร์เซ็นต์การคำนวณความถูกต้อง POA (136 136 136) (114 119 137) 100 110.27 A.9.4 การคำนวณค่าเบี่ยงเบนสัมบูรณ์ที่คำนวณได้ MAD (136 - 114 136 - 119 136 - 137) 3 13.33 A.10 วิธีที่ 8 - วิธีที่ยืดหยุ่นวิธีการที่ยืดหยุ่น (เปอร์เซ็นต์มากกว่า n เดือนก่อน) คล้ายกับวิธีการ 1 ร้อยละเมื่อปีที่แล้ว ทั้งสองวิธีคูณข้อมูลการขายจากช่วงเวลาก่อนหน้าโดยผู้ใช้ที่ระบุแล้วจะคาดการณ์ผลลัพธ์ในอนาคต ในวิธีคิดอัตราส่วนต่อปีที่ผ่านมาการประมาณการจะขึ้นอยู่กับข้อมูลจากช่วงเวลาเดียวกันของปีที่ผ่านมา วิธีการแบบยืดหยุ่นจะเพิ่มความสามารถในการระบุช่วงเวลาอื่นนอกเหนือจากช่วงเวลาเดียวกันของปีที่ผ่านมาเพื่อใช้เป็นเกณฑ์ในการคำนวณ คูณปัจจัย ตัวอย่างเช่นระบุ 1.15 ในตัวเลือกการประมวลผล 8b เพื่อเพิ่มข้อมูลประวัติการขายก่อนหน้านี้โดย 15. ระยะเวลาฐาน ตัวอย่างเช่น n 3 จะทำให้การคาดการณ์ครั้งแรกขึ้นอยู่กับข้อมูลการขายในเดือนตุลาคม 2548 ประวัติการขายขั้นต่ำ: ผู้ใช้ระบุจำนวนงวดย้อนกลับไปยังช่วงเวลาพื้นฐานบวกกับจำนวนช่วงเวลาที่จำเป็นสำหรับการประเมินผลการคาดการณ์ ( PBF) A.10.4 การคำนวณค่าเบี่ยงเบนสัมบูรณ์ที่ระดับความเชื่อมั่น MAD (148 - 114 161 - 119 151 - 137) 3 30 A.11 วิธีที่ 9 - ค่าเฉลี่ยถ่วงน้ำหนักวิธีการถัวเฉลี่ยถ่วงน้ำหนักเคลื่อนที่ (WMA) คล้ายกับวิธีที่ 4 ค่าเฉลี่ยเคลื่อนที่ (MA) อย่างไรก็ตามคุณสามารถกำหนดน้ำหนักการถ่วงน้ำหนักที่ไม่เท่ากันให้กับข้อมูลทางประวัติศาสตร์ได้โดยใช้ Weighted Moving Average วิธีคำนวณค่าเฉลี่ยถ่วงน้ำหนักของประวัติการขายล่าสุดเพื่อให้ได้ภาพที่ประมาณการในระยะสั้น ข้อมูลล่าสุดมักได้รับมอบหมายให้มีน้ำหนักมากกว่าข้อมูลที่เก่ากว่าดังนั้นจึงทำให้ WMA มีการตอบสนองต่อการเปลี่ยนแปลงระดับการขายมากขึ้น อย่างไรก็ตามแนวโน้มการคาดการณ์และข้อผิดพลาดอย่างเป็นระบบยังคงเกิดขึ้นเมื่อประวัติการขายของผลิตภัณฑ์แสดงแนวโน้มที่แข็งแกร่งหรือตามฤดูกาล วิธีนี้ใช้งานได้ดีกว่าสำหรับการคาดการณ์ในระยะสั้นของผลิตภัณฑ์ที่ครบกำหนดมากกว่าผลิตภัณฑ์ที่อยู่ในช่วงการเจริญเติบโตหรือเสื่อมสภาพของวงจรชีวิต n จำนวนระยะเวลาของประวัติการขายที่จะใช้ในการคำนวณคาดการณ์ ตัวอย่างเช่นระบุ n 3 ในตัวเลือกการประมวลผล 9a เพื่อใช้ช่วงเวลาสามช่วงล่าสุดเป็นเกณฑ์สำหรับการฉายในช่วงเวลาถัดไป ค่าที่มากสำหรับ n (เช่น 12) ต้องการประวัติการขายเพิ่มขึ้น ส่งผลให้มีการคาดการณ์ที่มั่นคง แต่จะช้าในการรับรู้ถึงการเปลี่ยนแปลงในระดับของยอดขาย ในทางกลับกันค่าเล็กน้อยสำหรับ n (เช่น 3) จะตอบสนองได้เร็วขึ้นเพื่อเลื่อนระดับการขาย แต่การคาดการณ์อาจผันผวนอย่างกว้างขวางเพื่อให้การผลิตไม่สามารถตอบสนองต่อรูปแบบต่างๆได้ น้ำหนักที่กำหนดให้กับแต่ละช่วงข้อมูลที่ผ่านมา น้ำหนักที่กำหนดต้องเป็น 1.00 ตัวอย่างเช่นเมื่อ n 3 ให้กำหนดน้ำหนักของ 0.6, 0.3 และ 0.1 โดยข้อมูลล่าสุดจะได้รับน้ำหนักมากที่สุด ประวัติการขายที่ต้องการขั้นต่ำ: n บวกจำนวนช่วงเวลาที่จำเป็นสำหรับการประเมินประสิทธิภาพการคาดการณ์ (PBF) MAD (133.5 - 114 121.7 - 119 118.7 - 137) 3 13.5 A.12 วิธีที่ 10 - การทำให้เรียบแบบ Linear วิธีนี้คล้ายกับวิธีที่ 9 Weighted Moving Average (WMA) อย่างไรก็ตามแทนที่จะใช้การกำหนดน้ำหนักโดยพลการให้กับข้อมูลทางประวัติศาสตร์สูตรจะใช้เพื่อกำหนดน้ำหนักที่ลดลงเป็นเชิงเส้นและรวมกันเป็น 1.00 วิธีนี้จะคำนวณถัวเฉลี่ยถ่วงน้ำหนักของประวัติการขายล่าสุดที่จะมาถึงการฉายในระยะสั้น ตามที่เป็นจริงของเทคนิคการคาดการณ์การเคลื่อนไหวเชิงเส้นทั้งหมดคาดการณ์การคาดการณ์และข้อผิดพลาดอย่างเป็นระบบเกิดขึ้นเมื่อประวัติการขายของผลิตภัณฑ์แสดงแนวโน้มที่แข็งแกร่งหรือรูปแบบตามฤดูกาล วิธีนี้ใช้งานได้ดีกว่าสำหรับการคาดการณ์ในระยะสั้นของผลิตภัณฑ์ที่ครบกำหนดมากกว่าผลิตภัณฑ์ที่อยู่ในช่วงการเจริญเติบโตหรือเสื่อมสภาพของวงจรชีวิต n จำนวนระยะเวลาของประวัติการขายที่จะใช้ในการคำนวณคาดการณ์ ซึ่งระบุไว้ในตัวเลือกการประมวลผล 10a ตัวอย่างเช่นระบุ n 3 ในตัวเลือกการประมวลผล 10b เพื่อใช้ช่วงเวลาสามช่วงล่าสุดเป็นเกณฑ์สำหรับการฉายในช่วงเวลาถัดไป ระบบจะกำหนดน้ำหนักให้กับข้อมูลทางประวัติศาสตร์ที่ลดลงโดยอัตโนมัติและรวมเป็น 1.00 ตัวอย่างเช่นเมื่อ n 3 ระบบจะกำหนดน้ำหนักของ 0.5, 0.3333 และ 0.1 โดยข้อมูลล่าสุดจะได้รับน้ำหนักมากที่สุด ประวัติการขายที่ต้องการขั้นต่ำ: n บวกจำนวนช่วงเวลาที่จำเป็นสำหรับการประเมินประสิทธิภาพการคาดการณ์ (PBF) (ตัวประมวลผล 10a) 3 ในตัวอย่างนี้อัตราส่วนสำหรับระยะเวลาหนึ่งก่อน 3 (n2 n) 2 3 (32 3) 2 36 0.5 อัตราส่วนสองช่วงก่อนหน้า 2 (n2 n ) 2 2 (32 3) 2 26 0.3333 .. อัตราส่วนสามงวดก่อน 1 (n 2 n) 2 1 (32 3) 2 16 0.1666 .. พยากรณ์มกราคม: 137 0.5 119 13 114 16 127.16 หรือ 127 การคาดการณ์เดือนกุมภาพันธ์: 127 0.5 137 13 119 16 129 การคาดการณ์ของเดือนมีนาคม: 129 0.5 127 13 137 16 129.666 หรือ 130 A.12.2 การคำนวณพยากรณ์จำลองคำนวณยอดขายในเดือนตุลาคม 2547 129 16 140 26 131 36 133.6666 พฤศจิกายน 2547 ยอดขาย 140 16 131 26 114 36 124 ธันวาคม 2547 ขาย 131 16 114 26 119 36 119.3333 A.12.3 เปอร์เซ็นต์ของการคำนวณความถูกต้อง POA (133.6666 124 119.3333) (114 119 137) 100 101.891 A.12.4 การคำนวณค่าเบี่ยงเบนสัมบูรณ์เที่ยงตรงหมายถึง MAD (133.6666 - 114 124 - 119 119.3333 - 137) 3 14.1111 A.13 วิธีที่ 11 - วิธีการนี้มีความคล้ายคลึงกับวิธีที่ 10, Linear Smoothing ใน Linear Smoothing ระบบจะกำหนดน้ำหนักให้กับข้อมูลทางประวัติศาสตร์ที่ลดลงเป็นเส้นตรง ระบบจะกำหนดน้ำหนักที่สลายตัวแบบเลขชี้กำลัง สมการพยากรณ์ความเป็นไปได้คือ: พยากรณ์ (การขายจริงก่อนหน้านี้) (1 - a) พยากรณ์ก่อนหน้านี้การคาดการณ์คือค่าเฉลี่ยถ่วงน้ำหนักของยอดขายจริงจากช่วงก่อนหน้าและประมาณการจากช่วงก่อนหน้า a คือน้ำหนักที่ใช้กับยอดขายที่เกิดขึ้นจริงสำหรับงวดก่อนหน้า (1 - a) คือน้ำหนักที่ใช้กับการคาดการณ์ในช่วงก่อนหน้า ค่าที่ถูกต้องสำหรับช่วงตั้งแต่ 0 ถึง 1 และโดยปกติจะอยู่ระหว่าง 0.1 ถึง 0.4 ผลรวมของน้ำหนักคือ 1.00 a (1 - a) 1 คุณควรกำหนดค่าสำหรับค่าคงที่ที่ราบเรียบ a. ถ้าคุณไม่ได้กำหนดค่าสำหรับการปรับให้ราบเรียบระบบจะคำนวณค่าที่สันนิษฐานขึ้นอยู่กับจำนวนรอบระยะเวลาของประวัติการขายที่ระบุไว้ในตัวเลือกการประมวลผล 11a ค่าคงที่ที่ราบเรียบที่ใช้ในการคำนวณค่าเฉลี่ยที่เรียบสำหรับระดับทั่วไปหรือขนาดของยอดขาย ค่าที่ถูกต้องสำหรับช่วงตั้งแต่ 0 ถึง 1 n ช่วงข้อมูลประวัติการขายที่จะรวมไว้ในการคำนวณ โดยทั่วไปหนึ่งปีของข้อมูลประวัติการขายก็เพียงพอที่จะประมาณยอดขายโดยทั่วไป สำหรับตัวอย่างนี้ได้เลือกค่าเล็กน้อยสำหรับ n (n 3) เพื่อลดการคำนวณด้วยตนเองที่จำเป็นสำหรับการตรวจสอบผล การทำให้เรียบแบบเสี้ยว (Exponential smoothing) สามารถสร้างการคาดการณ์โดยอิงตามจุดข้อมูลทางประวัติศาสตร์เพียงอย่างเดียว ประวัติการขายที่ต้องการขั้นต่ำ: n บวกจำนวนช่วงเวลาที่จำเป็นสำหรับการประเมินประสิทธิภาพการคาดการณ์ (PBF) (ตัวประมวลผล 11a) 3 และปัจจัยอัลฟา (ตัวเลือกการประมวลผล 11b) ว่างไว้ในตัวอย่างนี้เป็นปัจจัยสำหรับข้อมูลการขายที่เก่าแก่ที่สุด 2 (11) หรือ 1 เมื่อระบุ alpha เป็นปัจจัยสำหรับ 2 ข้อมูลการขายที่เก่าแก่ที่สุด 2 (12) หรืออัลฟาเมื่อ alpha ระบุปัจจัยสำหรับข้อมูลการขายที่เก่าแก่ที่สุดอันดับที่ 3 ที่ 2 (13) หรือ alpha เมื่อ alpha ระบุปัจจัยสำหรับข้อมูลการขายล่าสุด 2 (1n) หรือ alpha เมื่อระบุ alpha พฤศจิกายน Sm เฉลี่ย a (เดือนตุลาคมที่เกิดขึ้นจริง) (1 - a) October Sm. เฉลี่ย 1 114 0 0 114 ธันวาคม Sm. เฉลี่ย a (November Actual) (1 - a) พฤศจิกายน Sm. เฉลี่ย 23 119 13 114 117.3333 มกราคมคาดการณ์ (ธันวาคมจริง) (1 - ก) ธันวาคม Sm เฉลี่ย 24 137 24 117.3333 127.16665 หรือ 127 February Forecast มกราคม Forecast 127 March Forecast มกราคม Forecast 127 A.13.2 การคำนวณพยากรณ์แบบจำลองกรกฎาคม 2547 Sm เฉลี่ย 22 129 129 สิงหาคม Sm. เฉลี่ย 23 140 13 129 136.3333 กันยายนกันยายน เฉลี่ย 24 131 24 136.3333 133.6666 ตุลาคม 2547 ยอดขายกันยายนกันยายนศ. เฉลี่ย 133.6666 สิงหาคม, 2547 Sm. เฉลี่ย 22 140 140 กันยายนกันยายน เฉลี่ย 23 131 13 140 134 ตุลาคม Sm. เฉลี่ย 24 114 24 134 124 พฤศจิกายน 2547 ขายกันยายนกันยายน เฉลี่ย 124 กันยายน 2547 Sm. เฉลี่ย 22 131 131 ตุลาคม Sm. เฉลี่ย 23 114 13 131 119.6666 พฤศจิกายนศ. เฉลี่ย 24 119 24 119.6666 119.3333 ยอดขายธันวาคม 2547 ก. ย. Sm. เฉลี่ย 119.3333 A.13.3 ร้อยละของความถูกต้องคำนวณไม่แสดงราคา (133.6666 119.3333 124) (114 119 137) 100 101.891 A.13.4 Mean แอบโซลูท MAD เบี่ยงเบนการคำนวณ (133.6666-114 124-119 119.3333-137) 3 14.1111 A.14 วิธีที่ 12 - Exponential Smoothing กับเทรนด์และฤดูกาลวิธีนี้คล้ายคลึงกับวิธีที่ 11 Exponential Smoothing โดยคำนวณค่าเฉลี่ยที่ราบเรียบ อย่างไรก็ตามวิธีที่ 12 รวมถึงคำในสมการพยากรณ์เพื่อคำนวณแนวโน้มที่ราบรื่น การคาดการณ์ประกอบด้วยการปรับค่าเฉลี่ยที่ราบเรียบสำหรับแนวโน้มเชิงเส้น เมื่อระบุไว้ในตัวเลือกการประมวลผลการคาดการณ์จะได้รับการปรับตามฤดูกาลด้วยเช่นกัน ค่าคงที่ที่ราบเรียบที่ใช้ในการคำนวณค่าเฉลี่ยที่เรียบสำหรับระดับทั่วไปหรือขนาดของยอดขาย ค่าที่ถูกต้องสำหรับ alpha มีตั้งแต่ 0 ถึง 1 b ค่าคงที่ที่ราบเรียบที่ใช้ในการคำนวณค่าเฉลี่ยที่ราบเรียบสำหรับส่วนประกอบแนวโน้มของการคาดการณ์ ค่าที่ถูกต้องสำหรับช่วงเบต้าตั้งแต่ 0 ถึง 1 ไม่ว่าจะมีการใช้ดัชนีตามฤดูกาลกับการคาดการณ์ a และ b จะไม่ขึ้นกับแต่ละอื่น ๆ พวกเขาไม่ต้องเพิ่มเป็น 1.0 ประวัติการขายที่ต้องการขั้นต่ำ: สองปีบวกระยะเวลาที่จำเป็นสำหรับการประเมินผลการคาดการณ์ (PBF) วิธีที่ 12 ใช้สมการราบเรียบแบบเอ็กซเรนแนนเชียลและค่าเฉลี่ยที่เรียบง่ายเพียงอย่างเดียวในการคำนวณหาค่าเฉลี่ยที่ราบเรียบแนวโน้มเรียบและค่าเฉลี่ยตามฤดูกาลที่เรียบง่าย A.14.1 การคำนวณพยากรณ์ A) ค่าเฉลี่ย MAD แบบเรียบ (122.81 - 114 133.14 - 119 135.33 - 137) 3 8.2 A.15 การประเมินการคาดการณ์คุณสามารถเลือกวิธีคาดการณ์เพื่อสร้างการคาดการณ์ได้ถึงสิบสองครั้งสำหรับแต่ละผลิตภัณฑ์ วิธีการคาดการณ์แต่ละวิธีอาจสร้างการฉายภาพที่แตกต่างกันเล็กน้อย เมื่อมีการคาดการณ์ผลิตภัณฑ์หลายพันรายการจะไม่เป็นไปได้ในการตัดสินใจอย่างเป็นอัตนัยเกี่ยวกับการคาดการณ์ใดในแผนงานของคุณสำหรับแต่ละผลิตภัณฑ์ ระบบประเมินประสิทธิภาพโดยอัตโนมัติสำหรับแต่ละวิธีคาดการณ์ที่คุณเลือกและสำหรับแต่ละผลิตภัณฑ์คาดการณ์ คุณสามารถเลือกระหว่างสองเกณฑ์ประสิทธิภาพ ได้แก่ Mean Absolute Deviation (MAD) และเปอร์เซ็นต์ความถูกต้อง (POA) MAD เป็นตัวชี้วัดข้อผิดพลาดในการคาดการณ์ POA เป็นตัววัดความลำเอียงของการคาดการณ์ เทคนิคการประเมินประสิทธิภาพทั้งสองแบบนี้ต้องการข้อมูลประวัติการขายที่แท้จริงสำหรับผู้ใช้ตามช่วงเวลาที่กำหนด ช่วงเวลาของประวัติล่าสุดนี้เรียกว่าระยะเวลาการระงับหรือช่วงเวลาที่เหมาะสม (PBF) หากต้องการวัดประสิทธิภาพของวิธีการคาดการณ์ให้ใช้สูตรคาดการณ์เพื่อจำลองการคาดการณ์สำหรับระยะเวลาการระงับชั่วคราวในอดีต โดยทั่วไปจะมีความแตกต่างระหว่างข้อมูลการขายที่เกิดขึ้นจริงกับการคาดการณ์แบบจำลองสำหรับระยะเวลาการระงับ เมื่อเลือกวิธีคาดการณ์หลายวิธีกระบวนการเดียวกันนี้จะเกิดขึ้นกับแต่ละวิธี คาดการณ์หลายรายการสำหรับระยะเวลาการระงับและเปรียบเทียบกับประวัติการขายที่รู้จักกันในช่วงเวลาเดียวกัน แนะนำให้ใช้วิธีการคาดการณ์ที่เหมาะสมที่สุดในการคาดการณ์และยอดขายจริงในช่วงระยะเวลาการระงับชั่วคราวเพื่อใช้ในแผนงานของคุณ ข้อเสนอแนะนี้มีไว้สำหรับแต่ละผลิตภัณฑ์โดยเฉพาะและอาจเปลี่ยนจากการคาดการณ์หนึ่งไปเป็นอีกรุ่นหนึ่ง A.16 ค่าเบี่ยงเบนสัมบูรณ์ (MAD) หมายถึงค่าเฉลี่ย (หรือค่าเฉลี่ย) ของค่าสัมบูรณ์ (หรือขนาด) ของความเบี่ยงเบน (หรือข้อผิดพลาด) ระหว่างข้อมูลจริงและข้อมูลที่คาดการณ์ MAD เป็นมาตรวัดขนาดเฉลี่ยของข้อผิดพลาดที่คาดว่าจะได้รับตามวิธีการคาดการณ์และประวัติข้อมูล เนื่องจากค่าสัมบูรณ์ถูกนำมาใช้ในการคำนวณข้อผิดพลาดในเชิงบวกไม่ได้เป็นการยกเลิกข้อผิดพลาดเชิงลบ เมื่อเปรียบเทียบวิธีการคาดการณ์หลายวิธีหนึ่งกับ MAD ที่เล็กที่สุดแสดงให้เห็นว่าน่าเชื่อถือที่สุดสำหรับผลิตภัณฑ์ดังกล่าวในช่วงที่มีการระงับ เมื่อคาดการณ์เป็นที่เป็นกลางและข้อผิดพลาดที่มีการกระจายตามปกติมีความสัมพันธ์ทางคณิตศาสตร์อย่างง่ายระหว่าง MAD และสองมาตรการทั่วไปอื่น ๆ ของการกระจายส่วนเบี่ยงเบนมาตรฐานและข้อผิดพลาด Mean Squared: ร้อยละ A.16.1 ความถูกต้อง (ไม่แสดงราคา) ร้อยละของความถูกต้อง (ไม่แสดงราคา) ถูก วัดความลำเอียงคาดการณ์ เมื่อการคาดการณ์สูงเกินไปอย่างต่อเนื่องสินค้าคงเหลือสะสมและต้นทุนสินค้าคงคลังเพิ่มขึ้น เมื่อการคาดการณ์เป็นไปอย่างต่อเนื่องสองขั้นต่ำสินค้าคงเหลือถูกบริโภคและการบริการลูกค้าลดลง การคาดการณ์ที่ต่ำกว่า 10 หน่วยจากนั้น 8 หน่วยที่สูงเกินไปจากนั้น 2 หน่วยที่สูงเกินไปจะเป็นการคาดการณ์ที่เป็นกลาง ข้อผิดพลาดในเชิงบวกของ 10 จะถูกยกเลิกโดยข้อผิดพลาดเชิงลบของ 8 และ 2 ข้อผิดพลาดที่เกิดขึ้นจริง - การพยากรณ์เมื่อสินค้าสามารถเก็บไว้ในสินค้าคงคลังและการคาดการณ์เมื่อเป็นที่เป็นกลางจำนวนเล็กน้อยของหุ้นที่ปลอดภัยสามารถใช้ในการบัฟเฟอร์ข้อผิดพลาด ในสถานการณ์เช่นนี้การกำจัดข้อผิดพลาดในการคาดการณ์ไม่ได้เป็นเรื่องสำคัญเท่าที่ควรในการคาดการณ์ที่เป็นกลาง อย่างไรก็ตามในอุตสาหกรรมบริการสถานการณ์ข้างต้นจะถือเป็นข้อผิดพลาดสามประการ บริการนี้จะขาดแคลนในช่วงเวลาแรกและมีเวลาเกินกว่าสองช่วงเวลา ในการให้บริการขนาดของข้อผิดพลาดในการคาดการณ์มักจะมีความสำคัญมากกว่าการคาดการณ์ ยอดรวมในช่วง holdout ช่วยให้สามารถขจัดข้อผิดพลาดเชิงลบได้ในเชิงบวก เมื่อยอดขายรวมที่เกิดขึ้นจริงสูงกว่ายอดขายที่คาดการณ์ไว้อัตราส่วนดังกล่าวมีค่ามากกว่า 100 แน่นอนว่าเป็นไปไม่ได้ที่จะมีความแม่นยำมากกว่า 100 เมื่อการคาดการณ์ไม่เป็นกลางอัตราส่วน POA จะเท่ากับ 100 ดังนั้นจึงเป็นที่น่าพอใจมากขึ้นกว่าที่จะเป็น 95 ถูกต้องแม่นยำกว่าที่ถูกต้อง 110 เกณฑ์ไม่แสดงราคาเลือกวิธีการคาดการณ์ที่มีอัตราส่วนไม่แสดงราคาใกล้เคียงที่สุดถึง 100 การเขียนสคริปต์ในหน้านี้จะช่วยเพิ่มระบบนำทางเนื้อหา แต่ไม่ได้เปลี่ยนแปลงเนื้อหาใน way.3 ใด ๆ ทำความเข้าใจเกี่ยวกับระดับการพยากรณ์และวิธีที่คุณสามารถสร้างทั้งรายละเอียด (รายการเดียว) การคาดการณ์ และการสรุป (สายผลิตภัณฑ์) ที่สะท้อนถึงรูปแบบความต้องการผลิตภัณฑ์ ระบบวิเคราะห์ยอดขายในอดีตเพื่อคำนวณการคาดการณ์โดยใช้วิธีการคาดการณ์ 12 วิธี การคาดการณ์ประกอบด้วยข้อมูลรายละเอียดที่ระดับรายการและข้อมูลระดับสูงขึ้นเกี่ยวกับสาขาหรือ บริษัท โดยรวม 3.1 เกณฑ์การประเมินประสิทธิภาพการคาดการณ์ทั้งนี้ขึ้นอยู่กับการเลือกตัวเลือกการประมวลผลและแนวโน้มและรูปแบบในข้อมูลการขายวิธีการคาดการณ์บางอย่างทำได้ดีกว่าข้อมูลอื่นที่มีอยู่ในอดีต วิธีการพยากรณ์อากาศที่เหมาะสมสำหรับผลิตภัณฑ์หนึ่งอาจไม่เหมาะสมสำหรับผลิตภัณฑ์อื่น คุณอาจพบว่าวิธีการคาดการณ์ที่ให้ผลลัพธ์ที่ดีในขั้นตอนหนึ่งของวัฏจักรชีวิตของผลิตภัณฑ์ยังคงเหมาะสมตลอดทั้งวงจรชีวิต คุณสามารถเลือกระหว่างสองวิธีเพื่อประเมินประสิทธิภาพปัจจุบันของวิธีการคาดการณ์: เปอร์เซ็นต์ความถูกต้อง (POA) ค่าเบี่ยงเบนสัมบูรณ์ที่แท้จริง (MAD) ทั้งสองวิธีการประเมินผลการปฏิบัติงานเหล่านี้ต้องการข้อมูลการขายในอดีตสำหรับช่วงเวลาที่คุณระบุ ช่วงนี้เรียกว่าระยะเวลาการระงับหรือระยะเวลาที่เหมาะสมที่สุด ข้อมูลในช่วงนี้ใช้เป็นพื้นฐานในการแนะนำวิธีพยากรณ์ที่จะนำมาใช้ในการประมาณการต่อไป คำแนะนำนี้มีไว้สำหรับแต่ละผลิตภัณฑ์โดยเฉพาะและสามารถเปลี่ยนจากการคาดการณ์หนึ่งไปเป็นอีกรุ่นหนึ่ง 3.1.1 Best Fit ระบบแนะนำให้ใช้การคาดการณ์พอดีที่ดีที่สุดโดยใช้วิธีพยากรณ์ที่เลือกไว้กับประวัติคำสั่งขายที่ผ่านมาและเปรียบเทียบการจำลองการคาดการณ์กับประวัติที่เกิดขึ้นจริง เมื่อคุณสร้างการคาดการณ์พอดีที่ดีที่สุดระบบจะเปรียบเทียบประวัติการสั่งขายที่เกิดขึ้นจริงกับการคาดการณ์ในช่วงเวลาหนึ่ง ๆ และคำนวณว่าวิธีการคาดการณ์แต่ละวิธีคาดการณ์ยอดขายอย่างไร จากนั้นระบบจะแนะนำการคาดการณ์ที่ถูกต้องที่สุดให้เหมาะสมที่สุด ภาพนี้แสดงการคาดการณ์พอดีที่ดีที่สุด: รูปที่ 3-1 การคาดการณ์พอดีที่ดีที่สุดระบบจะใช้ขั้นตอนต่อไปนี้เพื่อกำหนดพอดีที่ดีที่สุด: ใช้แต่ละวิธีที่ระบุเพื่อจำลองการคาดการณ์สำหรับระยะเวลาการระงับ เปรียบเทียบยอดขายจริงกับการคาดการณ์แบบจำลองสำหรับระยะเวลาการระงับ คำนวณ POA หรือ MAD เพื่อกำหนดว่าวิธีการพยากรณ์ใดที่ตรงกับยอดขายจริงที่ผ่านมามากที่สุด ระบบใช้ POA หรือ MAD ตามตัวเลือกการประมวลผลที่คุณเลือก แนะนำการคาดการณ์พอดีที่ดีที่สุดโดย POA ที่ใกล้เคียงกับ 100 เปอร์เซ็นต์ (มากกว่าหรือต่ำกว่า) หรือ MAD ที่ใกล้เคียงกับศูนย์มากที่สุด 3.2 วิธีการพยากรณ์อากาศ JD Edwards EnterpriseOne Forecast Management ใช้วิธีการประมาณ 12 วิธีในการพยากรณ์ปริมาณและระบุว่าวิธีใดเหมาะสมที่สุดสำหรับสถานการณ์การคาดการณ์ หัวข้อนี้กล่าวถึง: วิธีที่ 1: ร้อยละเมื่อปีที่แล้ว วิธีที่ 2: คำนวณเปอร์เซ็นต์จากปีที่แล้ว วิธีที่ 3: ปีล่าสุดในปีนี้ วิธีที่ 4: การเคลื่อนที่เฉลี่ย วิธีที่ 5: เส้นประมาณ วิธีที่ 6: การถดถอยของสแควร์น้อยที่สุด วิธีที่ 7: การประมาณปริญญาที่สอง วิธีที่ 8: วิธีการแบบยืดหยุ่น วิธีที่ 9: ค่าเฉลี่ยถ่วงน้ำหนัก วิธีที่ 10: Linear Smoothing วิธีที่ 11: Smoothing แบบ Exponential วิธีที่ 12: การเรียบเนียนแบบเสแสร้งตามแนวโน้มและฤดูกาล ระบุวิธีการที่คุณต้องการใช้ในตัวเลือกการประมวลผลสำหรับโปรแกรม Forecast Generation (R34650) วิธีการเหล่านี้ส่วนใหญ่ให้การควบคุมที่ จำกัด ตัวอย่างเช่นคุณสามารถระบุน้ำหนักที่วางไว้ในข้อมูลทางประวัติศาสตร์ล่าสุดหรือช่วงวันที่ของข้อมูลประวัติที่ใช้ในการคำนวณได้ ตัวอย่างในคำแนะนำระบุขั้นตอนการคำนวณสำหรับแต่ละวิธีการคาดการณ์ที่พร้อมใช้งานโดยให้ข้อมูลประวัติที่เหมือนกัน ตัวอย่างวิธีการในส่วนคู่มือใช้หรือชุดข้อมูลทั้งหมดเหล่านี้ซึ่งเป็นข้อมูลที่ผ่านมาจากสองปีที่ผ่านมา ประมาณการที่คาดการณ์ไว้จะเข้าสู่ปีหน้า ข้อมูลประวัติการขายนี้มีเสถียรภาพกับการเพิ่มขึ้นของฤดูกาลในเดือนกรกฎาคมและธันวาคมเล็กน้อย รูปแบบนี้เป็นลักษณะของผลิตภัณฑ์สำหรับผู้ใหญ่ที่อาจใกล้หมดไป 3.2.1 วิธีที่ 1: ร้อยละเมื่อปีที่แล้ววิธีนี้ใช้สูตรเปอร์เซ็นต์เปอร์เซ็นต์ในปีที่ผ่านมาเพื่อคูณระยะเวลาการคาดการณ์โดยการเพิ่มหรือลดเปอร์เซ็นต์ที่ระบุ เมื่อต้องการคาดการณ์ความต้องการวิธีนี้ต้องการจำนวนรอบระยะเวลาที่เหมาะสมที่สุดและประวัติการขายหนึ่งปี วิธีนี้เป็นประโยชน์ในการคาดการณ์ความต้องการสินค้าตามฤดูกาลที่มีการเติบโตหรือลดลง 3.2.1.1 ตัวอย่าง: วิธีที่ 1: เปอร์เซ็นต์เมื่อปีที่แล้วเปอร์เซ็นต์ของสูตรปีที่แล้วคูณข้อมูลการขายจากปีที่แล้วโดยใช้ปัจจัยที่คุณระบุและคาดการณ์ผลลัพธ์ในปีถัดไป วิธีนี้อาจเป็นประโยชน์ในการจัดทำงบประมาณเพื่อจำลองผลกระทบของอัตราการเติบโตที่ระบุหรือเมื่อประวัติการขายมีองค์ประกอบตามฤดูกาลที่สำคัญ ข้อกำหนดการคาดการณ์: ปัจจัยการคูณ ตัวอย่างเช่นระบุ 110 ในตัวเลือกการประมวลผลเพื่อเพิ่มข้อมูลประวัติการขายปีก่อนหน้า 10 เปอร์เซ็นต์ ประวัติการขายที่ต้องการ: หนึ่งปีสำหรับการคำนวณการคาดการณ์บวกจำนวนของช่วงเวลาที่จำเป็นสำหรับการประเมินประสิทธิภาพการคาดการณ์ (ช่วงเวลาที่เหมาะสมที่สุด) ที่คุณระบุ ตารางนี้เป็นประวัติที่ใช้ในการคำนวณคาดการณ์: การคาดการณ์ในเดือนกุมภาพันธ์เท่ากับ 117 ครั้ง 1.1 128.7 ปัดเศษที่ 129 การคาดการณ์ของเดือนมีนาคมเท่ากับ 115 ครั้ง 1.1 126.5 มวนถึง 127 3.2.2 วิธีที่ 2: คำนวณเปอร์เซ็นต์จากปีที่แล้ววิธีนี้ใช้เปอร์เซ็นต์คำนวณ สูตรปีที่ผ่านมาเพื่อเปรียบเทียบยอดขายที่ผ่านมาของช่วงเวลาที่กำหนดกับยอดขายจากช่วงเดียวกันของปีที่แล้ว ระบบจะกำหนดเปอร์เซ็นต์เพิ่มหรือลดและคูณแต่ละช่วงเวลาตามเปอร์เซ็นต์เพื่อหาการคาดการณ์ เมื่อต้องการคาดการณ์ความต้องการวิธีนี้ต้องการจำนวนของช่วงเวลาของประวัติการสั่งขายรวมทั้งประวัติการขายหนึ่งปี วิธีนี้เป็นประโยชน์ในการคาดการณ์ความต้องการในระยะสั้นสำหรับสินค้าตามฤดูกาลที่มีการเติบโตหรือลดลง 3.2.2.1 ตัวอย่าง: วิธีที่ 2: ร้อยละที่คำนวณได้จากปีที่แล้วเปอร์เซ็นต์คำนวณจากสูตรปีที่แล้วคูณข้อมูลการขายจากปีที่แล้วโดยใช้ปัจจัยที่คำนวณโดยระบบแล้วจึงคำนวณผลลัพธ์ในปีถัดไป วิธีนี้อาจเป็นประโยชน์ในการคาดการณ์ผลกระทบของการขยายอัตราการเติบโตของผลิตภัณฑ์ล่าสุดในปีหน้าโดยยังคงรักษารูปแบบตามฤดูกาลที่มีอยู่ในประวัติการขาย ข้อกำหนดการคาดการณ์: ช่วงของประวัติการขายเพื่อใช้ในการคำนวณอัตราการเติบโต ตัวอย่างเช่นระบุ n เท่ากับ 4 ในตัวเลือกการประมวลผลเพื่อเปรียบเทียบประวัติการขายสำหรับสี่งวดล่าสุดกับช่วงเวลาเดียวกันของปีที่แล้ว ใช้อัตราส่วนที่คำนวณได้เพื่อทำประมาณการปีถัดไป ประวัติการขายที่ต้องการ: หนึ่งปีสำหรับการคำนวณการคาดการณ์บวกจำนวนของช่วงเวลาที่จำเป็นสำหรับการประเมินผลการคาดการณ์ (ช่วงเวลาที่เหมาะสมที่สุด) This table is history used in the forecast calculation, given n 4: February forecast equals 117 times 0.9766 114.26 rounded to 114. March forecast equals 115 times 0.9766 112.31 rounded to 112. 3.2.3 Method 3: Last Year to This Year This method uses last years sales for the next years 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 short 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 times 2) 139. February forecast December of past year 1 (Trend) which equals 137 (2 times 2) 141. March forecast December of past year 1 (Trend) which equals 137 (3 times 2) 143. 3.2.6 Method 6: Least Squares Regression The Least Squares Regression (LSR) method derives an equation describing a straight line relationship between the historical sales data and the passage of time. LSR fits a line to the selected range of data so that the sum of the squares of the differences between the actual sales data points and the regression line are minimized. The forecast is a projection of this straight line into the future. This method requires sales data history for the period that is represented by the number of periods best fit plus the specified number of historical data periods. The minimum requirement is two historical data points. This method is useful to forecast demand when a linear trend is in the data. 3.2.6.1 Example: Method 6: Least Squares Regression Linear Regression, or Least Squares Regression (LSR), is the most popular method for identifying a linear trend in historical sales data. The method calculates the values for a and b to be used in the formula: This equation describes a straight line, where Y represents sales and X represents time. Linear regression is slow to recognize turning points and step function shifts in demand. Linear regression fits a straight line to the data, even when the data is seasonal or better described by a curve. When sales history data follows a curve or has a strong seasonal pattern, forecast bias and systematic errors occur. Forecast specifications: n equals the periods of sales history that will be used in calculating the values for a and b. For example, specify n 4 to use the history from September through December as the basis for the calculations. When data is available, a larger n (such as n 24) would ordinarily be used. LSR defines a line for as few as two data points. For this example, a small value for n (n 4) was chosen to reduce the manual calculations that are required to verify the results. Minimum required sales history: n periods plus the number of time periods that are required for evaluating the forecast performance (periods of best fit). This table is history used in the forecast calculation: March forecast equals 119.5 (7 times 2.3) 135.6 rounded to 136. 3.2.7 Method 7: Second Degree Approximation To project the forecast, this method uses the Second Degree Approximation formula to plot a curve that is based on the number of periods of sales history. This method requires the number of periods best fit plus the number of periods of sales order history times three. This method is not useful to forecast demand for a long-term period. 3.2.7.1 Example: Method 7: Second Degree Approximation Linear Regression determines values for a and b in the forecast formula Y a b X with the objective of fitting a straight line to the sales history data. Second Degree Approximation is similar, but this method determines values for a, b, and c in the this forecast formula: Y a b X c X 2 The objective of this method is to fit a curve to the sales history data. This method is useful when a product is in the transition between life cycle stages. For example, when a new product moves from introduction to growth stages, the sales trend might accelerate. 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 times n periods for calculating the forecast plus the number of time periods that are required for evaluating the forecast performance (periods of best fit). This table is history used in the forecast calculation: Q0 (Jan) (Feb) (Mar) Q1 (Apr) (May) (Jun) which equals 125 122 137 384 Q2 (Jul) (Aug) (Sep) which equals 140 129 131 400 Q3 (Oct) (Nov) (Dec) which equals 114 119 137 370 The next step involves calculating the three coefficients a, b, and c to be used in the forecasting formula Y a b X c X 2 . Q1, Q2, and Q3 are presented on the graphic, where time is plotted on the horizontal axis. Q1 represents total historical sales for April, May, and June and is plotted at X 1 Q2 corresponds to July through September Q3 corresponds to October through December and Q4 represents January through March. This graphic illustrates the plotting of Q1, Q2, Q3, and Q4 for second degree approximation: Figure 3-2 Plotting Q1, Q2, Q3, and Q4 for second degree approximation Three equations describe the three points on the graph: (1) Q1 a bX cX 2 where X 1(Q1 a b c) (2) Q2 a bX cX 2 where X 2(Q2 a 2b 4c) (3) Q3 a bX cX 2 where X 3(Q3 a 3b 9c) Solve the three equations simultaneously to find b, a, and c: Subtract equation 1 (1) from equation 2 (2) and solve for b: (2) ndash (1) Q2 ndash Q1 b 3c b (Q2 ndash Q1) ndash 3c Substitute this equation for b into equation (3): (3) Q3 a 3(Q2 ndash Q1) ndash 3c 9c a Q3 ndash 3(Q2 ndash Q1) Finally, substitute these equations for a and b into equation (1): (1)Q3 ndash 3(Q2 ndash Q1) (Q2 ndash Q1) ndash 3c c Q1 c (Q3 ndash Q2) (Q1 ndash Q2) 2 The Second Degree Approximation method calculates a, b, and c as follows: a Q3 ndash 3(Q2 ndash Q1) 370 ndash 3(400 ndash 384) 370 ndash 3(16) 322 b (Q2 ndash Q1) ndash3c (400 nda sh 384) ndash (3 times ndash23) 16 69 85 c (Q3 ndash Q2) (Q1 ndash Q2) 2 (370 ndash 400) (384 ndash 400) 2 ndash23 This is a calculation of second degree approximation forecast: Y a bX cX 2 322 85X (ndash23) (X 2 ) When X 4, Q4 322 340 ndash 368 294. The forecast equals 294 3 98 per period. When X 5, Q5 322 425 ndash 575 172. The forecast equals 172 3 58.33 rounded to 57 per period. When X 6, Q6 322 510 ndash 828 4. The forecast equals 4 3 1.33 rounded to 1 per period. This is the forecast for next year, Last Year to This Year: 3.2.8 Method 8: Flexible Method This method enables you to select the best fit number of periods of sales order history that starts n months before the forecast start date, and to apply a percentage increase or decrease multiplication factor with which to modify the forecast. This method is similar to Method 1, Percent Over Last Year, except that you can specify the number of periods that you use as the base. Depending on what you select as n, this method requires periods best fit plus the number of periods of sales data that is indicated. This method is useful to forecast demand for a planned trend. 3.2.8.1 Example: Method 8: Flexible Method The Flexible Method (Percent Over n Months Prior) is similar to Method 1, Percent Over Last Year. Both methods multiply sales data from a previous time period by a factor specified by you, and then project that result into the future. 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 last 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 months sales history to project the next months sales history. However, with this formula you can assign weights for each of the prior periods. This method requires the number of weighted periods selected plus the number of periods best fit data. Similar to Moving Average, this method lags behind demand trends, so this method is not recommended for products with strong trends or seasonality. This method is useful to forecast demand for mature products with demand that is relatively level. 3.2.9.1 Example: Method 9: Weighted Moving Average The Weighted Moving Average (WMA) method is similar to Method 4, Moving Average (MA). However, you can assign unequal weights to the historical data when using WMA. 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 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. Such a value results in a stable forecast, but it is slow to recognize shifts in the level of sales. Conversely, a small value for n (such as 3) responds more quickly to shifts in the level of sales, but the forecast might fluctuate so widely that production cannot respond to the variations. The total number of periods for the processing option rdquo14 - periods to includerdquo should not exceed 12 months. The weight that is assigned to each of the historical data periods. The assigned weights must total 1.00. For example, when n 4, assign weights of 0.50, 0.25, 0.15, and 0.10 with the most recent data receiving the greatest weight. Minimum required sales history: n plus the number of time periods that are required for evaluating the forecast performance (periods of best fit). This table is history used in the forecast calculation: January forecast equals (131 times 0.10) (114 times 0.15) (119 times 0.25) (137 times 0.50) (0.10 0.15 0.25 0.50) 128.45 rounded to 128. February forecast equals (114 times 0.10) (119 times 0.15) (137 times 0.25) (128 times 0.50) 1 127.5 rounded to 128. March forecast equals (119 times 0.10) (137 times 0.15) (128 times 0.25) (128 times 0.50) 1 128.45 rounded to 128. 3.2.10 Method 10: Linear Smoothing This method calculates a weighted average of past sales data. In the calculation, this method uses the number of periods of sales order history (from 1 to 12) that is indicated in the processing option. The system uses a mathematical progression to weigh data in the range from the first (least weight) to the final (most weight). Then the system projects this information to each period in the forecast. This method requires the months best fit plus the sales order history for the number of periods that are specified in the processing option. 3.2.10.1 Example: Method 10: Linear Smoothing This method is similar to Method 9, WMA. 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 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. 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 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 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 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. When forecasts 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) 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 services, the magnitude of forecast errors is usually more important than is forecast bias. 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. Moving Average Forecasting Introduction. As you might guess we are looking at some of the most primitive approaches to forecasting. But hopefully these are at least a worthwhile introduction to some of the computing issues related to implementing forecasts in spreadsheets. In this vein we will continue by starting at the beginning and start working with Moving Average forecasts. Moving Average Forecasts . Everyone is familiar with moving average forecasts regardless of whether they believe they are. All college students do them all the time. Think about your test scores in a course where you are going to have four tests during the semester. Lets assume you got an 85 on your first test. What would you predict for your second test score What do you think your teacher would predict for your next test score What do you think your friends might predict for your next test score What do you think your parents might predict for your next test score Regardless of all the blabbing you might do to your friends and parents, they and your teacher are very likely to expect you to get something in the area of the 85 you just got. Well, now lets assume that in spite of your self-promotion to your friends, you over-estimate yourself and figure you can study less for the second test and so you get a 73. Now what are all of the concerned and unconcerned going to anticipate you will get on your third test There are two very likely approaches for them to develop an estimate regardless of whether they will share it with you. They may say to themselves, quotThis guy is always blowing smoke about his smarts. Hes going to get another 73 if hes lucky. Maybe the parents will try to be more supportive and say, quotWell, so far youve gotten an 85 and a 73, so maybe you should figure on getting about a (85 73)2 79. I dont know, maybe if you did less partying and werent wagging the weasel all over the place and if you started doing a lot more studying you could get a higher score. quot Both of these estimates are actually moving average forecasts. The first is using only your most recent score to forecast your future performance. This is called a moving average forecast using one period of data. The second is also a moving average forecast but using two periods of data. Lets assume that all these people busting on your great mind have sort of pissed you off and you decide to do well on the third test for your own reasons and to put a higher score in front of your quotalliesquot. You take the test and your score is actually an 89 Everyone, including yourself, is impressed. So now you have the final test of the semester coming up and as usual you feel the need to goad everyone into making their predictions about how youll do on the last test. Well, hopefully you see the pattern. Now, hopefully you can see the pattern. Which do you believe is the most accurate Whistle While We Work. Now we return to our new cleaning company started by your estranged half sister called Whistle While We Work . You have some past sales data represented by the following section from a spreadsheet. We first present the data for a three period moving average forecast. The entry for cell C6 should be Now you can copy this cell formula down to the other cells C7 through C11. Notice how the average moves over the most recent historical data but uses exactly the three most recent periods available for each prediction. You should also notice that we dont really need to make the predictions for the past periods in order to develop our most recent prediction. This is definitely different from the exponential smoothing model. Ive included the quotpast predictionsquot because we will use them in the next web page to measure prediction validity. Now I want to present the analogous results for a two period moving average forecast . The entry for cell C5 should be Now you can copy this cell formula down to the other cells C6 through C11. Notice how now only the two most recent pieces of historical data are used for each prediction. Again I have included the quotpast predictionsquot for illustrative purposes and for later use in forecast validation. Some other things that are of importance to notice. For an m-period moving average forecast only the m most recent data values are used to make the prediction. Nothing else is necessary. For an m-period moving average forecast, when making quotpast predictionsquot, notice that the first prediction occurs in period m 1. Both of these issues will be very significant when we develop our code. Developing the Moving Average Function. Now we need to develop the code for the moving average forecast that can be used more flexibly. The code follows. Notice that the inputs are for the number of periods you want to use in the forecast and the array of historical values. You can store it in whatever workbook you want. Function MovingAverage(Historical, NumberOfPeriods) As Single Declaring and initializing variables Dim Item As Variant Dim Counter As Integer Dim Accumulation As Single Dim HistoricalSize As Integer Initializing variables Counter 1 Accumulation 0 Determining the size of Historical array HistoricalSize Historical. Count For Counter 1 To NumberOfPeriods Accumulating the appropriate number of most recent previously observed values Accumulation Accumulation Historical(HistoricalSize - NumberOfPeriods Counter) MovingAverage Accumulation NumberOfPeriods The code will be explained in class. You want to position the function on the spreadsheet so that the result of the computation appears where it should like the following. When computing a running moving average, placing the average in the middle time period makes sense In the previous example we computed the average of the first 3 time periods and placed it next to period 3. We could have placed the average in the middle of the time interval of three periods, that is, next to period 2. This works well with odd time periods, but not so good for even time periods. เราจะวางค่าเฉลี่ยเคลื่อนที่ครั้งแรกเมื่อ M 4 ในทางเทคนิคค่า Moving Average จะลดลงที่ 2.5, 3.5 To avoid this problem we smooth the MAs using M 2. Thus we smooth the smoothed values If we average an even number of terms, we need to smooth the smoothed values The following table shows the results using M 4.