3 Forstå prognostiseringsnivåer og - metoder Du kan generere både prognoser for detaljinformasjon (enkeltpunkt) og sammendrag (produktlinje) som reflekterer produktbehovsmønstre. Systemet analyserer siste salg for å beregne prognoser ved å bruke 12 prognosemetoder. Prognosene inkluderer detaljert informasjon på elementnivå og høyere nivå informasjon om en filial eller selskapet som helhet. 3.1 Varsel om ytelsesvurdering av prognoser Avhengig av valg av behandlingsalternativer og trender og mønstre i salgsdata, utfører noen prognosemetoder bedre enn andre for et gitt historisk datasett. En prognosemetode som passer for ett produkt, kan ikke være aktuelt for et annet produkt. Det kan hende du finner ut at en prognosemetode som gir gode resultater på et stadie av et produkts livssyklus, forblir passende gjennom hele livssyklusen. Du kan velge mellom to metoder for å evaluere den nåværende ytelsen til prognosemetodene: Prosent av nøyaktighet (POA). Gjennomsnittlig avvik (MAD). Begge disse resultatevalueringsmetodene krever historiske salgsdata for en periode du angir. Denne perioden kalles en holdout periode eller periode med best passform. Dataene i denne perioden brukes som grunnlag for å anbefale hvilken prognosemetode som skal brukes til å gjøre neste prognoseprojeksjon. Denne anbefalingen er spesifikk for hvert produkt og kan endres fra en prognose generasjon til den neste. 3.1.1 Best Fit Systemet anbefaler den beste passformsprognosen ved å bruke de valgte prognosemetoder til tidligere salgsordrehistorikk og sammenligne prognosesimuleringen til den aktuelle historien. Når du genererer en best egnet prognose, sammenligner systemet faktiske salgsordrehistorier med prognoser for en bestemt tidsperiode og beregner hvor nøyaktig hver annen prognosemetode forutsier salg. Da anbefaler systemet den mest nøyaktige prognosen som den passer best. Denne grafikken viser beste passformsprognoser: Figur 3-1 Beste passformsprognose Systemet bruker denne fremgangsmåten for å bestemme den beste passformen: Bruk hver spesifisert metode for å simulere en prognose for holdoutperioden. Sammenlign faktisk salg til de simulerte prognosene for holdoutperioden. Beregn POA eller MAD for å fastslå hvilken prognosemetode som passer best med det siste faktiske salg. Systemet bruker enten POA eller MAD, basert på behandlingsalternativene du velger. Anbefal en best mulig prognose av POA som er nærmest 100 prosent (over eller under) eller MAD som er nærmest null. 3.2 Prognosemetoder JD Edwards EnterpriseOne Forecast Management bruker 12 metoder for kvantitativ prognose og indikerer hvilken metode som passer best for prognosesituasjonen. Denne delen diskuterer: Metode 1: Prosent over fjoråret. Metode 2: Beregnet prosent over fjoråret. Metode 3: Siste år til dette året. Metode 4: Flytende gjennomsnitt. Metode 5: Lineær tilnærming. Metode 6: Nedre kvadratregressjon. Metode 7: Tilnærming til andre grad. Metode 8: Fleksibel metode. Metode 9: Veidende Flytende Gjennomsnitt. Metode 10: Lineær utjevning. Metode 11: Eksponensiell utjevning. Metode 12: Eksponensiell utjevning med trend og sesongmessighet. Angi hvilken metode du vil bruke i behandlingsalternativene for prognosegenereringsprogrammet (R34650). De fleste av disse metodene gir begrenset kontroll. For eksempel kan vekten plassert på nyere historiske data eller datoperioden for historiske data som brukes i beregningene, spesifiseres av deg. Eksemplene i veiledningen angir beregningsmetoden for hver av de tilgjengelige prognosemetodene, gitt et identisk sett med historiske data. Metodeksemplene i veiledningen bruker deler eller alle disse datasettene, som er historiske data fra de siste to årene. Prognoseprosjektet går inn i neste år. Disse salgshistorikkdataene er stabile med små sesongmessige økninger i juli og desember. Dette mønsteret er karakteristisk for et modent produkt som kan nærme seg forældelse. 3.2.1 Metode 1: Prosent over fjorår Denne metoden bruker Percent over fjorårs formel for å multiplisere hver prognoseperiode med den angitte prosentvis økning eller reduksjon. For å prognose etterspørsel krever denne metoden antall perioder for den beste passformen pluss ett års salgshistorie. Denne metoden er nyttig for å prognose etterspørselen etter sesongvarer med vekst eller nedgang. 3.2.1.1 Eksempel: Metode 1: Prosent over fjorår Prosenten over fjorårsformelen multipliserer salgsdata fra forrige år med en faktor du angir og deretter prosjekter som resulterer i neste år. Denne metoden kan være nyttig i budsjettering for å simulere effekten av en spesifisert vekstrate eller når salgshistorikken har en betydelig sesongkomponent. Prognose spesifikasjoner: Multiplikasjonsfaktor. For eksempel angi 110 i behandlingsalternativet for å øke tidligere års salgshistorikkdata med 10 prosent. Nødvendig salgshistorie: Ett år for beregning av prognosen, pluss antall tidsperioder som kreves for å evaluere prognoseytelsen (perioder med best egnethet) som du spesifiserer. Denne tabellen er historien som brukes i prognoseberegningen: Februar-prognosen er 117 ganger 1,1 128,7 avrundet til 129. Mars-prognosen er 115 ganger 1,1 126,5 avrundet til 127. 3.2.2 Metode 2: Beregnet prosent over siste år Denne metoden bruker beregnet prosentandel over Siste års formel for å sammenligne det siste salget av spesifiserte perioder til salg fra samme perioder i fjor. Systemet bestemmer en prosentvis økning eller reduksjon, og deretter multipliserer hver periode med prosentandelen for å bestemme prognosen. For å prognose etterspørsel krever denne metoden antall perioder med salgsordrehistorikk pluss ett år med salgshistorikk. Denne metoden er nyttig for å prognose kortsiktig etterspørsel etter sesongvarer med vekst eller nedgang. 3.2.2.1 Eksempel: Metode 2: Beregnet prosent over fjorår Beregnet prosentandel Over fjorårsformel multipliserer salgsdata fra foregående år med en faktor som beregnes av systemet, og deretter prosjekterer det resultatet for det neste året. Denne metoden kan være nyttig ved å projisere innvirkningen av å utvide den siste vekstraten for et produkt inn i det neste året, samtidig som det opprettholder et sesongmessig mønster som er tilstede i salgshistorikken. Prognose spesifikasjoner: Omfang av salgshistorie som skal brukes til å beregne vekstraten. For eksempel angi n være lik 4 i behandlingsalternativet for å sammenligne salgshistorikk for de siste fire perioder til de samme fire perioder i forrige år. Bruk det beregnede forholdet til å gjøre projeksjonen for det neste året. Nødvendig salgshistorie: Ett år for beregning av prognosen pluss antall tidsperioder som kreves for å vurdere prognoseytelsen (perioder med best egnethet). Denne tabellen er historien brukt i prognoseberegningen, gitt n 4: februar-prognosen er 117 ganger 0,9766 114,26 avrundet til 114. Mars-prognosen er 115 ganger 0,9766 112,31 avrundet til 112. 3.2.3 Metode 3: Siste år til år Dette metoden bruker siste års salg for de neste årene prognosen. For å prognose etterspørsel krever denne metoden antall perioder som passer best, pluss ett år med salgsordrehistorikk. Denne metoden er nyttig for å prognose etterspørselen etter modne produkter med høy etterspørsel eller sesongbasert etterspørsel uten en trend. 3.2.3.1 Eksempel: Metode 3: Siste år til dette året Det siste året til dette året formelen kopierer salgsdata fra foregående år til neste år. Denne metoden kan være nyttig i budsjettering for å simulere salg på nåværende nivå. Produktet er modent og har ingen tendens i det lange løp, men et betydelig sesongbasert etterspørselsmønster kan eksistere. Prognose spesifikasjoner: Ingen. Nødvendig salgshistorie: Ett år for beregning av prognosen pluss antall tidsperioder som kreves for å vurdere prognoseytelsen (perioder med best egnethet). Denne tabellen er historien som brukes i prognoseberegningen: Januar-prognosen er tilsvarende januar i fjor med en prognosenverdi på 128. Februar-prognosen er tilsvarende februar i fjor med en prognoseverdi på 117. Mars-prognosen er lik i mars i fjor med en prognosenverdi på 115. 3.2.4 Metode 4: Flytende gjennomsnitt Denne metoden bruker den flytende gjennomsnittlige formelen til å gjennomsnittlig angitte antall perioder for å projisere neste periode. Du bør omregne det ofte (månedlig eller i hvert fall kvartalsvis) for å reflektere endring av etterspørselsnivå. For å prognose etterspørsel krever denne metoden antall perioder som passer best, pluss antall perioder med salgsordrehistorikk. Denne metoden er nyttig for å prognose etterspørselen etter modne produkter uten en trend. 3.2.4.1 Eksempel: Metode 4: Flytende Gjennomsnittlig Flytende Gjennomsnitt (MA) er en populær metode for å gjennomsnittsrekke resultatene fra den siste salgshistorikken for å bestemme et projeksjon på kort sikt. MA-prognosemetoden ligger bak trender. Prognoseforstyrrelser og systematiske feil oppstår når produktsalgshistorikken viser sterk trend eller sesongmessige mønstre. Denne metoden fungerer bedre for korte prognoser for modne produkter enn for produkter som er i vekst - eller forløpsfasen av livssyklusen. Prognose spesifikasjoner: n er det antall perioder med salgshistorie som skal brukes i prognoseberegningen. For eksempel angi n 4 i behandlingsalternativet for å bruke de siste fire periodene som grunnlag for projeksjonen i neste tidsperiode. En stor verdi for n (som 12) krever mer salgshistorikk. Det resulterer i en stabil prognose, men er sakte å gjenkjenne skift i salgsnivået. Omvendt er en liten verdi for n (som 3) raskere å svare på endringer i salgsnivået, men prognosen kan variere så mye at produksjonen ikke kan svare på variasjonene. Nødvendig salgshistorie: n pluss antall tidsperioder som kreves for å vurdere prognoseytelsen (perioder med best passform). Denne tabellen er historien som brukes i prognoseberegningen: Februar-prognosen er lik (114 119 137 125) 4 123,75 avrundet til 124. Mars-prognosen er lik (119 137 125 124) 4 126,25 avrundet til 126. 3.2.5 Metode 5: Lineær tilnærming Denne metoden bruker Linear Approximation formel for å beregne en trend fra antall perioder med salgsordre historie og å projisere denne trenden til prognosen. Du bør omregne trenden månedlig for å oppdage endringer i trender. Denne metoden krever antall perioder med best egnethet pluss antall spesifiserte perioder med salgsordrehistorikk. Denne metoden er nyttig for å prognose etterspørselen etter nye produkter, eller produkter med konsekvente positive eller negative trender som ikke skyldes sesongmessige svingninger. 3.2.5.1 Eksempel: Metode 5: Lineær tilnærming Linjær tilnærming beregner en trend som er basert på to salgshistorikk datapunkter. Disse to punktene definerer en rett trendlinje som projiseres inn i fremtiden. Bruk denne metoden med forsiktighet, fordi langdistanseprognosene utløses av små endringer på bare to datapunkter. Prognose spesifikasjoner: n er lik datapunktet i salgshistorikken som sammenlignes med det nyeste datapunktet for å identifisere en trend. For eksempel angi n 4 for å bruke forskjellen mellom desember (siste data) og august (fire perioder før desember) som grunnlag for beregning av trenden. Minimumskrav til salgshistorie: n pluss 1 pluss antall tidsperioder som kreves for å evaluere prognoseytelsen (perioder med best egnethet). Denne tabellen er historien som brukes i prognoseberegningen: Januar-prognose Desember forrige år 1 (Trend), som tilsvarer 137 (1 ganger 2) 139. Februar-prognose Desember foregående år 1 (Trend), som tilsvarer 137 (2 ganger 2) 141. Mars-prognose Desember siste år 1 (Trend), som tilsvarer 137 (3 ganger 2) 143. 3.2.6 Metode 6: Nedre kvadratregressjon Den minste kvadratregressjon (LSR) - metoden oppnår en ligning som beskriver en rettlinjevinkling mellom de historiske salgsdataene og tidens gang. LSR passer til en linje til det valgte dataområdet, slik at summen av firkantene av forskjellene mellom de faktiske salgsdatapunktene og regresjonslinjen blir minimert. Prognosen er en projeksjon av denne rette linjen inn i fremtiden. Denne metoden krever salgsdatahistorikk for perioden som er representert av antall perioder som passer best med det angitte antallet historiske datoperioder. Minimumskravet er to historiske datapunkter. Denne metoden er nyttig for å prognose etterspørsel når en lineær trend er i dataene. 3.2.6.1 Eksempel: Metode 6: Minste kvadratregressjon Linjær regresjon, eller minste kvadratregressjon (LSR), er den mest populære metoden for å identifisere en lineær trend i historiske salgsdata. Metoden beregner verdiene for a og b som skal brukes i formelen: Denne ligningen beskriver en rett linje, hvor Y representerer salg og X representerer tid. Lineær regresjon er sakte å gjenkjenne vendepunkter og trinnfunksjonsskift i etterspørsel. Linjær regresjon passer til en rett linje til dataene, selv når dataene er sesongmessige eller bedre beskrevet av en kurve. Når salgshistorikkdata følger en kurve eller har et sterkt sesongmessig mønster, oppstår prognoseforstyrrelser og systematiske feil. Prognose spesifikasjoner: n tilsvarer perioder med salgshistorie som skal brukes til å beregne verdiene for a og b. For eksempel angi n 4 for å bruke historien fra september til desember som grunnlag for beregningene. Når data er tilgjengelig, vil en større n (som n 24) vanligvis bli brukt. LSR definerer en linje for så få som to datapunkter. For dette eksempelet ble en liten verdi for n (n 4) valgt for å redusere manuelle beregninger som kreves for å verifisere resultatene. Minimumskrav til salgshistorie: n perioder pluss antall tidsperioder som kreves for å vurdere prognoseytelsen (perioder med best passform). Denne tabellen er historien som brukes i prognoseberegningen: Mars-prognosen er 119,5 (7 ganger 2,3) 135,6 avrundet til 136. 3.2.7 Metode 7: Andre grad Tilnærming For å prognostisere prognosen bruker denne metoden Second Degree Approximation for å plotte en kurve som er basert på antall perioder med salgshistorie. Denne metoden krever antall perioder best egnet pluss antall perioder med salgsordre historie ganger tre. Denne metoden er ikke nyttig for å prognose etterspørsel etter en langsiktig periode. 3.2.7.1 Eksempel: Metode 7: Andre grad Tilnærming Linjær regresjon bestemmer verdier for a og b i prognoseformelen Y a b X med sikte på å tilpasse en rett linje til salgshistorikkdataene. Andre gradstilnærming er lik, men denne metoden bestemmer verdier for a, b og c i denne prognoseformelen: Y a b X c X 2 Målet med denne metoden er å tilpasse en kurve til salgshistorikkdataene. Denne metoden er nyttig når et produkt er i overgangen mellom livssyklusstadier. For eksempel, når et nytt produkt flytter fra introduksjon til vekststadier, kan salgstrenden akselerere. På grunn av den andre ordreperioden kan prognosen raskt nærme seg uendelig eller slippe til null (avhengig av om koeffisient c er positiv eller negativ). Denne metoden er kun nyttig på kort sikt. Prognose spesifikasjoner: Formelen finner a, b og c for å passe en kurve til nøyaktig tre punkter. Du spesifiserer n, antall datoperioder som akkumuleres i hvert av de tre punktene. I dette eksemplet, n 3. Faktiske salgsdata for april til juni kombineres til første punkt, Q1. Juli til september legges sammen for å skape Q2, og oktober til desember sum til Q3. Kurven er montert på de tre verdiene Q1, Q2 og Q3. Nødvendig salgshistorie: 3 ganger n perioder for beregning av prognosen pluss antall tidsperioder som kreves for å vurdere prognoseytelsen (perioder med best egnethet). Denne tabellen er historien som brukes i prognoseberegningen: Q0 (Jan) (Feb) (Mar) Q1 (Apr) (Mai) (Jun), som tilsvarer 125 122 137 384 Q2 (Jul) (Aug) (Sep), som tilsvarer 140 129 131 400 Q3 (okt) (nov) (desember) som tilsvarer 114 119 137 370 Det neste trinnet omfatter å beregne de tre koeffisientene a, b og c som skal brukes i prognoseformelen Y ab X c X 2. Q1, Q2 og Q3 presenteres på grafikken, hvor tiden er tegnet på den horisontale akse. Første kvartal representerer totalt historisk salg i april, mai og juni og er tegnet på X 1 Q2 tilsvarer juli til september Q3 tilsvarer oktober til desember og fjerde kvartal representerer januar til mars. Denne grafikken illustrerer plotting av Q1, Q2, Q3 og Q4 for tilnærming i andre grad: Figur 3-2 Plotting Q1, Q2, Q3 og Q4 for tilnærming i andre grad Tre likninger beskriver de tre punktene på grafen: (1) Q1 en bX cX 2 hvor X 1 (Q1 abc) (2) Q2 en bX cX2 hvor X2 (Q2 a 2b 4c) (3) Q3 en bX cX2 hvor X3 (Q3 a 3b 9c) Løs de tre ligningene samtidig for å finne b, a og c: Trekk ekvation 1 (1) fra ligning 2 (2) og løse for b: (2) ndash (1) Q2 ndash Q1 b 3c b (Q2 ndash Q1) ndash 3c Erstatt denne ligningen for b til ligning (3): (3) Q3 a 3 (Q2 ndash Q1) ndash 3c 9c en Q3 ndash 3 (Q2 ndash Q1) Endelig erstatte disse ligningene for a og b til ligning (1): (1) Q3 ndash 3 Q2 ndash Q1 (Q2 ndash Q1) ndash 3c c Q1 c (Q3 ndash Q2) (Q1 ndash Q2) 2 Second Degree Approximation metoden beregner a, b og c som følger: en 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 ganger ndash23) 16 69 85 c (Q3 ndash Q2) (Q1 ndash Q2) 2 (370 ndash 400) (384 ndash 400) 2 ndash23 Dette er en beregning av tograds tilnærmet prognose: Y a bX cX 2 322 85X (ndash23) (X 2) Når X 4, Q4 322 340 ndash 368 294. Prognosen er 294 3 98 per periode. Når X 5, Q5 322 425 ndash 575 172. Prognosen er lik 172 3 58,33 avrundet til 57 per periode. Når X 6, Q6 322 510 ndash 828 4. Prognosen er lik 4,3 1,33 avrundet til 1 per periode. Dette er prognosen for neste år, siste år til dette året: 3.2.8 Metode 8: Fleksibel metode Denne metoden gjør at du kan velge det best passende antall perioder med salgsordrehistorikk som starter n måneder før prognosens startdato, og til Bruk en prosentvis økning eller reduksjon av multiplikasjonsfaktor for å endre prognosen. Denne metoden ligner metode 1, prosent over fjorår, bortsett fra at du kan angi antall perioder du bruker som base. Avhengig av hva du velger som n, krever denne metoden perioder best egnet pluss antall perioder med salgsdata som er angitt. Denne metoden er nyttig for å prognose etterspørselen etter en planlagt trend. 3.2.8.1 Eksempel: Metode 8: Fleksibel metode Den fleksible metoden (Prosent over n måneder tidligere) ligner metode 1, Prosent over fjorår. Begge metodene multipliserer salgsdata fra en tidligere tidsperiode med en faktor som er spesifisert av deg, og deretter prosjekterer dette resultatet inn i fremtiden. I prosentandelen over siste årsmetoden er projeksjonen basert på data fra samme tidsperiode året før. Du kan også bruke den fleksible metoden til å spesifisere en tidsperiode, annet enn samme periode i fjor, for å bruke som grunnlag for beregningene. Multiplikasjonsfaktor. For eksempel angi 110 i behandlingsalternativet for å øke tidligere salgshistorikkdata med 10 prosent. Baseperiode. For eksempel forårsaker n 4 at den første prognosen skal baseres på salgsdata i september i fjor. Minimumskrav til salgshistorie: Antall perioder tilbake til baseperioden pluss antall tidsperioder som kreves for å evaluere prognoseytelsen (perioder med best passform). Denne tabellen er historikk brukt i prognoseberegningen: 3.2.9 Metode 9: Vektet Flytende Gjennomsnitt Vektet Flytende Gjennomsnittlig formel ligner Metode 4, Flytende gjennomsnittlig formel fordi den gjennomsnittlig forrige måneders salgshistorie for å projisere de neste månedene salgshistorikken. Med denne formelen kan du imidlertid tildele vekter for hver av de foregående periodene. Denne metoden krever antall vektede perioder valgt pluss antall perioder som passer best til data. I likhet med Moving Average, ligger denne metoden etter etterspørselstrendene, så denne metoden anbefales ikke for produkter med sterke trender eller sesongmessige forhold. Denne metoden er nyttig for å prognose etterspørselen etter modne produkter med etterspørsel som er relativt nivå. 3.2.9.1 Eksempel: Metode 9: Vektet Flytende Gjennomsnitt Vektet Flytende Gjennomsnittlig (WMA) - metode ligner Metode 4, Flytende Gjennomsnitt (MA). Du kan imidlertid tilordne ulik vekt til de historiske dataene når du bruker WMA. Metoden beregner et veid gjennomsnitt av den siste salgshistorikken for å komme frem til en projeksjon på kort sikt. Nyere data blir vanligvis tildelt større vekt enn eldre data, så WMA er mer lydhør overfor endringer i salgsnivået. Imidlertid oppstår prognoseforstyrrelser og systematiske feil når produktsalgshistorikken utviser sterke trender eller sesongmessige mønstre. Denne metoden fungerer bedre for korte prognoser for modne produkter enn for produkter i vekst - eller forløpsfasen av livssyklusen. Antall perioder med salgshistorie (n) som skal brukes i prognoseberegningen. For eksempel angi n 4 i behandlingsalternativet for å bruke de siste fire periodene som grunnlag for projeksjonen i neste tidsperiode. En stor verdi for n (som 12) krever mer salgshistorikk. En slik verdi gir en stabil prognose, men det er sakte å gjenkjenne skift i salgsnivået. Omvendt reagerer en liten verdi for n (som 3) raskere på endringer i salgsnivået, men prognosen kan variere så mye at produksjonen ikke kan svare på variasjonene. Det totale antall perioder for behandlingsalternativet rdquo14 - perioder til inkluderdquo bør ikke overstige 12 måneder. Vekten som tilordnes hver av de historiske datoperiodene. De tildelte vekter må totalere 1,00. For eksempel, når n 4, tilordner vekter på 0,50, 0,25, 0,15 og 0,10 med de nyeste dataene som mottar den største vekten. Minimumskrav til salgshistorie: n pluss antall tidsperioder som kreves for å evaluere prognoseytelsen (perioder med best egnethet). Denne tabellen er historien brukt i prognoseberegningen: Januar-prognosen er like (131 ganger 0,10) (114 ganger 0,15) (119 ganger 0,25) (137 ganger 0,50) (0,10 0,15 0,25 0,50) 128,45 avrundet til 128. Februar-prognosen er lik (114 ganger 0,10) (119 ganger 0,15) (128 ganger 0,25) (128 ganger 0,25) (128 ganger 0,50) 1 128,45 avrundet til 128. 3.2.10 Metode 10: Lineær utjevning Denne metoden beregner et veid gjennomsnitt av tidligere salgsdata. I beregningen bruker denne metoden antall perioder med salgsordrehistorikk (fra 1 til 12) som er angitt i behandlingsalternativet. Systemet bruker en matematisk progresjon for å veie data i området fra den første (minste vekten) til den endelige (mest vekt). Deretter prosjekterer systemet denne informasjonen til hver periode i prognosen. Denne metoden krever månedene best egnet pluss salgsordrehistorikken for antall perioder som er spesifisert i behandlingsalternativet. 3.2.10.1 Eksempel: Metode 10: Lineær utjevning Denne metoden ligner metode 9, WMA. Imidlertid, i stedet for å tilfeldigvis gi vekt til historiske data, brukes en formel til å tildele vekter som avtar lineært og summen til 1,00. Metoden beregner deretter et veid gjennomsnitt av den siste salgshistorikken for å komme frem til en projeksjon på kort sikt. Som alle lineære bevegelige gjennomsnittlige prognostiseringsteknikker oppstår prognoseforstyrrelser og systematiske feil når produktsalgshistorikken viser sterk trend eller sesongmessige mønstre. Denne metoden fungerer bedre for korte prognoser for modne produkter enn for produkter i vekst - eller forløpsfasen av livssyklusen. n er det antall perioder med salgshistorie som skal brukes i prognoseberegningen. For eksempel angir n lik 4 i behandlingsalternativet for å bruke de siste fire periodene som grunnlag for projeksjonen i neste tidsperiode. Systemet tilordner automatisk vektene til de historiske dataene som avtar lineært og summen til 1,00. For eksempel, når n er lik 4, tilordner systemet vekten 0,4, 0,3, 0,2 og 0,1, med de nyeste dataene som mottar den største vekten. Minimumskrav til salgshistorie: n pluss antall tidsperioder som kreves for å evaluere prognoseytelsen (perioder med best egnethet). Denne tabellen er historikk brukt i prognoseberegningen: 3.2.11 Metode 11: Eksponensiell utjevning Denne metoden beregner et glatt gjennomsnitt, som blir et estimat som representerer det generelle salgsnivået over de valgte historiske datoperiodene. Denne metoden krever salgsdatahistorikk for tidsperioden som er representert av antall perioder som passer best, pluss antall historiske datoperioder som er spesifisert. Minimumskravet er to historiske datoperioder. Denne metoden er nyttig for å prognose etterspørsel når ingen lineær trend er i dataene. 3.2.11.1 Eksempel: Metode 11: Eksponensiell utjevning Denne metoden ligner metode 10, lineær utjevning. Ved lineær utjevning tilordner systemet vekter som avtar lineært til de historiske dataene. Ved eksponentiell utjevning tilordner systemet vekt som eksponentielt forfall. Ekvasjonen for eksponentiell utjevningsprognose er: Prognose alfa (Tidligere faktisk salg) (1 ndashalpha) (Forrige prognose) Prognosen er et veid gjennomsnitt av det faktiske salget fra forrige periode og prognosen fra forrige periode. Alpha er vekten som brukes på det faktiske salget for den foregående perioden. (1 ndash alfa) er vekten som er brukt på prognosen for forrige periode. Verdier for alfaområdet fra 0 til 1 og faller vanligvis mellom 0,1 og 0,4. Summen av vekter er 1,00 (alfa (1 ndash alfa) 1). Du bør tilordne en verdi for utjevningskonstanten, alfa. Hvis du ikke tilordner en verdi for utjevningskonstanten, beregner systemet en antatt verdi som er basert på antall perioder med salgshistorikk som er angitt i behandlingsalternativet. alfa er lik utjevningskonstanten som brukes til å beregne det glatte gjennomsnittet for det generelle nivået eller størrelsen på salget. Verdier for alfaområdet fra 0 til 1. n er lik rekkevidden av salgshistorikkdata som skal inkluderes i beregningene. Vanligvis er et år med salgshistorikkdata tilstrekkelig til å anslå det generelle salgsnivået. For dette eksempelet ble en liten verdi for n (n 4) valgt for å redusere manuelle beregninger som kreves for å verifisere resultatene. Eksponensiell utjevning kan generere en prognose som er basert på så lite som et historisk datapunkt. Minimumskrav til salgshistorie: n pluss antall tidsperioder som kreves for å evaluere prognoseytelsen (perioder med best egnethet). Denne tabellen er historien som brukes i prognoseberegningen: 3.2.12 Metode 12: Eksponentiell utjevning med trend og sesongmessighet Denne metoden beregner en trend, en sesongbestemt indeks og et eksponentielt glatt gjennomsnitt fra salgsordens historie. Systemet bruker deretter en projeksjon av trenden til prognosen og justerer for sesongindeksen. Denne metoden krever antall perioder som passer best sammen med to års salgsdata, og er nyttig for varer som har både trend og sesongmessighet i prognosen. Du kan skrive inn alfa - og beta-faktoren, eller få systemet til å beregne dem. Alfa - og beta-faktorer er utjevningskonstanten som systemet bruker til å beregne det glatte gjennomsnittet for det generelle nivået eller størrelsen på salget (alfa) og trendkomponenten i prognosen (beta). 3.2.12.1 Eksempel: Metode 12: Eksponensiell utjevning med trend og sesongmessighet Denne metoden ligner metode 11, eksponensiell utjevning, ved at et glatt gjennomsnitt beregnes. Metode 12 inneholder imidlertid også en term i prognosekvasjonen for å beregne en glatt trend. Prognosen består av et glatt gjennomsnitt som justeres for en lineær trend. Når spesifisert i behandlingsalternativet, er prognosen også justert for sesongmessig. Alfa tilsvarer utjevningskonstanten som brukes til å beregne det glatte gjennomsnittet for det generelle nivået eller størrelsen på salget. Verdier for alfaområdet fra 0 til 1. Beta tilsvarer utjevningskonstanten som brukes til å beregne det glatte gjennomsnittet for trendkomponenten i prognosen. Verdier for beta rekkevidde fra 0 til 1. Hvorvidt en sesongbestemt indeks er brukt på prognosen. Alfa og beta er uavhengige av hverandre. De trenger ikke å summe til 1,0. Minst nødvendig salgshistorie: Ett år pluss antall tidsperioder som kreves for å evaluere prognoseytelsen (perioder med best passform). Når to eller flere års historisk data er tilgjengelig, bruker systemet to års data i beregningene. Metode 12 bruker to eksponensielle utjevningsligninger og ett enkelt gjennomsnitt for å beregne et glatt gjennomsnitt, en jevn trend og en enkel gjennomsnittlig sesongindeks. Et eksponentielt glatt gjennomsnitt: En eksponentielt jevn trend: En enkel gjennomsnittlig sesongindeks: Figur 3-3 Enkel gjennomsnittlig sesongindeks Prognosen beregnes da ved å bruke resultatene av de tre ligningene: L er sesonglengden (L er 12 måneder eller 52 uker). t er gjeldende tidsperiode. m er antall tidsperioder i fremtiden for prognosen. S er multiplikativ sesongjusteringsfaktor som er indeksert til riktig tidsperiode. Denne tabellen viser historikk brukt i prognoseberegningen: Denne delen gir en oversikt over prognosevalueringer og diskuterer: Du kan velge prognosemetoder for å generere så mange som 12 prognoser for hvert produkt. Hver prognosemetode kan skape en litt annen projeksjon. Når tusenvis av produkter er forventet, er en subjektiv beslutning uopptatt med hensyn til hvilken prognose som skal brukes i planene for hvert produkt. Systemet evaluerer automatisk ytelsen for hver prognosemetode du velger, og for hvert produkt du prognostiserer. Du kan velge mellom to ytelseskriterier: MAD og POA. MAD er et mål på prognosefeil. POA er et mål på prognoseforspenning. Begge disse resultatevalueringsteknikkene krever faktiske salgshistorikkdata i en periode som er oppgitt av deg. Perioden for nyere historie som brukes til evaluering kalles en holdout periode eller periode med best passform. For å måle resultatene av en prognosemetode, bruker systemet: Bruk prognosene for å simulere en prognose for den historiske holdoutperioden. Gjør en sammenligning mellom de faktiske salgsdataene og den simulerte prognosen for holdoutperioden. Når du velger flere prognosemetoder, oppstår denne samme prosessen for hver metode. Flere prognoser beregnes for holdoutperioden og sammenlignet med den kjente salgshistorikken for samme periode. Prognosemetoden som gir den beste kampen (best egnet) mellom prognosen og det faktiske salget i holdoutperioden anbefales for bruk i planene. Denne anbefalingen er spesifikk for hvert produkt, og kan endres hver gang du genererer en prognose. 3.3.1 Mean Absolute Deviation Mean Absolute Deviation (MAD) er gjennomsnittet (eller gjennomsnittet) av absoluttverdiene (eller størrelsen) av avvikene (eller feilene) mellom faktiske og prognose data. MAD er et mål på den gjennomsnittlige størrelsen på feilene som kan forventes, gitt en prognosemetode og datahistorie. Fordi absoluttverdier brukes i beregningen, avbryter ikke positive feil ut negative feil. Når man sammenligner flere prognosemetoder, er den med den minste MAD den mest pålitelige for det aktuelle produktet for den holdbare perioden. Når prognosen er upartisk og feil distribueres normalt, eksisterer det et simpelt matematisk forhold mellom MAD og to andre vanlige distribusjonsmålinger, som er standardavvik og Mean Squared Error. For eksempel: MAD (Sigma (Actual) ndash (Forecast)) n Standardavvik, (sigma) cong 1,25 MAD Mean Squared Error cong ndashsigma2 Dette eksemplet indikerer beregningen av MAD for to av prognosemetodene. Dette eksemplet forutsetter at du har angitt i behandlingsalternativet at holdoutperiodens lengde (perioder med best egnethet) er lik fem perioder. 3.3.1.1 Method 1: Last Year to This Year This table is history used in the calculation of MAD, given Periods of Best Fit 5: Mean Absolute Deviation equals (2 1 20 10 14) 5 9.4. Based on these two choices, the Moving Average, n 4 method is recommended because it has the smaller MAD, 9.4, for the given holdout period. 3.3.2 Percent of Accuracy Percent of Accuracy (POA) is a measure of forecast bias. Når prognosene er konsekvent for høye, samles varebeholdninger og lagerkostnadene øker. When forecasts are consistently too low, inventories are consumed and customer service declines. A forecast that is 10 units too low, then 8 units too high, then 2 units too high is an unbiased forecast. The positive error of 10 is canceled by negative errors of 8 and 2. (Error) (Actual) ndash (Forecast) When a product can be stored in inventory, and when the forecast is unbiased, a small amount of safety stock can be used to buffer the errors. In this situation, eliminating forecast errors is not as important as generating unbiased forecasts. However, in service industries, the previous situation is viewed as three errors. The service is understaffed in the first period, and then overstaffed for the next two periods. I tjenester er størrelsen på prognosefeil vanligvis viktigere enn det som er prognostisk forspenning. POA (SigmaForecast sales during holdout period) (SigmaActual sales during holdout period) times 100 percent The summation over the holdout period enables positive errors to cancel negative errors. When the total of forecast sales exceeds the total of actual sales, the ratio is greater than 100 percent. Of course, the forecast cannot be more than 100 percent accurate. When a forecast is unbiased, the POA ratio is 100 percent. A 95 percent accuracy rate is more desirable than a 110 percent accurate rate. The POA criterion selects the forecasting method that has a POA ratio that is closest to 100 percent. This example indicates the calculation of POA for two forecasting methods. This example assumes that you have specified in the processing option that the holdout period length (periods of best fit) is equal to five periods. 3.3.2.1 Method 1: Last Year to This Year This table is history used in the calculation of MAD, given Periods of Best Fit 5: 3.4.2 Forecast Accuracy These statistical laws govern forecast accuracy: A long term forecast is less accurate than a short term forecast because the further into the future you project the forecast, the more variables can affect the forecast. A forecast for a product family tends to be more accurate than a forecast for individual members of the product family. Some errors cancel each other as the forecasts for individual items summarize into the group, thus creating a more accurate forecast. 3.4.3 Forecast Considerations You should not rely exclusively on past data to forecast future demands. These circumstances might affect the business, and require you to review and modify the forecast: New products that have no past data. Plans for future sales promotion. Changes in national and international politics. New laws and government regulations. Weather changes and natural disasters. Innovations from competition. You can use long term trend analysis to influence the design of the forecasts: Leading economic indicators. 3.4.4 Forecasting Process You use the Refresh Actuals program (R3465) to copy data from the Sales Order History File table (F42119), the Sales Order Detail File table (F4211), or both, into either the Forecast File table (F3460) or the Forecast Summary File table (F3400), depending on the kind of forecast that you plan to generate. Scripting on this page enhances content navigation, but does not change the content in any way. op chapter 12 Demand Planning: Forecasting and Demand Management The primary difference between demand management and demand forecasting is Forecasting is only possible when quantitative data are available. A firm cannot execute both approaches simultaneously. Demand management is proactive, while forecasting attempts to predict. One approach deals with uncertainty, while the other deals with known demand. Demand management is proactive, while forecasting attempts to predict. Demand management proactively attempts to influence demand, while forecasting simply tries to predict demand. strategic demand planning would best be utilized: To determine plans for hiring or laying off employees. To determine plans for employee overtime. To decide whether or not to close a manufacturing plant. To direct day-to-day operations in a manufacturing plant. To decide whether or not to close a manufacturing plant. Strategic demand planning is necessary for long-term decisions such as building or closing a plant. The others described are shorter-term decisions. The demand for housing is characterized by a regular pattern of increasing to a peak, then falling. When the demand reaches a low point, it then repeats the pattern. This pattern usually takes place over a three - to five-year period. This is an example of which type of demand pattern Autocorrelation Step change Trend Seasonality and cycles Seasonality and cycles Seasonality and cycles are regular patterns of repeating highs and lows, as described in this example Convex Computer Company makes many different forecasts. Which of the following forecasts is probably the least accurate Total number of desktops to be sold next year. Total number of laptops to be sold next month. Total number of computers (laptops and desktops) to be sold next month. Total number of laptops with 2 gigabyte RAM, 80 gigabyte hard drive, and 16 x DVD drive to be sold next year. Total number of laptops with 2 gigabyte RAM, 80 gigabyte hard drive, and 16 x DVD drive to be sold next year. The more detailed the forecast, the less accurate it is likely to be. D is the most detailed. A company has the following information regarding its forecast performance in the past three periods. What is the mean absolute deviation (MAD) 200 Summing the absolute values of the errors and determining the average results in (300 200 100)3 200. Move from build-to-stock to assemble or make-to-order operations. Influence the timing of demand. All of these. Move from build-to-stock to assemble or make-to-order operations. Postponable products obtain final form after customer demand is actually known. Some forecasts are still necessary (for components), and the timing of demand is not changed. In recent years some companies have begun to work closely with their customers andor suppliers by sharing information to develop demand plans and execute those plans. The procedure they are following is known as: Collaborative planning, forecasting, and replenishment. Conjoint analysis and forecasting. Joint planning of demand forecasts. Coordinated fore planning of requirements. Collaborative planning, forecasting, and replenishment. Collaborative planning, forecasting, and replenishment is a process for sharing information and plans with supply chain partners. Assume that the forecast for the last period is FITt 200 units, and recent experience suggests a likely sales increase of 10 units each period. Actual sales for the last period reached 230 units. Assuming a smoothing coefficient of 0.20 and a trend smoothing coefficient of 0.10, what is the BASE forecast for the next period Ft1 FITt (dt - FITt) 200 0.20 (230 - 200) 206 Zanda Corp. has been testing the performance of two different forecasting models to see which it should adopt for use. It wants to choose the model that has the smaller standard deviation of the forecast errors. Zanda should compare which of the following to make its choice MAPE of the two models MFE of the two models RMSE of the two models MAD of the two models RMSE of the two models RMSE provides a good approximation of the standard deviations of a models forecast errors. The tracking signal will suggest to a manager that Demand for an item is changing. A forecast modes parameters may need adjustment. There is seasonality in demand. All of these A forecast modes parameters may need adjustment. Tracking signal suggests to a manager that model parameters may need adjustment. A forecasting system that changes the value of the alpha parameter in response to the level of forecast error is known as: An adaptive model. A trend enhanced exponential smoothing model. A tracking signal. A time series model. A causal regression. An adaptive model Adaptive forecasting automatically adjusts smoothing coefficients in an exponential smoothing model in response to a tracking signal. Long-termstrategic demand planning is typically done using what units Sales at a given location Total business unit sales Total product item sales Total product family sales Total business unit sales Strategic demand planning supports total business level decisions. What is the relationship between demand management and demand forecasting The two planning activities are managed independently. Demand management plans are usually an input to demand forecasting. Demand management is done by operations managers, while demand forecasting is done by marketing managers. Both B and C are correct. Demand management plans are usually an input to demand forecasting. Demand management plans such as pricing and promotion are inputs needed to forecast demand. Which of the following factors should be considered when one designs a forecasting process Time horizon for planning. Level of detail for planning. Availability of data. All of these Forecasting systems should be tailored to the users needs. A Forecast Calculation Examples A.1 Forecast Calculation Methods Twelve methods of calculating forecasts are available. De fleste av disse metodene sørger for begrenset brukerkontroll. For eksempel kan vekten plassert på nyere historiske data eller datoperioden for historiske data som brukes i beregningene, spesifiseres. The following examples show the calculation procedure for each of the available forecasting methods, given an identical set of historical data. Følgende eksempler bruker de samme salgsdataene fra 2004 og 2005 for å produsere en salgsprognose fra 2006. I tillegg til prognoseberegningen inneholder hvert eksempel en simulert 2005-prognose for en tre måneders holdoutperiode (behandlingsalternativ 19 3) som deretter brukes til prosent av nøyaktighet og gjennomsnittlige absoluttavviksberegninger (faktisk salg sammenlignet med simulert prognose). A.2-prognoser for prestasjonsvurderingskriterier Avhengig av valg av behandlingsalternativer og trender og mønstre som finnes i salgsdata, vil enkelte prognosemetoder utføre bedre enn andre for et gitt historisk datasett. En prognosemetode som passer for ett produkt, kan ikke være aktuelt for et annet produkt. Det er heller ikke sannsynlig at en prognosemetode som gir gode resultater på et stadie av produktets livssyklus, forblir passende gjennom hele livssyklusen. Du kan velge mellom to metoder for å evaluere den nåværende ytelsen til prognosemetodene. Disse er gjennomsnittlig absolutt avvik (MAD) og prosentandel av nøyaktighet (POA). Begge disse resultatevalueringsmetodene krever historiske salgsdata for en spesifisert tidsperiode. Denne tidsperioden kalles en holdoutperiode eller perioder som passer best (PBF). Dataene i denne perioden brukes som grunnlag for å anbefale hvilke av prognosemetoder som skal brukes til å lage neste prognoseprojeksjon. Denne anbefalingen er spesifikk for hvert produkt, og kan endres fra en prognose generasjon til den neste. De to prognosevalueringsmetodene er demonstrert på sidene som følger eksemplene på de tolv prognosemetodene. A.3 Metode 1 - Spesifisert prosent over siste år Denne metoden multipliserer salgsdata fra forrige år med en brukerdefinert faktor for eksempel 1,10 for en 10 økning, eller 0,97 for en 3 reduksjon. Nødvendig salgshistorie: Ett år for beregning av prognosen pluss brukerens spesifiserte antall tidsperioder for vurdering av prognoseytelse (behandlingsalternativ 19). A.4.1 Varselberegning Område for salgshistorie som skal benyttes ved beregning av vekstfaktor (behandlingsalternativ 2a) 3 i dette eksemplet. Sum de tre siste månedene 2005: 114 119 137 370 Sum samme tre måneder for året før: 123 139 133 395 Den beregnede faktoren 370395 0,9367 Beregn prognosene: januar 2005 salg 128 0,9367 119,8036 eller ca 120 februar 2005 salg 117 0,9367 109,5939 eller ca 110 mars 2005 salg 115 0,9367 107,7205 eller ca 108 A.4.2 Simulert prognoseberegning Summen av de tre månedene 2005 før utholdelsesperioden (juli, august, september): 129 140 131 400 Sum samme tre måneder for forrige år: 141 128 118 387 Beregnet faktor 400387 1.033591731 Beregn simulert prognose: oktober 2004 salg 123 1.033591731 127.13178 november 2004 salg 139 1.033591731 143.66925 desember 2004 salg 133 1.033591731 137.4677 A.4.3 Prosent av nøyaktighetsberegning POA (127.13178 143.66925 137.4677) (114 119 137) 100 408.26873 370 100 110.3429 A.4.4 Middel Absolutt Avviksberegning MAD (127.13178 - 114 143.66925 - 119 137.4677-137) 3 (13.13178 24.66925 0.4677) 3 12.75624 A.5 Metode 3 - Året i år Dette metoden kopierer salgsdata fra foregående år til neste år. Nødvendig salgshistorie: Ett år for beregning av prognosen pluss antall tidsperioder som er angitt for å vurdere prognoseytelsen (behandlingsalternativ 19). A.6.1 Varselberegning Antall perioder som skal inkluderes i gjennomsnittet (behandlingsalternativ 4a) 3 i dette eksemplet For hver måned av prognosen, gjennomsnitt de tre foregående månedene. January forecast: 114 119 137 370, 370 3 123.333 or 123 February forecast: 119 137 123 379, 379 3 126.333 or 126 March forecast: 137 123 126 379, 386 3 128.667 or 129 A.6.2 Simulated Forecast Calculation October 2005 sales (129 140 131)3 133.3333 November 2005 sales (140 131 114)3 128.3333 December 2005 sales (131 114 119)3 121.3333 A.6.3 Percent of Accuracy Calculation POA (133.3333 128.3333 121.3333) (114 119 137) 100 103.513 A.6.4 Mean Absolute Deviation Calculation MAD (133.3333 - 114 128.3333 - 119 121.3333 - 137) 3 14.7777 A.7 Method 5 - Linear Approximation Linear Approximation calculates a trend based upon two sales history data points. Disse to punktene definerer en rett trendlinje som projiseres inn i fremtiden. Bruk denne metoden med forsiktighet, da langdistanseprognosene utløses av små endringer på bare to datapunkter. Nødvendig salgshistorie: Antall perioder som skal inkluderes i regresjon (behandlingsalternativ 5a), pluss 1 pluss antall tidsperioder for evaluering av prognoseprestasjon (behandlingsalternativ 19). A.8.1 Varselberegning Antall perioder som skal inkluderes i regresjon (behandlingsalternativ 6a) 3 i dette eksemplet For hver måned av prognosen legger du til økningen eller reduksjonen i de angitte periodene før utholdelsesperioden forrige periode. Gjennomsnitt for de foregående tre månedene (114 119 137) 3 123.3333 Sammendrag av de foregående tre månedene med vekt (114 1) (119 2) (137 3) 763 Forskjellen mellom verdiene 763 - 123.3333 (1 2 3) 23 Forhold 12 22 32) - 2 3 14 - 12 2 Verdi1 DifferenceRatio 232 11,5 Verdi2 Gjennomsnitt - verdi1-forhold 123.3333 - 11.5 2 100.3333 Prognose (1 n) verdi1 verdi2 4 11.5 100.3333 146.333 eller 146 Varsel 5 11.5 100.3333 157.8333 eller 158 Varsel 6 11.5 100.3333 169.3333 eller 169 A.8.2 Simulert prognoseberegning oktober 2004 Salg: Gjennomsnitt for de foregående tre månedene (129 140 131) 3 133 33333 Sammendrag av de foregående tre månedene med vekt (129 1) (140 2) (131 3) 802 Forskjellen mellom verdier 802 - 133.3333 (1 2 3) 2 Forhold (12 22 32) - 2 3 14 - 12 2 Verdi1 DifferenceRatio 22 1 Verdi2 Gjennomsnittlig verdi1-verdi 133.3333 - 1 2 131.3333 Prognose (1 n) verdi1 verdi2 4 1 131.3333 135.3333 November 2004 salg Gjennomsnitt for de foregående tre månedene (140 131 114) 3 128 3333 Sammendrag av de foregående tre månedene med vekt (140 1) (131 2) (114 3) 744 Forskjell mellom verdiene 744 - 128 3333 (1 2 3) -25,9999 Verdi1 DifferenceRatio -25.99992 -12.9999 Verdi2 Gjennomsnittlig verdi1-forhold 128.3333 - (-12.9999) 2 154.3333 Varsel 4 -12.9999 154.3333 102.3333 Desember 2004 salg Gjennomsnitt for de foregående tre månedene (131 114 119) 3 121.3333 Sammendrag av de foregående tre månedene med vekt (vekt) 131 1) (114 2) (119 3) 716 Forskjellen mellom verdiene 716 - 121.3333 (1 2 3) -11.9999 Verdi1 DifferenceRatio -11.99992 -5.9999 Verdi2 Gjennomsnittlig verdi1-verdi 121.3333 - (-5.9999) 2 133.3333 Værvarsel 4 (-5.9999 ) 133.3333 109.3333 A.8.3 Prosent av nøyaktighetsberegning POA (135.33 102.33 109.33) (114 119 137) 100 93.78 A.8.4 Gjennomsnittlig Absolutt Avviksberegning MAD (135,33 - 114 102,33 - 119 109,33 - 137) 3 21,88 A.9 Metode 7 - secon d Gradert tilnærming Linjær regresjon bestemmer verdier for a og b i prognoseformelen Y a bX med sikte på å tilpasse en rett linje til salgshistorikkdataene. Second Degree Approximation er lik. Denne metoden bestemmer imidlertid verdiene for a, b og c i prognoseformelen Y a bX cX2 med sikte på å tilpasse en kurve til salgshistorikkdataene. Denne metoden kan være nyttig når et produkt er i overgangen mellom stadier av en livssyklus. For eksempel, når et nytt produkt flytter fra introduksjon til vekststadier, kan salgstrenden akselerere. På grunn av den andre ordreperioden kan prognosen raskt nærme seg uendelig eller slippe til null (avhengig av om koeffisient c er positiv eller negativ). Derfor er denne metoden bare nyttig på kort sikt. Prognose spesifikasjoner: Formlene finner a, b og c for å passe en kurve til nøyaktig tre punkter. Du spesifiserer n i behandlingsalternativet 7a, hvor mange tidsperioder dataene skal samles inn i hver av de tre punktene. I dette eksemplet n 3. Derfor blir faktiske salgsdata for april til juni kombinert med første punkt, Q1. Juli til september legges sammen for å skape Q2, og oktober til desember sum til Q3. Kurven vil bli montert på de tre verdiene Q1, Q2 og Q3. Nødvendig salgshistorie: 3 n perioder for beregning av prognosen pluss antall tidsperioder som kreves for å vurdere prognoseytelsen (PBF). Antall perioder som skal inkluderes (behandlingsalternativ 7a) 3 i dette eksemplet Bruk de forrige (3 n) månedene i tre måneders blokker: Q1 (apr - juni) 125 122 137 384 Q2 (jul - september) 129 140 131 400 Q3 Okt - des) 114 119 137 370 Det neste trinnet omfatter å beregne de tre koeffisientene a, b og c som skal brukes i prognoseformelen Y a bX cX2 (1) Q1 en bX cX2 (hvor X1) abc (2) Q2 en bX cX2 (hvor X 2) en 2b 4c (3) Q3 en bX cX2 (hvor X 3) en 3b 9c Løs de tre ligningene samtidig for å finne b, a og c: Trekk likning (1) fra ligning (2) og løs for b (2) - (1) Q2 - Q1 b 3c Erstatt denne ligningen for b til ligning (3) (3) Q3 a 3 (Q2 - Q1) - 3c c Til slutt erstatte disse ligningene for a og b til ligning (1) Q3 - 3 (Q2 - Q1) (q2 - Q1) - 3c c Q1c (Q3 - Q2) (Q1 - Q2) 2 Den andre gradstilnærmelsesmetoden beregner a, b og c som følger: en 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 Januar til marsvarsel (X4): (322 340 - 368) 3 2943 98 per periode april til juni prognose (X5): (322 425 - 575) 3 57 333 eller 57 per periode Juli til september prognose (X6): (322 510 - 828) 3 1,33 eller 1 per periode oktober til desember (X7) 595 - 11273 -70 A.9.2 Simulert prognoseberegning oktober, november og desember 2004 salg: Q1 (jan - mar) 360 Q2 (apr - juni) 384 Q3 (jul - september) 400 til 400-3 (384 - 360) 328 c (400 - 384) (360 - 384) 2 -4 b (384 - 360) - 3 (-4) 36 328 36 4 (-4) 163 136 A.9.3 Prosent av nøyaktighetsberegning POA (136 136 136) (114 119 137) 100 110,27 A.9.4 Gjennomsnittlig Absolutt Avviksberegning MAD (136 - 114 136 - 119 136 - 137) 3 13,33 A.10 Metode 8 - Fleksibel metode Den fleksible metoden (Prosent over en måned før) 1, prosent over fjoråret. Begge metodene multipliserer salgsdata fra en tidligere tidsperiode av en brukerdefinert faktor, og deretter prosjektet det resultatet inn i fremtiden. I prosentandelen over siste årsmetoden er projeksjonen basert på data fra samme tidsperiode året før. Den fleksible metoden legger til rette for å angi en annen tidsperiode enn samme periode i fjor som skal brukes som grunnlag for beregningene. Multiplikasjonsfaktor. For eksempel angi 1,15 i behandlingsalternativet 8b for å øke tidligere salgshistorikkdata med 15. Baseperiode. For eksempel vil n 3 føre til at den første prognosen baseres på salgsdata i oktober 2005. Minste salgshistorie: Brukeren spesifiserte antall perioder tilbake til basisperioden, pluss antall tidsperioder som kreves for å evaluere prognoseprestansen ( PBF). A.10.4 Gjennomsnittlig Absolutt Avviksberegning MAD (148 - 114 161 - 119 151 - 137) 3 30 A.11 Metode 9 - Vektet Flytende Gjennomsnitt Vektet Flytende Gjennomsnittlig (WMA) - metode ligner Metode 4, Flytende Gjennomsnitt (MA). Imidlertid kan med vektet flytende gjennomsnitt gi ulik vekt til de historiske dataene. Metoden beregner et veid gjennomsnitt av den siste salgshistorikken for å komme frem til en projeksjon på kort sikt. Nyere data blir vanligvis tildelt større vekt enn eldre data, så dette gjør WMA mer lydhør overfor endringer i salgsnivået. Imidlertid oppstår prognoseforstyrrelser og systematiske feil når produktsalgshistorikken viser sterk trend eller sesongmessige mønstre. Denne metoden fungerer bedre for korte prognoser for modne produkter enn for produkter i vekst - eller forløpsfasen av livssyklusen. n Antall perioder med salgshistorie som skal brukes i prognoseberegningen. For eksempel angi n 3 i behandlingsalternativet 9a for å bruke de siste tre periodene som grunnlag for projeksjonen inn i neste tidsperiode. En stor verdi for n (som 12) krever mer salgshistorikk. Det resulterer i en stabil prognose, men vil være sakte for å gjenkjenne endringer i salgsnivået. On the other hand, a small value for n (such as 3) will respond quicker to shifts in the level of sales, but the forecast may fluctuate so widely that production can not respond to the variations. Vekten tilordnet hver av de historiske datoperiodene. De tildelte vekter må total til 1,00. For eksempel, når n 3, tilordner vekter på 0,6, 0,3 og 0,1, med de nyeste dataene som mottar den største vekten. Minimumskrav til salgshistorie: n pluss antall tidsperioder som kreves for å evaluere prognoseytelsen (PBF). MAD (133,5 - 114 121,7 - 119 118,7 - 137) 3 13,5 A.12 Metode 10 - Linjær utjevning Denne metoden ligner metode 9, vektet flytende gjennomsnitt (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. Metoden beregner deretter et veid gjennomsnitt av den siste salgshistorikken for å komme frem til en projeksjon på kort sikt. Som det gjelder for alle lineære bevegelige gjennomsnittlige prognoseteknikker, oppstår prognoseforstyrrelser og systematiske feil når produktsalgshistorikken viser sterk trend eller sesongmessige mønstre. Denne metoden fungerer bedre for korte prognoser for modne produkter enn for produkter i vekst - eller forløpsfasen av livssyklusen. n Antall perioder med salgshistorie som skal brukes i prognoseberegningen. Dette er angitt i behandlingsalternativet 10a. For eksempel angi n 3 i behandlingsalternativet 10b for å bruke de siste tre periodene som grunnlag for projeksjonen i neste tidsperiode. Systemet vil automatisk tildele vektene til de historiske dataene som avtar lineært og summen til 1,00. For eksempel, når n 3, vil systemet tildele vekter på 0,5, 0,3333 og 0,1, med de nyeste dataene som mottar den største vekten. Minimumskrav til salgshistorie: n pluss antall tidsperioder som kreves for å evaluere prognoseytelsen (PBF). A.12.1 Varselberegning Antall perioder som skal inkluderes i utjevnings gjennomsnitt (prosesseringsalternativ 10a) 3 i dette eksemplet Forhold for en periode før 3 (n2 n) 2 3 (32 3) 2 36 0,5 Forhold for to perioder før 2 (n2 n ) 2 2 (32 3) 2 26 0.3333 .. Forhold for tre perioder før 1 (n2 n) 2 1 (32 3) 2 16 0.1666 .. Januar prognose: 137 0,5 119 13 114 16 127,16 eller 127 februar prognose: 127 0,5 137 13 119 16 129 Mars prognose: 129 0,5 127 13 137 16 129 666 eller 130 A.12.2 Simulert prognoseberegning oktober 2004 salg 129 16 140 26 131 36 133 66666 november 2004 salg 140 16 131 26 114 36 124 desember 2004 salg 131 16 114 26 119 36 119.3333 A.12.3 Prosent av nøyaktighetsberegning POA (133.6666 124 119.3333) (114 119 137) 100 101.891 A.12.4 Gjennomsnittlig Absolutt Avviksberegning MAD (133.6666 - 114 124 - 119 119.3333 - 137) 3 14.1111 A.13 Metode 11 - Eksponensiell utjevning Denne metoden ligner metode 10, lineær utjevning. Ved lineær utjevning tilordner systemet vekten til de historiske dataene som avtar lineært. Ved eksponensiell utjevning tilordner systemet vekt som eksponentielt forfall. The exponential smoothing forecasting equation is: Forecast a(Previous Actual Sales) (1 - a) Previous Forecast The forecast is a weighted average of the actual sales from the previous period and the forecast from the previous period. a er vekten på det faktiske salget for den foregående perioden. (1-a) er vekten på prognosen for foregående periode. Gyldige verdier for et område fra 0 til 1, og faller vanligvis mellom 0,1 og 0,4. The sum of the weights is 1.00. a (1 - a) 1 Du bør tilordne en verdi for utjevningskonstanten, a. Hvis du ikke tilordner verdier for utjevningskonstanten, beregner systemet en antatt verdi basert på antall perioder med salgshistorikk som er angitt i behandlingsalternativet 11a. en utjevningskonstanten som brukes til å beregne det glatte gjennomsnittet for det generelle nivået eller størrelsen på salget. Gyldige verdier for et område fra 0 til 1. n rekke salgshistorikkdata som skal inkluderes i beregningene. Vanligvis er et år med salgshistorikkdata tilstrekkelig til å anslå det generelle salgsnivået. For dette eksempelet ble en liten verdi for n (n 3) valgt for å redusere manuelle beregninger som kreves for å verifisere resultatene. Eksponensiell utjevning kan generere en prognose basert på så lite som et historisk datapunkt. Minimumskrav til salgshistorie: n pluss antall tidsperioder som kreves for å evaluere prognoseytelsen (PBF). A.13.1 Varselberegning Antall perioder som skal inkluderes i utjevnings gjennomsnitt (prosesseringsalternativ 11a) 3 og alfafaktor (behandlingsalternativ 11b) tom i dette eksemplet en faktor for eldste salgsdata 2 (11) eller 1 når alfa er spesifisert en faktor for 2. eldste salgsinformasjon 2 (12) eller alfa når alfa er spesifisert en faktor for 3. eldste salgsdata 2 (13), eller alfa når alfa er spesifisert en faktor for de siste salgsdataene 2 (1n) , eller alfa når alfa er spesifisert November Sm. Nr. a (oktober faktisk) (1 - a) oktober sm. Nr. 1 114 0 0 114 desember Sm. Nr. a (november faktisk) (1 - a) november sm. Nr. 23 119 13 114 117.3333 januar Værvarsel a (desember faktisk) (1 - a) desember sm. Nr. 24 137 24 117.3333 127.16665 eller 127 februar Værvarsel januar Værvarsel 127 Mars Forecast januar Værvarsel 127 A.13.2 Simulert prognoseberegning juli 2004 Sm. Nr. 22 129 129 august Sm. Nr. 23 140 13 129 136.3333 september sm. Nr. 24 131 24 136.3333 133.6666 Oktober, 2004 salg Sep Sm. Nr. 133.6666 august 2004 Sm. Nr. 22 140 140 september Sm. Nr. 23 131 13 140 134 oktober Sm. Nr. 24 114 24 134 124 november, 2004 salg sep sm. Nr. 124 september 2004 Sm. Nr. 22 131 131 Sm. Nr. 23 114 13 131 119.6666 November Sm. Nr. 24 119 24 119.6666 119.3333 Desember 2004 salg Sep Sm. Nr. 119.3333 A.13.3 Prosent av nøyaktighetsberegning POA (133.6666 124 119.3333) (114 119 137) 100 101.891 A.13.4 Gjennomsnittlig Absolutt Avviksberegning MAD (133.6666 - 114 124 - 119 119.3333 - 137) 3 14.1111 A.14 Metode 12 - Eksponensiell utjevning med trend og sesongmessighet Denne metoden ligner metode 11, eksponentiell utjevning ved at et glatt gjennomsnitt beregnes. Metode 12 inneholder imidlertid også en term i prognosekvasjonen for å beregne en glatt trend. Prognosen består av en glatt gjennomsnitt som er justert for en lineær trend. When specified in the processing option, the forecast is also adjusted for seasonality. en utjevningskonstanten som brukes til å beregne det glatte gjennomsnittet for det generelle nivået eller størrelsen på salget. Gyldige verdier for alfaområdet fra 0 til 1. b utjevningskonstanten som brukes til å beregne det glatte gjennomsnittet for trendkomponenten i prognosen. Gyldige verdier for beta rekkevidde fra 0 til 1. Om en sesongbasert indeks er brukt på prognosen a og b er uavhengig av hverandre. De trenger ikke å legge til 1,0. Minst nødvendig salgshistorie: to år pluss antall tidsperioder som kreves for å evaluere prognoseytelsen (PBF). Method 12 uses two exponential smoothing equations and one simple average to calculate a smoothed average, a smoothed trend, and a simple average seasonal factor. A.14.1 Varselberegning A) Et eksponentielt glatt gjennomsnitt MAD (122,81 - 114 133,14 - 119 135,33 - 137) 3 8.2 A.15 Evaluering av prognosene Du kan velge prognosemetoder for å generere så mange som tolv prognoser for hvert produkt. Hver prognosemetode vil trolig skape en litt annen projeksjon. Når det regnes med tusenvis av produkter, er det upraktisk å ta en subjektiv beslutning om hvilke av prognosene som skal brukes i dine planer for hver av produktene. The system automatically evaluates performance for each of the forecasting methods that you select, and for each of the products forecast. Du kan velge mellom to ytelseskriterier, gjennomsnittlig avvik (MAD) og prosentandel av nøyaktighet (POA). MAD er et mål på prognosefeil. POA er et mål på prognoseforspenning. Begge disse ytelsesevalueringsteknikkene krever faktiske salgshistorikkdata for en brukerdefinert tidsperiode. Denne perioden med nyere historie kalles en holdout periode eller perioder som passer best (PBF). For å måle resultatene av en prognosemetode, bruk prognosemålingene for å simulere en prognose for den historiske holdoutperioden. Det vil vanligvis være forskjeller mellom faktiske salgsdata og den simulerte prognosen for holdoutperioden. Når flere prognosemetoder er valgt, oppstår denne samme prosessen for hver metode. Multiple forecasts are calculated for the holdout period, and compared to the known sales history for that same period of time. Prognosemetoden som gir den beste kampen (best egnet) mellom prognosen og det faktiske salget i holdoutperioden, anbefales for bruk i dine planer. Denne anbefalingen er spesifikk for hvert produkt, og kan endres fra en prognose generasjon til den neste. A.16 Mean Absolute Deviation (MAD) MAD er gjennomsnittet (eller gjennomsnittet) av absoluttverdiene (eller størrelsen) av avvikene (eller feilene) mellom faktiske og prognose data. MAD er et mål på den gjennomsnittlige størrelsen på feilene som kan forventes, gitt en prognosemetode og datahistorie. Because absolute values are used in the calculation, positive errors do not cancel out negative errors. Når man sammenligner flere prognosemetoder, har den med den minste MAD vist seg å være den mest pålitelige for det aktuelle produktet i den perioden. Når prognosen er upartisk og feil distribueres normalt, er det et enkelt matematisk forhold mellom MAD og to andre vanlige målefordeler, standardavvik og gjennomsnittlig kvadratfeil: A.16.1 Prosent av nøyaktighet (POA) Prosent av nøyaktighet (POA) er et mål på prognoseforstyrrelser. Når prognosene er konsekvent for høye, samles varebeholdninger og lagerkostnadene øker. Når prognosene er konsekvent to lave, forbruker varebeholdningen og kundeservicen avtar. En prognose som er 10 enheter for lav, da 8 enheter for høye, deretter 2 enheter for høye, ville være en objektiv prognose. Den positive feilen på 10 er kansellert av negative feil på 8 og 2. Feil Aktuell - Prognose Når et produkt kan lagres i lagerbeholdning, og når prognosen er objektiv, kan en liten mengde sikkerhetslager brukes til å buffere feilene. I denne situasjonen er det ikke så viktig å eliminere prognosefeil som det er å generere objektive prognoser. Men i tjenesteytende næringer vil ovennevnte situasjon bli sett på som tre feil. Tjenesten ville være underbemannet i den første perioden, deretter overbemannet for de neste to perioder. I tjenester er størrelsen på prognosefeil vanligvis viktigere enn det som er prognostisk forspenning. Summen over holdoutperioden tillater positive feil å avbryte negative feil. Når summen av det faktiske salget overstiger summen av prognosen, er forholdet større enn 100. Det er selvfølgelig umulig å være mer enn 100 nøyaktige. When a forecast is unbiased, the POA ratio will be 100. Therefore, it is more desirable to be 95 accurate than to be 110 accurate. POA-kriteriet velger prognosemetoden som har et POA-forhold nærmest 100. Skripting på denne siden forbedrer innholdsnavigasjon, men endrer ikke innholdet på noen måte. Hvordan beregner Mean Absolute Deviation (MAD) hjelp, vennligst. Siden mai 2005 har kjøpschefen på et varehus benyttet et 4-års glidende gjennomsnitt for å prognose salget i kommende måneder. Salgsdata for månedene januar til juli er gitt i tabellen. Vis mer Siden mai 2005 har kjøpschefen på et varehus benyttet et 4-års glidende gjennomsnitt for å prognostisere salget i kommende måneder. Salgsdata for månedene januar til juli er gitt i tabellen under. Beregn gjennomsnittlig absolutt avvik (MAD) for fire-års glidende gjennomsnittlige prognoser. Forventningsverdiene beregnes med en nøyaktighet på to desimaltall. Specify the MAD as a whole number by rounding.
No comments:
Post a Comment