Prognose Nachfrage Gleitender Durchschnitt

Kapitel 11 - Demand Management amp Forecasting 1. Perfekte Prognose ist praktisch unmöglich 2. Anstatt die perfekte Prognose zu suchen, ist es viel wichtiger, die Praxis der kontinuierlichen Überprüfung der Prognose zu etablieren und zu lernen, mit ungenauer Prognose zu leben 3. Bei der Prognose , Eine gute Strategie ist es, 2 oder 3 Methoden zu verwenden und sie für die Commonsense-Ansicht zu sehen. 2. Grundquellen der Nachfrage 1. Abhängige Nachfrage - Nachfrage nach Produkten oder Dienstleistungen durch die Nachfrage nach anderen Produkten oder Dienstleistungen verursacht. Nicht viel kann die Firma tun, es muss erfüllt sein. 2. Unabhängige Nachfrage - Nachfrage, die nicht direkt aus der Nachfrage nach anderen Produkten abgeleitet werden kann. Firm kann: a) eine aktive Rolle einnehmen, um die Nachfrage zu beeinflussen - Druck auf Ihren Außendienst auszuüben b) eine passive Rolle zu übernehmen, um die Nachfrage zu beeinflussen - wenn eine Firma voll ausgelastet ist, kann sie nicht etwas über die Nachfrage tun. Andere Gründe sind wettbewerbsfähig, legal, ökologisch, ethisch und moralisch. Versuche, die Zukunft auf der Grundlage einer vergangenen Daten vorauszusagen. 1. Kurzfristig - unter 3 Monaten - taktische Entscheidungen wie die Auffüllung von Inventar oder Terminierung EEs in der nahen Zeit 2. Mittelfristig - 3 M-2Y - Erfassung saisonale Effekte wie Kunden reagieren auf ein neues Produkt 3. Langfristig - mehr als 2 Jahre. Um wichtige Wendepunkte zu identifizieren und allgemeine Trends zu erkennen. Lineare Regression ist eine besondere Art der Regression, wo die Beziehungen zwischen variablen Formen eine gerade Linie Y abX. Y - abhängige Variable a - Y Intercept B - Slope X - unabhängige Variable Es wird für die langfristige Prognose von Großereignissen und Aggregatplanung verwendet. Es wird sowohl für die Zeitreihenvorhersage als auch für die beiläufige Beziehungsprognose verwendet. Ist die am häufigsten genutzte Prognosetechnik. Die jüngsten Vorkommnisse sind ein Indikator für die Zukunft (höchster vorhersagbarer Wert) als die in der weit entfernten Vergangenheit. Wir sollten dem Erz die letzten Zeiträume bei der Vorhersage mehr geben. Jedes Inkrement in der Vergangenheit wird um (1 alpha) verringert. Je höher das Alpha, desto genauer folgt die Prognose der tatsächlichen. Jüngste Gewichtung Alpha (1-alpha) na 0 Daten eine Zeitperiode älter Alpha (1-alpha) na 1 Daten zwei Zeitperioden älter Alpha (1-alpha) na 2 Welche der folgenden Prognosemethoden ist sehr abhängig von der Auswahl der Richtige Personen, die werksseitig verwendet werden, um tatsächlich den Prognosewert zu erzeugen, muss zwischen 0 und 1 1 liegen. 2 oder mehr vorbestimmte Werte von Alpha - je nach Fehlergrad werden unterschiedliche Werte von Alpha verwendet. Wenn der Fehler groß ist, ist Alpha 0,8, wenn der Fehler klein ist, Alpha ist 0,2 2. Berechnete Werte des Alpha - exponentiell geglätteten tatsächlichen Fehlers geteilt durch den exponentiell erstickten absoluten Fehler. Qualitative Techniken in der Prognose Expertenwissen und erfordern viel Urteil (neue Produkte oder Regionen) 1. Marktforschung - auf der Suche nach neuen Produkten und Ideen, mag und mag keine vorhandenen Produkte. In erster Linie SURVEYS amp INTERVIEWS 2. Panel Consensus - die Idee, dass 2 Köpfe sind besser als eins. Panel von Menschen aus einer Vielzahl von Positionen können eine zuverlässigere Prognose als eine engere Gruppe zu entwickeln. Problem ist, dass niedrigere EE-Ebenen durch höhere Management-Level eingeschüchtert werden. Exekutivurteil wird angewendet (höheres Management ist beteiligt). 3. Historische Analogie - eine Firma, die bereits Toaster produziert und Kaffeekannen produzieren möchte, könnte die Toastergeschichte als wahrscheinliches Wachstumsmodell nutzen. 4. Delphi-Methode - sehr abhängig von der Auswahl der richtigen Personen, die werdlich verwendet werden, um tatsächlich die Prognose zu generieren. Jeder hat das gleiche Gewicht (mehr fair). Zufriedenstellende Ergebnisse werden in der Regel in 3 Runden erreicht. OBJECTIVE - Collaborative Planning, Forecasting und Replenishment (CPFR) Um ausgetauschte interne Informationen auf einem freigegebenen Webserver auszutauschen, um für eine zuverlässige, längerfristige zukünftige Sicht der Nachfrage in der Supply Chain zu sorgen. Demand Forecasting Techniques: Moving Average Exponential Smoothing Dies Lektion wird die Nachfragevorhersage mit einem Fokus auf den Verkauf von etablierten Waren und Dienstleistungen diskutieren. Es wird die quantitativen Techniken der gleitenden durchschnittlichen und exponentiellen Glättung einführen, um die Umsatznachfrage zu bestimmen. Was ist Demand Forecasting Wieder einmal ist es die Ferienzeit. Kinder sind bereit für einen Besuch von Santa, und die Eltern sind über Shopping und Finanzen gestresst. Die Unternehmen vervollständigen ihre Operationen für das Kalenderjahr und bereiten sich darauf vor, in das, was vor uns liegt, zu bewegen. ABC Inc. fertigt Telefonkabel. Ihre Rechnungslegungs - und Betriebszeiträume laufen auf einem Kalenderjahr, so dass das Ende des Jahres es ihnen ermöglicht, vor der Urlaubspause den Betrieb abzuschließen und den Beginn eines neuen Jahres zu planen. Seine Zeit für Manager, um ihre Abteilungen operative Pläne vorzubereiten und vorzulegen, damit sie einen organisatorischen Operationsplan für das neue Jahr schaffen können. Die Verkaufsabteilung wird aus ihren Köpfen betont. Die Nachfrage nach Telefonkabel war im Jahr 2015 gesunken und die allgemeinen Wirtschaftsdaten deuten auf einen anhaltenden Abschwung in Bauvorhaben hin, die Telefondraht erfordern. Bob, der Vertriebsleiter, weiß, dass die Geschäftsleitung, das Board of Directors und die Stakeholder auf eine optimistische Umsatzprognose hoffen, aber er fühlt sich das Eis der Industrie Rezession kriecht hinter ihm, um ihn zu bekämpfen. Demand Prognose ist die Methode der Projektion der Kunden Nachfrage nach einem guten oder Service. Dieser Prozess ist eine kontinuierliche, wo Manager nutzen historische Daten zu berechnen, was sie erwarten, dass die Umsatznachfrage für eine gute oder Dienstleistung zu sein. Bob nutzt Informationen aus der Vergangenheit und fügt sie den Wirtschaftsdaten vom Markt hinzu, um zu sehen, ob der Umsatz wachsen oder sinken wird. Bob nutzt die Ergebnisse der Nachfragevorhersage, um Ziele für die Verkaufsabteilung festzulegen, während sie versuchen, sich an die Unternehmensziele zu halten. Bob wird in der Lage sein, die Ergebnisse der Vertriebsabteilung im nächsten Jahr zu bewerten, um festzustellen, wie seine Prognose herauskam. Bob kann verschiedene Techniken verwenden, die sowohl qualitativ als auch quantitativ sind, um das Wachstum oder den Rückgang des Umsatzes zu bestimmen. Beispiele für qualitative Techniken sind: Gelehrte Vermutungen Vorhersage Markt Spieltheorie Delphi-Technik Beispiele für quantitative Techniken sind: Extrapolation Data Mining Causal Modelle Box-Jenkins Modelle Die oben aufgeführten Beispiele für Nachfragevorhersagetechniken sind nur eine kurze Liste der Möglichkeiten, die Bob als er zur Verfügung stellt Praktiken verlangen die Prognose. Diese Lektion konzentriert sich auf zwei zusätzliche quantitative Techniken, die einfach zu bedienen sind und eine objektive, genaue Prognose bieten. Moving Average Formula Ein gleitender Durchschnitt ist eine Technik, die den Gesamtverlauf eines Datensatzes berechnet. Im operativen Management ist der Datensatz das Verkaufsvolumen aus historischen Daten des Unternehmens. Diese Technik ist sehr nützlich für die Prognose kurzfristiger Trends. Es ist einfach der Durchschnitt eines ausgewählten Satzes von Zeitperioden. Sein genannt bewegt sich, weil als eine neue Nachfrage-Nummer für eine bevorstehende Zeit berechnet wird, die älteste Zahl im Satz fällt, halten die Zeitspanne gesperrt. Lasst uns ein Beispiel ansehen, wie der Vertriebsleiter bei ABC Inc. die Nachfrage mit der gleitenden Durchschnittsformel prognostiziert. Die Formel wird wie folgt dargestellt: Moving Average (n1 n2 n3.) N Wo n die Anzahl der Zeitperioden im Datensatz. Die Summe der ersten Zeitspanne und aller gewählten Zeiträume wird durch die Anzahl der Zeiträume geteilt. Bob beschließt, seine Nachfrageprognose auf der Grundlage eines 5-jährigen gleitenden Durchschnitts zu schaffen. Dies bedeutet, dass er die Verkaufsvolumendaten aus den letzten 5 Jahren als Daten für die Berechnung verwenden wird. Exponentielle Glättung Exponentielle Glättung ist eine Technik, die eine Glättungskonstante als Prädiktor für die zukünftige Prognose verwendet. Wann immer Sie eine Nummer in der Prognose verwenden, die ein Durchschnitt ist, wurde es geglättet. Diese Technik nimmt historische Daten aus früheren Zeiträumen und wendet die Berechnung für die exponentielle Glättung an, um zukünftige Daten zu prognostizieren. In diesem Fall wird Bob auch eine exponentielle Glättung anwenden, um mit der früheren Berechnung eines gleitenden Durchschnitts zu vergleichen, um eine zweite Meinung zu erhalten. Die Formel für die exponentielle Glättung ist wie folgt. F (t) Prognose für 2016 F (t-1) Prognose für Vorjahr Alpha-Glättungskonstante A (t-1) tatsächlicher Umsatz des Vorjahres Die Glättungskonstante ist ein Gewicht, das auf die Gleichung angewendet wird, basierend darauf, wie stark das Unternehmen betont wird Orte auf die aktuellsten Daten. Die Glättungskonstante ist eine Zahl zwischen 0 und 1. Eine Glättungskonstante von 0,9 würde signalisieren, dass das Management viel Wert auf die vorherigen Zeitperioden historische Verkaufsdaten legt. Eine Glättungskonstante von 0,1 würde signalisieren, dass das Management sehr wenig Wert auf den vorherigen Zeitraum stellt. Die Wahl einer Glättungskonstante ist Hit oder Miss und kann geändert werden, da mehr Daten verfügbar sind. Wir werden das Diagramm von oben mit dem historischen Verkaufsvolumen verwenden, um die exponentielle Glättungsprognose für 2016 zu berechnen. Es gibt eine zusätzliche Spalte, um das prognostizierte Verkaufsvolumen einzubeziehen. Diese Berechnung ist eine ziemlich effiziente Formel und ziemlich genau im Vergleich zu anderen Techniken der Nachfragevorhersage. Lektion Zusammenfassung Die prognostizierte Prognose ist ein wesentlicher Bestandteil eines geplanten Plans für zukünftige Zeiträume. Verschiedene Techniken können sowohl qualitativ als auch quantitativ eingesetzt werden und bieten unterschiedliche Datensätze an die Manager, wie sie die Nachfrage prognostizieren, vor allem im Absatz. Die gleitenden durchschnittlichen und exponentiellen Glättungstechniken sind sowohl faire Beispiele für Methoden zur Nutzung, um die Prognose der Nachfrage zu unterstützen. Um diese Lektion zu entsperren, musst du ein Studienmitglied sein. Erstellen Sie Ihr Konto Verdienen College Credit Haben Sie wissen, dass Sie haben über 79 College-Kurse, die Sie vorbereiten, um Kredit durch Prüfung, die von über 2.000 Hochschulen und Universitäten akzeptiert wird. Sie können aus den ersten zwei Jahren des College zu testen und sparen Sie Tausende von Ihrem Grad. Jeder kann Kredit-by-Prüfung unabhängig von Alter oder Bildungsniveau zu verdienen. Überweisung von Kredit an die Schule Ihrer Wahl Nicht sicher, welche College Sie wollen noch zu studieren Study hat Tausende von Artikeln über jeden erdenklichen Grad, Bereich des Studiums und Karriere-Pfad, die Ihnen helfen können, finden Sie die Schule thats richtige für Sie. Research Schools, Degrees amp Karriere Holen Sie sich die unvoreingenommene Info, die Sie brauchen, um die richtige Schule zu finden. Durchsuchen Artikel Nach Kategorie In der Praxis wird der gleitende Durchschnitt eine gute Schätzung des Mittelwerts der Zeitreihen liefern, wenn der Mittelwert konstant ist oder sich langsam ändert. Im Falle eines konstanten Mittels wird der größte Wert von m die besten Schätzungen des zugrunde liegenden Mittels geben. Eine längere Beobachtungsperiode wird die Effekte der Variabilität ausmachen. Der Zweck der Bereitstellung eines kleineren m ist es, die Prognose auf eine Änderung des zugrunde liegenden Prozesses zu reagieren. Zur Veranschaulichung schlagen wir einen Datensatz vor, der Änderungen des zugrunde liegenden Mittels der Zeitreihen beinhaltet. Die Figur zeigt die Zeitreihen, die für die Illustration verwendet wurden, zusammen mit der mittleren Nachfrage, aus der die Serie erzeugt wurde. Der Mittelwert beginnt als Konstante bei 10. Beginnend um die Zeit 21 erhöht er sich in jeder Periode um eine Einheit, bis er zum Zeitpunkt 30 den Wert von 20 erreicht. Dann wird er wieder konstant. Die Daten werden durch Addition des Mittelwertes, eines zufälligen Rauschens aus einer Normalverteilung mit Nullmittelwert und Standardabweichung simuliert. 3. Die Ergebnisse der Simulation werden auf die nächste ganze Zahl gerundet. Die Tabelle zeigt die simulierten Beobachtungen für das Beispiel. Wenn wir den Tisch benutzen, müssen wir uns daran erinnern, dass zu irgendeiner Zeit nur die bisherigen Daten bekannt sind. Die Schätzungen des Modellparameters, für drei verschiedene Werte von m werden zusammen mit dem Mittelwert der Zeitreihen in der folgenden Abbildung dargestellt. Die Figur zeigt die gleitende durchschnittliche Schätzung des Mittelwertes zu jeder Zeit und nicht die Prognose. Die Prognosen würden die gleitenden Durchschnittskurven nach Perioden nach rechts verschieben. Aus der Figur ergibt sich sofort eine Schlussfolgerung. Für alle drei Schätzungen liegt der gleitende Durchschnitt hinter dem linearen Trend zurück, wobei die Verzögerung mit m zunimmt. Die Verzögerung ist der Abstand zwischen dem Modell und der Schätzung in der Zeitdimension. Wegen der Verzögerung unterschätzt der gleitende Durchschnitt die Beobachtungen, wenn der Mittelwert zunimmt. Die Vorspannung des Schätzers ist die Differenz zu einer bestimmten Zeit im Mittelwert des Modells und der durch den gleitenden Durchschnitt vorhergesagte Mittelwert. Die Vorspannung, wenn der Mittelwert zunimmt, ist negativ. Für ein abnehmendes Mittel ist die Vorspannung positiv. Die Verzögerung in der Zeit und die Vorspannung, die in der Schätzung eingeführt werden, sind Funktionen von m. Je größer der Wert von m. Je größer die Größe der Verzögerung und der Vorspannung ist. Für eine stetig wachsende Serie mit Trend a. Die Werte der Verzögerung und der Vorspannung des Schätzers des Mittels sind in den nachstehenden Gleichungen angegeben. Die Beispielkurven stimmen nicht mit diesen Gleichungen überein, weil das Beispielmodell nicht kontinuierlich zunimmt, sondern es beginnt als Konstante, ändert sich zu einem Trend und wird dann wieder konstant. Auch die Beispielkurven sind vom Lärm betroffen. Die gleitende durchschnittliche Prognose der Perioden in die Zukunft wird durch die Verschiebung der Kurven nach rechts dargestellt. Die Verzögerung und die Bias steigen proportional an. Die nachfolgenden Gleichungen zeigen die Verzögerung und die Vorspannung einer Prognoseperiode in die Zukunft im Vergleich zu den Modellparametern. Wiederum sind diese Formeln für eine Zeitreihe mit einem konstanten linearen Trend. Wir sollten uns über dieses Ergebnis nicht wundern. Der gleitende durchschnittliche Schätzer beruht auf der Annahme eines konstanten Mittels, und das Beispiel hat einen linearen Trend im Mittel während eines Teils des Untersuchungszeitraums. Da Echtzeit-Serien den Annahmen eines Modells nur selten gehorchen, sollten wir auf solche Ergebnisse vorbereitet sein. Wir können auch aus der Figur schließen, dass die Variabilität des Rauschens die größte Wirkung für kleinere m hat. Die Schätzung ist viel volatiler für den gleitenden Durchschnitt von 5 als der gleitende Durchschnitt von 20. Wir haben die widersprüchlichen Wünsche, m zu erhöhen, um den Effekt der Variabilität aufgrund des Rauschens zu reduzieren und m zu reduzieren, um die Prognose besser auf Veränderungen zu reagieren Im gemein Der Fehler ist die Differenz zwischen den tatsächlichen Daten und dem prognostizierten Wert. Ist die Zeitreihe wirklich ein konstanter Wert, so ist der erwartete Wert des Fehlers Null und die Varianz des Fehlers besteht aus einem Begriff, der eine Funktion und ein zweiter Term ist, der die Varianz des Rauschens ist. Der erste Term ist die Varianz des Mittelwertes, der mit einer Stichprobe von m Beobachtungen geschätzt wird, vorausgesetzt, die Daten stammen aus einer Population mit einem konstanten Mittelwert. Dieser Begriff wird minimiert, indem man m so groß wie möglich macht. Eine große m macht die Prognose nicht mehr auf eine Veränderung der zugrunde liegenden Zeitreihen. Um die Prognose auf Veränderungen zu reagieren, wollen wir m so klein wie möglich (1), aber das erhöht die Fehlerabweichung. Die praktische Vorhersage erfordert einen Zwischenwert. Vorhersage mit Excel Das Prognose-Add-In implementiert die gleitenden durchschnittlichen Formeln. Das folgende Beispiel zeigt die Analyse, die durch das Add-In für die Beispieldaten in Spalte B bereitgestellt wird. Die ersten 10 Beobachtungen sind indiziert -9 bis 0. Im Vergleich zur obigen Tabelle werden die Periodenindizes um -10 verschoben. Die ersten zehn Beobachtungen liefern die Startwerte für die Schätzung und werden verwendet, um den gleitenden Durchschnitt für die Periode 0 zu berechnen. Die MA (10) - Spalte (C) zeigt die berechneten Bewegungsdurchschnitte. Der gleitende Mittelwert m ist in Zelle C3. Die Fore (1) Spalte (D) zeigt eine Prognose für einen Zeitraum in die Zukunft. Das Prognoseintervall befindet sich in Zelle D3. Wenn das Prognoseintervall auf eine größere Zahl geändert wird, werden die Zahlen in der Spalte Fore nach unten verschoben. Die Err (1) Spalte (E) zeigt den Unterschied zwischen Beobachtung und Prognose. Zum Beispiel ist die Beobachtung zum Zeitpunkt 1 gleich 6. Der prognostizierte Wert aus dem gleitenden Durchschnitt zum Zeitpunkt 0 beträgt 11,1. Der Fehler ist dann -5.1. Die Standardabweichung und die mittlere Durchschnittsabweichung (MAD) werden in den Zellen E6 bzw. E7 berechnet.3 Verständnis der Prognoseebenen und - methoden Sie können sowohl Prognosen als auch Einzelprojektvorhersagen und Zusammenfassungen (Produktlinien) generieren, die Produktnachfragemuster widerspiegeln. Das System analysiert die bisherigen Verkäufe, um die Prognosen mit 12 Prognosemethoden zu berechnen. Die Prognosen beinhalten Detailinformationen auf der Positionsebene und übergeordnete Informationen über eine Zweigniederlassung oder das Unternehmen als Ganzes. 3.1 Prognoseleistungsbewertungskriterien Abhängig von der Auswahl der Verarbeitungsoptionen und von Trends und Mustern in den Verkaufsdaten sind einige Prognosemethoden besser als andere für einen gegebenen historischen Datensatz. Eine für ein Produkt geeignete Vorhersagemethode ist möglicherweise nicht für ein anderes Produkt geeignet. Sie könnten feststellen, dass eine Prognosemethode, die auf einer Stufe eines Produktlebenszyklus gute Ergebnisse liefert, während des gesamten Lebenszyklus angemessen bleibt. Sie können zwischen zwei Methoden wählen, um die aktuelle Leistung der Prognosemethoden zu bewerten: Prozent der Genauigkeit (POA). Mittlere absolute Abweichung (MAD). Beide dieser Bewertungsbewertungsmethoden erfordern historische Verkaufsdaten für einen Zeitraum, den Sie angeben. Dieser Zeitraum wird als Haltezeit oder Periode der besten Passung bezeichnet. Die Daten in diesem Zeitraum dienen als Grundlage für die Empfehlung, welche Prognosemethode bei der nächsten Prognoseprojektion verwendet wird. Diese Empfehlung ist für jedes Produkt spezifisch und kann von einer Prognoseerzeugung zum nächsten wechseln. 3.1.1 Best Fit Das System empfiehlt die Best-Fit-Prognose, indem es die ausgewählten Prognosemethoden auf den vergangenen Kundenauftragsverlauf anwendet und die Prognosesimulation mit der aktuellen Historie vergleicht. Wenn Sie eine Best-Fit-Prognose generieren, vergleicht das System die tatsächlichen Kundenauftragsgeschichten mit Prognosen für einen bestimmten Zeitraum und berechnet, wie genau jede einzelne Prognosemethode den Umsatz voraussagte. Dann empfiehlt das System die genaueste Prognose als die beste Passform. Diese Grafik zeigt die besten Anpassungsprognosen: Abbildung 3-1 Best-Fit-Prognose Das System verwendet diese Abfolge von Schritten, um die beste Passung zu bestimmen: Verwenden Sie jede spezifizierte Methode, um eine Prognose für den Holdout-Zeitraum zu simulieren. Vergleichen Sie die tatsächlichen Verkäufe an die simulierten Prognosen für den Haltezeitraum. Berechnen Sie die POA oder die MAD, um festzustellen, welche Prognosemethode am ehesten mit dem bisherigen Verkauf übereinstimmt. Das System verwendet entweder POA oder MAD, basierend auf den von Ihnen ausgewählten Verarbeitungsoptionen. Empfehlen Sie eine Best-Fit-Prognose von der POA, die am nächsten zu 100 Prozent (über oder unter) oder die MAD, die am nächsten an Null ist. 3.2 Prognosemethoden JD Edwards EnterpriseOne Forecast Management verwendet 12 Methoden zur quantitativen Prognose und zeigt an, welche Methode für die Prognosesituation am besten geeignet ist. Dieser Abschnitt behandelt: Methode 1: Prozent über letztes Jahr. Methode 2: Berechneter Prozentsatz über letztes Jahr. Methode 3: Letztes Jahr zu diesem Jahr. Methode 4: Durchschnittlich bewegen. Methode 5: Lineare Approximation. Methode 6: Least Squares Regression. Methode 7: Zweite Grad Approximation. Methode 8: Flexible Methode. Methode 9: Gewichteter bewegter Durchschnitt. Methode 10: Lineare Glättung. Methode 11: Exponentielle Glättung. Methode 12: Exponentielle Glättung mit Trend und Saisonalität. Geben Sie die Methode an, die Sie in den Verarbeitungsoptionen für das Programm für die Prognoseerzeugung verwenden möchten (R34650). Die meisten dieser Methoden bieten eine begrenzte Kontrolle. Zum Beispiel kann das Gewicht der letzten historischen Daten oder der Datumsbereich der historischen Daten, die in den Berechnungen verwendet werden, von Ihnen angegeben werden. Die Beispiele in der Anleitung geben die Berechnungsmethode für jede der verfügbaren Prognosemethoden an, wobei ein identischer Satz historischer Daten vorliegt. Die Methodenbeispiele im Leitfaden verwenden Teil oder alle diese Datensätze, die historische Daten aus den letzten zwei Jahren sind. Die Prognoseprojektion geht ins nächste Jahr. Diese Handelsgeschichte Daten sind stabil mit kleinen saisonalen Zunahmen im Juli und Dezember. Dieses Muster ist charakteristisch für ein reifes Produkt, das sich der Obsoleszenz nähern könnte. 3.2.1 Methode 1: Prozent über letztes Jahr Diese Methode verwendet die Percent Over Last Year Formel, um jeden Prognosezeitraum um den angegebenen Prozentsatz zu erhöhen oder zu verringern. Um die Nachfrage zu prognostizieren, erfordert diese Methode die Anzahl der Perioden für die beste Passform plus ein Jahr der Verkaufsgeschichte. Diese Methode ist nützlich, um die Nachfrage nach saisonalen Gegenständen mit Wachstum oder Rückgang zu prognostizieren. 3.2.1.1 Beispiel: Methode 1: Prozent über letztes Jahr Die Percent Over Last Year Formel vervielfacht die Verkaufsdaten des Vorjahres um einen Faktor, den Sie angeben und dann Projekte, die sich im nächsten Jahr ergeben. Diese Methode könnte bei der Budgetierung nützlich sein, um den Einfluss einer bestimmten Wachstumsrate zu simulieren oder wenn die Verkaufsgeschichte eine signifikante saisonale Komponente aufweist. Prognosevorgaben: Multiplikationsfaktor Geben Sie z. B. 110 in der Verarbeitungsoption an, um die Vorjahresgeschäftsdaten um 10 Prozent zu erhöhen. Erforderliche Verkaufsgeschichte: Ein Jahr für die Berechnung der Prognose plus die Anzahl der Zeiträume, die für die Bewertung der Prognoseleistung (Perioden der besten Anpassung) erforderlich sind, die Sie angeben. Diese Tabelle wird in der Prognoseberechnung verwendet: Februar-Prognose entspricht 117 mal 1.1 128.7 gerundet auf 129. März-Prognose entspricht 115 mal 1.1 126.5 gerundet auf 127. 3.2.2 Methode 2: Berechneter Prozentsatz über letztes Jahr Diese Methode verwendet den berechneten Percent Over Last-Jahr-Formel, um die vergangenen Verkäufe von bestimmten Perioden zu Verkäufen aus den gleichen Perioden des Vorjahres zu vergleichen. Das System bestimmt eine prozentuale Erhöhung oder Abnahme und multipliziert dann jede Periode mit dem Prozentsatz, um die Prognose zu ermitteln. Um die Nachfrage zu prognostizieren, erfordert diese Methode die Anzahl der Perioden des Kundenauftragsverlaufs plus ein Jahr der Verkaufsgeschichte. Diese Methode ist nützlich, um kurzfristige Nachfrage nach saisonalen Gegenständen mit Wachstum oder Rückgang zu prognostizieren. 3.2.2.1 Beispiel: Methode 2: Berechneter Prozentsatz über letztes Jahr Die berechnete Periode über dem letzten Jahr vervielfacht die Umsatzdaten des Vorjahres um einen Faktor, der vom System berechnet wird, und dann projiziert sie für das nächste Jahr. Diese Methode könnte nützlich sein, um den Einfluss der Verlängerung der jüngsten Wachstumsrate für ein Produkt in das nächste Jahr zu projizieren, während ein saisonales Muster, das in der Verkaufsgeschichte vorhanden ist, bewahrt wird. Prognose-Spezifikationen: Umfang der Verkaufsgeschichte bei der Berechnung der Wachstumsrate zu verwenden. Geben Sie z. B. n gleich 4 in der Verarbeitungsoption an, um die Verkaufsgeschichte für die letzten vier Perioden zu den gleichen vier Perioden des Vorjahres zu vergleichen. Verwenden Sie das berechnete Verhältnis, um die Projektion für das nächste Jahr zu machen. Erforderliche Verkaufsgeschichte: Ein Jahr für die Berechnung der Prognose plus die Anzahl der Zeiträume, die für die Bewertung der Prognoseleistung (Perioden der besten Passung) erforderlich sind. Diese Tabelle wird in der Prognoseberechnung verwendet, vorausgesetzt, n 4: Februar-Prognose entspricht 117 mal 0,9766 114,26 gerundet auf 114. März-Prognose entspricht 115 mal 0,9766 112,31 gerundet auf 112. 3.2.3 Methode 3: Letztes Jahr zu diesem Jahr Diese Methode verwendet Im vergangenen Jahr Umsatz für die nächsten Jahre prognostiziert. Um die Nachfrage zu prognostizieren, erfordert diese Methode die Anzahl der Perioden, die am besten passen, plus ein Jahr des Verkaufsauftragsverlaufs. Diese Methode ist sinnvoll, um die Nachfrage nach reifen Produkten mit Niveau Nachfrage oder saisonale Nachfrage ohne Trend zu prognostizieren. 3.2.3.1 Beispiel: Methode 3: Letztes Jahr zu diesem Jahr Das letzte Jahr zu diesem Jahr verwandelt die Verkaufsdaten vom Vorjahr auf das nächste Jahr. Diese Methode könnte bei der Budgetierung nützlich sein, um den Umsatz auf dem aktuellen Niveau zu simulieren. Das Produkt ist reif und hat keinen Trend auf lange Sicht, aber es könnte ein erhebliches saisonales Nachfragemuster bestehen. Vorhersage Spezifikationen: Keine. Erforderliche Verkaufsgeschichte: Ein Jahr für die Berechnung der Prognose plus die Anzahl der Zeiträume, die für die Bewertung der Prognoseleistung (Perioden der besten Passung) erforderlich sind. Diese Tabelle ist Geschichte in der Prognoseberechnung verwendet: Januar Prognose entspricht Januar des vergangenen Jahres mit einem Prognosewert von 128. Februar Prognose entspricht Februar des vergangenen Jahres mit einem Prognosewert von 117. März Prognose entspricht März des letzten Jahres mit einem Prognosewert von 115. 3.2.4 Methode 4: Moving Average Diese Methode verwendet die Moving Average-Formel, um die angegebene Anzahl von Perioden zu berechnen, um den nächsten Zeitraum zu projizieren. Sie sollten es oft (monatlich oder mindestens vierteljährlich) neu berechnen, um dem sich ändernden Nachfrageniveau zu entsprechen. Um die Nachfrage zu prognostizieren, erfordert diese Methode die Anzahl der Perioden, die am besten geeignet sind, sowie die Anzahl der Perioden des Kundenauftragsverlaufs. Diese Methode ist sinnvoll, um die Nachfrage nach ausgereiften Produkten ohne Trend zu prognostizieren. 3.2.4.1 Beispiel: Methode 4: Moving Average Moving Average (MA) ist eine beliebte Methode zur Mittelung der Ergebnisse der letzten Verkaufsgeschichte, um kurzfristig eine Projektion zu bestimmen. Die MA-Prognosemethode bleibt hinter den Trends zurück. Prognose-Bias und systematische Fehler treten auf, wenn die Produktverkäufe Geschichte starke Tendenz oder saisonale Muster zeigt. Diese Methode arbeitet besser für Kurzstreckenprognosen von reifen Produkten als für Produkte, die sich in den Wachstums - oder Obsoleszenzstadien des Lebenszyklus befinden. Prognosevorgaben: n entspricht der Anzahl der Perioden der Verkaufshistorie, die bei der Prognoseberechnung verwendet werden soll. Geben Sie z. B. n 4 in der Verarbeitungsoption an, um die letzten vier Perioden als Grundlage für die Projektion in den nächsten Zeitraum zu verwenden. Ein großer Wert für n (z. B. 12) erfordert mehr Verkaufsgeschichte. Es führt zu einer stabilen Prognose, ist aber langsam zu erkennen Verschiebungen in der Ebene des Umsatzes. Umgekehrt ist ein kleiner Wert für n (wie z. B. 3) schneller auf Verschiebungen in der Verkaufsstufe zu reagieren, aber die Prognose könnte so weit schwanken, dass die Produktion nicht auf die Variationen reagieren kann. Erforderliche Verkaufsgeschichte: n plus die Anzahl der Zeiträume, die für die Auswertung der Prognoseleistung erforderlich sind (Perioden der besten Passform). Diese Tabelle wird in der Prognoseberechnung verwendet: Februar-Prognose entspricht (114 119 137 125) 4 123,75 gerundet auf 124. März-Prognose entspricht (119 137 125 124) 4 126,25 gerundet auf 126. 3.2.5 Methode 5: Lineare Approximation Diese Methode Verwendet die Linear Approximation-Formel, um einen Trend aus der Anzahl der Perioden des Kundenauftragsverlaufs zu berechnen und diesen Trend auf die Prognose zu projizieren. Sie sollten den Trend monatlich neu berechnen, um Veränderungen in den Trends zu erkennen. Diese Methode erfordert die Anzahl der besagten Perioden und die Anzahl der vorgegebenen Perioden des Kundenauftragsverlaufs. Diese Methode ist nützlich, um die Nachfrage nach neuen Produkten oder Produkten mit gleichbleibenden positiven oder negativen Trends zu prognostizieren, die nicht auf saisonale Schwankungen zurückzuführen sind. 3.2.5.1 Beispiel: Methode 5: Lineare Approximation Lineare Approximation berechnet einen Trend, der auf zwei Erfolgsdaten-Datenpunkten basiert. Diese beiden Punkte definieren eine gerade Trendlinie, die in die Zukunft projiziert wird. Verwenden Sie diese Methode mit Vorsicht, da Langstreckenprognosen durch kleine Änderungen an nur zwei Datenpunkten genutzt werden. Prognosevorgaben: n entspricht dem Datenpunkt im Verkaufsverlauf, der mit dem aktuellsten Datenpunkt verglichen wird, um einen Trend zu identifizieren. Geben Sie z. B. n 4 an, um die Differenz zwischen Dezember (aktuellste Daten) und August (vier Perioden vor Dezember) als Grundlage für die Berechnung des Trends zu verwenden. Mindestens erforderliche Verkaufsgeschichte: n plus 1 plus die Anzahl der Zeiträume, die für die Auswertung der Prognoseleistung (Perioden der besten Anpassung) erforderlich sind. Diese Tabelle wird in der Prognoseberechnung verwendet: Januar-Prognose Dezember des vergangenen Jahres 1 (Trend) 137 (1 mal 2) 139. Februar-Prognose Dezember des vergangenen Jahres 1 (Trend), was 137 (2 mal 2) 141 entspricht. März-Prognose Dezember des vergangenen Jahres 1 (Trend), was 137 entspricht (3 mal 2) 143. 3.2.6 Methode 6: Least Squares Regression Die Least Squares Regression (LSR) Methode ergibt eine Gleichung, die eine geradlinige Beziehung zwischen den historischen Verkaufsdaten beschreibt Und der Ablauf der Zeit. LSR passt eine Zeile in den ausgewählten Datenbereich, so dass die Summe der Quadrate der Unterschiede zwischen den tatsächlichen Verkaufsdatenpunkten und der Regressionsgeraden minimiert wird. Die Prognose ist eine Projektion dieser Geraden in die Zukunft. Diese Methode erfordert die Verkaufsdatenhistorie für den Zeitraum, der durch die Anzahl der Perioden am besten angepasst wird, sowie die angegebene Anzahl historischer Datenperioden. Die Mindestanforderung ist zwei historische Datenpunkte. Diese Methode ist nützlich, um die Nachfrage zu prognostizieren, wenn ein linearer Trend in den Daten liegt. 3.2.6.1 Beispiel: Methode 6: Least Squares Regression Lineare Regression oder Least Squares Regression (LSR) ist die beliebteste Methode zur Identifizierung eines linearen Trends in historischen Verkaufsdaten. Die Methode berechnet die Werte für a und b, die in der Formel verwendet werden sollen: Diese Gleichung beschreibt eine Gerade, wobei Y für Verkäufe steht und X die Zeit darstellt. Lineare Regression ist langsam zu erkennen, Wendepunkte und Schritt-Funktions-Verschiebungen in der Nachfrage. Lineare Regression passt zu einer geraden Linie zu den Daten, auch wenn die Daten saisonal oder besser durch eine Kurve beschrieben werden. Wenn die Verkaufsverlaufsdaten einer Kurve folgen oder ein starkes saisonales Muster aufweisen, treten prognostizierte Vorurteile und systematische Fehler auf. Prognosevorgaben: n entspricht den Perioden der Verkaufsgeschichte, die bei der Berechnung der Werte für a und b verwendet werden. Geben Sie z. B. n 4 an, um den Verlauf von September bis Dezember als Grundlage für die Berechnungen zu verwenden. Wenn Daten verfügbar sind, würde gewöhnlich ein größeres n (wie z. B. n 24) verwendet werden. LSR definiert eine Zeile für so wenig wie zwei Datenpunkte. Für dieses Beispiel wurde ein kleiner Wert für n (n 4) gewählt, um die manuellen Berechnungen zu reduzieren, die erforderlich sind, um die Ergebnisse zu verifizieren. Mindestens erforderliche Verkaufsgeschichte: n Perioden plus die Anzahl der Zeiträume, die für die Bewertung der Prognoseleistung erforderlich sind (Perioden der besten Passform). Diese Tabelle wird in der Prognoseberechnung verwendet: März-Prognose entspricht 119,5 (7 mal 2,3) 135,6 gerundet auf 136. 3.2.7 Methode 7: Zweite Grad-Approximation Um die Prognose zu projizieren, verwendet diese Methode die Formel für die zweite Grad-Approximation, um eine Kurve zu zeichnen Das basiert auf der Anzahl der Perioden der Verkaufsgeschichte. Diese Methode erfordert die Anzahl der Perioden am besten passt plus die Anzahl der Perioden der Kundenauftrag Geschichte mal drei. Diese Methode ist nicht sinnvoll, um die Nachfrage nach einem längerfristigen Zeitraum zu prognostizieren. 3.2.7.1 Beispiel: Methode 7: Zweite Grad Approximation Lineare Regression bestimmt Werte für a und b in der Prognoseformel Y a b X mit dem Ziel, eine Gerade an die Verkaufsverlaufdaten anzupassen. Die zweite Grad-Approximation ist ähnlich, aber diese Methode bestimmt die Werte für a, b und c in dieser Prognoseformel: Y a b X c X 2 Ziel dieser Methode ist es, eine Kurve auf die Verkaufsverlaufsdaten zu setzen. Diese Methode ist nützlich, wenn sich ein Produkt im Übergang zwischen Lebenszyklusstadien befindet. Zum Beispiel, wenn ein neues Produkt von der Einführung in Wachstumsstadien bewegt, könnte sich der Umsatztrend beschleunigen. Wegen des Termes zweiter Ordnung kann sich die Prognose schnell an die Unendlichkeit wenden oder auf Null fallen (je nachdem, ob der Koeffizient c positiv oder negativ ist). Diese Methode ist nur kurzfristig sinnvoll. Prognose Spezifikationen: die Formel finden a, b und c, um eine Kurve auf genau drei Punkte passen. Sie geben n an, die Anzahl der Zeitperioden der Daten, die sich in jedem der drei Punkte ansammeln. In diesem Beispiel n 3. Die tatsächlichen Verkaufsdaten für April bis Juni werden in den ersten Punkt Q1 zusammengefasst. 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 ndash 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.