Prognose Mit Moving Average Methode

Moving Average Forecasting. Introduction Wie Sie vielleicht erraten, wir sind auf der Suche nach einigen der primitivsten Ansätze zur Prognose Aber hoffentlich sind diese zumindest eine lohnende Einführung in einige der Computing-Fragen im Zusammenhang mit der Umsetzung von Prognosen in Kalkulationstabellen. In diesem Sinne werden wir weiter vorbei Beginnend am Anfang und beginnen mit Moving Average Prognosen zu arbeiten. Moving Average Prognosen Jeder ist vertraut mit gleitenden durchschnittlichen Prognosen unabhängig davon, ob sie glauben, sie sind alle College-Studenten tun sie die ganze Zeit Denken Sie an Ihre Testergebnisse in einem Kurs, wo Sie gehen werden Haben vier Tests während des Semesters Lassen Sie Sie davon ausgehen, Sie haben eine 85 auf Ihrem ersten Test. Was würden Sie vorhersagen, für Ihre zweite Test-Score. Was denkst du, dein Lehrer würde für Ihre nächste Test-Score vorauszusagen. Was denkst du, deine Freunde können voraussagen Für Ihre nächste Test-Score. Was denkst du, deine Eltern könnten für Ihre nächste Test-Score prognostizieren. Um trotz aller Blabbing können Sie tun, um Ihre fr Iend und Eltern, sie und dein Lehrer sind sehr wahrscheinlich zu erwarten, dass du etwas in der Gegend von 85 bekommst, die du gerade bekommen hast. Nun, jetzt gehts an, dass du trotz deiner Selbstbeförderung zu deinen Freunden dich selbst überschätzst Und die Zahl, die Sie weniger für den zweiten Test studieren können und so erhalten Sie eine 73.Now, was sind alle betroffenen und unbeteiligten gehen zu antizipieren Sie werden auf Ihrem dritten Test Es gibt zwei sehr wahrscheinlich Ansätze für sie, um eine Schätzung unabhängig von zu entwickeln Ob sie es mit Ihnen teilen werden. Sie können sich selbst sagen, dieser Kerl ist immer bläst Rauch über seine smarts Er wird zu bekommen 73, wenn er Glück hat. Maybe die Eltern werden versuchen, mehr unterstützen und sagen, Nun, so Weit hast du eine 85 und eine 73 bekommen, also vielleicht solltest du auf eine 85 73 2 79 steigen. Ich weiß es nicht, vielleicht, wenn du weniger feiern wolltest und den Wiesel über den ganzen Platz wedelnd und wenn du anfingst zu tun Viel mehr studieren könnte man eine höhere score. Both von diesen Schätzungen sind tatsächlich Ly gleitende durchschnittliche Prognosen. Der erste ist mit nur Ihre jüngsten Score zu prognostizieren Ihre zukünftige Leistung Dies wird als eine gleitende durchschnittliche Prognose mit einer Periode von Daten. Die zweite ist auch eine gleitende durchschnittliche Prognose, aber mit zwei Perioden von data. Let s annehmen Dass all diese Leute, die auf deinem großen Verstand zerschlagen sind, dich irgendwie verärgert haben und du entscheidest, den dritten Test aus deinen eigenen Gründen gut zu machen und eine höhere Punktzahl vor deinen Verbündeten zu setzen Du nimmst den Test und dein Ergebnis ist eigentlich ein 89 Jeder, auch dich selbst, ist beeindruckt. So jetzt hast du die abschließende Prüfung des Semesters kommen und wie üblich fühlst du die Notwendigkeit, alle zu machen, die ihre Vorhersagen darüber machen, wie du bei dem letzten Test machst. Nun, hoffentlich sehst du das Pattern. Now, hoffentlich können Sie das Muster sehen, was Sie glauben, ist das genaueste. Whistle Während wir arbeiten Jetzt kehren wir zu unserer neuen Reinigungsfirma, die von Ihrer entfremdeten Halbschwester namens Whistle genannt wird, während wir arbeiten Sie haben einige vergangene Verkaufsdaten Vertreten durch den folgenden Abschnitt aus einer Kalkulationstabelle Wir stellen zunächst die Daten für eine dreistellige gleitende durchschnittliche Prognose dar. Der Eintrag für Zelle C6 sollte sein. Jetzt kannst du diese Zellformel in die anderen Zellen C7 bis C11 kopieren. Notice, wie sich der Durchschnitt bewegt Über die jüngsten historischen Daten, sondern nutzt genau die drei letzten Perioden für jede Vorhersage Sie sollten auch bemerken, dass wir nicht wirklich brauchen, um die Vorhersagen für die vergangenen Perioden zu machen, um unsere jüngsten Vorhersage zu entwickeln Dies ist definitiv anders als die Exponentielle Glättung Modell I ve enthalten die Vergangenheit Vorhersagen, weil wir sie in der nächsten Web-Seite verwenden, um Vorhersage Gültigkeit zu messen. Jetzt möchte ich die analogen Ergebnisse für eine zwei Periode gleitende durchschnittliche Prognose zu präsentieren. Der Eintrag für Zelle C5 sollte. Jetzt Sie Kann diese Zellformel auf die anderen Zellen C6 bis C11 kopieren. Notice, wie jetzt nur die beiden letzten Stücke historischer Daten für jede Vorhersage verwendet werden D die vergangenen Vorhersagen für illustrative Zwecke und für die spätere Verwendung in der Prognosevalidierung. Einige andere Dinge, die von Bedeutung zu bemerken sind. Für eine m-Periode gleitende durchschnittliche Prognose nur die m neuesten Datenwerte verwendet werden, um die Vorhersage Nichts anderes ist notwendig. Für eine m-Periode gleitende durchschnittliche Prognose, wenn Vergangenheit Vorhersagen, beachten Sie, dass die erste Vorhersage tritt in der Periode m 1.Both von diesen Fragen wird sehr wichtig sein, wenn wir unseren Code entwickeln. Entwicklung der Moving Average Function Jetzt müssen wir entwickeln Der Code für die gleitende durchschnittliche Prognose, die flexibler genutzt werden kann Der Code folgt Beachten Sie, dass die Eingaben für die Anzahl der Perioden, die Sie in der Prognose verwenden möchten, und das Array von historischen Werten Sie können es speichern, was auch immer Arbeitsmappe Sie wollen. Funktion MovingAverage Historical, NumberOfPeriods Als Single Declaring und Initialisierung von Variablen Dim Item als Variant Dim Zähler als Integer Dim Accumulation als Single Dim HistoricalSize als Integer. Initialisierung von Variablen Zähler 1 Akkumulation 0. Ermittlung der Größe des Historischen Arrays HistoricalSize. For Counter 1 Zu NumberOfPeriods. Akkumulation der passenden Anzahl der letzten bisher beobachteten Werte. Accumulation Accumulation Historical HistoricalSize - NumberOfPeriods Counter. MovingAverage Accumulation NumberOfPeriods. The Code wird in der Klasse erklärt Sie wollen die Funktion auf der Tabelle zu positionieren, so dass das Ergebnis der Berechnung erscheint, wo es sollte Wie die folgenden. Die einfachste Ansatz wäre, den Durchschnitt von Januar bis März zu nehmen und verwenden, um zu schätzen April s Umsatz. 129 134 122 3 128 333.Hier, auf der Grundlage der Verkäufe von Januar bis März, prognostizieren Sie, dass der Umsatz im April 128,333 Nach April s tatsächlichen Umsatz kommen, würden Sie dann berechnen die Prognose für Mai, diesmal mit Februar bis April Sie müssen mit der Anzahl der Perioden übereinstimmen, die Sie für die gleitende durchschnittliche Prognose verwenden. Die Anzahl der Perioden, die Sie in Ihren gleitenden Durchschnittsprognosen verwenden, sind willkürlich, Sie können nur zwei Perioden oder fünf oder sechs Perioden verwenden, was auch immer Sie Ihre Prognosen generieren möchten. Der Ansatz oben ist ein einfacher gleitender Durchschnitt Manchmal, in den letzten Monaten Verkäufe können stärkere Beeinflusser des kommenden Monats s Verkäufe sein, also möchten Sie diesen näheren Monaten mehr Gewicht in Ihrem Vorhersagemodell geben Dieses ist ein gewichteter gleitender Durchschnitt Und gerade wie die Zahl Von Perioden, die Gewichte, die Sie zuordnen sind rein willkürlich Lassen Sie uns sagen, Sie wollten März s Umsatz 50 Gewicht, Februar s 30 Gewicht und Januar s 20 Dann Ihre Prognose für April wird 127.000 122 50 134 30 129 20 127.L Nachahmungen von Moving Average Methoden Moving Durchschnitte gelten als eine Glättung Prognose Technik Weil Sie einen Durchschnitt im Laufe der Zeit nehmen, sind Sie erweichen oder Glättung der Auswirkungen von unregelmäßigen Vorkommnissen innerhalb der Daten Als Ergebnis, die Auswirkungen von Saisonalität, Konjunkturzyklen und andere Zufällige Ereignisse können den Prognosefaktor drastisch erhöhen Werfen Sie einen Blick auf ein ganzes Jahr Wert Daten und vergleichen Sie einen 3-Periode gleitenden Durchschnitt und ein 5-Periode gleitenden Durchschnitt. Notice, dass in diesem Fall, dass ich nicht erstellen Prognosen, sondern eher zentriert Die gleitenden Durchschnitte Der erste dreimonatige gleitende Durchschnitt ist für Februar, und es ist der Durchschnitt von Januar, Februar und März habe ich auch ähnlich für die 5-Monats-Durchschnitt Nun werfen Sie einen Blick auf die folgende Chart. Was sehen Sie Ist Nicht die dreimonatige gleitende durchschnittliche Serie viel glatter als die tatsächliche Verkaufs-Serie Und wie wäre es mit dem Fünf-Monats-gleitenden Durchschnitt Es ist noch glatter Je mehr Perioden Sie in Ihrem gleitenden Durchschnitt verwenden, desto glatter Ihre Zeit s Für die Prognose ist ein einfacher gleitender Durchschnitt vielleicht nicht die genaueste Methode. Bewegliche durchschnittliche Methoden erweisen sich als sehr wertvoll, wenn man versucht, die saisonalen, unregelmäßigen und zyklischen Komponenten einer Zeitreihe für fortgeschrittenere Prognosemethoden wie Regression zu extrahieren Und ARIMA, und die Verwendung von gleitenden Durchschnitten bei der Zerlegung einer Zeitreihe wird später in der Serie angesprochen werden. Bestimmen der Genauigkeit eines Moving Average Model. Generally, wollen Sie eine Prognose-Methode, die den geringsten Fehler zwischen tatsächlichen und vorhergesagten Ergebnisse hat Die häufigsten Maßnahmen der Prognosegenauigkeit sind die Mean Absolute Deviation MAD In diesem Ansatz, für jede Periode in der Zeitreihe, für die Sie eine Prognose erstellt haben, nehmen Sie den absoluten Wert der Differenz zwischen dieser Periode s tatsächlichen und prognostizierten Werte die Abweichung Dann Sie durchschnittlich diese absoluten Abweichungen und Sie erhalten ein Maß für MAD MAD kann bei der Entscheidung über die Anzahl der Perioden, die Sie durchschnittlich, und oder die Menge von Gewicht, den du auf jeder Periode platzierst Im Allgemeinen wählst du diejenige aus, die in der niedrigsten MAD resultiert Hier ist ein Beispiel dafür, wie MAD berechnet wird. MAD ist einfach der Durchschnitt von 8, 1 und 3.Moving Averages Recap Bei Verwendung von gleitenden Durchschnitten für die Prognose , Erinnern. Moving Mittelwerte können einfach oder gewichtet werden. Die Anzahl der Perioden, die Sie für Ihren Durchschnitt verwenden, und alle Gewichte, die Sie jedem zuordnen sind streng willkürlich. Moving Durchschnitte glätten unregelmäßige Muster in Zeitreihen Daten umso größer die Anzahl der Perioden verwendet für Jeder Datenpunkt, desto größer ist der Glättungseffekt. Wegen der Glättung, Prognose im nächsten Monat s Umsatz auf der Grundlage der letzten paar Monate s Umsatz kann zu großen Abweichungen aufgrund der Saisonalität, zyklische und unregelmäßige Muster in den Daten und die Glättung Fähigkeiten führen Einer gleitenden durchschnittlichen Methode kann bei der Zerlegung einer Zeitreihe für fortgeschrittenere Prognosemethoden nützlich sein. Nächste Woche Exponentielle Glättung In der nächsten Woche s Prognose Freitag werden wir diskutieren exponentielle Glättung Methoden , Und Sie werden sehen, dass sie weit überlegen können, um durchschnittliche Prognose Methoden. Still don t wissen, warum unsere Forecast Friday Beiträge erscheinen am Donnerstag Finden Sie heraus, bei. Post Navigation. Leave eine Antwort Abbrechen reply. I hatte 2 Fragen.1 Können Sie Verwenden Sie die zentrierte MA-Ansatz zu prognostizieren oder nur für die Beseitigung von Saisonalität.2 Wenn Sie die einfache t t-1 t-2 tk k MA, um einen Zeitraum voraus vorauszusagen, ist es möglich, mehr als einen Zeitraum voraus vorauszusagen, denke ich dann Ihre Prognose Wäre einer der Punkte, die in die nächste fangen. Danke die Info und deine Erklärungen. Ich bin froh, dass du das Blog magst. Ich bin sicher, dass mehrere Analysten den zentrierten MA-Ansatz für die Prognose verwendet haben, aber ich persönlich würde es nicht tun, da sich dieser Ansatz ergibt In einem Verlust von Beobachtungen an beiden Enden Dies tatsächlich dann Bindungen in Ihre zweite Frage Im Allgemeinen wird einfach MA verwendet, um nur einen Zeitraum voraus vorauszusagen, aber viele Analysten und ich auch manchmal wird meine Ein-Periode voraus Prognose als einer der Eingaben zu verwenden Die zweite jahre voran Es s Wichtig zu erinnern, dass die weiter in die Zukunft Sie versuchen zu prognostizieren, desto größer Ihr Risiko der Prognose Fehler Dies ist der Grund, warum ich nicht empfehlen, zentriert MA für die Prognose der Verlust von Beobachtungen am Ende bedeutet, auf Prognosen für die verlorenen Beobachtungen verlassen, Sowie die Periode s vor, also gibt es größere Wahrscheinlichkeit des Vorhersagefehlers. Leser, die Sie wieder eingeladen haben, auf diesem zu haben Sie haben irgendwelche Gedanken oder Vorschläge auf diesem. Brian, Dank für Ihren Kommentar und Ihre Komplimente auf dem blog. Nice Initiative und nette Erklärung Es ist wirklich hilfreich. I prognostizieren benutzerdefinierte Leiterplatten für einen Kunden, der keine Prognosen gibt Ich habe den gleitenden Durchschnitt verwendet, aber es ist nicht sehr genau, wie die Branche auf und ab gehen können Wir sehen in Richtung Mitte von Sommer bis zum Ende des Jahres, dass die Schifffahrt pcb s ist Dann sehen wir zu Beginn des Jahres verlangsamt sich nach unten Wie kann ich genauer mit meinen data. Katrina, von dem, was Sie mir gesagt, es scheint Ihre Leiterplattenverkäufe Habe eine saisonale Komponente Ich nehme Saisonalität in einigen der anderen Forecast Friday Beiträge Ein weiterer Ansatz, den Sie verwenden können, was ziemlich einfach ist, ist die Holt-Winters-Algorithmus, die saisonale berücksichtigt Sie können eine gute Erklärung hier finden Sie sicher sein Um festzustellen, ob Ihre saisonalen Muster sind multiplikativ oder additiv, weil der Algorithmus ist etwas anders für jeden Wenn Sie Ihre monatlichen Daten aus ein paar Jahren und sehen, dass die saisonalen Variationen zu den gleichen Zeiten der Jahre scheinen konstant Jahr über Jahr, dann Die Saisonalität ist additiv, wenn die saisonalen Variationen im Laufe der Zeit zu erhöhen scheinen, dann ist die Saisonalität multiplikativ Die meisten saisonalen Zeitreihen werden multiplikativ sein Wenn im Zweifel, nehmen Sie multiplikative Gute Glück. Hi dort, Zwischen diesen Methoden Nave Forecasting Aktualisieren der mittleren Verschiebung Durchschnitt von Länge k Entweder gewichtet Beweglich Durchschnitt der Länge k ODER Exponentielle Glättung Welches einer dieser Aktualisierungsmodelle empfiehlt es mir, Prognosen zu verwenden T die Daten Für meine Meinung, ich denke über Moving Average Aber ich weiß nicht, wie man es klar und strukturiert. Es hängt wirklich von der Menge und Qualität der Daten, die Sie haben und Ihre Prognose Horizont langfristig, mittelfristig Oder kurzfristig.3 Verstehen von Prognoseebenen und - methoden. Sie können sowohl detaillierte Einzelpostenprognosen als auch zusammenfassende Produktlinienprognosen generieren, die Produktnachfragemuster widerspiegeln. Das System analysiert die bisherigen Verkäufe, um die Prognosen anhand von 12 Prognosemethoden zu berechnen. Die Prognosen beinhalten Detailinformationen unter Die Positionsebene und die übergeordnete Information über eine Zweigniederlassung oder das Unternehmen als Ganzes.3 1 Prognose Leistungsbewertungskriterien. Abhängig von der Auswahl der Verarbeitungsoptionen und von Trends und Mustern in den Verkaufsdaten sind einige Prognosemethoden besser als andere für eine Gegebener historischer Datensatz Eine Prognosemethode, die für ein Produkt geeignet ist, ist möglicherweise nicht für ein anderes Produkt geeignet. Sie könnten feststellen, dass eine Prognosemethode, die Bietet gute Ergebnisse in einem Stadium eines Produktlebenszyklus bleibt über den gesamten Lebenszyklus angemessen. Sie können zwischen zwei Methoden, um die aktuelle Leistung der Prognose Methoden zu bewerten. Percent der Genauigkeit POA. Mean absolute Abweichung MAD. Both dieser Leistungsbewertung Methoden erfordern historische Verkaufsdaten für einen Zeitraum, den Sie angeben Dieser Zeitraum wird als Haltezeit oder Periode der besten Anpassung bezeichnet Die Daten in diesem Zeitraum dienen als Grundlage für die Empfehlung, welche Prognosemethode bei der Herstellung der nächsten Prognoseprojektion verwendet wird. Diese Empfehlung ist spezifisch Zu jedem Produkt und kann von einer Prognose-Generation auf die nächste ändern.3 1 1 Best Fit. Das System empfiehlt die beste Passform Prognose durch die Anwendung der ausgewählten Prognosemethoden auf vergangene Verkäufe Auftragsverlauf und Vergleich der Prognosesimulation mit der tatsächlichen Geschichte Wenn Sie generieren Eine Best-Fit-Prognose, vergleicht das System die tatsächlichen Kundenauftragsgeschichten mit Prognosen für einen bestimmten Zeitraum und berechnet W genau jede andere Prognosemethode vorhergesagte Verkäufe Dann empfiehlt das System die genaueste Prognose als die beste Passform Diese Grafik veranschaulicht beste Anpassungsprognosen. Figure 3-1 Best-Fit-Prognose. Das System nutzt diese Sequenz von Schritten, um die beste Passform zu bestimmen Spezifizierte Methode, um eine Prognose für die Holdout-Periodpare tatsächlichen Umsatz zu den simulierten Prognosen für die Halteperiode zu simulieren. Berechnen Sie die POA oder die MAD, um festzustellen, welche Prognosemethode am ehesten mit dem bisherigen tatsächlichen Umsatz übereinstimmt. Das System verwendet entweder POA oder MAD, basierend auf Die Verarbeitungsoptionen, die Sie auswählen. Wählen Sie eine Best-Fit-Prognose durch die POA, die am nächsten zu 100 Prozent über oder unter oder die MAD, die am nächsten zu Null ist.3 2 Forecasting Methoden. JD Edwards EnterpriseOne Forecast Management verwendet 12 Methoden für die quantitative Prognose und Zeigt an, welche Methode die beste Passform für die Prognosesituation bietet. Dieser Abschnitt diskutiert. Method 1 Prozent über letztes Jahr. Methode 2 Berechneter Prozentsatz Über letztes Jahr. Method 3 Letztes Jahr zu diesem Jahr. Method 4 Moving Average. Method 5 Linear Approximation. Method 6 Least Squares Regression. Method 7 Second Degree Approximation. Method 8 Flexible Methode. Method 9 Gewichtete Moving Average. Method 10 Lineare Glättung. Methode 11 Exponentielle Glättung. Method 12 Exponentielle Glättung mit Trend und Seasonality. Spezifizieren Sie die Methode, die Sie in den Verarbeitungsoptionen für die Prognoseerzeugung Programm R34650 verwenden möchten Die meisten dieser Methoden bieten eine begrenzte Kontrolle Zum Beispiel das Gewicht auf aktuelle historische Daten platziert oder Der Datumsbereich der historischen Daten, der in den Berechnungen verwendet wird, kann von Ihnen angegeben werden. Die Beispiele in der Anleitung geben die Berechnungsprozedur 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 vergangenen zwei Jahren sind Die Prognoseprojektion geht in nächstes Jahr. Diese Erfolgsdaten 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 multiplizieren Zu erhöhen oder zu senken. 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. 2 1 1 Beispiel Methode 1 Prozent über Letztes Jahr Die Percent Over Last Year Formel multipliziert die Verkaufsdaten aus dem Vorjahr mit einem Faktor, den Sie angeben und dann Projekte, die sich im Laufe des nächsten Jahres ergeben. Diese Methode könnte bei der Budgetierung nützlich sein, um den Einfluss einer bestimmten Wachstumsrate zu simulieren oder wenn die Verkaufsgeschichte hat Eine signifikante saisonale Komponente. Forecast-Spezifikationen Multiplikationsfaktor Geben Sie z. B. 110 in der Verarbeitungsoption an, um die Verkaufsgeschichte des Vorjahres zu erhöhen Daten um 10 Prozent. Benötigte Verkaufshistorie Ein Jahr für die Berechnung der Prognose, plus die Anzahl der Zeiträume, die für die Bewertung der Prognose Performance Perioden der besten fit, die Sie angeben erforderlich. Diese Tabelle ist Geschichte in der Prognose Berechnung verwendet. Februar Prognose gleich ist 117 1 1 128 7 abgerundet auf 129.Märzvorhersage entspricht 115 1 1 126 5 gerundet auf 127,3 2 2 Methode 2 Berechneter Prozentsatz über letztes Jahr. Diese Methode verwendet die Berechnungsperiode über letztes Jahr Formel, um die vergangenen Verkäufe von bestimmten Perioden zu Verkäufen zu vergleichen Aus den gleichen Perioden des Vorjahres Das System ermittelt einen prozentualen Anstieg oder Abbau und multipliziert dann jede Periode mit dem Prozentsatz, um die Prognose zu ermitteln. Für die Bedarfsermittlung erfordert diese Methode die Anzahl der Perioden des Kundenauftragsverlaufs plus ein Jahr des Umsatzes Geschichte Diese Methode ist nützlich, um die kurzfristige Nachfrage nach saisonalen Gegenständen mit Wachstum oder Abnahme zu prognostizieren. 2 2 1 Beispiel Methode 2 Berechneter Prozentsatz über letztes Jahr Cent Im vergangenen Jahr vervielfacht die Formel die Umsatzdaten des Vorjahres um einen Faktor, der vom System berechnet wird, und dann projiziert sie für das nächste Jahr. Diese Methode könnte bei der Projektion des Einflusses der Verlängerung der jüngsten Wachstumsrate für ein Produkt nützlich sein In das nächste Jahr unter Beibehaltung eines saisonalen Muster, das in der Verkaufsgeschichte vorhanden ist. Forecast Spezifikationen Bereich der Verkaufsgeschichte bei der Berechnung der Wachstumsrate verwenden Zum Beispiel geben n gleich 4 in der Verarbeitungsoption, um die Verkaufsgeschichte für die letzten vier zu vergleichen Perioden zu den gleichen vier Perioden des Vorjahres Verwenden Sie das berechnete Verhältnis, um die Projektion für das nächste Jahr zu machen. Benötigte Verkaufsgeschichte Ein Jahr für die Berechnung der Prognose plus die Anzahl der Zeiträume, die für die Bewertung der prognostizierten Leistungsperioden der besten fit erforderlich sind. Diese Tabelle ist Geschichte in der Prognose Berechnung verwendet, gegeben n 4.Februar Prognose entspricht 117 0 9766 114 26 gerundet auf 114.March Prognose entspricht 115 0 9766 112 31 gerundet auf 112,3 2 3 Methode 3 Letztes Jahr in diesem Jahr. Diese Methode nutzt die Verkäufe des vergangenen Jahres für die nächste Prognose des Jahres. 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 ausgereiften Produkten mit einer niedrigen Nachfrage oder einer saisonalen Nachfrage ohne Trend zu prognostizieren.3 2 3 1 Beispiel Methode 3 Letztes Jahr in diesem Jahr. Das letzte Jahr in diesem Jahr entspricht die Kopie der Verkaufsdaten vom Vorjahr bis zum nächsten Jahr Diese Methode könnte in der Budgetierung nützlich sein, um Verkäufe auf dem gegenwärtigen Niveau zu simulieren Das Produkt ist reif und hat keinen Trend auf lange Sicht, aber ein bedeutendes saisonales Nachfragemuster könnte existieren. Forecast Spezifikationen Keine. Benötigte Verkaufsgeschichte Ein Jahr für die Berechnung der Prognose Plus die Anzahl der Zeiträume, die für die Bewertung der prognostizierten Performance-Perioden der besten fit. This Tabelle ist Geschichte verwendet in der Prognose Berechnung. Januar Prognose entspricht Januar des letzten Jahres mit einer Prognose T-Wert 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. This Methode verwendet die Moving Average Formel, um die angegebenen zu durchschnittlich Anzahl der Perioden, die den nächsten Zeitraum projizieren Sie sollten es nur monatlich oder mindestens vierteljährlich neu berechnen, um die Nachfrage nach Bedarf zu reflektieren. Um die Nachfrage zu prognostizieren, erfordert diese Methode die Anzahl der Perioden am besten und die Anzahl der Perioden der Kundenauftragsgeschichte. Diese Methode ist Nützlich für die Prognose der Nachfrage nach ausgereiften Produkten ohne Trend.3 2 4 1 Beispiel Methode 4 Moving Average. Moving Average MA ist eine beliebte Methode zur Mittelung der Ergebnisse der jüngsten Verkaufsgeschichte, um eine Projektion für kurzfristig zu bestimmen Die MA-Prognosemethode ist hinterherhinkt Trends Vorhersage Bias und systematische Fehler auftreten, wenn die Produktverkäufe Geschichte zeigt starke Trend oder saisonale Muster Diese Methode funktioniert besser für kurze Reichweite Prognosen von reifen Produkten Als für Produkte, die sich in der Wachstums - oder Obsoleszenzstufe des Lebenszyklus befinden. Forecast-Spezifikationen n entspricht der Anzahl der Perioden der Verkaufsgeschichte, die bei der Prognoseberechnung verwendet werden sollen. Geben Sie z. B. n 4 in der Verarbeitungsoption an, um die letzten vier Perioden zu verwenden Als Grundlage für die Projektion in den nächsten Zeitraum Ein großer Wert für n wie 12 erfordert mehr Verkaufsgeschichte Es führt zu einer stabilen Prognose, ist aber langsam zu erkennen Verschiebungen in der Ebene des Umsatzes Umgekehrt, ein kleiner Wert für n wie 3 ist schneller auf Verschiebungen in der Ebene des Umsatzes zu reagieren, aber die Prognose könnte so weit schwanken, dass die Produktion nicht auf die Variationen reagieren kann. Required Umsatz Geschichte n plus die Anzahl der Zeiträume, die für die Bewertung der Prognose Performance Perioden der besten fit erforderlich sind Diese Tabelle ist Geschichte, die in der Prognoseberechnung verwendet wird. Februarprognose entspricht 114 119 137 125 4 123 75 gerundet auf 124.Märzvorhersage 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 Änderungen in Trends zu erkennen. Diese Methode erfordert die Anzahl der Perioden Von bester Passform und der Anzahl der vorgegebenen Perioden des Kundenauftragsverlaufs Diese Methode ist nützlich, um die Nachfrage nach neuen Produkten oder Produkten mit konsequenten positiven oder negativen Trends, die nicht auf saisonale Schwankungen zurückzuführen sind, zu prognostizieren.3 2 5 1 Beispiel Methode 5 Lineare Approximation. Lineare Approximation berechnet einen Trend, der auf zwei Verkaufsverlaufsdatenpunkten 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 N entspricht dem Datenpunkt im Verkaufsverlauf, der mit dem aktuellsten Datenpunkt verglichen wird, um einen Trend zu identifizieren Zitieren n 4, um den Unterschied zwischen Dezember letzten Daten und August vier Perioden vor Dezember als Grundlage für die Berechnung des Trends zu verwenden. Minimum erforderliche Verkaufsgeschichte n plus 1 plus die Anzahl der Zeiträume, die für die Bewertung der prognostizierten Leistungsperioden am besten erforderlich sind Fit. This Tabelle ist Geschichte in der Prognose Berechnung verwendet. Januar Prognose Dezember des vergangenen Jahres 1 Trend, die 137 1 2 139.Februar Prognose Dezember des vergangenen Jahres 1 Trend entspricht 137 2 2 141.März Prognose Dezember des vergangenen Jahres 1 Trend Das entspricht 137 3 2 143,3 2 6 Methode 6 Least Squares Regression. Die Least Squares Regression LSR-Methode leitet eine Gleichung, die eine geradlinige Beziehung zwischen den historischen Verkaufsdaten und dem Ablauf der Zeit LSR beschreibt eine Zeile auf den ausgewählten Bereich der Daten, so dass Die Summe der Quadrate der Unterschiede zwischen den tatsächlichen Verkaufsdatenpunkten und der Regressionsgeraden werden minimiert Die Prognose ist eine Projektion dieser Geraden in die Zukunft. Diese Methode erfordert Umsatzdatenverlauf für den Zeitraum, der durch die Anzahl der Perioden am besten angepasst wird, plus die angegebene Anzahl von historischen 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. Linear 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 in der Formel verwendet werden Diese Gleichung beschreibt eine Gerade, wobei Y einen Verkauf darstellt und X die Zeit darstellt. Lineare Regression ist langsam, um Wendepunkte zu erkennen und Schritt-Funktions-Verschiebungen in der Nachfrage Lineare Regression passt eine Gerade zu den Daten, auch wenn die Daten saisonal oder besser beschrieben werden Eine Kurve Wenn die Verkaufsgeschichte Daten einer Kurve folgt oder ein starkes saisonales Muster aufweist, prognostizieren Vorhersagevorfälle und systematische Fehler. Forecast-Spezifikationen n entspricht den Perioden Der Verkaufsgeschichte, die bei der Berechnung der Werte für a und b verwendet wird. Zum Beispiel geben Sie n 4 an, um den Verlauf von September bis Dezember als Grundlage für die Berechnungen zu verwenden. Wenn Daten verfügbar sind, wäre ein größeres n wie n 24 normalerweise Verwendet LSR definiert eine Zeile für so wenig wie zwei Datenpunkte Für dieses Beispiel wurde ein kleiner Wert für nn 4 gewählt, um die manuellen Berechnungen zu reduzieren, die erforderlich sind, um die Ergebnisse zu verifizieren. Minimum erforderliche Verkaufsgeschichte n Perioden plus die Anzahl der Zeiträume, die Sind für die Auswertung der prognostizierten Leistungsperioden der besten fit. This Tabelle ist Geschichte verwendet in der Prognoseberechnung. March Prognose entspricht 119 5 7 2 3 135 6 gerundet auf 136,3 2 7 Methode 7 Zweite Grad Approximation. To Projekt die Prognose, diese Methode Verwendet die zweite Grad-Approximation-Formel, um eine Kurve zu zeichnen, die auf der Anzahl der Perioden der Verkaufshistorie basiert. Diese Methode erfordert die Anzahl der Perioden, die am besten passt und die Anzahl der Perioden der Kundenauftragsgeschichte mal t Hree Diese Methode ist nicht sinnvoll, um die Nachfrage nach einer Langzeitperiode vorherzusagen.3 2 7 1 Beispiel Methode 7 Zweite Grad Approximation. Linear Regression bestimmt Werte für a und b in der Prognoseformel Y ab X mit dem Ziel, eine Gerade anzupassen Zu den Verkaufsgeschichte Daten Zweite Grad Approximation ist ähnlich, aber diese Methode bestimmt Werte für a, b und c in dieser Prognose Formeln. Das Ziel dieser Methode ist es, eine Kurve zu den Verkaufsgeschichte Daten passen Diese Methode ist nützlich, wenn a Produkt befindet sich im Übergang zwischen Lebenszyklusstadien Zum Beispiel, wenn sich ein neues Produkt von der Einführung in die Wachstumsstadien bewegt, könnte sich der Umsatztrend beschleunigen. Aufgrund des zweiten Termins kann sich die Prognose schnell auf Unendlichkeit stoßen oder auf Null fallen, je nachdem, ob der Koeffizient c Ist positiv oder negativ Diese Methode ist nur in kurzer Zeit nützlich. Forecast Spezifikationen die Formel finden a, b und c, um eine Kurve auf genau drei Punkte passen Sie geben n, die Anzahl der Zeitperioden der Daten In jedem der drei Punkte zu akkumulieren In diesem Beispiel n 3 Tatsächliche Verkaufsdaten für April bis Juni werden in den ersten Punkt zusammengefasst, Q1 Juli bis September werden zusammen addiert, um Q2 zu erstellen, und Oktober bis Dezember Summe zu Q3 Die Kurve ist angebracht Zu den drei Werten Q1, Q2 und Q3.Required sales history 3 n Perioden für die Berechnung der Prognose plus die Anzahl der Zeiträume, die für die Auswertung der Prognoseperformance der besten fit. This Tabelle ist Geschichte verwendet in der Prognose Berechnung verwendet werden. Q0 Jan Feb Mär. Q1 Apr Mai Jun, was 125 122 137 384.Q2 Jul Aug Sep entspricht, entspricht 140 129 131 400.Q3 Okt Nov Dez, was 114 119 137 370 entspricht. Der nächste Schritt beinhaltet die Berechnung der drei Koeffizienten a, b, Und c in der Prognoseformel verwendet werden Y ab X c X 2.Q1, Q2 und Q3 werden auf der Grafik dargestellt, wobei die Zeit auf der horizontalen Achse aufgetragen ist. Q1 repräsentiert den gesamten historischen Verkauf für April, Mai und Juni und ist Aufgetragen bei X 1 Q2 entspricht Juli bis Sept. Ember Q3 entspricht Oktober bis Dezember und Q4 steht für Januar bis März Diese Grafik veranschaulicht das Plotten von Q1, Q2, Q3 und Q4 für die Näherung des zweiten Grades. Abbildung 3-2 Plotten Q1, Q2, Q3 und Q4 für die zweite Gradnäherung. Drei Gleichungen beschreiben die drei Punkte auf dem Diagramm. 1 Q1 a bX cX 2 wobei X 1 Q1 a b c 2 Q2 a bX cX 2 wobei X 2 Q2 a 2b 4c ist. 3 Q3 a bX cX 2 wobei X 3 Q3 a 3b 9c. Solve die drei Gleichungen gleichzeitig zu finden b, a und c. Subtract Gleichung 1 1 aus Gleichung 2 2 und lösen für b. Substitut diese Gleichung für b in Gleichung 3. 3 Q3 a 3 Q2 Q1 3c 9c a Q3 3 Q2 Q1.Finally ersetzen Sie diese Gleichungen für a und b in Gleichung 1. 1 Q3 3 Q2 Q1 Q2 Q1 3c c Q1.c Q3 Q2 Q1 Q2 2.Das zweite Grad Approximation-Verfahren Berechnet a, b und c wie folgt. a Q3 3 Q2 Q1 370 3 400 384 370 3 16 322.b Q2 Q1 3c 400 384 3 23 16 69 85.c Q3 Q2 Q1 Q2 2 370 400 384 400 2 23.Dieses Ist eine Berechnung des zweiten Grades Näherungsvorhersage. Y a bX cX 2 322 85X 23 X 2.When X 4, Q4 322 340 368 294 Die Prognose entspricht 294 3 98 pro Periode. Wenn X 5, Q5 322 425 575 172 Die Prognose entspricht 172 3 58 33 gerundet auf 57 pro Periode. Wenn X 6, Q6 322 510 828 4 Die Prognose entspricht 4 3 1 33 gerundet auf 1 pro Periode. Dies ist die Prognose für das nächste Jahr, letztes Jahr zu diesem Jahr.3 2 8 Methode 8 Flexible Method. This Methode ermöglicht es Ihnen, die beste passende Anzahl von pro auswählen Iods der Verkaufsauftragsgeschichte, die n Monate vor dem voraussichtlichen Startdatum beginnt und einen prozentualen Anstieg oder Verringerung des Multiplikationsfaktors anwendet, mit dem die Prognose geändert werden soll. Diese Methode ähnelt Methode 1, Prozent über letztes Jahr, mit der Ausnahme, dass Sie die Anzahl der Perioden, die Sie als Basis verwenden. Abhängig davon, was Sie als n wählen, benötigt diese Methode Perioden, die am besten passen, plus die Anzahl der angegebenen Perioden der Verkaufsdaten. Diese Methode ist nützlich, um die Nachfrage nach einem geplanten Trend zu prognostizieren.3 2 8 1 Beispiel Methode 8 Flexible Methode. Die Flexible Methode Prozent über n Monate Prior ist ähnlich wie Methode 1, Prozent über letztes Jahr Beide Methoden multiplizieren Verkaufsdaten aus einer vorherigen Zeitspanne um einen von Ihnen angegebenen Faktor und projizieren dann das Ergebnis in die Zukunft In the Percent Over Last Year method, the projection is based on data from the same time period in the previous year You can also use the Flexible Method to specify a time period, other than the same period in the la st year, to use as the basis for the calculations. Multiplication factor For example, specify 110 in the processing option to increase previous sales history data by 10 percent. Base period For example, n 4 causes the first forecast to be based on sales data in September of last year. Minimum required sales history the number of periods back to the base period plus the number of time periods that is required for evaluating the forecast performance periods of best fit. This table is history used in the forecast calculation.3 2 9 Method 9 Weighted Moving Average. The Weighted Moving Average formula is similar to Method 4, Moving Average formula, because it averages the previous month s sales history to project the next month s sales history However, with this formula you can assign weights for each of the prior periods. This method requires the number of weighted periods selected plus the number of periods best fit data Similar to Moving Average, this method lags behind demand trends, so this method is not recommended for products with strong trends or seasonality This method is useful to forecast demand for mature products with demand that is relatively level.3 2 9 1 Example Method 9 Weighted Moving Average. The Weighted Moving Average WMA method is similar to Method 4, Moving Average MA However, you can assign unequal weights to the historical data when using WMA The method calculates a weighted average of recent sales history to arrive at a projection for the short term More recent data is usually assigned a greater weight than older data, so WMA is more responsive to shifts in the level of sales However, forecast bias and systematic errors occur when the product sales history exhibits strong trends or seasonal patterns This method works better for short range forecasts of mature products than for products in the growth or obsolescence stages of the life cycle. The number of periods of sales history n to use in the forecast calculation. For example, specify n 4 in the proce ssing option to use the most recent four periods as the basis for the projection into the next time period A large value for n such as 12 requires more sales history Such a value results in a stable forecast, but it is slow to recognize shifts in the level of sales Conversely, a small value for n such as 3 responds more quickly to shifts in the level of sales, but the forecast might fluctuate so widely that production cannot respond to the variations. The total number of periods for the processing option 14 - periods to include should not exceed 12 months. The weight that is assigned to each of the historical data periods. The assigned weights must total 1 00 For example, when n 4, assign weights of 0 50, 0 25, 0 15, and 0 10 with the most recent data receiving the greatest weight. Minimum required sales history n plus the number of time periods that are required for evaluating the forecast performance periods of best fit. This table is history used in the forecast calculation. January forec ast equals 131 0 10 114 0 15 119 0 25 137 0 50 0 10 0 15 0 25 0 50 128 45 rounded to 128.February forecast equals 114 0 10 119 0 15 137 0 25 128 0 50 1 127 5 rounded to 128.March forecast equals 119 0 10 137 0 15 128 0 25 128 0 50 1 128 45 rounded to 128.3 2 10 Method 10 Linear Smoothing. This method calculates a weighted average of past sales data In the calculation, this method uses the number of periods of sales order history from 1 to 12 that is indicated in the processing option The system uses a mathematical progression to weigh data in the range from the first least weight to the final most weight Then the system projects this information to each period in the forecast. This method requires the month s best fit plus the sales order history for the number of periods that are specified in the processing option.3 2 10 1 Example Method 10 Linear Smoothing. This method is similar to Method 9, WMA However, instead of arbitrarily assigning weights to the historical data, a formula is used to assign weights that decline linearly and sum to 1 00 The method then calculates a weighted average of recent sales history to arrive at a projection for the short term Like all linear moving average forecasting techniques, forecast bias and systematic errors occur when the product sales history exhibits strong trend or seasonal patterns This method works better for short range forecasts of mature products than for products in the growth or obsolescence stages of the life cycle. n equals the number of periods of sales history to use in the forecast calculation For example, specify n equals 4 in the processing option to use the most recent four periods as the basis for the projection into the next time period The system automatically assigns the weights to the historical data that decline linearly and sum to 1 00 For example, when n equals 4, the system assigns weights of 0 4, 0 3, 0 2, and 0 1, with the most recent data receiving the greatest weight. Minimum required sales history n p lus the number of time periods that are required for evaluating the forecast performance periods of best fit. This table is history used in the forecast calculation.3 2 11 Method 11 Exponential Smoothing. This method calculates a smoothed average, which becomes an estimate representing the general level of sales over the selected historical data periods. This method requires sales data history for the time period that is represented by the number of periods best fit plus the number of historical data periods that are specified The minimum requirement is two historical data periods This method is useful to forecast demand when no linear trend is in the data.3 2 11 1 Example Method 11 Exponential Smoothing. This method is similar to Method 10, Linear Smoothing In Linear Smoothing, the system assigns weights that decline linearly to the historical data In Exponential Smoothing, the system assigns weights that exponentially decay The equation for Exponential Smoothing forecasting is. Forecast P revious Actual Sales 1 Previous Forecast. The forecast is a weighted average of the actual sales from the previous period and the forecast from the previous period Alpha is the weight that is applied to the actual sales for the previous period 1 is the weight that is applied to the forecast for the previous period Values for alpha range from 0 to 1 and usually fall between 0 1 and 0 4 The sum of the weights is 1 00 1 1.You should assign a value for the smoothing constant, alpha If you do not assign a value for the smoothing constant, the system calculates an assumed value that is based on the number of periods of sales history that is specified in the processing option. equals the smoothing constant that is used to calculate the smoothed average for the general level or magnitude of sales. Values for alpha range from 0 to 1.n equals the range of sales history data to include in the calculations. Generally, one year of sales history data is sufficient to estimate the general level of sales For this example, a small value for n n 4 was chosen to reduce the manual calculations that are required to verify the results Exponential Smoothing can generate a forecast that is based on as little as one historical data point. Minimum required sales history n plus the number of time periods that are required for evaluating the forecast performance periods of best fit. This table is history used in the forecast calculation.3 2 12 Method 12 Exponential Smoothing with Trend and Seasonality. This method calculates a trend, a seasonal index, and an exponentially smoothed average from the sales order history The system then applies a projection of the trend to the forecast and adjusts for the seasonal index. This method requires the number of periods best fit plus two years of sales data, and is useful for items that have both trend and seasonality in the forecast You can enter the alpha and beta factor, or have the system calculate them Alpha and beta factors are the smoothing constant that the system uses to calculate the smoothed average for the general level or magnitude of sales alpha and the trend component of the forecast beta.3 2 12 1 Example Method 12 Exponential Smoothing with Trend and Seasonality. This method is similar to Method 11, Exponential Smoothing, in that a smoothed average is calculated However, Method 12 also includes a term in the forecasting equation to calculate a smoothed trend The forecast is composed of a smoothed average that is adjusted for a linear trend When specified in the processing option, the forecast is also adjusted for seasonality. Alpha equals the smoothing constant that is used in calculating the smoothed average for the general level or magnitude of sales. Values for alpha range from 0 to 1.Beta equals the smoothing constant that is used in calculating the smoothed average for the trend component of the forecast. Values for beta range from 0 to 1.Whether a seasonal index is applied to the forecast. Alpha and beta are independent of on e another They do not have to sum to 1 0.Minimum required sales history One year plus the number of time periods that are required to evaluate the forecast performance periods of best fit When two or more years of historical data is available, the system uses two years of data in the calculations. Method 12 uses two Exponential Smoothing equations and one simple average to calculate a smoothed average, a smoothed trend, and a simple average seasonal index. An exponentially smoothed average. An exponentially smoothed trend. A simple average seasonal index. Figure 3-3 Simple Average Seasonal Index. The forecast is then calculated by using the results of the three equations. L is the length of seasonality L equals 12 months or 52 weeks. t is the current time period. m is the number of time periods into the future of the forecast. S is the multiplicative seasonal adjustment factor that is indexed to the appropriate time period. This table lists history used in the forecast calculation. This section pr ovides an overview of Forecast Evaluations and discusses. You can select forecasting methods to generate as many as 12 forecasts for each product Each forecasting method might create a slightly different projection When thousands of products are forecast, a subjective decision is impractical regarding which forecast to use in the plans for each product. The system automatically evaluates performance for each forecasting method that you select and for each product that you forecast You can select between two performance criteria MAD and POA MAD is a measure of forecast error POA is a measure of forecast bias Both of these performance evaluation techniques require actual sales history data for a period specified by you The period of recent history used for evaluation is called a holdout period or period of best fit. To measure the performance of a forecasting method, the system. Uses the forecast formulas to simulate a forecast for the historical holdout period. Makes a comparison between the actual sales data and the simulated forecast for the holdout period. When you select multiple forecast methods, this same process occurs for each method Multiple forecasts are calculated for the holdout period and compared to the known sales history for that same period The forecasting method that produces the best match best fit between the forecast and the actual sales during the holdout period is recommended for use in the plans This recommendation is specific to each product and might change each time that you generate a forecast.3 3 1 Mean Absolute Deviation. Mean Absolute Deviation MAD is the mean or average of the absolute values or magnitude of the deviations or errors between actual and forecast data MAD is a measure of the average magnitude of errors to expect, given a forecasting method and data history Because absolute values are used in the calculation, positive errors do not cancel out negative errors When comparing several forecasting methods, the one with the smallest MA D is the most reliable for that product for that holdout period When the forecast is unbiased and errors are normally distributed, a simple mathematical relationship exists between MAD and two other common measures of distribution, which are standard deviation and Mean Squared Error For example. MAD Actual Forecast n. Standard Deviation, 1 25 MAD. Mean Squared Error 2.This example indicates the calculation of MAD for two of the forecasting methods This example assumes that you have specified in the processing option that the holdout period length periods of best fit is equal to five periods.3 3 1 1 Method 1 Last Year to This Year. This table is history used in the calculation of MAD, given Periods of Best Fit 5.Mean Absolute Deviation equals 2 1 20 10 14 5 9 4.Based on these two choices, the Moving Average, n 4 method is recommended because it has the smaller MAD, 9 4, for the given holdout period.3 3 2 Percent of Accuracy. Percent of Accuracy POA is a measure of forecast bias When forecast s are consistently too high, inventories accumulate and inventory costs rise When forecasts are consistently too low, inventories are consumed and customer service declines A forecast that is 10 units too low, then 8 units too high, then 2 units too high is an unbiased forecast The positive error of 10 is canceled by negative errors of 8 and 2. Error Actual Forecast. When a product can be stored in inventory, and when the forecast is unbiased, a small amount of safety stock can be used to buffer the errors In this situation, eliminating forecast errors is not as important as generating unbiased forecasts However, in service industries, the previous situation is viewed as three errors The service is understaffed in the first period, and then overstaffed for the next two periods In services, the magnitude of forecast errors is usually more important than is forecast bias. POA Forecast sales during holdout period Actual sales during holdout period 100 percent. The summation over the holdout period enables positive errors to cancel negative errors When the total of forecast sales exceeds the total of actual sales, the ratio is greater than 100 percent Of course, the forecast cannot be more than 100 percent accurate When a forecast is unbiased, the POA ratio is 100 percent A 95 percent accuracy rate is more desirable than a 110 percent accurate rate The POA criterion selects the forecasting method that has a POA ratio that is closest to 100 percent. This example indicates the calculation of POA for two forecasting methods This example assumes that you have specified in the processing option that the holdout period length periods of best fit is equal to five periods.3 3 2 1 Method 1 Last Year to This Year. This table is history used in the calculation of MAD, given Periods of Best Fit 5.3 4 2 Forecast Accuracy. These statistical laws govern forecast accuracy. A long term forecast is less accurate than a short term forecast because the further into the future you project the fore cast, the more variables can affect the forecast. A forecast for a product family tends to be more accurate than a forecast for individual members of the product family. Some errors cancel each other as the forecasts for individual items summarize into the group, thus creating a more accurate forecast.3 4 3 Forecast Considerations. You should not rely exclusively on past data to forecast future demands These circumstances might affect the business, and require you to review and modify the forecast. New products that have no past data. Plans for future sales promotion. Changes in national and international politics. New laws and government regulations. Weather changes and natural disasters. Innovations from competition. You can use long term trend analysis to influence the design of the forecasts. Leading economic indicators.3 4 4 Forecasting Process. You use the Refresh Actuals program R3465 to copy data from the Sales Order History File table F42119 , the Sales Order Detail File table F4211 , or both, into either the Forecast File table F3460 or the Forecast Summary File table F3400 , depending on the kind of forecast that you plan to generate. Scripting on this page enhances content navigation, but does not change the content in any way.