Glidande medelvärde. Medel av tidsseriedataobservationer lika fördelade i tid från flera på varandra följande perioder. Kallad flyttning eftersom den kontinuerligt omräknas när ny data blir tillgänglig, fortskrider den genom att släppa det tidigaste värdet och lägga till det senaste värdet. Till exempel, glidande medelvärdet av sex Månadsförsäljningen kan beräknas genom att genomsnittet av försäljningen går från januari till juni, då genomsnittet av försäljningen från februari till juli, mars till augusti, etc. Moving averages 1 minskar effekten av temporära datavariationer, 2 förbättrar Passformen av data till en linje en process som kallas utjämning för att tydligt visa datas trends och 3 markera något värde över eller under trenden. Om du beräknar något med mycket hög varians är det bästa du kanske kan göra att figurera Ut det rörliga genomsnittet. Jag ville veta vad det rörliga genomsnittet var för data, så jag skulle få en bättre förståelse för hur vi gjorde. När du försöker lista ut några nummer som ofta ändras St du kan göra är att beräkna det glidande genomsnittet. Boks Jenkins BJ models. Moving Average - MA. BREAKING DOWN Moving Average - MA. As ett SMA-exempel, överväga en säkerhet med följande stängningskurser över 15 dagar. Vecka 1 5 dagar 20, 22, 24, 25, 23.Veek 2 5 dagar 26, 28, 26, 29, 27.Veek 3 5 dagar 28, 30, 27, 29, 28.A 10-dagars MA skulle genomsnittliga slutkurserna för den första 10 dagar som första datapunkt Den nästa datapunkten skulle släppa det tidigaste priset, lägga till priset på dag 11 och ta medeltalet och så vidare som visas nedan. Som tidigare noterat lagrar MAs nuvarande prisåtgärd eftersom de är baserade på tidigare Priserna, desto längre tid för MA, desto större är fördröjningen. Således kommer en 200-dagars MA att ha en mycket större grad av fördröjning än en 20-dagars MA eftersom den innehåller priser för de senaste 200 dagarna. MAs längd att använda Beror på handelsmålen, med kortare marknadsandelar som används för kortfristig handel och långsiktiga marknadsandelar som är mer lämpade för långsiktiga investerare. 200-dagars MA följs i stor utsträckning av investo Rs och handlare, med raster över och under detta glidande medel anses vara viktiga handelssignaler. MAs ger också viktiga handelssignaler på egen hand eller när två genomsnitt passerar över. En stigande MA indikerar att säkerheten är i en uptrend medan en minskande MA Indikerar att det är i en downtrend På liknande sätt är uppåtgående momentum bekräftat med en haussead crossover som uppstår när en kortvarig MA korsar en längre sikt MA Nedåtgående momentum bekräftas med en baisse crossover som uppstår när en kortvarig MA korsar Under en längre termisk MA. A-prognosberäkningsexempel. A 1 Prognosberäkningsmetoder. Växlingsmetoder för beräkning av prognoser är tillgängliga. De flesta av dessa metoder ger begränsad användarkontroll. Exempelvis vikt placerad på tidigare historiska data eller datumintervallet för historiska Data som används i beräkningarna kan anges. Följande exempel visar beräkningsförfarandet för var och en av de tillgängliga prognosmetoderna, med en identisk uppsättning av Historiska data. Följande exempel använder samma försäljningsdata 2004 och 2005 för att producera en försäljningsprognos för 2006 Förutom prognosberäkningen innehåller varje exempel en simulerad 2005 prognos för en tre månaders bearbetningsalternativ 19 3 som sedan används för procent Av noggrannhet och genomsnittliga absoluta avvikelser beräknar den faktiska försäljningen jämfört med simulerad prognos. A 2 Prognos Prestationsutvärderingskriterier. Beroende på ditt val av bearbetningsalternativ och de trender och mönster som finns i försäljningsdata, kommer vissa prognosmetoder att fungera bättre än andra för en Given historisk dataset En prognosmetod som är lämplig för en produkt kanske inte är lämplig för en annan produkt. Det är också osannolikt att en prognosmetod som ger goda resultat i ett skede av en produkts livscykel kommer att förbli lämplig under hela livscykeln. Du kan välja mellan två metoder för att utvärdera nuvarande prestanda för prognosmetoderna Dessa a Re Mean Absolute Deviation MAD och Procent of Accuracy POA Båda dessa prestationsbedömningsmetoder kräver historiska försäljningsdata för en användardefinierad tidsperiod. Denna tidsperiod kallas en uthållningsperiod eller perioder som passar bäst PBF. Data i denna period används som Grund för att rekommendera vilken av prognosmetoderna som ska användas vid nästa prognosprojektion. Denna rekommendation är specifik för varje produkt och kan ändras från en prognosproduktion till nästa. De två prognosutvärderingsmetoderna visas på sidorna enligt exemplen på Tolv prognosmetoder. A 3 Metod 1 - Specificerad procentsats under förra året. Denna metod multiplicerar försäljningsdata från föregående år med en användardefinierad faktor till exempel 1 10 för en 10 ökning eller 0 97 för en 3 minskning. Behovet av försäljningshistorik Ett år för beräkning av prognosen plus det användardefinierade antalet tidsperioder för utvärdering av prognosförädlingsalternativ 19.A 4 1 Prognos Beräkning Ulation. Range av försäljningshistoria som ska användas vid beräkning av tillväxtfaktorbehandling alternativ 2a 3 i detta exempel. Som de sista tre månaderna 2005 114 119 137 370.Som samma tre månader för föregående år 123 139 133 395. Den beräknade faktorn 370 395 0 9367.Räkna prognoserna. January, 2005 års försäljning 128 0 9367 119 8036 eller cirka 120.Februari, 2005 försäljning 117 0 9367 109 5939 eller ca 110.March, 2005 försäljning 115 0 9367 107 7205 eller ca 108.A 4 2 Simulerad prognosberäkning. Som de tre månaderna 2005 före hållbarhetsperioden juli, augusti, sept.129 140 131 400.Sam samma tre månader för föregående år.141 128 118 387.Kalkylerad faktor 400 387 1 033591731.Räkna simulerade Prognos. October 2004 försäljning 123 1 033591731 127 13178.November 2004 Försäljning 139 1 033591731 143 66925.December 2004 Försäljning 133 1 033591731 137 4677.A 4 3 Procent av beräkningsberäkning. POA 127 13178 143 66925 137 4677 114 119 137 100 408 26873 370 100 110 3429.A 4 4 Genomsnittlig Absolut Avvikelse Beräkning. MAD 127 13178 - 114 143 66925 - 119 137 4677- 137 3 13 13178 24 66925 0 4677 3 12 75624.A 5 Metod 3 - Förra året till det här året. Denna metod kopierar försäljningsdata från föregående år till nästa år. Förfrågad försäljningshistoria Ett år för beräkning av prognosen plus antal tidsperioder som anges för utvärdering av prognosresultatbehandlingsalternativ 19.A 6 1 Prognosberäkning. Antal perioder som ska ingå i det genomsnittliga bearbetningsalternativet 4a 3 i detta exempel. För varje månad av prognosen , Medeltal föregående tre månaders s data. Januaryprognos 114 119 137 370, 370 3 123 333 eller 123.Februari prognos 119 137 123 379, 379 3 126 333 eller 126.March prognos 137 123 126 379, 386 3 128 667 eller 129.A 6 2 Simulerad prognosberäkning. October 2005 Försäljning 129 140 131 3 133 3333.November 2005 Försäljning 140 131 114 3 128 3333.Deember 2005 Försäljning 131 114 119 3 121 3333.A 6 3 Procent av beräkningsberäkning. POA 133 3333 128 3333 121 3333 114 119 137 100 103 513.A 6 4 Genomsnittlig Absolut Avvikelse Beräkning. MA D 133 3333 - 114 128 3333 - 119 121 3333 - 137 3 14 7777.A 7 Metod 5 - Linjär approximation. Linear Approximation beräknar en trend baserad på två försäljningshistoriska datapunkter. Dessa två punkter definierar en rak trendlinje som projiceras till Framtiden Använd denna metod med försiktighet, eftersom långdistansprognoser utnyttjas av små förändringar på bara två datapunkter. Förfrågad försäljningshistorik Antalet perioder som ska inkluderas i regressionsbehandlingsalternativ 5a plus 1 plus antal tidsperioder för utvärdering av prognosprestanda Bearbetningsalternativ 19.A 8 1 Prognosberäkning. Antal perioder som ska inkluderas i regressionsbehandlingsalternativet 6a 3 i detta exempel. För varje månad av prognosen, lägg till ökningen eller minskningen under de angivna perioderna före hållbarhetsperioden den föregående perioden. Av de föregående tre månaderna 114 119 137 3 123 3333. Sammanfattning av de föregående tre månaderna med hänsyn tagen. 114 1 119 2 137 3 763. Skillnaden mellan värdena. 763 - 123 3333 1 2 3 23.Ratio 1 2 2 2 3 2 - 2 3 14 - 12 2.Value1 Skillnadsförhållande 23 2 11 5.Value2 Genomsnittlig-värde1-förhållande 123 3333 - 11 5 2 100 3333.Visa 1 n-värde1 Value2 4 11 5 100 3333 146 333 eller 146.Förecast 5 11 5 100 3333 157 8333 eller 158.Förutsägande 6 11 5 100 3333 169 3333 eller 169.A 8 2 Simulerad prognosberäkning. October 2004 försäljning. Medel av de föregående tre månaderna . 129 140 131 3 133 3333. Sammanfattning av de föregående tre månaderna med hänsyn tagen. 129 1 140 2 131 3 802. Skillnaden mellan värdena. 802 - 133 3333 1 2 3 2.Ratio 1 2 2 2 3 2 - 2 3 14 - 12 2.Value1 Skillnadsförhållande 2 2 1.Value2 Genomsnitt - värde1-förhållande 133 3333 - 1 2 131 3333.Förecast 1 n värde1 värde2 4 1 131 3333 135 3333.November 2004 Försäljning. Medel av de föregående tre månaderna. 140 131 114 3 128 3333.Sammanfattning av de föregående tre månaderna med hänsyn tagen. 140 1 131 2 114 3 744. Skillnaden mellan värdena 744 - 128 3333 1 2 3 -25 9999.Value1 Skillnadsförhållande -25 9999 2 -12 9999.Value2 Genomsnitt - värde1 förhållande 128 3333 - -12 9999 2 154 3333.Forecast 4 -12 9999 154 3333 102 3333.December 2004 sales. Average av de föregående tre månaderna. 131 114 119 3 121 3333. Sammanfattning av de föregående tre månaderna med hänsyn tagen. 131 1 114 2 119 3 716. Skillnaden mellan värdena. 716 - 121 3333 1 2 3 -11 9999.Value1 Skillnadsförhållande -11 9999 2 -5 9999.Value2 Genomsnitt - värde1-förhållande 121 3333 - -5 9999 2 133 3333.Forecast 4 -5 9999 133 3333 109 3333.A 8 3 Procent av beräkning av noggrannhet. POA 135 33 102 33 109 33 114 119 137 100 93 78.A 8 4 Genomsnittlig Absolut Avvikelse Beräkning. MAD 135 33 - 114 102 33 - 119 109 33 - 137 3 21 88.A 9 Metod 7 - Andra Graden Approximation. Linear Regression bestämmer värdena för a och b i prognosformeln Y a bX med målet att anpassa en rak linje till försäljningshistorikdata. Andra graden Approximation är likvärdig. Denna metod bestämmer emellertid värdena för a, b och c i Prognosformeln Y a bX cX2 med målet att anpassa en kurva till försäljningshistorikdata Denna metod kan vara användbar när en produkt befinner sig i övergången mellan en livscykelstadium Till exempel när en ny produkt flyttar från introduktion till tillväxtstadier , Försäljningsutvecklingen kan accelerera På grund av den andra orderperioden kan prognosen snabbt närma sig Oändlighet eller fall till noll beroende på om koefficienten c är positiv eller negativ. Därför är denna metod endast användbar på kort sikt. Förutsägningsformulär Formlerna finner a, b och c för att passa en kurva till exakt tre punkter. Du anger n i Bearbetningsalternativ 7a, antalet tidsperioder av data som ackumuleras i var och en av de tre punkterna I detta exempel n 3 Därför kombineras faktiska försäljningsdata för april till juni i första punkten, Q1 juli till september läggs samman för att skapa Q2 , Och oktober till december summa till Q3 Kurvan kommer att anpassas till de tre värdena Q1, Q2 och Q3.Required sales history 3 n perioder för beräkning av prognosen plus antal tidsperioder som krävs för att utvärdera prognosprestanda PBF. Number of Perioder för att inkludera bearbetningsalternativ 7a 3 i detta exempel. Använd de föregående 3 n månaderna i tre månader block. Q1 Apr - Jun 125 122 137 384.Q2 Jul - Sep 129 140 131 400.Q3 Okt - Dec 114 119 137 370. Nästa steg innefattar c Alculating de tre koefficienterna a, b och c som ska användas i prognosformeln Y a bX cX 2. 1 Q1 en bX cX2 där X 1 a b c. 2 Q2 en bX cX2 där X2 a 2b 4c. 3 Q3 en bX cX 2 där X 3 a 3b 9c. Solve de tre ekvationerna samtidigt för att hitta b, a och c. Ta bort ekvation 1 från ekvation 2 och lösa för b. Ställ in denna ekvation för b i ekvation 3. 3 Q3 a 3 Q2 - Q1 - 3c c. Ändra i stället dessa ekvationer för a och b till ekvation 1. Q3 - 3 Q2 - Q1 Q2 - Q1 - 3c c Q1.c Q3 - Q2 Q1 - Q2 2.Den andra graden approximationsmetoden beräknar A, b och c som följer. a Q3 - 3 Q2 - Q1 370 - 3 400 - 384 322.c Q3 - Q2 Q1 - Q2 2 370 - 400 384 - 400 2 -23.b Q2 - Q1 - 3c 400 - 384 - 3 -23 85.Y en bX cX 2 322 85 X -23 X 2.January till mars prognos X 4. 322 340 - 368 3 294 3 98 per period. April till juni prognos X 5. 322 425 - 575 3 57 333 eller 57 per period. Juli till septemberprognos X 6. 322 510 - 828 3 1 33 eller 1 per period. Oktober till december X 7. 322 595 - 1127 3 -70.A 9 2 Simulerad prognosberäkning. Oktober november Och december 2004 försäljning. Q1 jan - mar 360.Q2 apr - jun 384.Q3 jul - sep 400.a 400 - 3 384 - 360 328.c 400 - 384 360 - 384 2 -4.b 384 - 360 - 3 -4 36. 328 36 4 -4 16 3 136.A 9 3 Procent av beräkning av noggrannhet. POA 136 136 136 114 119 137 100 110 27.A 9 4 Genomsnittlig Absolut Avvikelse Beräkning. MAD 136 - 114 136 - 119 136 - 137 3 13 33.A 10 Metod 8 - Flexibel metod. Flexibel metodprocent Över n månader Tidigare liknar Metod 1, Procent över förra året Båda metoderna multiplicerar försäljningsdata från en tidigare tidsperiod av en användardefinierad faktor , Sedan projicera resultatet i framtiden I Procenten över senaste årmetoden är projiceringen baserad på data från samma period föregående år. Den flexibla metoden ger möjlighet att ange en annan tidsperiod än samma period förra året till Använd som grund för beräkningarna. Multiplikationsfaktor Ange exempelvis 1 15 i bearbetningsalternativet 8b för att öka tidigare försäljningshistorikdata med 15.Basperiod Exempelvis kommer n 3 att göra att den första prognosen baseras på försäljningsdata i Oktober 2005. Minsta försäljningshistorik Användarens angivna nummer o F perioder tillbaka till basperioden plus antal tidsperioder som krävs för att utvärdera prognosprestanda PBF. A 10 4 Genomsnittlig Absolut Avvikelse Beräkning. MAD 148 - 114 161 - 119 151 - 137 3 30.A 11 Metod 9 - Viktad Flyttning Genomsnittet. Den viktade rörliga genomsnittliga WMA-metoden liknar Metod 4, Flyttande medelvärde MA. Med det Viktade Flyttningsgenomsnittet kan du emellertid fördela ojämna vikter till de historiska data. Metoden beräknar ett vägt genomsnitt av den senaste försäljningshistoriken för att komma fram till en projicering för Kort sikt Senare data får vanligtvis större vikt än äldre data, vilket gör att WMA reagerar mer på skift i försäljningsnivån. Men prognoser och systematiska fel uppstår fortfarande när produktförsäljningshistoriken uppvisar starka trend eller säsongsmönster. Metoden fungerar bättre för korta prognoser för mogna produkter i stället för för produkter i livscykelns tillväxt eller föråldrade stadier. Det antal perioder av försäljningshistoria som ska användas i Prognosberäkningen Ange till exempel n 3 i bearbetningsalternativet 9a för att använda de senaste tre perioderna som utgångspunkt för projiceringen till nästa tidsperiod. Ett stort värde för n som 12 kräver mer försäljningshistorik. Det resulterar i en stabil prognos , Men kommer att vara långsam för att känna igen skift i försäljningsnivån Å andra sidan kommer ett litet värde för n som 3 att reagera snabbare på förändringar i försäljningsnivån, men prognosen kan fluktuera så mycket att produktionen inte kan svara på Variationerna. Vikten tilldelad vart och ett av de historiska dataperioderna. De tilldelade vikterna måste uppgå till 1 00 Till exempel, när n 3 tilldelar vikter av 0 6, 0 3 och 0 1, med den senaste data som får största vikt . Minsta nödvändiga försäljningshistorik n plus antal tidsperioder som krävs för att utvärdera prognosprestanda PBF. MAD 133 5 - 114 121 7 - 119 118 7 - 137 3 13 5.A 12 Metod 10 - Linjär utjämning. Denna metod liknar Metod 9, Viktad Flyttande Genomsnittlig WMA Hur I stället för att i godtyckligt tilldela vikter till historiska data används en formel för att tilldela vikter som faller linjärt och summa till 1 00 Metoden beräknar sedan ett vägt genomsnitt av den senaste försäljningshistoriken för att komma fram till en projicering på kort sikt. Sant för alla linjära glidande medelprognostekniker förekommer prognosfel och systematiska fel när produktförsäljningshistoriken uppvisar stark trend eller säsongsmönster. Denna metod fungerar bättre för korta prognoser för mogna produkter snarare än för produkter i livets tillväxt eller förälskelsesteg Cycle. n antalet försäljningsperioder som ska användas i prognosberäkningen Detta anges i bearbetningsalternativet 10a Ange till exempel n 3 i bearbetningsalternativet 10b för att använda de senaste tre perioderna som grund för projektionen i Nästa tidsperiod Systemet kommer automatiskt att tilldela vikterna till historiska data som faller linjärt och summa till 1 00 Till exempel när n 3, s Ystem kommer att tilldela vikter av 0 5, 0 3333 och 0 1, med den senaste data som tar emot största vikt. Minsta nödvändiga försäljningshistorik n plus antalet tidsperioder som krävs för att utvärdera prognosprestandan PBF. A 12 1 Prognosberäkning. Antal perioder som ska inkluderas vid utjämning av genomsnittlig bearbetningsalternativ 10a 3 i detta exempel. Rata för en period före 3 n 2 n 2 3 3 2 3 2 3 6 0 5.Ratio i två perioder före 2 n 2 n 2 2 3 2 3 2 2 6 0 3333.Ratio i tre perioder före 1 n 2 n 2 1 3 2 3 2 1 6 0 1666.Januärprognos 137 0 5 119 1 3 114 1 6 127 16 eller 127.Februari prognos 127 0 5 137 1 3 119 1 6 129.March prognos 129 0 5 127 1 3 137 1 6 129 666 eller 130.A 12 2 Simulerad prognosberäkning. October 2004 försäljning 129 1 6 140 2 6 131 3 6 133 6666.November 2004 Försäljning 140 1 6 131 2 6 114 3 6 124.December 2004 försäljning 131 1 6 114 2 6 119 3 6 119 3333.A 12 3 Procent av beräkning av noggrannhet. POA 133 6666 124 119 3333 114 119 137 100 101 891.A 12 4 Genomsnittlig Absolut Avvikelse Beräkning. MAD 133 6666 - 114 124 - 119 119 3333 - 137 3 14 1111.A 13 Metod 11 - Exponentiell utjämning. Denna metod liknar Metod 10, Linjär utjämning Vid linjär utjämning tilldelar systemet vikter till historiska data som avtar linjärt Vid exponentiell utjämning , Systemet tilldelar vikter som exponentiellt sönderfall Exponential utjämning prognos ekvation är. Förutse en tidigare verklig försäljning 1 - a tidigare prognos. Prognosen är ett vägt genomsnitt av den faktiska försäljningen från föregående period och prognosen från föregående period a är Vikt applicerad på den faktiska försäljningen för föregående period 1 - a är vikten applicerad på prognosen för föregående period Giltiga värden för ett intervall från 0 till 1 och faller vanligtvis mellan 0 1 och 0 4 Summan av vikterna är 1 00 a 1 - a 1.Du bör tilldela ett värde för utjämningskonstanten, a Om du inte tilldelar värden för utjämningskonstanten beräknar systemet ett antaget värde baserat på antalet perioder med försäljningshistorik D i bearbetningsalternativet 11a. a utjämningskonstanten som används vid beräkning av det jämnde genomsnittsvärdet för den generella nivån eller storleken på försäljningen Giltiga värden för ett intervall från 0 till 1.n omfattningen av försäljningshistorikdata för att inkludera i beräkningarna Generellt ett år Av försäljningshistorikdata är tillräckliga för att uppskatta den generella försäljningsnivån För det här exemplet valdes ett litet värde för nn 3 för att minska de manuella beräkningar som krävs för att verifiera resultaten Exponentiell utjämning kan generera en prognos baserad på så lite som en historisk Datapunkt. Minsta nödvändiga försäljningshistorik n plus antalet tidsperioder som krävs för att utvärdera prognosprestandan PBF. A 13 1 Prognosberäkning. Number av perioder som ska inkluderas i utjämning av genomsnittlig bearbetningsalternativ 11a 3 och alfa-faktorbehandlingsalternativ 11b tom i detta Example. a faktor för den äldsta försäljningsdata 2 1 1 eller 1 när alpha är specificerad. En faktor för den 2: e äldsta försäljningsdata 2 1 2, eller alf när alpha anges. En faktor För den 3: e äldsta försäljningsdata 2 1 3, eller alf när alpha anges. En faktor för den senaste försäljningsdata 2 1 n eller alf när alpha är specificerad. November Sm Avg a oktober Aktuell 1 - en oktober Sm Gem 1 114 0 0 114.December Avg. Avg. November Aktuell 1 - a november Sm Gem 2 3 119 1 3 114 117 3333.January Prognos december December 1 - a december Sm Gem 2 4 137 2 4 117 3333 127 16665 eller 127.Februari prognos Januari-prognos 127.Marchprognos Januariprognos 127.A 13 2 Simulerad prognosberäkning. Juli 2004 Sm Avg 2 2 129 129.August Sm Gem 2 3 140 1 3 129 136 3333.September Sm Genomsnittspris 2 4 131 2 4 136 3333 133 6666.October 2004 Försäljning Sep Sm Avg 133 6666.August, 2004 Sm Avg 2 2 140 140.September Sm Gem 2 3 131 1 3 140 134.October Sm Avg 2 4 114 2 4 134 124.November 2004 Försäljning Sep Sm Gem 124.September 2004 Sm Avg 2 2 131 131. oktober Sm Gem 2 3 114 1 3 131 119 6666.November Sm Avg 2 4 119 2 4 119 6666 119 3333.Deember 2004 Försäljning Sep Sm Avg 119 3333.A 13 3 Procent Av noggrannhet Calcula Tion. POA 133 6666 124 119 3333 114 119 137 100 101 891.A 13 4 Genomsnittlig absolut avvikelseberäkning. MAD 133 6666 - 114 124 - 119 119 3333 - 137 3 14 1111.A 14 Metod 12 - Exponentiell utjämning med trend och säsonglighet . Denna metod liknar Metod 11 Exponentiell utjämning genom att ett jämnt medelvärde beräknas. Metod 12 innehåller emellertid en term i prognosekvationen för att beräkna en jämn trend. Prognosen består av en jämn medelvärde justerad för en linjär trend När specificerat I bearbetningsalternativet justeras prognosen också för säsongens kvalitet. En utjämningskonstant som används för att beräkna det jämnde genomsnittet för den generella nivån eller storleken på försäljningen. Giltiga värden för alfabetik från 0 till 1.b utjämningskonstanten som används vid beräkning av det jämnformade Medelvärdet för trendkomponenten i prognosen Giltiga värden för beta-intervallet från 0 till 1.Vår ett säsongsindex tillämpas på prognosen. a och b är oberoende av varandra De behöver inte lägga till 1 0.Min Imum krävs försäljningshistoria två år plus antalet tidsperioder som krävs för att utvärdera prognosprestandan PBF. Method 12 använder två exponentiella utjämningsekvationer och ett enkelt medelvärde för att beräkna ett jämnt medelvärde, en jämn trend och en enkel genomsnittlig säsongsfaktor. A 14 1 Prognos Beräkning. A Ett exponentiellt jämnt medel. MAD 122 81 - 114 133 14 - 119 135 33 - 137 3 8 2.A 15 Utvärdering av prognoserna. Du kan välja prognosmetoder för att generera så många som tolv prognoser för varje produkt. Varje prognos Metoden kommer sannolikt att skapa en något annorlunda projicering När tusentals produkter prognostiseras är det opraktiskt att göra ett subjektivt beslut angående vilka prognoser som ska användas i dina planer för var och en av produkterna. Systemet utvärderar automatiskt prestanda för varje prognosmetod Som du väljer och för var och en av prognoserna Du kan välja mellan två prestandakriterier, Mean Absolute Deviation MAD och Procent of Accur Acy POA MAD är ett mått på prognosfel POA är ett mått på prognosförskjutning Båda dessa prestandautvärderingstekniker kräver faktiska försäljningshistorikdata för en användarens specificerade tidsperiod. Denna period av senaste historiken kallas en uthållningsperiod eller perioder som passar bäst PBF. För att mäta resultatet av en prognosmetod använder du prognosformlerna för att simulera en prognos för historisk uthållighetsperiod. Det kommer vanligtvis att finnas skillnader mellan faktiska försäljningsdata och den simulerade prognosen för hållbarhetsperioden. När flera prognosmetoder väljs utförs samma process Sker för varje metod Flera prognoser beräknas för hållbarhetsperioden och jämfört med den kända försäljningshistoriken för samma tidsperiod. Prognosmetoden som ger den bästa matchningen som passar bäst mellan prognosen och den faktiska försäljningen under hållbarhetsperioden rekommenderas för användning I dina planer Denna rekommendation är specifik för varje produkt, och kan ändras från en prognosproduktion till nej Xt. A 16 Genomsnitt Absolut avvikelse MAD. MAD är medelvärdet eller genomsnittet av de absoluta värdena eller storleken på avvikelserna eller fel mellan aktuell och prognosdata. MAD är ett mått på den genomsnittliga storleksgraden av fel som kan förväntas med tanke på en prognosmetod och data Historia Eftersom absoluta värden används i beräkningen avbryter inte positiva fel negativa fel Vid jämförelse av flera prognosmetoder har den som har den minsta MAD visat sig vara den mest tillförlitliga för den produkten under den hållningsperioden När prognosen är objektiv och Fel distribueras normalt, det finns ett enkelt matematiskt förhållande mellan MAD och två andra gemensamma fördelningsförhållanden, standardavvikelse och Mean Squared Error. A 16 1 Procent av noggrannhet POA. Percent of Accuracy POA är ett mått på prognostisk bias När prognoserna är konsekventa För högt, lager ackumuleras och lagerkostnader stiger När prognoserna är konsekvent två låga förbrukas lagren och nedgången av kundservice S En prognos som är 10 enheter för låg, då 8 enheter för höga, då 2 enheter för höga, skulle vara en objektiv prognos. Det positiva felet på 10 avbröts av negativa fel på 8 och 2.Error Actual - Forecast. When en produkt Kan lagras i lager och när prognosen är opartisk, kan en liten mängd säkerhetslager användas för att buffra felet. I denna situation är det inte så viktigt att eliminera prognosfel eftersom det är att skapa objektiva prognoser. , Skulle ovanstående situation betraktas som tre fel Tjänsten skulle vara underbemannad under den första perioden och sedan överbemannade för de följande två perioderna. I tjänster är storleken av prognosfel vanligtvis viktigare än vad som är prognostiserad bias. Sammanfattningen över hållbarhetsperioden Tillåter positiva fel att avbryta negativa fel När den totala faktiska försäljningen överstiger den totala prognostiserade försäljningen är förhållandet större än 100. Det är naturligtvis omöjligt att vara mer än 100 korrekt. När en prognos är unbias Ed, POA-förhållandet blir 100 Därför är det mer önskvärt att vara 95 exakt än att vara 110 exakt. POA-kriterierna väljer prognosmetoden som har ett POA-förhållande närmast 100. Skript på denna sida förstärker innehållsnavigering, men Ändra innehållet på något sätt.
No comments:
Post a Comment