Ilościowe podejścia do prognoz Większość technik ilościowych oblicza prognozę popytu jako średnią z poprzedniego popytu. Poniżej przedstawiono ważne techniki prognozowania popytu. Prosta metoda średnia: Prosta średnia zapotrzebowań występujących we wszystkich poprzednich okresach jest traktowana jako prognoza popytu na następny okres w tej metodzie. (Przykład 1) Prosta metoda średniej ruchomej: W tej metodzie średnia zapotrzebowań z kilku ostatnich okresów jest przyjmowana jako prognoza popytu na następny okres. Liczba przeszłych okresów do wykorzystania w obliczeniach jest wybierana na początku i jest utrzymywana na stałym poziomie (na przykład 3-okresowa średnia ruchoma). (Przykład 2) Metoda ważonej średniej ruchomej: W tej metodzie nierówne wagi są przypisywane do danych dotyczących popytu z przeszłości podczas obliczania prostej średniej kroczącej jako prognozy popytu na następny okres. Zwykle najnowsze dane mają najwyższy współczynnik wagi. (Przykład 3) Metoda wygładzania wykładniczego: W tej metodzie wagi są przypisywane w porządku wykładniczym. Wagi maleją wykładniczo od ostatnich danych popytu do danych o starszym popycie. (Przykład 4) Metoda analizy regresji: W tej metodzie dane dotyczące popytu z przeszłości są wykorzystywane do ustalenia zależności funkcjonalnej między dwiema zmiennymi. Jedna zmienna jest znana lub zakładana jako znana i stosowana do prognozowania wartości innej nieznanej zmiennej (tj. Popytu). (Przykład 5) Błąd w prognozowaniu Błąd w prognozowaniu jest tylko liczbową różnicą w prognozowanym popycie i rzeczywistym zapotrzebowaniu. MAD (średnie bezwzględne odchylenie) i odchylenie to dwie miary, które są używane do oceny dokładności prognozowanego popytu. Można zauważyć, że MAD wyraża wielkość, ale nie kierunek błędu. OR-Notes to seria wprowadzających uwag na tematy, które wchodzą w zakres pozycji badań operacyjnych (OR). Pierwotnie były używane przeze mnie w kursie wprowadzającym LUB kursie, który prowadzę w Imperial College. Są one teraz dostępne do użytku dla wszystkich uczniów i nauczycieli zainteresowanych OR, z zastrzeżeniem następujących warunków. Pełną listę tematów dostępnych w OR-Notes można znaleźć tutaj. Przykłady prognoz Przykład prognozy 1996 Egzamin UG Popyt na produkt w każdym z ostatnich pięciu miesięcy przedstawiono poniżej. Użyj średniej ruchomej z dwóch miesięcy, aby wygenerować prognozę popytu w miesiącu 6. Zastosuj wygładzanie wykładnicze ze stałą wygładzania równą 0,9, aby wygenerować prognozę popytu na popyt w miesiącu 6. Która z tych dwóch prognoz wolisz i dlaczego? średnia dla miesięcy od dwóch do pięciu jest podana przez: Prognoza dla szóstego miesiąca jest tylko średnią kroczącą za miesiąc przed tą, czyli średnią kroczącą dla miesiąca 5 m 5 2350. Stosując wygładzanie wykładnicze ze stałą wygładzania wynoszącą 0,9 otrzymujemy: jak poprzednio prognoza dla szóstego miesiąca jest tylko średnią dla miesiąca 5 M 5 2386 Aby porównać dwie prognozy, obliczamy średnie odchylenie kwadratu (MSD). Jeśli to zrobimy, stwierdzimy, że dla średniej ruchomej MSD (15-19) sup2 (18-23) sup2 (21-24) sup23 16,67 i dla wykładniczo wygładzonej średniej ze stałą wygładzania 0,9 MSD (13-17) sup2 (16,60 - 19) sup2 (18,76 - 23) sup2 (22,58 - 24) sup24 10,44 W sumie widzimy, że wygładzanie wykładnicze wydaje się dawać najlepsze prognozy na jeden miesiąc z wyprzedzeniem, ponieważ ma niższy MSD. Dlatego preferujemy prognozę 2386, która została wygenerowana przez wygładzanie wykładnicze. Przykład prognozy 1994 Egzamin UG Poniższa tabela pokazuje zapotrzebowanie na nową wodę po goleniu w sklepie dla każdego z ostatnich 7 miesięcy. Obliczyć dwumiesięczną średnią ruchomą dla miesięcy dwóch do siedmiu. Jaka byłaby twoja prognoza na popyt w ósmym miesiącu Zastosuj wygładzanie wykładnicze ze stałą wygładzania równą 0,1, aby uzyskać prognozę popytu w ósmym miesiącu. Która z dwóch prognoz na miesiąc osiem wolisz i dlaczego Właściciel sklepu uważa, że klienci przestawiają się na nową wodę po goleniu od innych marek. Przedyskutuj sposób modelowania tego zachowania przełączającego i wskaż dane, które będą potrzebne do potwierdzenia, czy to przełączanie występuje, czy nie. Dwumiesięczna średnia ruchoma dla miesięcy od dwóch do siedmiu jest wyrażona przez: Prognoza dla ósmego miesiąca to tylko średnia krocząca z miesiąca poprzedzającego, tj. Średnia krocząca dla miesiąca 7 m 7 46. Zastosowanie wygładzania wykładniczego ze stałą wygładzania równą 0,1. uzyskać: Tak jak przed prognozą na miesiąc 8 to tylko średnia dla miesiąca 7 M 7 31,11 31 (ponieważ nie możemy mieć ułamkowego popytu). Aby porównać dwie prognozy, obliczamy średnie odchylenie kwadratu (MSD). Jeśli to zrobimy, stwierdzimy, że dla średniej ruchomej i dla wygładzonej wykładniczo średniej ze stałą wygładzania 0,1 Ogólnie rzecz biorąc, wydaje się, że dwumiesięczna średnia ruchoma daje najlepsze prognozy na jeden miesiąc z wyprzedzeniem, ponieważ ma niższy MSD. Dlatego preferujemy prognozę 46, która została wyprodukowana przez dwumiesięczną średnią ruchomą. Aby zbadać przełączanie, potrzebowalibyśmy modelu procesu Markowa, w którym stany marek i potrzebowalibyśmy początkowych informacji o stanie i prawdopodobieństw przełączania klientów (z ankiet). Musielibyśmy uruchomić model na danych historycznych, aby sprawdzić, czy mamy dopasowanie między modelem a historycznym zachowaniem. Przykład prognozy 1992 Egzamin UG Poniższa tabela pokazuje zapotrzebowanie na konkretną markę maszynki do golenia w sklepie dla każdego z ostatnich dziewięciu miesięcy. Obliczyć trzymiesięczną średnią ruchomą dla miesięcy trzech do dziewięciu. Jaka byłaby twoja prognoza na popyt w miesiącu 10 Zastosuj wygładzanie wykładnicze ze stałą wygładzania równą 0,3, aby uzyskać prognozę popytu w miesiącu dziesiątym. Którą z dwóch prognoz na miesiąc 10 preferujesz i dlaczego? 3-miesięczna średnia ruchoma dla miesięcy 3-9 jest określona przez: Prognoza dla miesiąca 10 to tylko średnia krocząca dla miesiąca poprzedzającego, tj. Średnia krocząca dla miesiąca 9 m 9 20,33. Stąd (ponieważ nie możemy mieć popyt ułamkowy) prognoza na miesiąc 10 wynosi 20. Stosując wygładzanie wykładnicze ze stałą wygładzania 0,3 otrzymujemy: Tak jak przed prognozą na miesiąc 10 jest tylko średnią dla miesiąca 9 M 9 18,57 19 (jak my nie może mieć popytu ułamkowego). Aby porównać dwie prognozy, obliczamy średnie odchylenie kwadratu (MSD). Jeśli to zrobimy, stwierdzimy, że dla średniej ruchomej i dla wygładzonej wykładniczo średniej ze stałą wygładzania wynoszącą 0,3 Ogółem widzimy, że trzymiesięczna średnia ruchoma wydaje się dawać najlepsze prognozy na jeden miesiąc z wyprzedzeniem, ponieważ ma niższy MSD. Dlatego preferujemy prognozę 20, która została wyprodukowana przez trzymiesięczną średnią ruchomą. Przykład prognozy 1991 Egzamin UG Poniższa tabela pokazuje zapotrzebowanie na konkretną markę faksu w domu towarowym w każdym z ostatnich dwunastu miesięcy. Oblicz czteromiesięczną średnią ruchomą dla miesięcy 4 do 12. Jaka byłaby twoja prognoza na popyt w miesiącu 13 Zastosuj wygładzanie wykładnicze ze stałą wygładzania równą 0,2, aby uzyskać prognozę popytu w 13. miesiącu. Która z dwóch prognoz na miesiąc 13 Wolisz i dlaczego Jakie inne czynniki, nieuwzględnione w powyższych obliczeniach, mogą wpłynąć na popyt na faks w miesiącu 13. Czteromiesięczna średnia ruchoma dla miesięcy od 4 do 12 jest określona przez: m 4 (23 19 15 12) 4 17.25 m 5 (27 23 19 15) 4 21 m 6 (30 27 23 19) 4 24,75 m 7 (32 30 27 23) 4 28 m 8 (33 32 30 27) 4 30,5 m 9 (37 33 32 30) 4 33 m 10 (41 37 33 32) 4 35,75 m 11 (49 41 37 33) 4 40 m 12 (58 49 41 37) 4 46,25 Prognoza dla miesiąca 13 to tylko średnia krocząca z miesiąca poprzedzającego, tj. Średnia krocząca za miesiąc 12 m 12 46,25. Stąd (ponieważ nie możemy mieć poparcia cząstkowego) prognoza na miesiąc 13 to 46. Zastosowanie wygładzania wykładniczego ze stałą wygładzania o wartości 0,2 otrzymujemy: Tak jak przed prognozą na miesiąc 13 jest to tylko średnia dla miesiąca 12 M 12 38.618 39 (jak my nie może mieć popytu ułamkowego). Aby porównać dwie prognozy, obliczamy średnie odchylenie kwadratu (MSD). Jeśli to zrobimy, stwierdzimy, że dla średniej ruchomej i dla wygładzonej wykładniczo średniej ze stałą wygładzania 0,2 Ogólnie widać, że czteromiesięczna średnia ruchoma wydaje się dawać najlepsze prognozy na jeden miesiąc z wyprzedzeniem, ponieważ ma niższy MSD. Dlatego preferujemy prognozę 46, która została wyprodukowana przez średnią ruchomą z czterech miesięcy. sezonowe zmiany cen reklam, zarówno ta marka, jak i inne marki, ogólna sytuacja gospodarcza, nowa technologia, Przykład prognozy 1989, egzamin UG Poniższa tabela pokazuje zapotrzebowanie na konkretną markę kuchenki mikrofalowej w domu towarowym w każdym z ostatnich dwunastu miesięcy. Obliczyć sześciomiesięczną średnią ruchomą dla każdego miesiąca. Jaka byłaby twoja prognoza na popyt w 13 miesiącu? Zastosuj wygładzanie wykładnicze ze stałą wygładzania równą 0,7, aby wyprowadzić prognozę popytu w 13. miesiącu. Która z dwóch prognoz na 13 miesiąc wolisz i dlaczego? Teraz nie możemy obliczyć szóstki średnia ruchoma miesiąca do czasu, gdy będziemy mieli co najmniej 6 obserwacji - tzn. możemy obliczyć taką średnią tylko od 6 miesiąca. Zatem mamy: m 6 (34 32 30 29 31 27) 6 30,50 m 7 (36 34 32 30 29 31) 6 32,00 m 8 (35 36 34 32 30 29) 6 32,67 m 9 (37 35 36 34 32 30) 6 34,00 m 10 (39 37 35 36 34 32) 6 35,50 m 11 (40 39 37 35 36 34) 6 36,83 m 12 (42 40 39 37 35 36) 6 38,17 Prognoza dla miesiąca 13 to tylko średnia krocząca dla miesiąc wcześniej niż średnia krocząca za miesiąc 12 m 12 38,17. W związku z tym (ponieważ nie możemy mieć popytu ułamkowego), prognoza na miesiąc 13 wynosi 38. Zastosowanie wygładzania wykładniczego ze stałą wygładzania równą 0,7 daje: 3 Zrozumienie poziomów i metod prognozowania Możesz wygenerować zarówno prognozy (pojedynczej pozycji), jak i podsumowanie (linia produktów ) prognozy odzwierciedlające wzorce popytu na produkty. System analizuje przeszłe wyniki sprzedaży, aby obliczyć prognozy za pomocą 12 metod prognozowania. Prognozy zawierają szczegółowe informacje na poziomie pozycji i informacje o wyższym poziomie dotyczące oddziału lub firmy jako całości. 3.1 Kryteria oceny wyników prognozy W zależności od wyboru opcji przetwarzania oraz trendów i wzorców w danych sprzedaży, niektóre metody prognozowania działają lepiej niż inne dla danego zestawu danych historycznych. Metoda prognozowania odpowiednia dla jednego produktu może nie być odpowiednia dla innego produktu. Może się okazać, że metoda prognozowania, która zapewnia dobre wyniki na jednym etapie cyklu życia produktu, pozostaje odpowiednia w całym cyklu życia. Możesz wybrać jedną z dwóch metod oceny aktualnej wydajności metod prognozowania: Procent dokładności (POA). Średnie absolutne odchylenie (MAD). Obie te metody oceny wydajności wymagają danych historycznych dotyczących sprzedaży dla określonego okresu. Ten okres nazywany jest okresem wstrzymania lub okresem najlepszego dopasowania. Dane w tym okresie są wykorzystywane jako podstawa do rekomendowania, którą metodę prognozowania zastosować przy tworzeniu następnej prognozy. To zalecenie jest specyficzne dla każdego produktu i może zmieniać się z jednej generacji generowania prognozy na drugą. 3.1.1 Najlepsze dopasowanie System zaleca prognozę najlepszego dopasowania, stosując wybrane metody prognozowania do historii zamówień poprzednich zamówień i porównując symulację prognozy z rzeczywistą historią. Po wygenerowaniu prognozy najlepszego dopasowania system porównuje rzeczywistą historię zamówień sprzedaży z prognozami dla określonego okresu czasu i oblicza, jak dokładnie każda inna metoda prognozowania przewidywała sprzedaż. Następnie system zaleca najdokładniejsze prognozy jako najlepsze dopasowanie. Ta grafika ilustruje najlepsze dopasowania prognozy: Rysunek 3-1 Najlepsza prognoza dopasowania System wykorzystuje tę sekwencję kroków do określenia najlepszego dopasowania: Użyj każdej określonej metody, aby zasymulować prognozę okresu wstrzymania. Porównaj rzeczywistą sprzedaż z symulowanymi prognozami okresu wstrzymania. Oblicz POA lub MAD, aby określić, która metoda prognozowania najlepiej pasuje do dotychczasowej faktycznej sprzedaży. System korzysta z POA lub MAD, w oparciu o wybrane opcje przetwarzania. Poleć najlepszą prognozę POA, która jest najbliższa 100% (ponad lub poniżej) lub MAD, która jest najbliższa zeru. 3.2 Metody prognozowania JD Edwards EnterpriseOne Forecast Management wykorzystuje 12 metod do prognozowania ilościowego i wskazuje, która metoda najlepiej pasuje do sytuacji prognostycznej. W tej sekcji omówiono: Metoda 1: Procent w ciągu ostatniego roku. Metoda 2: Obliczony procent w ciągu ostatniego roku. Metoda 3: Ostatni rok w tym roku. Metoda 4: Średnia ruchoma. Metoda 5: Aproksymacja liniowa. Metoda 6: Regresja najmniejszych kwadratów. Metoda 7: Aproksymacja drugiego stopnia. Metoda 8: Elastyczna metoda. Metoda 9: Średnia ważona ruchoma. Metoda 10: Wygładzanie liniowe. Metoda 11: Wygładzanie wykładnicze. Metoda 12: Wygładzanie wykładnicze z trendem i sezonowością. Określ metodę, której chcesz użyć w opcjach przetwarzania dla programu Generowanie prognoz (R34650). Większość tych metod zapewnia ograniczoną kontrolę. Na przykład waga umieszczona na ostatnich danych historycznych lub w zakresie dat danych historycznych wykorzystywanych w obliczeniach może zostać określona przez Ciebie. Przykłady w przewodniku wskazują procedurę obliczania dla każdej z dostępnych metod prognostycznych, biorąc pod uwagę identyczny zestaw danych historycznych. Przykłady metod w przewodniku wykorzystują część lub wszystkie te zbiory danych, które są danymi historycznymi z ostatnich dwóch lat. Prognoza prognozy trafia do przyszłego roku. Dane dotyczące historii sprzedaży są stabilne przy niewielkich sezonowych wzrostach w lipcu i grudniu. Ten wzór jest charakterystyczny dla dojrzałego produktu, który może się zbliżać do przestarzałości. 3.2.1 Metoda 1: procent w ostatnim roku Ta metoda wykorzystuje formułę Procent na przestrzeni ostatniego roku, aby pomnożyć każdy okres prognozy przez określony wzrost lub spadek procentowy. Aby przewidzieć popyt, ta metoda wymaga liczby okresów dla najlepszego dopasowania plus jeden rok historii sprzedaży. Ta metoda jest przydatna do prognozowania popytu na produkty sezonowe ze wzrostem lub spadkiem. 3.2.1.1 Przykład: Metoda 1: Procent w ubiegłym roku Procent nad ubiegłorocznym wzorem zwielokrotnia dane o sprzedaży z poprzedniego roku o określony czynnik, a następnie projekty, które pojawią się w ciągu najbliższego roku. Ta metoda może być przydatna w budżetowaniu do symulacji wpływu określonej stopy wzrostu lub gdy historia sprzedaży ma znaczący składnik sezonowy. Specyfikacja prognozy: współczynnik mnożenia. Na przykład, wybierz opcję 110 w opcji przetwarzania, aby zwiększyć dane historii sprzedaży z poprzedniego roku o 10 procent. Wymagana historia sprzedaży: jeden rok na obliczenie prognozy oraz liczba okresów czasu wymaganych do oceny prognozowanej skuteczności (okresy najlepszego dopasowania), które określasz. Tabela ta jest historią wykorzystywaną w obliczeniach prognozy: prognoza lutowa wynosi 117 razy 1.1 128,7 zaokrąglona do 129. Prognoza marcowa wynosi 115 razy 1.1 126,5 zaokrąglona do 127. 3.2.2 Metoda 2: Obliczony procent w ciągu ostatniego roku Ta metoda używa obliczonego procentu ponad Formuła zeszłoroczna, aby porównać wcześniejszą sprzedaż określonych okresów ze sprzedażą z tych samych okresów roku poprzedniego. System określa procentowy wzrost lub spadek, a następnie mnoży każdy okres przez procent w celu określenia prognozy. Aby przewidzieć popyt, ta metoda wymaga liczby okresów historii zamówień sprzedaży plus jeden rok historii sprzedaży. Ta metoda jest przydatna do prognozowania krótkoterminowego popytu na produkty sezonowe ze wzrostem lub spadkiem. 3.2.2.1 Przykład: Metoda 2: Obliczony procent w ciągu ostatniego roku Formuła wyliczenia procentowego w ubiegłym roku mnoży dane dotyczące sprzedaży z poprzedniego roku przez współczynnik obliczany przez system, a następnie projektuje ten wynik na następny rok. Ta metoda może być przydatna w prognozowaniu wpływu przedłużenia ostatniego wzrostu stopy produktu na następny rok przy zachowaniu sezonowości, która jest obecna w historii sprzedaży. Specyfikacja prognozy: zakres historii sprzedaży do wykorzystania przy obliczaniu tempa wzrostu. Na przykład określ n = 4 w opcji przetwarzania, aby porównać historię sprzedaży dla ostatnich czterech okresów z tymi samymi czterema okresami poprzedniego roku. Użyj obliczonego współczynnika, aby wykonać projekcję na następny rok. Wymagana historia sprzedaży: jeden rok na obliczenie prognozy plus liczba okresów wymaganych do oceny prognozy (okresy najlepszego dopasowania). Ta tabela jest historią wykorzystywaną w prognozowaniu obliczeń, biorąc pod uwagę wartość n 4: prognoza lutowa wynosi 117 razy 0,9766 114,26 zaokrąglona do 114. Prognoza marcowa wynosi 115 razy 0,9766 112,31 zaokrąglona do 112. 3.2.3 Metoda 3: Ostatni rok do tego roku Ta metoda wykorzystuje sprzedaż w ubiegłym roku na prognozy na kolejne lata. Aby przewidzieć popyt, ta metoda wymaga liczby najlepiej pasujących okresów plus jeden rok historii zamówień sprzedaży. Ta metoda jest przydatna do prognozowania popytu na dojrzałe produkty z popytem na poziomie lub sezonowym bez trendu. 3.2.3.1 Przykład: Metoda 3: Ostatni rok w tym roku Formuła "ostatni rok do tego roku" kopiuje dane dotyczące sprzedaży z poprzedniego roku do następnego roku. Ta metoda może być przydatna w budżetowaniu do symulacji sprzedaży na obecnym poziomie. Produkt jest dojrzały i nie ma trendu w dłuższej perspektywie, ale może występować znaczny sezonowy wzór zapotrzebowania. Specyfikacja prognozy: brak. Wymagana historia sprzedaży: jeden rok na obliczenie prognozy plus liczba okresów wymaganych do oceny prognozy (okresy najlepszego dopasowania). Tabela ta jest historią wykorzystywaną w obliczeniach prognozy: prognoza styczniowa to styczeń zeszłego roku z wartością prognozowaną na poziomie 128. Prognoza w lutym jest równa lutowi ubiegłego roku z prognozą 117. Prognoza marcowa to marzec ubiegłego roku z prognozą 115. 3.2.4 Metoda 4: Średnia krocząca Ta metoda wykorzystuje średnią ruchomą do wyliczenia określonej liczby okresów do wyświetlenia w następnym okresie. Powinieneś go często przeliczać (miesięcznie lub co najmniej raz na kwartał), aby odzwierciedlić zmieniający się popyt. Aby przewidzieć popyt, ta metoda wymaga liczby najlepiej pasujących okresów oraz liczby okresów historii zamówień sprzedaży. Ta metoda jest przydatna do prognozowania popytu na dojrzałe produkty bez tendencji. 3.2.4.1 Przykład: Metoda 4: Średnia ruchoma ruchoma (MA) jest popularną metodą uśredniania wyników ostatniej historii sprzedaży w celu określenia projekcji na krótką metę. Metoda prognozowania MA pozostaje w tyle za trendami. Pogorszenie prognozy i systematyczne błędy pojawiają się, gdy historia sprzedaży produktu wykazuje silny trend lub sezonowość. Ta metoda sprawdza się lepiej w prognozach krótkiego zasięgu produktów dojrzałych niż w przypadku produktów, które są w fazie wzrostu lub starzenia się w cyklu życia. Specyfikacje prognozy: n jest równy liczbie okresów historii sprzedaży, które mają zostać użyte do obliczenia prognozy. Na przykład, określ n 4 w opcji przetwarzania, aby użyć ostatnich czterech okresów jako podstawy dla projekcji do następnego okresu czasu. Duża wartość dla n (na przykład 12) wymaga większej historii sprzedaży. Powoduje to stabilną prognozę, ale powoli rozpoznaje zmiany w poziomie sprzedaży. I odwrotnie, niewielka wartość n (na przykład 3) szybciej reaguje na zmiany w poziomie sprzedaży, ale prognozy mogą się tak wahać, że produkcja nie może reagować na zmiany. Wymagana historia sprzedaży: n plus liczba okresów czasu wymaganych do oceny prognozy (okresy najlepszego dopasowania). Tabela ta jest historią wykorzystywaną w obliczeniach prognozy: prognoza lutowa jest równa (114 119 137 125) 4 123,75 zaokrąglona do 124. Prognoza marcowa jest równa (119 137 125 124) 4 126,25 zaokrąglona do 126. 3.2.5 Metoda 5: Liniowe przybliżenie Ta metoda wykorzystuje formułę Liniową aproksymację do obliczenia trendu z liczby okresów historii zamówień sprzedaży i do projekcji tego trendu do prognozy. Powinieneś ponownie obliczać trend co miesiąc, aby wykryć zmiany trendów. Ta metoda wymaga liczby okresów najlepszego dopasowania plus liczba określonych okresów historii zamówień sprzedaży. Ta metoda jest przydatna do prognozowania popytu na nowe produkty lub produkty o stałych, pozytywnych lub negatywnych tendencjach, które nie są związane z wahaniami sezonowymi. 3.2.5.1 Przykład: Metoda 5: Aproksymacja liniowa Przybliżenie liniowe oblicza trend oparty na dwóch punktach danych historii sprzedaży. Te dwa punkty definiują prostą linię trendu rzutowaną w przyszłość. Tej metody należy używać ostrożnie, ponieważ prognozy dotyczące dalekiego zasięgu są wykorzystywane przez małe zmiany w zaledwie dwóch punktach danych. Specyfikacja prognozy: n jest równy punktowi danych w historii sprzedaży, który jest porównywany z najnowszym punktem danych w celu identyfikacji trendu. Na przykład, określ n 4, aby wykorzystać różnicę między grudniem (najnowsze dane) a sierpniem (cztery okresy przed grudniem) jako podstawę do obliczenia trendu. Minimalna wymagana historia sprzedaży: n plus 1 plus liczba okresów czasu wymaganych do oceny prognozy (okresy najlepszego dopasowania). Tabela ta jest historią wykorzystywaną w kalkulacji prognoz: prognoza styczniowa Grudzień z ubiegłego roku 1 (Trend), która wynosi 137 (1 razy 2) 139. Prognoza z lutego: grudzień ubiegłego roku 1 (Trend), który wynosi 137 (2 razy 2) 141. Prognoza marcowa grudzień poprzedniego roku 1 (Trend), która wynosi 137 (3 razy 2) 143. 3.2.6 Metoda 6: Regresja najmniejszych kwadratów Metoda regresji najmniejszych kwadratów (LSR) wyprowadza równanie opisujące liniową zależność między historycznymi danymi sprzedaży i upływ czasu. LSR dopasowuje linię do wybranego zakresu danych, tak aby zminimalizować sumę kwadratów różnic pomiędzy rzeczywistymi punktami danych sprzedaży i linią regresji. Prognoza jest rzutem tej prostej w przyszłość. Ta metoda wymaga historii danych sprzedaży dla okresu, który jest reprezentowany przez liczbę najlepiej dopasowanych okresów plus określoną liczbę okresów danych historycznych. Minimalne wymaganie to dwa historyczne punkty danych. Ta metoda jest przydatna do prognozowania popytu, gdy w danych znajduje się trend liniowy. 3.2.6.1 Przykład: Metoda 6: Regresja Liniowa Najmniejszych Kwadratów lub Regresja Najmniejszych Kwadratów (LSR) jest najpopularniejszą metodą identyfikacji trendu liniowego w historycznych danych o sprzedaży. Metoda oblicza wartości dla a i b, które mają być użyte we wzorze: To równanie opisuje linię prostą, gdzie Y oznacza sprzedaż, a X oznacza czas. Regresja liniowa powoli rozpoznaje punkty zwrotne i przesunięcia funkcji w popycie. Regresja liniowa dopasowuje się do danych w linii prostej, nawet jeśli dane są sezonowe lub lepiej opisane krzywą. Gdy dane historii sprzedaży podążają za krzywą lub mają silny rozkład sezonowy, pojawiają się błędy prognoz i błędy systemowe. Specyfikacja prognozy: n jest równy okresom historii sprzedaży, które zostaną użyte do obliczenia wartości dla aib. Na przykład, określ n 4, aby wykorzystać historię od września do grudnia jako podstawę do obliczeń. Gdy dane są dostępne, zwykle używane jest większe n (na przykład n 24). LSR definiuje linię dla zaledwie dwóch punktów danych. W tym przykładzie wybrano małą wartość n (n 4) w celu zmniejszenia ręcznych obliczeń wymaganych do zweryfikowania wyników. Minimalna wymagana historia sprzedaży: n okresów plus liczba okresów wymaganych do oceny prognozy (okresy najlepszego dopasowania). Ta tabela jest używana w obliczeniach prognozy: prognoza marcowa wynosi 119,5 (7 razy 2,3) 135,6 zaokrąglona do 136. 3.2.7 Metoda 7: Aproksymacja drugiego stopnia Aby zaprojektować prognozę, ta metoda wykorzystuje formułę aproksymacji drugiego stopnia do wykreślenia krzywej jest to oparte na liczbie okresów historii sprzedaży. Ta metoda wymaga liczby najlepiej pasujących okresów oraz liczby okresów historii zamówień 3 razy. Ta metoda nie jest przydatna do prognozowania popytu na dłuższy okres. 3.2.7.1 Przykład: Metoda 7: Aproksymacja drugiego stopnia Regresja liniowa określa wartości a i b we wzorze prognozy Y a b X w celu dopasowania linii prostej do danych historii sprzedaży. Aproksymacja drugiego stopnia jest podobna, ale ta metoda określa wartości a, b i cw tym wzorze prognozy: Y a b X c X 2 Celem tej metody jest dopasowanie krzywej do danych historii sprzedaży. Ta metoda jest przydatna, gdy produkt przechodzi przez etapy cyklu życia. Na przykład, kiedy nowy produkt przechodzi od etapu wprowadzenia do etapu wzrostu, tendencja sprzedaży może przyspieszyć. Ze względu na termin drugiego rzędu prognoza może szybko zbliżyć się do nieskończoności lub spaść do zera (w zależności od tego, czy współczynnik c jest dodatni czy ujemny). Ta metoda jest przydatna tylko w krótkim okresie. Prognozy prognozy: formuła znajduje a, b i c, aby dopasować krzywą do dokładnie trzech punktów. Określasz n, liczbę okresów gromadzenia danych w każdym z trzech punktów. W tym przykładzie n 3. Aktualne dane dotyczące sprzedaży za okres od kwietnia do czerwca łączone są w pierwszy punkt, I kwartał. Od lipca do września są dodawane razem, aby utworzyć Q2, a od października do grudnia suma do Q3. Krzywa dopasowana jest do trzech wartości Q1, Q2 i Q3. Wymagana historia sprzedaży: 3 razy n okresów do obliczenia prognozy plus liczba okresów czasu wymaganych do oceny prognozy (okresy najlepszego dopasowania). Tabela ta jest historią wykorzystywaną w prognozowaniu: Q0 (Jan) (luty) (Mar) Q1 (kwiecień) (maj) (cze), który wynosi 125 122 137 384 Q2 (lipiec) (sierpień) (wrzesień), który wynosi 140 129 131 400 Q3 (październik) (listopad) (grudzień), który jest równy 114 119 137 370 Następny krok obejmuje obliczenie trzech współczynników a, b i c, które mają być użyte w formule prognozowania Y ab X c X 2. Q1, Q2 i Q3 są przedstawione na grafice, gdzie czas jest nanoszony na osi poziomej. Q1 reprezentuje całkowitą sprzedaż historyczną w kwietniu, maju i czerwcu i jest planowana na X 1 Q2 odpowiada okresowi od lipca do września III kwartał odpowiada okresowi od października do grudnia, a czwarty kwartał reprezentuje okres od stycznia do marca. Ta grafika ilustruje wykreślanie Q1, Q2, Q3 i Q4 dla aproksymacji drugiego stopnia: Rysunek 3-2 Plotowanie Q1, Q2, Q3 i Q4 dla aproksymacji drugiego stopnia Trzy równania opisują trzy punkty na wykresie: (1) Q1 a bX cX 2 gdzie X 1 (Q1 abc) (2) Q2 a bX cX 2 gdzie X 2 (Q2 a 2b 4c) (3) Q3 a bX cX 2 gdzie X 3 (Q3 a 3b 9c) Rozwiąż te trzy równania jednocześnie aby znaleźć b, a, i c: Odejmij równanie 1 (1) z równania 2 (2) i rozwiąż dla b: (2) ndash (1) Q2 ndash Q1 b 3c b (Q2 ndash Q1) ndash 3c Zastąp to równanie dla b na równanie (3): (3) Q3 a 3 (Q2 ndash Q1) ndash 3c 9c a Q3 ndash 3 (Q2 ndash Q1) Na koniec, zamień te równania na a i b na równanie (1): (1) Q3 ndash 3 (Q2 ndash Q1) (Q2 ndash Q1) ndash 3c c Q1 c (Q3 ndash Q2) (Q1 ndash Q2) 2 Metoda drugiego stopnia aproksymacji oblicza a, b, c jak następuje: a Q3 ndash 3 (Q2 ndash Q1 ) 370 ndash 3 (400 nd. 384) 370 ndash 3 (16) 322 b (Q2 ndash Q1) ndash3c (400 nda sh 384) ndash (3 razy ndash23) 16 69 85 c (Q3 ndash Q2) (Q1 ndash Q2) 2 (370 ndash 400) (384 ndash 400) 2 ndash23 Jest to obliczenie prognozy aproksymacji drugiego stopnia: Y a bX cX 2 322 85X (ndash23) (X 2) Gdy X 4, Q4 322 340 ndash 368 294. Prognoza wynosi 294 3 98 na okres. Gdy X 5, Q5 322 425 ndash 575 172. Prognoza wynosi 172 3 58.33 zaokrąglona do 57 na okres. Gdy X 6, Q6 322 510 ndash 828 4. Prognoza wynosi 4 3 1,33 zaokrąglone do 1 na okres. Jest to prognoza na przyszły rok, rok ubiegły do roku bieżącego: 3.2.8 Metoda 8: metoda elastyczna Ta metoda umożliwia wybranie najlepszej liczby okresów historii zamówień sprzedaży, która rozpoczyna się n miesięcy przed prognozowaną datą rozpoczęcia, oraz zastosuj procentowy wzrost lub spadek współczynnika mnożenia, za pomocą którego można zmodyfikować prognozę. Ta metoda jest podobna do metody 1, procent w ciągu ostatniego roku, z tą różnicą, że możesz określić liczbę okresów, których używasz jako podstawy. W zależności od tego, co wybierzesz jako n, ta metoda wymaga okresów najlepiej dopasowanych oraz podanej liczby okresów danych o sprzedaży. Ta metoda jest przydatna do prognozowania popytu na planowany trend. 3.2.8.1 Przykład: Metoda 8: Metoda elastyczna Metoda elastyczna (procent powyżej n poprzednich miesięcy) jest podobna do metody 1, procent w ciągu ostatniego roku. Obie metody zwielokrotniają dane sprzedaży z poprzedniego okresu o współczynnik określony przez Ciebie, a następnie wyświetlają ten wynik w przyszłości. W metodzie Procent ponad ostatnim rokiem projekcja oparta jest na danych z tego samego okresu w roku poprzednim. Możesz także użyć metody elastycznej, aby określić okres czasu, inny niż ten sam okres w ostatnim roku, który będzie podstawą do obliczeń. Współczynnik mnożenia. Na przykład, określ 110 w opcji przetwarzania, aby zwiększyć poprzednie dane historii sprzedaży o 10 procent. Okres bazowy. Na przykład n 4 powoduje, że pierwsza prognoza oparta jest na danych o sprzedaży we wrześniu zeszłego roku. Minimalna wymagana historia sprzedaży: liczba okresów wstecz do okresu bazowego plus liczba okresów czasu potrzebna do oceny prognozy wydajności (okresy najlepszego dopasowania). Tabela ta jest historią używaną w obliczeniach prognozy: 3.2.9 Metoda 9: ważona średnia ruchoma Ważona średnia ważona formuła jest podobna do metody 4, średnia ruchoma, ponieważ uśrednia historię sprzedaży z poprzednich miesięcy, aby wyświetlić historię sprzedaży w następnym miesiącu. Jednak dzięki tej formule można przypisać wagi dla każdego z poprzednich okresów. Ta metoda wymaga liczby wybranych okresów ważonych plus liczby okresów najlepiej pasujących do danych. Podobnie jak w przypadku średniej ruchomej, ta metoda pozostaje w tyle za trendami popytu, więc ta metoda nie jest zalecana w przypadku produktów o silnych tendencjach lub sezonowości. Ta metoda jest przydatna do prognozowania popytu na dojrzałe produkty o stosunkowo wysokim poziomie popytu. 3.2.9.1 Przykład: Metoda 9: Średnia ważona ruchoma Metoda ważona średnia ruchoma (WMA) jest podobna do metody 4, średnia ruchoma (MA). Jednak przy użyciu WMA można przypisać niejednakowe wagi do danych historycznych. Metoda oblicza średnią ważoną ostatniej historii sprzedaży, aby uzyskać projekcję krótkoterminową. Nowszym danym zwykle przypisuje się większą wagę niż dane starsze, więc WMA bardziej odpowiada na zmiany w poziomie sprzedaży. Jednak odchylenia prognoz i błędy systematyczne występują, gdy historia sprzedaży produktu wykazuje silne trendy lub sezonowe wzorce. Ta metoda sprawdza się lepiej w przypadku prognoz krótkiego zasięgu dla dojrzałych produktów niż dla produktów na etapie wzrostu lub starzenia się w cyklu życia. Liczba okresów historii sprzedaży (n) do wykorzystania w obliczeniach prognostycznych. Na przykład, określ n 4 w opcji przetwarzania, aby użyć ostatnich czterech okresów jako podstawy dla projekcji do następnego okresu czasu. Duża wartość dla n (na przykład 12) wymaga większej historii sprzedaży. Taka wartość prowadzi do stabilnej prognozy, ale trudno jest rozpoznać zmiany w poziomie sprzedaży. I odwrotnie, niewielka wartość n (na przykład 3) szybciej reaguje na zmiany w poziomie sprzedaży, ale prognozy mogą się tak wahać, że produkcja nie może reagować na zmiany. 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.
No comments:
Post a Comment