Kvantitativa tillvägagångssätt för prognoser De flesta av de kvantitativa teknikerna beräknar efterfrågan prognos som ett medel från tidigare krav. Följande är de viktiga efterfrågan prognostekniker. Enkel genomsnittlig metod: Ett enkelt medelvärde av krav som uppstår under alla tidigare tidsperioder tas som efterfrågesprognos för nästa tidsperiod i denna metod. (Exempel 1) Enkelt glidande medelvärde: I denna metod tas medeltalet av kraven från flera av de senaste perioderna som efterfrågesprognos för nästa tidsperiod. Antalet tidigare perioder som ska användas i beräkningar väljs i början och hålls konstant (t. ex. 3-års glidande medelvärde). (Exempel 2) Viktad glidande medelvärdesmetod: I denna metod tilldelas ojämna vikter till tidigare efterfrågadata medan man beräknar enkelt glidande medelvärde som efterfrågesprognosen för nästa tidsperiod. Vanligtvis tilldelas senaste data den högsta viktfaktorn. (Exempel 3) Exponentiell utjämningsmetod: I denna metod tilldelas vikter i exponentiell ordning. Vikterna minskar exponentiellt från senaste efterfrågningsdata till äldre efterfrågningsdata. (Exempel 4) Regressionsanalysmetod: I denna metod används tidigare efterfrågadata för att upprätta ett funktionellt förhållande mellan två variabler. En variabel är känd eller antagen vara känd och användes för att prognostisera värdet av annan okänd variabel (dvs efterfrågan). (Exempel 5) Fel vid prognos Fel i prognos är inget annat än den numeriska skillnaden i prognostiserad efterfrågan och den faktiska efterfrågan. MAD (Mean Absolute Deviation) och Bias är två åtgärder som används för att bedöma noggrannheten i den prognostiserade efterfrågan. Det kan noteras att MAD uttrycker storleksordningen men inte riktningen av felet. OR-Notes är en serie inledande anteckningar om ämnen som faller under den breda rubriken inom verksamhetsforskningsområdet (OR). De användes ursprungligen av mig i en introduktionskurs eller kurs jag ger vid Imperial College. De är nu tillgängliga för användning av studenter och lärare som är intresserade av ELLER med förbehåll för följande villkor. En fullständig lista över ämnena som finns i OR-Notes finns här. Prognosprognoser Prognosexempel 1996 UG-examen Efterfrågan på en produkt i vart och ett av de senaste fem månaderna visas nedan. Använd ett tvåmånaders glidande medelvärde för att generera en prognos för efterfrågan i månad 6. Applicera exponentiell utjämning med en utjämningskonstant på 0,9 för att generera en prognos för efterfrågan på efterfrågan i månad 6. Vilken av dessa två prognoser föredrar du och varför De två månaderna rör sig genomsnittet för månaderna två till fem ges av: Prognosen för månad sex är bara det rörliga genomsnittet för månaden före det vill säga det glidande genomsnittet för månad 5 m 5 2350. Tillämpning av exponentiell utjämning med en utjämningskonstant på 0,9 får vi: Som tidigare prognosen för månad sex är bara genomsnittet för månad 5 M 5 2386 För att jämföra de två prognoserna beräknar vi den genomsnittliga kvadrerade avvikelsen (MSD). Om vi gör det här finner vi att för det glidande medelvärdet MSD (15-19) sup2 (18-23) sup2 (21-24) sup23 16,67 och för exponentiellt jämnt medelvärde med en utjämningskonstant på 0,9 MSD (13-17) sup2 (16,60 - 19) sup2 (18,76 - 23) sup2 (22,58 - 24) sup24 10,44 Totalt sett ser vi att exponentiell utjämning tycks ge de bästa månadens framåtprognoser eftersom den har en lägre MSD. Därför föredrar vi prognosen för 2386 som har producerats genom exponentiell utjämning. Prognosexempel 1994 UG-examen Tabellen nedan visar efterfrågan på en ny aftershave i en butik för var och en av de senaste 7 månaderna. Beräkna ett två månaders glidande medelvärde för månader två till sju. Vad är din prognos för efterfrågan i månad åtta Applicera exponentiell utjämning med en utjämningskonstant på 0,1 för att få en prognos för efterfrågan i månad åtta. Vilken av de två prognoserna för månad åtta föredrar du och varför Butiksinnehavaren anser att kunderna byter till den nya efterhäftet från andra märken. Diskutera hur du kan modellera detta kopplingsbeteende och ange vilka data du behöver för att bekräfta om den här växlingen sker eller inte. Det tvåmånadersrörande genomsnittet för månaderna två till sju är givet av: Prognosen för månad åtta är bara det rörliga genomsnittet för månaden före det vill säga det rörliga genomsnittet för månaden 7 m 7 46. Tillämpning av exponentiell utjämning med en utjämningskonstant av 0,1 vi få: Som före prognosen för månad åtta är bara medeltalet för månaden 7 M 7 31,11 31 (eftersom vi inte kan ha fraktionell efterfrågan). För att jämföra de två prognoserna beräknar vi den genomsnittliga kvadrerade avvikelsen (MSD). Om vi gör det här finner vi det för glidande medelvärde och för exponentiellt jämnt medelvärde med en utjämningskonstant av 0,1. Totalt sett ser vi att det tvåmånaders glidande medlet verkar ge de bästa månadens framåtprognoser eftersom den har en lägre MSD. Därför föredrar vi prognosen på 46 som har producerats av två månaders glidande medelvärde. För att undersöka omkoppling skulle vi behöva använda en Markov-processmodell, där staternas varumärken och vi skulle behöva initiala statsinformation och kundbyte sannolikheter (från undersökningar). Vi skulle behöva springa modellen på historiska data för att se om vi har en passform mellan modellen och det historiska beteendet. Prognosexempel 1992 UG-examen Tabellen nedan visar efterfrågan på ett visst märke rakhyvel i en butik för var och en av de senaste nio månaderna. Beräkna ett tre månaders glidande medelvärde i månader tre till nio. Vad är din prognos för efterfrågan i månaden tio. Applicera exponentiell utjämning med en utjämningskonstant på 0,3 för att få en prognos för efterfrågan i månad tio. Vilken av de två prognoserna för tio månad föredrar du och varför Det tre månaders glidande genomsnittet för månaderna 3 till 9 ges av: Prognosen för månad 10 är bara det rörliga genomsnittet för månaden innan det vill säga det glidande genomsnittet för månaden 9 m 9 20,33. Därför (eftersom vi inte kan få fraktsubjekt) är prognosen för månad 10 20. Tillämpning av exponentiell utjämning med en utjämningskonstant på 0,3 får vi: Som tidigare är prognosen för månad 10 bara genomsnittet för månaden 9 M 9 18,57 19 (som vi kan inte ha fraktionerad efterfrågan). För att jämföra de två prognoserna beräknar vi den genomsnittliga kvadrerade avvikelsen (MSD). Om vi gör det här finner vi det för glidande medelvärde och för exponentiellt jämnt medelvärde med en utjämningskonstant på 0,3 Totalt ser vi att tre månaders glidande medelvärde verkar ge de bästa månadens framåtprognoser eftersom den har en lägre MSD. Därför föredrar vi prognosen på 20 som har producerats av tre månaders glidande medelvärde. Prognos exempel 1991 UG-examen Tabellen nedan visar efterfrågan på ett visst varumärke av faxapparat i ett varuhus under de senaste tolv månaderna. Beräkna det fyra månaders glidande genomsnittet för månaderna 4 till 12. Vad skulle vara din prognos för efterfrågan i månad 13 Applicera exponentiell utjämning med en utjämningskonstant på 0,2 för att få en prognos för efterfrågan i månad 13. Vilken av de två prognoserna för månaden 13 föredrar du och varför Vilka andra faktorer som inte beaktas i ovanstående beräkningar kan påverka efterfrågan på faxen i månad 13 Det fyra månaders glidande genomsnittet för månaderna 4 till 12 ges av: 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 Prognosen för månad 13 är bara det rörliga genomsnittet för månaden före det vill säga det glidande genomsnittet för månad 12 m 12 46.25. Följaktligen (eftersom vi inte kan ha fraktiv efterfrågan) är prognosen för månad 13 46. Tillämpning av exponentiell utjämning med en utjämningskonstant på 0,2 får vi: Som tidigare är prognosen för månad 13 bara genomsnittet för månaden 12 M 12 38.618 39 (som vi kan inte ha fraktionerad efterfrågan). För att jämföra de två prognoserna beräknar vi den genomsnittliga kvadrerade avvikelsen (MSD). Om vi gör det här finner vi det för glidande medelvärde och för exponentiellt jämnt medelvärde med en utjämningskonstant på 0,2 Totalt sett ser vi att det fyra månaders glidande genomsnittet tycks ge de bästa månadens framåtprognoser eftersom det har en lägre MSD. Därför föredrar vi prognosen på 46 som har producerats av fyra månaders glidande medelvärde. säsongsbetonad efterfrågan reklam prisändringar, både detta varumärke och andra märken Allmän ekonomisk situation Ny teknik Prognos exempel 1989 UG-examen Tabellen nedan visar efterfrågan på ett visst varumärke av mikrovågsugn i ett varuhus i var och en av de senaste tolv månaderna. Beräkna ett sex månaders glidande medelvärde för varje månad. Vad är din prognos för efterfrågan i månad 13. Applicera exponentiell utjämning med en utjämningskonstant på 0,7 för att få en prognos för efterfrågan i månad 13. Vilken av de två prognoserna för månad 13 föredrar du och varför Nu kan vi inte beräkna en sex månad flytta genomsnittet tills vi har minst 6 observationer - det kan vi bara beräkna ett så genomsnittligt från månad 6 framåt. Därför har vi: 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 Prognosen för månad 13 är bara det rörliga genomsnittet för månad före det vill säga det glidande genomsnittet för månaden 12 m 12 38,17. Följaktligen (eftersom vi inte kan få fraktsubjekt) är prognosen för månad 13 38. Tillämpning av exponentiell utjämning med en utjämningskonstant på 0,7 får vi: 3 Förstå prognosnivåer och metoder Du kan generera både detaljprognoser och sammanfattning (produktlinje ) prognoser som speglar produktbehovsmönster. Systemet analyserar tidigare försäljning för att beräkna prognoser genom att använda 12 prognosmetoder. Prognoserna innehåller detaljerad information på objektnivå och högre nivåinformation om en filial eller företaget som helhet. 3.1 Prognos för prestationsutvärderingskriterier Beroende på valet av bearbetningsalternativ och trender och mönster i försäljningsdata, utförs vissa prognosmetoder 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 kan hända att en prognosmetod som ger goda resultat i ett skede av en produkts livscykel är lämplig under hela livscykeln. Du kan välja mellan två metoder för att utvärdera nuvarande prestanda för prognosmetoderna: Procent av noggrannhet (POA). Medel absolut avvikelse (MAD). Båda dessa prestationsbedömningsmetoder kräver historiska försäljningsdata under en period som du anger. Denna period kallas en uthållningsperiod eller period med bästa passform. Uppgifterna under denna period används som utgångspunkt för att rekommendera vilken prognosmetod som ska användas vid nästa prognosprojektion. Denna rekommendation är specifik för varje produkt och kan ändras från en prognosproduktion till nästa. 3.1.1 Bästa passform Systemet rekommenderar den bästa anpassningsprognosen genom att använda de valda prognosmetoderna till tidigare försäljningsorderhistorik och jämföra prognosimuleringen till den aktuella historiken. När du genererar en bästa anpassningsprognos jämförs systemet faktiska försäljningsorderhistorier med prognoser för en viss tidsperiod och beräknar hur exakt varje olika prognosmetod förutspådde försäljningen. Då rekommenderar systemet att den mest exakta prognosen är den bästa passformen. Denna grafik illustrerar bästa passformsprognoser: Figur 3-1 Bästa passformsprognos Systemet använder denna stegsekvens för att bestämma bästa passformen: Använd varje specificerad metod för att simulera en prognos för hållbarhetsperioden. Jämför den faktiska försäljningen till de simulerade prognoserna för hållbarhetsperioden. Beräkna POA eller MAD för att bestämma vilken prognosmetod som ligger närmast den tidigare faktiska försäljningen. Systemet använder antingen POA eller MAD, baserat på de behandlingsalternativ som du väljer. Rekommendera en lämplig prognos för POA som är närmast 100 procent (över eller under) eller MAD som är närmast noll. 3.2 Prognosmetoder JD Edwards EnterpriseOne Forecast Management använder 12 metoder för kvantitativ prognostisering och indikerar vilken metod som passar bäst för prognosläget. Detta avsnitt diskuterar: Metod 1: Procent under förra året. Metod 2: Beräknad procentsats under förra året. Metod 3: Förra året till det här året. Metod 4: Flyttande medelvärde. Metod 5: Linjär approximation. Metod 6: Minsta kvadratregression. Metod 7: Tillnärmning av andra graden. Metod 8: Flexibel metod. Metod 9: Viktat rörande medelvärde. Metod 10: Linjär utjämning. Metod 11: Exponentiell utjämning. Metod 12: Exponentiell utjämning med trend och säsonglighet. Ange den metod som du vill använda i behandlingsalternativen för prognosgenereringsprogrammet (R34650). De flesta av dessa metoder ger begränsad kontroll. Exempelvis kan vikten på senaste historiska data eller datumintervallet för historiska data som används i beräkningarna specificeras av dig. Exemplen i guiden anger beräkningsförfarandet för var och en av de tillgängliga prognosmetoderna, med en identisk uppsättning historiska data. Metodsexemplen i guiden använder en del eller alla dessa datasatser, vilket är historiska data från de senaste två åren. Prognosprojektionen går in i nästa år. Försäljningshistorikdata är stabila med små säsongsökningar i juli och december. Detta mönster är karakteristiskt för en mogen produkt som kan närma sig föryngring. 3.2.1 Metod 1: Procent under förra året Denna metod använder Formuläret Procent Över fjolårets formel för att multiplicera varje prognosperiod med angiven procentuell ökning eller minskning. För att kunna förutse efterfrågan kräver denna metod antalet perioder för bästa passform plus ett års försäljningshistoria. Denna metod är användbar för att prognostisera efterfrågan på säsongsvaror med tillväxt eller minskning. 3.2.1.1 Exempel: Metod 1: Procent under fjolåret Procenten över fjolårets formel multiplicerar försäljningsdata från föregående år med en faktor du anger och sedan projekt som resulterar under nästa år. Denna metod kan vara användbar vid budgetering för att simulera påverkan av en viss tillväxt eller när försäljningshistoriken har en betydande säsongskomponent. Prognosspecifikationer: Multiplikationsfaktor. Ange till exempel 110 i bearbetningsalternativet för att öka de tidigare årens försäljningshistorikdata med 10 procent. Erforderlig försäljningshistorik: Ett år för beräkning av prognosen plus antal tidsperioder som krävs för att utvärdera prognosprestandan (perioder med bästa passform) som du anger. Denna tabell är historia som används i prognosberäkningen: Februari-prognosen motsvarar 117 gånger 1,1 128,7 avrundad till 129. Marsprognosen motsvarar 115 gånger 1,1 126,5 avrundad till 127. 3.2.2 Metod 2: Beräknad procentsats under förra året Denna metod använder beräknad procentsats över Förra året formel för att jämföra den tidigare försäljningen av specificerade perioder till försäljning från samma perioder föregående år. Systemet bestämmer en procentuell ökning eller minskning, och multiplicerar sedan varje period med procentandelen för att bestämma prognosen. För att kunna förutse efterfrågan kräver denna metod antalet perioder med orderorderhistorik plus ett års försäljningshistorik. Denna metod är användbar för att förutspå kortfristig efterfrågan på säsongsvaror med tillväxt eller nedgång. 3.2.2.1 Exempel: Metod 2: Beräknad procentsats under förra året Beräknad procentsats Över fjolårets formel multiplicerar försäljningsdata från föregående år med en faktor som beräknas av systemet och sedan projekterar det resultatet för nästa år. Den här metoden kan vara användbar för att påvisa inverkan på att förlänga den senaste tillväxttakten för en produkt till nästa år samtidigt som ett säsongsmönster som finns i försäljningshistoriken bevaras. Prognosspecifikationer: Omsättning av försäljningshistoria som ska användas vid beräkning av tillväxten. Till exempel, specificera n är lika med 4 i bearbetningsalternativet för att jämföra försäljningshistorik för de senaste fyra perioderna till samma fyra perioder föregående år. Använd det beräknade förhållandet för att göra projiceringen för nästa år. Erforderlig försäljningshistoria: Ett år för beräkning av prognosen plus antal tidsperioder som krävs för att utvärdera prognosprestandan (perioder med bästa passform). Denna tabell är historia som används i prognosberäkningen, givet n 4: Februari-prognosen motsvarar 117 gånger 0,9766 114,26 avrundad till 114. Marsprognosen motsvarar 115 gånger 0,9766 112,31 avrundad till 112. 3.2.3 Metod 3: Förra året till i år Denna metod använder Förra årets försäljning för nästa års prognos. För att prognostisera efterfrågan kräver denna metod det antal perioder som passar bäst, plus ett års orderorderhistorik. Denna metod är användbar för att förutse efterfrågan på mogna produkter med efterfrågan på efterfrågan eller säsongens efterfrågan utan en trend. 3.2.3.1 Exempel: Metod 3: Förra året till det här året Förra året till årets formel kopieras försäljningsdata från föregående år till nästa år. Denna metod kan vara användbar vid budgetering för att simulera försäljningen på nuvarande nivå. Produkten är mogen och har ingen trend på lång sikt, men det kan finnas ett betydande säsongsmönster. Prognosspecifikationer: Ingen. Erforderlig försäljningshistoria: Ett år för beräkning av prognosen plus antal tidsperioder som krävs för att utvärdera prognosprestandan (perioder med bästa passform). Denna tabell är historia som används i prognosberäkningen: Januari-prognosen motsvarar januari i fjol med ett prognosvärde på 128. Februari-prognosen motsvarar februari förra året med ett prognosvärde på 117. Marsprognosen är samma som i mars i fjol med ett prognostiskt värde av 115. 3.2.4 Metod 4: Flyttande medelvärde Med denna metod används den rörliga genomsnittsformeln för att medge det angivna antalet perioder för att projicera nästa period. Du bör räkna om det ofta (månadsvis eller åtminstone kvartalsvis) för att återspegla förändrad efterfråganivå. För att prognostisera efterfrågan kräver denna metod det antal perioder som passar bäst, plus antalet perioder med orderorderhistorik. Denna metod är användbar för att förutse efterfrågan på mogna produkter utan en trend. 3.2.4.1 Exempel: Metod 4: Flytta genomsnittligt rörligt medelvärde (MA) är en populär metod för att medelvärda resultaten av den senaste försäljningshistoriken för att bestämma en prognos på kort sikt. MA prognosmetoden ligger bakom trenderna. Prognosfel och systematiska fel uppstår när produktförsäljningshistoriken uppvisar stark trend eller säsongsmönster. Denna metod fungerar bättre för kortvariga prognoser för mogna produkter än för produkter som ligger i livscykelns tillväxt eller fördjupning. Prognosspecifikationer: n är det antal försäljningsperioder som ska användas i prognosberäkningen. Ange till exempel n 4 i bearbetningsalternativet för att använda de senaste fyra perioderna som utgångspunkt för projiceringen till nästa tidsperiod. Ett stort värde för n (som 12) kräver mer försäljningshistoria. Det resulterar i en stabil prognos, men är långsamt att känna igen skift i försäljningsnivån. Omvänt är ett litet värde för n (som 3) snabbare att svara på förändringar i försäljningsnivån, men prognosen kan fluktuera så mycket att produktionen inte kan svara på variationerna. Erforderlig försäljningshistorik: n plus antal tidsperioder som krävs för att utvärdera prognosprestandan (perioder med bästa passform). Denna tabell är historia som används i prognosberäkningen: Februari-prognosen motsvarar (114 119 137 125) 4 123,75 avrundad till 124. Marsprognosen är lika med (119 137 125 124) 4 126.25 avrundad till 126. 3.2.5 Metod 5: Linjär approximation Denna metod använder den linjära approximationsformeln för att beräkna en trend från antalet perioder av orderorderhistorik och att projicera denna trend till prognosen. Du bör omräkna trenden månadsvis för att upptäcka förändringar i trender. Denna metod kräver antalet perioder med bäst passform plus antal specificerade perioder av orderorderhistorik. Denna metod är användbar för att prognostisera efterfrågan på nya produkter eller produkter med konsekventa positiva eller negativa trender som inte beror på säsongsvariationer. 3.2.5.1 Exempel: Metod 5: Linjär approximation Linjär approximation beräknar en trend som baseras på två försäljningshistoriska datapunkter. Dessa två punkter definierar en rak trendlinje som projiceras in i framtiden. Använd denna metod med försiktighet, eftersom långdistansprognoser utnyttjas av små förändringar på bara två datapunkter. Prognosspecifikationer: n motsvarar datapunktet i försäljningshistorik som jämförs med den senaste datapunkten för att identifiera en trend. Ange till exempel n 4 för att använda skillnaden mellan december (senaste uppgifterna) och augusti (fyra perioder före december) som grund för beräkning av trenden. Minsta obligatoriska försäljningshistorik: n plus 1 plus antal tidsperioder som krävs för att utvärdera prognosprestandan (perioder med bästa passform). Denna tabell är historia som används i prognosberäkningen: Januariprognos december förra året 1 (Trend), vilket är 137 (1 gånger 2) 139. Februari prognos december förra året 1 (Trend), vilket är 137 (2 gånger 2) 141. Marsprognos december förra året 1 (Trend), som är lika med 137 (3 gånger 2) 143. 3.2.6 Metod 6: Minsta kvadreregression Metoden för minsta kvadratregression (LSR) härleder en ekvation som beskriver ett raklinjeläge mellan historiska försäljningsdata och tidens gång. LSR passar en linje till det valda datamängden så att summan av kvadraterna för skillnaderna mellan de faktiska försäljningsdatapunkterna och regressionslinjen minimeras. Prognosen är en projicering av denna raka linje i framtiden. Denna metod kräver försäljningsdatahistorik för den period som representeras av antalet perioder som passar bäst och det angivna antalet historiska datoperioder. Minimikravet är två historiska datapunkter. Denna metod är användbar för att förutse efterfrågan när en linjär trend är i data. 3.2.6.1 Exempel: Metod 6: Minsta kvadratregression Linjär regression eller LAST-kvadratregression (LRR) är den mest populära metoden för att identifiera en linjär trend i historiska försäljningsdata. Metoden beräknar värdena för a och b som ska användas i formeln: Denna ekvation beskriver en rak linje, där Y representerar försäljning och X representerar tid. Linjär regression är långsam att känna igen vändpunkter och stegfunktionsskift i efterfrågan. Linjär regression passar en rak linje till data, även om data är säsongsbetonad eller bättre beskrivs av en kurva. När försäljningshistorikdata följer en kurva eller har ett starkt säsongsmönster uppträder prognosfel och systematiska fel. Prognosspecifikationer: n är lika med försäljningshistorikperioderna som kommer att användas vid beräkning av värdena för a och b. Ange till exempel n 4 för att använda historiken från september till december som grund för beräkningarna. När data är tillgänglig skulle en större n (såsom n 24) normalt användas. LSR definierar en rad för så få som två datapunkter. För detta exempel valdes ett litet värde för n (n 4) för att minska de manuella beräkningarna som krävs för att verifiera resultaten. Minimikrav på försäljningshistorik: n perioder plus antal tidsperioder som krävs för att utvärdera prognosprestandan (perioder med bästa passform). Denna tabell är historia som används i prognosberäkningen: Marsprognosen motsvarar 119,5 (7 gånger 2,3) 135,6 avrundad till 136. 3.2.7 Metod 7: Andra grader Approximation För att projicera prognosen använder denna metod andra grader approximationsformeln för att plotta en kurva Det är baserat på antalet försäljningsperioder. Denna metod kräver antalet perioder som passar bäst, plus antalet perioder av orderorderhistorikstider tre. Denna metod är inte användbar för att prognostisera efterfrågan på en långsiktig period. 3.2.7.1 Exempel: Metod 7: Tillnärmning av andra grader Linjär regression bestämmer värdena för a och b i prognosformeln Y a b X med målet att anpassa en rak linje till försäljningshistorikdata. Andra grader Approximation är liknande, men den här metoden bestämmer värdena för a, b och c i den här prognosformeln: Y a b X c X 2 Syftet med denna metod är att passa en kurva till försäljningshistorikdata. Denna metod är användbar när en produkt är i övergången mellan livscykelstadier. Till exempel, när en ny produkt flyttar från introduktion till tillväxtstadier, kan försäljningsutvecklingen accelereras. På grund av den andra orderperioden kan prognosen snabbt närma sig oändligheten eller släppa till noll (beroende på om koefficienten c är positiv eller negativ). Denna metod är endast användbar på kort sikt. Prognosspecifikationer: Formeln hitta a, b och c för att passa en kurva till exakt tre punkter. Du anger n, antalet tidsperioder för data som ackumuleras i var och en av de tre punkterna. I detta exempel, n 3. Faktiska försäljningsdata för april till juni kombineras till första punkten, Q1. Juli till september läggs samman för att skapa Q2 och oktober till december summa till Q3. Kurvan är monterad på de tre värdena Q1, Q2 och Q3. Erforderlig försäljningshistorik: 3 gånger n perioder för beräkning av prognosen plus antal tidsperioder som krävs för att utvärdera prognosens prestanda (perioder med bästa passform). Denna tabell är historia som används i prognosberäkningen: Q0 (Jan) (Feb) (Mar) Q1 (Apr) (Maj) (Jun), vilket motsvarar 125 122 137 384 Q2 (Jul) (Aug) (Sep) vilket är lika med 140 129 131 400 Q3 (okt) (nov) (dec) vilket motsvarar 114 119 137 370 Nästa steg innebär att de tre koefficienterna a, b och c används för att användas i prognosformeln Y ab X c X 2. Q1, Q2 och Q3 presenteras på grafiken, där tiden är planerad på den horisontella axeln. Q1 representerar total historisk försäljning för april, maj och juni och är planerad till X 1 Q2 motsvarar juli till september Q3 motsvarar oktober till december och Q4 representerar januari till mars. Figur 3-2 Plottning Q1, Q2, Q3 och Q4 för approximering av andra grader Tre ekvationer beskriver de tre punkterna på diagrammet: (1) Q1, Q2, Q3 och Q4 för andra graders approximation: Figur 3-2 en bX cX 2 där X 1 (Q1 abc) (2) Q2 en bX cX2 där X2 (Q2 a2b4c) (3) Q3 en bX cX2 där X3 (Q3 a 3b 9c) Lös de tre ekvationerna samtidigt för att hitta b, a och c: Subtrahera ekvation 1 (1) från ekvation 2 (2) och lösa för b: (2) ndash (1) Q2 ndash Q1 b 3c b (Q2 ndash Q1) ndash 3c Ersätt denna ekvation för b till ekvation (3): (3) Q3 a 3 (Q2 ndash Q1) ndash 3c 9c a Q3 ndash 3 (Q2 ndash Q1) Äntligen ersätt dessa ekvationer för a och b till ekvation (1): (1) Q3 ndash 3 (Q2 ndash Q1) (Q2 ndash Q1) ndash 3c c Q1c (Q3 ndash Q2) (Q1 ndash Q2) 2 Den andra graden approximationsmetoden beräknar a, b och c enligt följande: en Q3 ndash 3 (Q2 ndash Q1 ) 370 ndash 3 (400 ndash 384) 370 ndash 3 (16) 322 b (Q2 ndash Q1) ndash3c (400 nda sh 384) ndash (3 gånger ndash23) 16 69 85 c (Q3 ndash Q2) (Q1 ndash Q2) 2 (370 ndash 400) (384 ndash 400) 2 ndash23 Detta är en beräkning av approximationsprognos för andra graden: Y a bX cX 2 322 85X (ndash23) (X 2) När X 4, Q4 322 340 ndash 368 294. Prognosen motsvarar 294 3 98 per period. När X 5, Q5 322 425 ndash 575 172. Prognosen är 172 3 58,33 avrundad till 57 per period. När X 6, Q6 322 510 ndash 828 4. Prognosen är lika med 4 3 1,33 avrundad till 1 per period. Detta är prognosen för nästa år, förra året till det här året: 3.2.8 Metod 8: Flexibel metod Med den här metoden kan du välja det passande antal perioder av orderorderhistorik som börjar n månader före prognosens startdatum och till tillämpa en procentuell ökning eller minskning multiplikationsfaktor för att ändra prognosen. Denna metod liknar Metod 1, Procent över förra året, förutom att du kan ange antalet perioder som du använder som bas. Beroende på vad du väljer som n kräver denna metod perioder som passar bäst och antalet perioder av försäljningsdata som anges. Denna metod är användbar för att förutse efterfrågan på en planerad trend. 3.2.8.1 Exempel: Metod 8: Flexibel metod Den flexibla metoden (Procent över n månader före) liknar Metod 1, Procent över förra året. Båda metoderna multiplicerar försäljningsdata från en tidigare tidsperiod med en faktor som specificeras av dig och sedan projekterar det resultatet i framtiden. I Procenten över senaste årmetoden är projiceringen baserad på data från samma period föregående år. Du kan också använda den flexibla metoden för att ange en tidsperiod, annan än samma period det senaste året, för att använda som underlag för beräkningarna. Multiplikationsfaktor. Ange till exempel 110 i bearbetningsalternativet för att öka tidigare försäljningshistorikdata med 10 procent. Basperiod Till exempel medför n 4 att den första prognosen baseras på försäljningsdata i september förra året. Minimikrav på försäljningshistorik: Antalet perioder tillbaka till basperioden plus antal tidsperioder som krävs för att utvärdera prognosprestandan (perioder med bästa passform). Den här tabellen är historia som används i prognosberäkningen: 3.2.9 Metod 9: Viktad Flyttande Medeltal Den viktade Flytta genomsnittliga formeln liknar Metod 4, Flyttande medelformel, eftersom den genomsnittlig försäljningshistorik för föregående månader för att projicera nästa månads försäljningshistorik. Med denna formel kan du dock tilldela vikter för varje tidigare period. Denna metod kräver antalet viktiga perioder som valts plus antal perioder som passar bäst i data. På samma sätt som rörande medelvärde ligger denna metod bakom efterfrågan trender, så den här metoden rekommenderas inte för produkter med starka trender eller säsongsmässiga egenskaper. Denna metod är användbar för att prognostisera efterfrågan på mogna produkter med en efterfrågan som är relativt nivå. 3.2.9.1 Exempel: Metod 9: Vägt rörlig medelvärde Den viktade rörliga genomsnittsmetoden (WMA) liknar Metod 4, Moving Average (MA). Du kan dock tilldela ojämna vikter till historiska data när du använder WMA. Metoden beräknar ett vägt genomsnitt av den senaste försäljningshistoriken för att komma fram till en prognos på kort sikt. Nyare data tilldelas vanligtvis en större vikt än äldre data, så WMA är mer mottaglig för skift i försäljningsnivån. Emellertid uppstår prognoser och systematiska fel när produktförsäljningshistoriken uppvisar starka trender eller säsongsmönster. Denna metod fungerar bättre för korta prognoser för mogna produkter än för produkter i livscykelns tillväxt eller fördjupning. Antalet försäljningshistorikperioder (n) som ska användas i prognosberäkningen. Ange till exempel n 4 i bearbetningsalternativet för att använda de senaste fyra perioderna som utgångspunkt för projiceringen till nästa tidsperiod. Ett stort värde för n (som 12) kräver mer försäljningshistoria. Ett sådant värde ger en stabil prognos, men det är långsamt att känna igen skift i försäljningsnivån. Omvänt svarar ett litet värde för n (som 3) snabbare till förändringar i försäljningsnivån, men prognosen kan fluktuera så mycket att produktionen inte kan svara på variationerna. 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