A Prognoseberechnungsbeispiele A.1 Prognoseberechnungsmethoden Es sind zwölf Methoden zur Berechnung von Prognosen verfügbar. Die meisten dieser Methoden sorgen für eine begrenzte Benutzerkontrolle. Zum Beispiel könnte das Gewicht der letzten historischen Daten oder der Datumsbereich der in den Berechnungen verwendeten historischen Daten angegeben werden. Die folgenden Beispiele zeigen das Berechnungsverfahren für jede der verfügbaren Prognosemethoden, wobei ein identischer Satz historischer Daten vorliegt. Die folgenden Beispiele verwenden die gleichen Verkaufs - und Verkaufsdaten von 2004 und 2005, um eine Umsatzprognose von 2006 zu erzielen. Neben der Prognoseberechnung enthält jedes Beispiel eine simulierte Prognose für die Dauer von drei Monaten (Verarbeitungsoption 19 3), die dann für prozentuale Genauigkeit und mittlere Absolutabweichungsberechnungen verwendet wird (tatsächlicher Umsatz im Vergleich zur simulierten Prognose). A.2 Prognoseleistungsbewertungskriterien Abhängig von Ihrer Auswahl an Verarbeitungsoptionen und den in den Verkaufsdaten vorhandenen Trends und Mustern werden einige Prognosemethoden besser als andere für einen bestimmten historischen Datensatz durchgeführt. Eine für ein Produkt geeignete Vorhersagemethode ist möglicherweise nicht für ein anderes Produkt geeignet. Es ist auch unwahrscheinlich, dass eine Prognosemethode, die auf einer Stufe des Produktlebenszyklus gute Ergebnisse liefert, während des gesamten Lebenszyklus angemessen bleibt. Sie können zwischen zwei Methoden wählen, um die aktuelle Leistung der Prognosemethoden zu bewerten. Dies sind mittlere Absolute Abweichung (MAD) und Prozent der Genauigkeit (POA). Beide dieser Leistungsbewertungsmethoden erfordern historische Verkaufsdaten für einen vom Benutzer festgelegten Zeitraum. Diese Zeitspanne wird als Halteperiode oder Perioden am besten passt (PBF). Die Daten in diesem Zeitraum dienen als Grundlage für die Empfehlung, welche der Prognosemethoden bei der nächsten Prognoseprojektion verwendet werden sollen. Diese Empfehlung ist für jedes Produkt spezifisch und kann von einer Prognoseerzeugung zur nächsten wechseln. Die beiden prognostizierten Leistungsbewertungsmethoden werden in den Seiten nach den Beispielen der zwölf Prognosemethoden gezeigt. A.3 Methode 1 - angegebener Prozentsatz über letztes Jahr Diese Methode multipliziert die Verkaufsdaten des Vorjahres mit einem vom Anwender angegebenen Faktor, zB 1,10 für 10 Zunahme oder 0,97 für 3 Abnahmen. Erforderliche Verkaufsgeschichte: Ein Jahr für die Berechnung der Prognose plus der benutzerdefinierten Anzahl von Zeiträumen zur Auswertung der Prognoseleistung (Verarbeitungsoption 19). A.4.1 Prognoseberechnung Umfang des Verkaufsverlaufs bei der Berechnung des Wachstumsfaktors (Verarbeitungsoption 2a) 3 in diesem Beispiel. Summe der letzten drei Monate des Jahres 2005: 114 119 137 370 Summe der gleichen drei Monate für das Vorjahr: 123 139 133 395 Der berechnete Faktor 370395 0.9367 Berechnen Sie die Prognosen: Januar 2005 Umsatz 128 0.9367 119.8036 oder ca. 120. Februar 2005 Umsatz 117 0.9367 109.5939 oder ca. 110. März 2005 Umsatz 115 0.9367 107.7205 oder ca. 108 A.4.2 Simulierte Prognoseberechnung Summe der drei Monate 2005 vor der Halteperiode (Juli, Aug, September): 129 140 131 400 Summe der gleichen drei Monate für die Vorjahr: 141 128 118 387 Der berechnete Faktor 400387 1.033591731 Berechnen der simulierten Prognose: Oktober 2004 Umsatz 123 1.033591731 127.13178 November 2004 Umsatz 139 1.033591731 143.66925 Dezember 2004 Umsatz 133 1.033591731 137.4677 A.4.3 Prozent der Genauigkeitsberechnung POA (127.13178 143.66925 137.4677) (114 119 137) 100 408,26873 370 100 110.3429 A.4.4 Mittlere Absolutabweichungsberechnung MAD (127.13178 - 114 143.66925 - 119 137.4677- 137) 3 (13.13178 24.66925 0.4677) 3 12.75624 A.5 Methode 3 - Letztes Jahr zu diesem Jahr Diese Methode Kopiert die Verkaufsdaten vom Vorjahr auf das nächste Jahr. Erforderliche Verkaufsgeschichte: Ein Jahr für die Berechnung der Prognose plus die Anzahl der für die Auswertung der Prognoseleistung festgelegten Zeiträume (Verarbeitungsoption 19). A.6.1 Prognoseberechnung Anzahl der Perioden, die in den Durchschnitt einbezogen werden sollen (Verarbeitungsoption 4a) 3 in diesem Beispiel Für jeden Monat der Prognose durchschnittlich die letzten drei Monate Daten. Januar-Prognose: 114 119 137 370, 370 3 123.333 oder 123 Februar Prognose: 119 137 123 379, 379 3 126.333 oder 126 März Vorhersage: 137 123 126 379, 386 3 128.667 oder 129 A.6.2 Simulierte Prognoseberechnung Oktober 2005 Umsatz (129 140 131) 3 133.3333 November 2005 Umsatz (140 131 114) 3 128.3333 Dezember 2005 Umsatz (131 114 119) 3 121.3333 A.6.3 Prozent der Genauigkeitsberechnung POA (133.3333 128.3333 121.3333) (114 119 137) 100 103.513 A.6.4 Mittleres Absolut Abweichungsberechnung MAD (133.3333 - 114 128.3333 - 119 121.3333 - 137) 3 14.7777 A.7 Methode 5 - Lineare Approximation Lineare Approximation berechnet einen Trend auf der Grundlage von zwei Erfolgsdaten. Diese beiden Punkte definieren eine gerade Trendlinie, die in die Zukunft projiziert wird. Verwenden Sie diese Methode mit Vorsicht, da Langstreckenprognosen durch kleine Änderungen in nur zwei Datenpunkten genutzt werden. Erforderliche Verkaufsgeschichte: Die Anzahl der Perioden, die in die Regression einbezogen werden (Verarbeitungsoption 5a), plus 1 plus die Anzahl der Zeiträume für die Bewertung der Prognoseleistung (Verarbeitungsoption 19). A.8.1 Prognoseberechnung Anzahl der Perioden, die in die Regression einbezogen werden sollen (Verarbeitungsoption 6a) 3 in diesem Beispiel Für jeden Monat der Prognose fügen Sie die Zunahme oder Abnahme während der angegebenen Zeiträume vor der Halteperiode der vorherigen Periode hinzu. Durchschnitt der letzten drei Monate (114 119 137) 3 123.3333 Zusammenfassung der letzten drei Monate mit Gewicht betrachtet (114 1) (119 2) (137 3) 763 Unterschied zwischen den Werten 763 - 123.3333 (1 2 3) 23 Verhältnis ( 12 22 32) - 2 3 14 - 12 2 Wert1 DifferenzRatio 232 11,5 Wert2 Durchschnitt - Wert1 Verhältnis 123.3333 - 11.5 2 100.3333 Prognose (1 n) Wert1 Wert2 4 11.5 100.3333 146.333 oder 146 Prognose 5 11.5 100.3333 157.8333 oder 158 Prognose 6 11.5 100.3333 169.3333 Oder 169 A.8.2 Simulierte Prognoseberechnung Oktober 2004 Umsatz: Durchschnitt der letzten drei Monate (129 140 131) 3 133.3333 Zusammenfassung der letzten drei Monate mit Gewicht (129 1) (140 2) (131 3) 802 Unterschied zwischen den Werte 802 - 133.3333 (1 2 3) 2 Verhältnis (12 22 32) - 2 3 14 - 12 2 Wert1 DifferenzRatio 22 1 Wert2 Durchschnitt - Wert1 Verhältnis 133.3333 - 1 2 131.3333 Prognose (1 n) Wert1 Wert2 4 1 131.3333 135.3333 November 2004 Umsatz Durchschnitt der letzten drei Monate (140 131 114) 3 128.3333 Zusammenfassung der letzten drei Monate mit Gewichtsbetrachtung (140 1) (131 2) (114 3) 744 Unterschied zwischen den Werten 744 - 128.3333 (1 2 3) -25.9999 Wert1 UnterschiedRatio -25.99992 -12.9999 Wert2 Durchschnitt - Wert1 Verhältnis 128.3333 - (-12.9999) 2 154.3333 Prognose 4 -12.9999 154.3333 102.3333 Dezember 2004 Umsatz Durchschnitt der letzten drei Monate (131 114 119) 3 121.3333 Zusammenfassung der letzten drei Monate mit Gewicht berücksichtigt (131 1) (114 2) (119 3) 716 Differenz zwischen den Werten 716 - 121.3333 (1 2 3) -11.9999 Wert1 DifferenzRatio -11.99992 -5.9999 Wert2 Durchschnitt - Wert1 Verhältnis 121.3333 - (-5.9999) 2 133.3333 Prognose 4 (- 5,9999) 133,3333 109,333 A,8,3 Prozent der Genauigkeitsberechnung POA (135,33 102,33 109,33) (114 119 137) 100 93,78 A,8,4 Mittlere Absolutabweichungsberechnung MAD (135,33 - 114 102,33 - 119 109,33 - 137) 3 21,88 A,9 Methode 7 - Zweite Grad Approximation Lineare Regression bestimmt Werte für a und b in der Prognoseformel Y a bX mit dem Ziel, eine Gerade an die Verkaufsgeschichte Daten anzupassen. Zweite Grad Approximation ist ähnlich. Dieses Verfahren bestimmt jedoch Werte für a, b und c in der Prognoseformel Y a bX cX2 mit dem Ziel, eine Kurve an die Verkaufsverlaufsdaten anzupassen. Diese Methode kann nützlich sein, wenn ein Produkt im Übergang zwischen den Phasen eines Lebenszyklus ist. Zum Beispiel, wenn ein neues Produkt von der Einführung in Wachstumsstadien bewegt, kann sich die Umsatzentwicklung beschleunigen. Wegen des Termes zweiter Ordnung kann sich die Prognose schnell an die Unendlichkeit wenden oder auf Null fallen (je nachdem, ob der Koeffizient c positiv oder negativ ist). Daher ist diese Methode nur kurzfristig sinnvoll. Prognosevorgaben: Die Formeln finden a, b und c, um eine Kurve auf genau drei Punkte zu passen. Sie spezifizieren n in der Verarbeitungsoption 7a, die Anzahl der Zeitperioden der Daten, die sich in jedem der drei Punkte ansammeln. In diesem Beispiel n 3. Daher werden die tatsächlichen Verkaufsdaten für April bis Juni in den ersten Punkt, Q1 zusammengefasst. Juli bis September werden zusammen addiert, um Q2 zu schaffen, und Oktober bis Dezember Summe zu Q3. Die Kurve wird an die drei Werte Q1, Q2 und Q3 angepasst. Erforderliche Verkaufsgeschichte: 3 n Perioden für die Berechnung der Prognose plus die Anzahl der Zeiträume, die für die Bewertung der Prognoseleistung (PBF) erforderlich sind. Anzahl der zu berücksichtigenden Perioden (Verarbeitungsoption 7a) 3 in diesem Beispiel Verwenden Sie die vorherigen (3 n) Monate in dreimonatigen Blöcken: Q1 (Apr - Jun) 125 122 137 384 Q2 (Jul - Sep) 129 140 131 400 Q3 ( Der nächste Schritt beinhaltet die Berechnung der drei Koeffizienten a, b und c, die in der Prognoseformel Y a bX cX2 (1) Q1 a bX cX2 (wobei X 1) abc (2) Q2 verwendet werden soll A bX cX2 (wobei X 2) a 2b 4c (3) Q3 a bX cX2 (wobei X 3) a 3b 9c die drei Gleichungen gleichzeitig lösen, um b, a und c zu finden: Subtrahieren Sie Gleichung (1) aus Gleichung (2) Und lösen für b (2) - (1) Q2 - Q1 b 3c Ersetzen Sie diese Gleichung für b in Gleichung (3) (3) Q3 a 3 (Q2 - Q1) - 3c c Schließlich ersetzen Sie diese Gleichungen für a und b in Gleichung (1) Q3 - 3 (Q2 - Q1) (q2 - Q1) - 3c c Q1 c (Q3 - Q2) (Q1 - Q2) 2 Die zweite Grad Approximation Methode berechnet a, b und c wie folgt: a Q3 (Q & sub3; - Q & sub1;) (Q & sub3; - Q & sub1;) (Q & sub3; - Q & sub1;) (3) (3) 400 - 384) - (3 -23) 85 Y a bX cX2 322 85X (-23) X2 Januar bis März Vorhersage (X4): (322 340 - 368) 3 2943 98 pro Periode April bis Juni Vorhersage (X5): ( 322 425 - 575) 3 57.333 oder 57 pro Periode Juli bis September Vorhersage (X6): (322 510 - 828) 3 1,33 oder 1 pro Periode Oktober bis Dezember (X7) (322 595 - 11273 -70 A.9.2 Simulierte Prognoseberechnung Oktober, November und Dezember 2004 Umsatz: 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) 163 136 A.9.3 Prozent der Genauigkeitsberechnung POA (136 136 136) (114 119 137) 100 110,27 A.9.4 Mittelwert Absolute Abweichungsberechnung MAD (136 - 114 136 - 119 136 - 137) 3 13.33 A.10 Methode 8 - Flexible Methode Die Flexible Methode (Prozent über n Monate vorher) ähnelt Methode 1, Prozent über letztes Jahr. Beide Methoden vervielfachen Verkaufsdaten aus einem früheren Zeitraum durch einen vom Benutzer angegebenen Faktor, dann projektieren sie in die Zukunft. In der Percent Over Last Year Methode basiert die Projektion auf Daten aus dem gleichen Zeitraum im Vorjahr. Die Flexible Methode fügt die Möglichkeit hinzu, einen anderen Zeitraum als denselben Zeitraum im letzten Jahr anzugeben, um als Grundlage für die Berechnungen zu verwenden. Multiplikationsfaktor Geben Sie zum Beispiel 1.15 in der Verarbeitungsoption 8b an, um die bisherigen Verkaufsverlaufsdaten um 15 zu erhöhen. Basisperiode. Beispielsweise wird n 3 die erste Prognose auf die Verkaufsdaten im Oktober 2005 stützen. Mindestverkaufsgeschichte: Der Benutzer spezifizierte die Anzahl der Perioden zurück zum Basiszeitraum sowie die Anzahl der Zeiträume, die für die Bewertung der Prognoseleistung erforderlich sind ( PBF). A.10.4 Mittlere Absolutabweichungsberechnung MAD (148 - 114 161 - 119 151 - 137) 3 30 A.11 Methode 9 - Gewichteter bewegter Durchschnitt Die Methode der gewichteten beweglichen Mittelwerte (WMA) ähnelt Methode 4, Moving Average (MA). Allerdings können Sie mit dem Weighted Moving Average den historischen Daten ungleiche Gewichte zuordnen. Die Methode berechnet einen gewichteten Durchschnitt der letzten Verkaufsgeschichte, um kurzfristig eine Projektion zu erreichen. Neuere Daten werden in der Regel ein größeres Gewicht als ältere Daten zugewiesen, so dass WMA besser auf Verschiebungen in der Ebene des Umsatzes reagiert. Allerdings treten prognostizierte Vorurteile und systematische Fehler immer noch auf, wenn die Produktverkaufsgeschichte starke Trend - oder Saisonmuster aufweist. Diese Methode funktioniert besser für kurzfristige Prognosen von reifen Produkten anstatt für Produkte in den Wachstums - oder Obsoleszenzstadien des Lebenszyklus. N die Anzahl der Perioden der Verkaufsgeschichte, die in der Prognoseberechnung verwendet werden soll. Geben Sie z. B. n 3 in der Verarbeitungsoption 9a an, um die letzten drei Perioden als Grundlage für die Projektion in den nächsten Zeitraum zu verwenden. Ein großer Wert für n (z. B. 12) erfordert mehr Verkaufsgeschichte. Es führt zu einer stabilen Prognose, wird aber langsam zu einer Verschiebung des Umsatzniveaus kommen. Auf der anderen Seite wird ein kleiner Wert für n (wie z. B. 3) schneller auf Verschiebungen in der Ebene des Umsatzes reagieren, aber die Prognose kann so weit schwanken, dass die Produktion nicht auf die Variationen reagieren kann. Das Gewicht, das jedem der historischen Datenperioden zugeordnet ist. Die zugeteilten Gewichte müssen auf 1,00 betragen. Zum Beispiel, wenn n 3, Gewichte von 0,6, 0,3 und 0,1 zuordnen, wobei die letzten Daten das größte Gewicht erhalten. Mindestens erforderliche Verkaufsgeschichte: n plus die Anzahl der Zeiträume, die für die Auswertung der Prognoseleistung (PBF) erforderlich sind. MAD (133,5 - 114 121,7 - 119 118,7 - 137) 3 13,5 A.12 Methode 10 - Lineare Glättung Diese Methode ähnelt Methode 9, Weighted Moving Average (WMA). Jedoch wird anstelle der willkürlichen Zuordnung von Gewichten zu den historischen Daten eine Formel verwendet, um Gewichte zuzuordnen, die linear abfallen und auf 1,00 summieren. Die Methode berechnet dann einen gewichteten Durchschnitt der letzten Verkaufsgeschichte, um kurzfristig eine Projektion zu erreichen. Wie bei allen linearen gleitenden durchschnittlichen Prognosetechniken zutreffend, treten prognostizierte Vorurteile und systematische Fehler auf, wenn die Produktverkaufsgeschichte starke Trend - oder Saisonmuster aufweist. Diese Methode funktioniert besser für kurzfristige Prognosen von reifen Produkten anstatt für Produkte in den Wachstums - oder Obsoleszenzstadien des Lebenszyklus. N die Anzahl der Perioden der Verkaufsgeschichte, die in der Prognoseberechnung verwendet werden soll. Dies ist in der Verarbeitungsoption 10a angegeben. Geben Sie z. B. n 3 in der Verarbeitungsoption 10b an, um die letzten drei Perioden als Grundlage für die Projektion in den nächsten Zeitraum zu verwenden. Das System ordnet die Gewichte automatisch den historischen Daten zu, die linear abfallen und auf 1,00 summieren. Zum Beispiel, wenn n 3, wird das System Gewichte von 0,5, 0,3333 und 0,1 zuweisen, wobei die letzten Daten das größte Gewicht erhalten. Mindestens erforderliche Verkaufsgeschichte: n plus die Anzahl der Zeiträume, die für die Auswertung der Prognoseleistung (PBF) erforderlich sind. A.12.1 Prognoseberechnung Anzahl der Perioden, die in den Glättungsdurchschnitt einbezogen werden (Verarbeitungsoption 10a) 3 in diesem Beispiel Verhältnis für einen Zeitraum vor 3 (n2 n) 2 3 (32 3) 2 36 0,5 Verhältnis für zwei Perioden vorher 2 (n2 n ) 2 2 (32 3) 2 26 0.3333 .. Verhältnis für drei Perioden vor 1 (n2 n) 2 1 (32 3) 2 16 0.1666 .. Januar-Prognose: 137 0,5 119 13 114 16 127,16 oder 127 Februar Vorhersage: 127 0,5 137 13 119 16 129 März-Prognose: 129 0,5 127 13 137 16 129,666 oder 130 A.12.2 Simulierte Prognoseberechnung Oktober 2004 Umsatz 129 16 140 26 131 36 133.6666 November 2004 Umsatz 140 16 131 26 114 36 124 Dezember 2004 Umsatz 131 16 114 26 119 36 119.3333 A.12.3 Prozent der Genauigkeitsberechnung POA (133.6666 124 119.3333) (114 119 137) 100 101.891 A.12.4 Mittlere Absolutabweichungsberechnung MAD (133.6666 - 114 124 - 119 119.3333 - 137) 3 14.1111 A.13 Methode 11 - Exponentielle Glättung Diese Methode ähnelt Methode 10, Lineare Glättung. Bei der linearen Glättung weist das System den historischen Daten, die linear abweichen, Gewichte zu. Bei der exponentiellen Glättung weist das System Gewichte auf, die exponentiell abklingen. Die exponentielle Glättungsvorhersagegleichung lautet: Prognose a (vorherige Istverkäufe) (1 - a) vorherige Prognose Die Prognose ist ein gewichteter Durchschnitt des tatsächlichen Umsatzes aus der Vorperiode und der Prognose aus der Vorperiode. A ist das Gewicht auf den tatsächlichen Umsatz für die vorherige Periode angewendet. (1 - a) ist das Gewicht für die Vorhersage für die vorherige Periode angewendet. Gültige Werte für einen Bereich von 0 bis 1 und liegen in der Regel zwischen 0,1 und 0,4. Die Summe der Gewichte beträgt 1,00. A (1 - a) 1 Sie sollten einen Wert für die Glättungskonstante, a. Wenn Sie keine Werte für die Glättungskonstante zuordnen, berechnet das System einen angenommenen Wert, der auf der Anzahl der in der Verarbeitungsoption 11a angegebenen Perioden der Verkaufshistorie basiert. A die Glättungskonstante, die bei der Berechnung des geglätteten Durchschnitts für das allgemeine Niveau oder die Größe des Umsatzes verwendet wird. Gültige Werte für einen Bereich von 0 bis 1. n der Bereich der Verkaufsgeschichte Daten in die Berechnungen enthalten. Im Allgemeinen reicht ein Jahr der Verkaufsgeschichte Daten aus, um das allgemeine Umsatzniveau abzuschätzen. Für dieses Beispiel wurde ein kleiner Wert für n (n 3) gewählt, um die manuellen Berechnungen zu reduzieren, die zur Überprüfung der Ergebnisse erforderlich sind. Eine exponentielle Glättung kann eine Prognose erzeugen, die auf so wenig wie einem historischen Datenpunkt basiert. Mindestens erforderliche Verkaufsgeschichte: n plus die Anzahl der Zeiträume, die für die Auswertung der Prognoseleistung (PBF) erforderlich sind. A.13.1 Prognoseberechnung Die Anzahl der Perioden, die in den Glättungsdurchschnitt einbezogen werden sollen (Verarbeitungsoption 11a) 3 und Alpha-Faktor (Verarbeitungsoption 11b) leer in diesem Beispiel ein Faktor für die ältesten Verkaufsdaten 2 (11) oder 1, wenn alpha angegeben ist Ein Faktor für die 2. ältesten Verkaufsdaten 2 (12) oder alpha, wenn alpha angegeben ist ein Faktor für die 3. ältesten Verkaufsdaten 2 (13) oder alpha, wenn alpha angegeben ist ein Faktor für die letzten Verkaufsdaten 2 (1n) , Oder alpha, wenn alpha angegeben ist November Sm. Durchschn. A (Oktober aktuell) (1 - a) Oktober Sm. Durchschn. 1 114 0 0 114 Dezember Sm. Durchschn. A (November Tatsächlich) (1 - a) November Sm. Durchschn. 23 119 13 114 117.3333 Januar Vorhersage a (Dezember aktuell) (1 - a) Dezember Sm. Durchschn. 24 137 24 117.3333 127.16665 oder 127 Februar Vorhersage Januar Vorhersage 127 März Vorhersage Januar Vorhersage 127 A.13.2 Simulierte Prognoseberechnung Juli 2004 Sm. Durchschn. 22 129 129 August Sm. Durchschn. 23 140 13 129 136.3333 September Sm. Durchschn. 24 131 24 136.3333 133.6666 Oktober 2004 Verkauf Sep Sm. Durchschn. 133.6666 August 2004 Sm. Durchschn. 22 140 140 September Sm. Durchschn. 23 131 13 140 134 Oktober Sm. Durchschn. 24 114 24 134 124 November 2004 Verkauf Sep Sm. Durchschn. 124 September 2004 Sm. Durchschn. 22 131 131 Oktober Sm. Durchschn. 23 114 13 131 119.6666 November Sm. Durchschn. 24 119 24 119.6666 119.3333 Dezember 2004 Verkauf Sep Sm. Durchschn. 119.3333 A.13.3 Prozent der Genauigkeitsberechnung POA (133.6666 124 119.3333) (114 119 137) 100 101.891 A.13.4 Mittlere Absolutabweichungsberechnung MAD (133.6666 - 114 124 - 119 119.3333 - 137) 3 14.1111 A.14 Methode 12 - Exponentielle Glättung Mit Trend und Saisonalität Diese Methode ähnelt Methode 11, Exponentielle Glättung darin, dass ein geglätteter Durchschnitt berechnet wird. Allerdings enthält das Verfahren 12 auch einen Begriff in der Prognosegleichung, um einen geglätteten Trend zu berechnen. Die Prognose setzt sich aus einer geglätteten gemittelten gemittelten für einen linearen Trend zusammen. Wenn in der Verarbeitungsoption angegeben, wird die Prognose auch für Saisonalität angepasst. A die Glättungskonstante, die bei der Berechnung des geglätteten Durchschnitts für das allgemeine Niveau oder die Größe des Umsatzes verwendet wird. Gültige Werte für Alpha-Bereich von 0 bis 1. b Die Glättungskonstante, die bei der Berechnung des geglätteten Durchschnitts für die Trendkomponente der Prognose verwendet wird. Gültige Werte für Beta-Bereich von 0 bis 1. Ob ein saisonaler Index auf die Prognose a und b angewendet wird, sind unabhängig voneinander. Sie müssen nicht zu 1.0 hinzufügen. Mindestens erforderliche Verkaufsgeschichte: zwei Jahre plus die Anzahl der Zeiträume, die für die Bewertung der Prognoseleistung (PBF) erforderlich sind. Methode 12 verwendet zwei exponentielle Glättungsgleichungen und einen einfachen Durchschnitt, um einen geglätteten Durchschnitt, einen geglätteten Trend und einen einfachen durchschnittlichen saisonalen Faktor zu berechnen. A.14.1 Prognoseberechnung A) Ein exponentiell geglätteter Durchschnitt MAD (122.81 - 114 133.14 - 119 135.33 - 137) 3 8.2 A.15 Auswertung der Prognosen Sie können Prognosemethoden auswählen, um bis zu zwölf Prognosen für jedes Produkt zu generieren. Jede Prognosemethode wird wahrscheinlich eine etwas andere Projektion schaffen. Wenn Tausende von Produkten prognostiziert werden, ist es unpraktisch, eine subjektive Entscheidung zu treffen, welche der Prognosen in Ihren Plänen für jedes der Produkte verwendet werden soll. Das System wertet automatisch die Leistung für jede der von Ihnen ausgewählten Prognosemethoden aus und für jede der prognostizierten Produkte. Sie können zwischen zwei Leistungskriterien, Mean Absolute Deviation (MAD) und Prozent der Genauigkeit (POA) wählen. MAD ist ein Maß für Prognosefehler. POA ist ein Maß für die Prognose-Bias. Beide dieser Leistungsbewertungsverfahren erfordern tatsächliche Verkaufsgeschichte Daten für einen Benutzer bestimmten Zeitraum. Diese Periode der jüngsten Geschichte wird als Halteperiode oder Perioden am besten fit (PBF) bezeichnet. Um die Leistung einer Prognosemethode zu messen, verwenden Sie die Prognoseformeln, um eine Prognose für die historische Holdout-Periode zu simulieren. Es werden in der Regel Unterschiede zwischen den tatsächlichen Verkaufsdaten und der simulierten Prognose für den Haltezeitraum bestehen. Wenn mehrere Prognosemethoden ausgewählt werden, tritt dieser Vorgang für jede Methode auf. Mehrere Prognosen werden für den Haltezeitraum berechnet und verglichen mit der bekannten Verkaufsgeschichte für denselben Zeitraum. Die Vorhersagemethode, die die beste Übereinstimmung (beste Passform) zwischen der Prognose und dem tatsächlichen Verkauf während des Haltezeitraums herstellt, wird für die Verwendung in Ihren Plänen empfohlen. Diese Empfehlung ist für jedes Produkt spezifisch und kann von einer Prognoseerzeugung zur nächsten wechseln. A.16 Mittlere Absolute Abweichung (MAD) MAD ist der Mittelwert (oder Durchschnitt) der Absolutwerte (oder Größe) der Abweichungen (oder Fehler) zwischen Ist - und Prognosedaten. MAD ist ein Maß für die durchschnittliche Größe der zu erwartenden Fehler, bei einer Prognosemethode und Datenhistorie. Da bei der Berechnung absolute Werte verwendet werden, werden bei positiven Fehlern keine negativen Fehler ausgelöst. Beim Vergleich mehrerer Prognosemethoden hat sich derjenige mit dem kleinsten MAD als zuverlässig für dieses Produkt für diesen Holdout-Zeitraum erwiesen. Wenn die Prognose unvoreingenommen ist und Fehler normal verteilt sind, gibt es eine einfache mathematische Beziehung zwischen MAD und zwei anderen gemeinsamen Maßnahmen der Verteilung, Standardabweichung und Mean Squared Error: A.16.1 Prozent der Genauigkeit (POA) Prozent der Genauigkeit (POA) ist Ein Maß für die Prognose-Bias. Wenn die Prognosen konsequent zu hoch sind, sammeln sich die Bestände an und die Inventurkosten steigen. Wenn die Prognosen konsequent zwei niedrig sind, werden die Vorräte verbraucht und der Kundendienst sinkt. Eine Prognose, die 10 Einheiten zu niedrig ist, dann 8 Einheiten zu hoch, dann 2 Einheiten zu hoch, wäre eine unvoreingenommene Prognose. Der positive Fehler von 10 wird durch Negativfehler von 8 und 2 abgebrochen. Fehler Tatsächlich - Prognose Wenn ein Produkt im Inventar gespeichert werden kann und wenn die Prognose unvoreingenommen ist, kann eine kleine Menge an Sicherheitsbestand verwendet werden, um die Fehler zu puffern. In dieser Situation ist es nicht so wichtig, Prognosefehler zu beseitigen, da es darum geht, unvoreingenommene Prognosen zu erzeugen. Doch in der Dienstleistungsbranche wäre die obige Situation als drei Fehler zu betrachten. Der Dienst würde in der ersten Periode unterbesetzt sein, dann überbesetzt für die nächsten zwei Perioden. In den Diensten ist die Größenordnung der Prognosefehler in der Regel wichtiger als die Vorhersage. Die Summation über die Holdout-Periode ermöglicht positive Fehler, um negative Fehler zu annullieren. Wenn die Summe der tatsächlichen Verkäufe die Summe der Prognoseverkäufe übersteigt, ist das Verhältnis größer als 100. Natürlich ist es unmöglich, mehr als 100 genau zu sein. Wenn eine Prognose unvoreingenommen ist, wird das POA-Verhältnis 100 sein. Daher ist es wünschenswerter, 95 genau zu sein, als 110 genau zu sein. Die POA-Kriterien wählen die Prognosemethode, die ein POA-Verhältnis hat, das am nächsten zu 100 liegt. Scripting auf dieser Seite verbessert die Inhaltsnavigation, ändert aber den Inhalt nicht in irgendeiner Weise. Operationen Strategie Hausaufgabenhilfe 1. (TCO 5) Was ist die Prognose für Mai , Basierend auf einem gewichteten gleitenden Durchschnitt, der auf die folgenden Daten der vergangenen Nachfrage angewendet wird, und unter Verwendung der Gewichte 4, 3, 2 (größer. Mehr zeigen 1. (TCO 5) Wie lautet die Prognose für Mai, basierend auf einem gewichteten gleitenden Durchschnitt, Die folgenden Daten der vergangenen Nachfrage und die Verwendung der Gewichte 4, 3, 2 (das größte Gewicht ist für die letzten Daten) Nov. 2. (TCO 5) Jim039s Abteilung in einem lokalen Kaufhaus hat den Verkauf eines Produkts in den letzten zehn verfolgt Wochen-Exponential-Glättung mit einem Alpha von 0,4.Im Januar stellte er 150.000 Umsatz und erzielte 155.000 Umsatz ist. Mit diesem gleichen Prognosemodell, schätzen Jims Februar Umsatz (Punkte: 6) 152.000 155.000 157.000 305.000 3. (TCO 5) Mit a Drei-Jahres-Gleitender Durchschnitt prognostiziert den Betrag für das Jahr 10. Jahrgang 99 (Punkte: 7) Jahr 10 122.87 Jahr 10 99.98 Jahr 10 110.67 Jahr 10 115.873 Verständnis der Prognose Ebenen und Methoden Sie können sowohl Detail (Einzelposten) Prognosen und Zusammenfassung (Produkt Linie) Prognosen, die Produktnachfragemuster widerspiegeln. Das System analysiert die bisherigen Verkäufe, um die Prognosen mit 12 Prognosemethoden zu berechnen. Die Prognosen beinhalten Detailinformationen auf der Positionsebene und übergeordnete Informationen über eine Zweigniederlassung oder das Unternehmen als Ganzes. 3.1 Prognoseleistungsbewertungskriterien Abhängig von der Auswahl der Verarbeitungsoptionen und von Trends und Mustern in den Verkaufsdaten sind einige Prognosemethoden besser als andere für einen gegebenen historischen Datensatz. Eine für ein Produkt geeignete Vorhersagemethode ist möglicherweise nicht für ein anderes Produkt geeignet. Sie könnten feststellen, dass eine Prognosemethode, die auf einer Stufe eines Produktlebenszyklus gute Ergebnisse liefert, während des gesamten Lebenszyklus angemessen bleibt. Sie können zwischen zwei Methoden wählen, um die aktuelle Leistung der Prognosemethoden zu bewerten: Prozent der Genauigkeit (POA). Mittlere absolute Abweichung (MAD). Beide dieser Bewertungsbewertungsmethoden erfordern historische Verkaufsdaten für einen Zeitraum, den Sie angeben. Dieser Zeitraum wird als Haltezeit oder Periode der besten Passung bezeichnet. Die Daten in diesem Zeitraum dienen als Grundlage für die Empfehlung, welche Prognosemethode bei der nächsten Prognoseprojektion verwendet wird. Diese Empfehlung ist für jedes Produkt spezifisch und kann von einer Prognoseerzeugung zum nächsten wechseln. 3.1.1 Best Fit Das System empfiehlt die Best-Fit-Prognose, indem es die ausgewählten Prognosemethoden auf den vergangenen Kundenauftragsverlauf anwendet und die Prognosesimulation mit der aktuellen Historie vergleicht. Wenn Sie eine Best-Fit-Prognose generieren, vergleicht das System die tatsächlichen Kundenauftragsgeschichten mit Prognosen für einen bestimmten Zeitraum und berechnet, wie genau jede einzelne Prognosemethode den Umsatz voraussagte. Dann empfiehlt das System die genaueste Prognose als die beste Passform. Diese Grafik zeigt die besten Anpassungsprognosen: Abbildung 3-1 Best-Fit-Prognose Das System verwendet diese Abfolge von Schritten, um die beste Passung zu bestimmen: Verwenden Sie jede spezifizierte Methode, um eine Prognose für den Holdout-Zeitraum zu simulieren. Vergleichen Sie die tatsächlichen Verkäufe an die simulierten Prognosen für den Haltezeitraum. Berechnen Sie die POA oder die MAD, um festzustellen, welche Prognosemethode am ehesten mit dem bisherigen Verkauf übereinstimmt. Das System verwendet entweder POA oder MAD, basierend auf den von Ihnen ausgewählten Verarbeitungsoptionen. Empfehlen Sie eine Best-Fit-Prognose von der POA, die am nächsten zu 100 Prozent (über oder unter) oder die MAD, die am nächsten an Null ist. 3.2 Prognosemethoden JD Edwards EnterpriseOne Forecast Management verwendet 12 Methoden zur quantitativen Prognose und zeigt an, welche Methode für die Prognosesituation am besten geeignet ist. Dieser Abschnitt behandelt: Methode 1: Prozent über letztes Jahr. Methode 2: Berechneter Prozentsatz über letztes Jahr. Methode 3: Letztes Jahr zu diesem Jahr. Methode 4: Durchschnittlich bewegen. Methode 5: Lineare Approximation. Methode 6: Least Squares Regression. Methode 7: Zweite Grad Approximation. Methode 8: Flexible Methode. Methode 9: Gewichteter bewegter Durchschnitt. Methode 10: Lineare Glättung. Methode 11: Exponentielle Glättung. Methode 12: Exponentielle Glättung mit Trend und Saisonalität. Geben Sie die Methode an, die Sie in den Verarbeitungsoptionen für das Programm für die Prognoseerzeugung verwenden möchten (R34650). Die meisten dieser Methoden bieten eine begrenzte Kontrolle. Zum Beispiel kann das Gewicht der letzten historischen Daten oder der Datumsbereich der historischen Daten, die in den Berechnungen verwendet werden, von Ihnen angegeben werden. Die Beispiele in der Anleitung geben die Berechnungsmethode für jede der verfügbaren Prognosemethoden an, wobei ein identischer Satz historischer Daten vorliegt. Die Methodenbeispiele im Leitfaden verwenden Teil oder alle diese Datensätze, die historische Daten aus den letzten zwei Jahren sind. Die Prognoseprojektion geht ins nächste Jahr. Diese Handelsgeschichte Daten sind stabil mit kleinen saisonalen Zunahmen im Juli und Dezember. Dieses Muster ist charakteristisch für ein reifes Produkt, das sich der Obsoleszenz nähern könnte. 3.2.1 Methode 1: Prozent über letztes Jahr Diese Methode verwendet die Percent Over Last Year Formel, um jeden Prognosezeitraum um den angegebenen Prozentsatz zu erhöhen oder zu verringern. Um die Nachfrage zu prognostizieren, erfordert diese Methode die Anzahl der Perioden für die beste Passform plus ein Jahr der Verkaufsgeschichte. Diese Methode ist nützlich, um die Nachfrage nach saisonalen Gegenständen mit Wachstum oder Rückgang zu prognostizieren. 3.2.1.1 Beispiel: Methode 1: Prozent über letztes Jahr Die Percent Over Last Year Formel vervielfacht die Verkaufsdaten des Vorjahres um einen Faktor, den Sie angeben und dann Projekte, die sich im nächsten Jahr ergeben. Diese Methode könnte bei der Budgetierung nützlich sein, um den Einfluss einer bestimmten Wachstumsrate zu simulieren oder wenn die Verkaufsgeschichte eine signifikante saisonale Komponente aufweist. Prognosevorgaben: Multiplikationsfaktor Geben Sie z. B. 110 in der Verarbeitungsoption an, um die Vorjahresgeschäftsdaten um 10 Prozent zu erhöhen. Erforderliche Verkaufsgeschichte: Ein Jahr für die Berechnung der Prognose plus die Anzahl der Zeiträume, die für die Bewertung der Prognoseleistung (Perioden der besten Anpassung) erforderlich sind, die Sie angeben. Diese Tabelle wird in der Prognoseberechnung verwendet: Februar-Prognose entspricht 117 mal 1.1 128.7 gerundet auf 129. März-Prognose entspricht 115 mal 1.1 126.5 gerundet auf 127. 3.2.2 Methode 2: Berechneter Prozentsatz über letztes Jahr Diese Methode verwendet den berechneten Percent Over Last-Jahr-Formel, um die vergangenen Verkäufe von bestimmten Perioden zu Verkäufen aus den gleichen Perioden des Vorjahres zu vergleichen. Das System bestimmt eine prozentuale Erhöhung oder Abnahme und multipliziert dann jede Periode mit dem Prozentsatz, um die Prognose zu ermitteln. Um die Nachfrage zu prognostizieren, erfordert diese Methode die Anzahl der Perioden des Kundenauftragsverlaufs plus ein Jahr der Verkaufsgeschichte. Diese Methode ist nützlich, um kurzfristige Nachfrage nach saisonalen Gegenständen mit Wachstum oder Rückgang zu prognostizieren. 3.2.2.1 Beispiel: Methode 2: Berechneter Prozentsatz über letztes Jahr Die berechnete Periode über dem letzten Jahr vervielfacht die Umsatzdaten des Vorjahres um einen Faktor, der vom System berechnet wird, und dann projiziert sie für das nächste Jahr. Diese Methode könnte nützlich sein, um den Einfluss der Verlängerung der jüngsten Wachstumsrate für ein Produkt in das nächste Jahr zu projizieren, während ein saisonales Muster, das in der Verkaufsgeschichte vorhanden ist, bewahrt wird. Prognose-Spezifikationen: Umfang der Verkaufsgeschichte bei der Berechnung der Wachstumsrate zu verwenden. Geben Sie z. B. n gleich 4 in der Verarbeitungsoption an, um die Verkaufsgeschichte für die letzten vier Perioden zu den gleichen vier Perioden des Vorjahres zu vergleichen. Verwenden Sie das berechnete Verhältnis, um die Projektion für das nächste Jahr zu machen. Erforderliche Verkaufsgeschichte: Ein Jahr für die Berechnung der Prognose plus die Anzahl der Zeiträume, die für die Bewertung der Prognoseleistung (Perioden der besten Passung) erforderlich sind. Diese Tabelle wird in der Prognoseberechnung verwendet, vorausgesetzt, n 4: Februar-Prognose entspricht 117 mal 0,9766 114,26 gerundet auf 114. März-Prognose entspricht 115 mal 0,9766 112,31 gerundet auf 112. 3.2.3 Methode 3: Letztes Jahr zu diesem Jahr Diese Methode verwendet Im vergangenen Jahr Umsatz für die nächsten Jahre prognostiziert. Um die Nachfrage zu prognostizieren, erfordert diese Methode die Anzahl der Perioden, die am besten passen, plus ein Jahr des Verkaufsauftragsverlaufs. Diese Methode ist sinnvoll, um die Nachfrage nach reifen Produkten mit Niveau Nachfrage oder saisonale Nachfrage ohne Trend zu prognostizieren. 3.2.3.1 Beispiel: Methode 3: Letztes Jahr zu diesem Jahr Das letzte Jahr zu diesem Jahr verwandelt die Verkaufsdaten vom Vorjahr auf das nächste Jahr. Diese Methode könnte bei der Budgetierung nützlich sein, um den Umsatz auf dem aktuellen Niveau zu simulieren. Das Produkt ist reif und hat keinen Trend auf lange Sicht, aber es könnte ein erhebliches saisonales Nachfragemuster bestehen. Vorhersage Spezifikationen: Keine. Erforderliche Verkaufsgeschichte: Ein Jahr für die Berechnung der Prognose plus die Anzahl der Zeiträume, die für die Bewertung der Prognoseleistung (Perioden der besten Passung) erforderlich sind. Diese Tabelle ist Geschichte in der Prognoseberechnung verwendet: Januar Prognose entspricht Januar des vergangenen Jahres mit einem Prognosewert von 128. Februar Prognose entspricht Februar des vergangenen Jahres mit einem Prognosewert von 117. März Prognose entspricht März des letzten Jahres mit einem Prognosewert von 115. 3.2.4 Methode 4: Moving Average Diese Methode verwendet die Moving Average-Formel, um die angegebene Anzahl von Perioden zu berechnen, um den nächsten Zeitraum zu projizieren. Sie sollten es oft (monatlich oder mindestens vierteljährlich) neu berechnen, um dem sich ändernden Nachfrageniveau zu entsprechen. Um die Nachfrage zu prognostizieren, erfordert diese Methode die Anzahl der Perioden, die am besten geeignet sind, sowie die Anzahl der Perioden des Kundenauftragsverlaufs. Diese Methode ist sinnvoll, um die Nachfrage nach ausgereiften Produkten ohne Trend zu prognostizieren. 3.2.4.1 Beispiel: Methode 4: Moving Average Moving Average (MA) ist eine beliebte Methode zur Mittelung der Ergebnisse der letzten Verkaufsgeschichte, um kurzfristig eine Projektion zu bestimmen. Die MA-Prognosemethode bleibt hinter den Trends zurück. Prognose-Bias und systematische Fehler treten auf, wenn die Produktverkäufe Geschichte starke Tendenz oder saisonale Muster zeigt. Diese Methode arbeitet besser für Kurzstreckenprognosen von reifen Produkten als für Produkte, die sich in den Wachstums - oder Obsoleszenzstadien des Lebenszyklus befinden. Prognosevorgaben: n entspricht der Anzahl der Perioden der Verkaufshistorie, die bei der Prognoseberechnung verwendet werden soll. Geben Sie z. B. n 4 in der Verarbeitungsoption an, um die letzten vier Perioden als Grundlage für die Projektion in den nächsten Zeitraum zu verwenden. Ein großer Wert für n (z. B. 12) erfordert mehr Verkaufsgeschichte. Es führt zu einer stabilen Prognose, ist aber langsam zu erkennen Verschiebungen in der Ebene des Umsatzes. Umgekehrt ist ein kleiner Wert für n (wie z. B. 3) schneller auf Verschiebungen in der Verkaufsstufe zu reagieren, aber die Prognose könnte so weit schwanken, dass die Produktion nicht auf die Variationen reagieren kann. Erforderliche Verkaufsgeschichte: n plus die Anzahl der Zeiträume, die für die Auswertung der Prognoseleistung erforderlich sind (Perioden der besten Passform). Diese Tabelle wird in der Prognoseberechnung verwendet: Februar-Prognose entspricht (114 119 137 125) 4 123,75 gerundet auf 124. März-Prognose entspricht (119 137 125 124) 4 126,25 gerundet auf 126. 3.2.5 Methode 5: Lineare Approximation Diese Methode Verwendet die lineare Approximation-Formel, um einen Trend aus der Anzahl der Perioden des Kundenauftragsverlaufs zu berechnen und diesen Trend auf die Prognose zu projizieren. Sie sollten den Trend monatlich neu berechnen, um Veränderungen in den Trends zu erkennen. Diese Methode erfordert die Anzahl der besagten Perioden und die Anzahl der vorgegebenen Perioden des Kundenauftragsverlaufs. Diese Methode ist nützlich, um die Nachfrage nach neuen Produkten oder Produkten mit gleichbleibenden positiven oder negativen Trends zu prognostizieren, die nicht auf saisonale Schwankungen zurückzuführen sind. 3.2.5.1 Beispiel: Methode 5: Lineare Approximation Lineare Approximation berechnet einen Trend, der auf zwei Erfolgsdaten-Datenpunkten basiert. Diese beiden Punkte definieren eine gerade Trendlinie, die in die Zukunft projiziert wird. Verwenden Sie diese Methode mit Vorsicht, da Langstreckenprognosen durch kleine Änderungen an nur zwei Datenpunkten genutzt werden. Prognosevorgaben: n entspricht dem Datenpunkt im Verkaufsverlauf, der mit dem aktuellsten Datenpunkt verglichen wird, um einen Trend zu identifizieren. Geben Sie z. B. n 4 an, um die Differenz zwischen Dezember (aktuellste Daten) und August (vier Perioden vor Dezember) als Grundlage für die Berechnung des Trends zu verwenden. Mindestens erforderliche Verkaufsgeschichte: n plus 1 plus die Anzahl der Zeiträume, die für die Auswertung der Prognoseleistung (Perioden der besten Anpassung) erforderlich sind. Diese Tabelle wird in der Prognoseberechnung verwendet: Januar-Prognose Dezember des vergangenen Jahres 1 (Trend) 137 (1 mal 2) 139. Februar-Prognose Dezember des vergangenen Jahres 1 (Trend), was 137 (2 mal 2) 141 entspricht. März-Prognose Dezember des vergangenen Jahres 1 (Trend), was 137 entspricht (3 mal 2) 143. 3.2.6 Methode 6: Least Squares Regression Die Least Squares Regression (LSR) Methode ergibt eine Gleichung, die eine geradlinige Beziehung zwischen den historischen Verkaufsdaten beschreibt Und der Ablauf der Zeit. LSR passt eine Zeile in den ausgewählten Datenbereich, so dass die Summe der Quadrate der Unterschiede zwischen den tatsächlichen Verkaufsdatenpunkten und der Regressionsgeraden minimiert wird. Die Prognose ist eine Projektion dieser Geraden in die Zukunft. Diese Methode erfordert die Verkaufsdatenhistorie für den Zeitraum, der durch die Anzahl der Perioden am besten angepasst wird, sowie die angegebene Anzahl historischer Datenperioden. Die Mindestanforderung ist zwei historische Datenpunkte. Diese Methode ist nützlich, um die Nachfrage zu prognostizieren, wenn ein linearer Trend in den Daten liegt. 3.2.6.1 Beispiel: Methode 6: Least Squares Regression Lineare Regression oder Least Squares Regression (LSR) ist die beliebteste Methode zur Identifizierung eines linearen Trends in historischen Verkaufsdaten. Die Methode berechnet die Werte für a und b, die in der Formel verwendet werden sollen: Diese Gleichung beschreibt eine Gerade, wobei Y für Verkäufe steht und X die Zeit darstellt. Lineare Regression ist langsam zu erkennen, Wendepunkte und Schritt-Funktions-Verschiebungen in der Nachfrage. Lineare Regression passt zu einer geraden Linie zu den Daten, auch wenn die Daten saisonal oder besser durch eine Kurve beschrieben werden. Wenn die Verkaufsverlaufsdaten einer Kurve folgen oder ein starkes saisonales Muster aufweisen, treten prognostizierte Vorurteile und systematische Fehler auf. Prognosevorgaben: n entspricht den Perioden der Verkaufsgeschichte, die bei der Berechnung der Werte für a und b verwendet werden. Geben Sie z. B. n 4 an, um den Verlauf von September bis Dezember als Grundlage für die Berechnungen zu verwenden. Wenn Daten verfügbar sind, würde gewöhnlich ein größeres n (wie z. B. n 24) verwendet werden. LSR definiert eine Zeile für so wenig wie zwei Datenpunkte. Für dieses Beispiel wurde ein kleiner Wert für n (n 4) gewählt, um die manuellen Berechnungen zu reduzieren, die erforderlich sind, um die Ergebnisse zu verifizieren. Mindestens erforderliche Verkaufsgeschichte: n Perioden plus die Anzahl der Zeiträume, die für die Bewertung der Prognoseleistung (Perioden der besten Passung) erforderlich sind. Diese Tabelle wird in der Prognoseberechnung verwendet: März-Prognose entspricht 119,5 (7 mal 2,3) 135,6 gerundet auf 136. 3.2.7 Methode 7: Zweite Grad-Approximation Um die Prognose zu projizieren, verwendet diese Methode die Formel für die zweite Grad-Approximation, um eine Kurve zu zeichnen Das basiert auf der Anzahl der Perioden der Verkaufsgeschichte. Diese Methode erfordert die Anzahl der Perioden am besten passt plus die Anzahl der Perioden der Kundenauftrag Geschichte mal drei. Diese Methode ist nicht sinnvoll, um die Nachfrage nach einem längerfristigen Zeitraum zu prognostizieren. 3.2.7.1 Beispiel: Methode 7: Zweite Grad Approximation Lineare Regression bestimmt Werte für a und b in der Prognoseformel Y a b X mit dem Ziel, eine Gerade an die Verkaufsverlaufdaten anzupassen. Die zweite Grad-Approximation ist ähnlich, aber diese Methode bestimmt die Werte für a, b und c in dieser Prognoseformel: Y a b X c X 2 Ziel dieser Methode ist es, eine Kurve auf die Verkaufsverlaufsdaten zu setzen. Diese Methode ist nützlich, wenn sich ein Produkt im Übergang zwischen Lebenszyklusstadien befindet. Zum Beispiel, wenn ein neues Produkt von der Einführung in Wachstumsstadien bewegt, könnte sich der Umsatztrend beschleunigen. Wegen des Termes zweiter Ordnung kann sich die Prognose schnell an die Unendlichkeit wenden oder auf Null fallen (je nachdem, ob der Koeffizient c positiv oder negativ ist). Diese Methode ist nur kurzfristig sinnvoll. Prognose Spezifikationen: die Formel finden a, b und c, um eine Kurve auf genau drei Punkte passen. Sie geben n an, die Anzahl der Zeitperioden der Daten, die sich in jedem der drei Punkte ansammeln. In diesem Beispiel n 3. Die tatsächlichen Verkaufsdaten für April bis Juni werden in den ersten Punkt Q1 zusammengefasst. Juli bis September werden zusammen addiert, um Q2 zu schaffen, und Oktober bis Dezember Summe zu Q3. Die Kurve ist an die drei Werte Q1, Q2 und Q3 angepasst. Erforderliche Verkaufsgeschichte: 3 mal n Perioden für die Berechnung der Prognose plus die Anzahl der Zeiträume, die für die Auswertung der Prognoseleistung (Perioden der besten Anpassung) erforderlich sind. Diese Tabelle wird in der Prognoseberechnung verwendet: Q0 (Jan) (Feb) (Mar) Q1 (Apr) (Mai) (Jun), was 125 122 137 384 Q2 (Jul) (Aug) (Sep) entspricht, was 140 129 entspricht 131 400 Q3 (Okt) (Nov) (Dez), was 114 119 137 370 entspricht Der nächste Schritt beinhaltet die Berechnung der drei Koeffizienten a, b und c, die in der Prognoseformel Y ab X c X 2 verwendet werden sollen. Q1, Q2 und Q3 werden auf der Grafik dargestellt, wobei die Zeit auf der horizontalen Achse aufgetragen ist. Q1 repräsentiert den gesamten historischen Umsatz für April, Mai und Juni und ist auf X 1 Q2 entspricht Juli bis September Q3 entspricht Oktober bis Dezember und Q4 steht für Januar bis März. Diese Grafik veranschaulicht das Plotten von Q1, Q2, Q3 und Q4 für die Näherung des zweiten Grades: Abbildung 3-2 Plotten Q1, Q2, Q3 und Q4 für die zweite Gradnäherung Drei Gleichungen beschreiben die drei Punkte auf dem Graphen: (1) Q1 A cx 2 wobei X 1 (Q1 abc) (2) Q2 a bX cX 2 wobei X 2 (Q2 a 2b 4c) (3) Q3 a bX cX 2 wobei X 3 (Q3 a 3b 9c) die drei Gleichungen gleichzeitig lösen Um die Gleichung 1 (1) aus Gleichung 2 (2) zu subtrahieren und für b zu lösen: (2) ndash (1) Q2 ndash Q1 b 3c b (Q2 ndash Q1) ndash 3c Ersetzen Sie diese Gleichung für B in Gleichung (3): (3) Q3 a 3 (Q2 ndash Q1) ndash 3c 9c a Q3 ndash 3 (Q2 ndash Q1) Schließlich ersetzen diese Gleichungen für a und b in Gleichung (1): (1) Q3 ndash 3 (Q2 ndash Q1) (Q2 ndash Q1) ndash 3c c Q1 c (Q3 ndash Q2) (Q1 ndash Q2) 2 Das zweite Grad Approximation-Verfahren berechnet a, b und c wie folgt: a Q3 ndash 3 (Q2 ndash Q1 ) 370 ndash 3 (400 ndash 384) 370 ndash 3 (16) 322 b (Q2 ndash Q1) ndash3c (400 ndash 384) ndash (3 mal ndash23) 16 69 85 c (Q3 ndash Q2) (Q1 ndash Q2) 2 ( 370 ndash 400) (384 ndash 400) 2 ndash23 Dies ist eine Berechnung der Annäherungsprognose des zweiten Grades: Y a bX cX 2 322 85X (ndash23) (X 2) Wenn X 4, Q4 322 340 ndash 368 294. Die Prognose entspricht 294 3 98 pro Zeitraum. Wenn X 5, Q5 322 425 ndash 575 172. Die Prognose entspricht 172 3 58,33 abgerundet auf 57 pro Periode. Wenn X 6, Q6 322 510 ndash 828 4. Die Prognose entspricht 4 3 1,33 gerundet auf 1 pro Periode. Dies ist die Prognose für das nächste Jahr, letztes Jahr zu diesem Jahr: 3.2.8 Methode 8: Flexible Methode Diese Methode ermöglicht es Ihnen, die bestmögliche Anzahl von Perioden des Kundenauftragsverlaufs auszuwählen, der n Monate vor dem voraussichtlichen Startdatum beginnt Eine prozentuale Erhöhung oder Verringerung des Multiplikationsfaktors anwenden, um die Prognose zu ändern. Diese Methode ähnelt Methode 1, Prozent über letztes Jahr, außer dass Sie die Anzahl der Perioden angeben können, die Sie als Basis verwenden. Abhängig davon, was Sie als n wählen, benötigt diese Methode Perioden, die am besten passen, plus die Anzahl der angegebenen Perioden der Verkaufsdaten. Diese Methode ist nützlich, um die Nachfrage nach einem geplanten Trend zu prognostizieren. 3.2.8.1 Beispiel: Methode 8: Flexible Methode Die Flexible Methode (Prozent über n Monate vorher) ähnelt Methode 1, Prozent über letztes Jahr. Beide Methoden multiplizieren die Verkaufsdaten aus einer früheren Zeitspanne mit einem von Ihnen angegebenen Faktor und projizieren dann das Ergebnis in die Zukunft. In der Percent Over Last Year Methode basiert die Projektion auf Daten aus dem gleichen Zeitraum im Vorjahr. Sie können auch die Flexible Methode verwenden, um einen Zeitraum anzugeben, der nicht der gleiche Zeitraum im letzten Jahr ist, als Grundlage für die Berechnungen zu verwenden. Multiplikationsfaktor Geben Sie z. B. 110 in der Verarbeitungsoption an, um die vorherigen Verkaufsgeschichtsdaten um 10 Prozent zu erhöhen. Basisperiode Zum Beispiel, n 4 bewirkt, dass die erste Prognose auf Umsatzdaten im September des vergangenen Jahres basiert. Mindestens erforderliche Verkaufsgeschichte: Die Anzahl der Perioden zurück zur Basisperiode plus die Anzahl der Zeiträume, die für die Bewertung der Prognoseleistung erforderlich sind (Perioden der besten Anpassung). Diese Tabelle ist Geschichte, die in der Prognoseberechnung verwendet wird: 3.2.9 Methode 9: Gewichteter beweglicher Durchschnitt Die gewichtete bewegliche durchschnittliche Formel ist ähnlich wie Methode 4, Moving Average Formel, weil es im Durchschnitt der vorherigen Monatsverkäufe geschieht, um die nächste Monatsverkaufsgeschichte zu projizieren. Mit dieser Formel können Sie jedoch Gewichte für jede der Vorperioden zuordnen. Diese Methode erfordert die Anzahl der gewählten Perioden plus die Anzahl der Perioden am besten passende Daten. Ähnlich wie Moving Average ist diese Methode hinter den Nachfragetrends zurückgegangen, so dass diese Methode nicht für Produkte mit starken Trends oder Saisonalität empfohlen wird. Diese Methode ist nützlich, um die Nachfrage nach ausgereiften Produkten mit einer Nachfrage zu veranschlagen, die relativ gleich ist. 3.2.9.1 Beispiel: Methode 9: Gewichteter bewegter Durchschnitt Die Methode der gewichteten beweglichen Mittelwerte (WMA) ähnelt Methode 4, Moving Average (MA). Allerdings können Sie bei der Verwendung von WMA ungleiche Gewichte den historischen Daten zuordnen. Die Methode berechnet einen gewichteten Durchschnitt der letzten Verkaufsgeschichte, um kurzfristig eine Projektion zu erreichen. Neuere Daten werden in der Regel ein größeres Gewicht als ältere Daten zugewiesen, so dass WMA eher auf Verschiebungen in der Ebene des Umsatzes reagiert. Allerdings treten prognostizierte Vorurteile und systematische Fehler auf, wenn die Produktverkäufe Geschichte starke Tendenzen oder saisonale Muster aufweist. Diese Methode eignet sich besser für kurzfristige Prognosen von reifen Produkten als für Produkte in den Wachstums - oder Obsoleszenzstadien des Lebenszyklus. Die Anzahl der Perioden der Verkaufsgeschichte (n), die in der Prognoseberechnung verwendet werden soll. Geben Sie z. B. n 4 in der Verarbeitungsoption an, um die letzten vier Perioden als Grundlage für die Projektion in den nächsten Zeitraum zu verwenden. Ein großer Wert für n (z. B. 12) erfordert mehr Verkaufsgeschichte. Ein solcher Wert führt zu einer stabilen Prognose, aber es ist langsam, Verschiebungen im Umsatz zu erkennen. Umgekehrt reagiert ein kleiner Wert für n (wie z. B. 3) schneller auf Verschiebungen im Umsatz, aber die Prognose könnte so weit schwanken, dass die Produktion nicht auf die Variationen reagieren kann. Die Gesamtzahl der Perioden für die Verarbeitungsoption rdquo14 - Perioden zu includerdquo sollte 12 Monate nicht überschreiten. Das Gewicht, das jeder der historischen Datenperioden zugeordnet ist. Die zugewiesene Gewichte müssen 1,00 betragen. Zum Beispiel, wenn n 4, Gewichte von 0,50, 0,25, 0,15 und 0,10 mit den letzten Daten, die das größte Gewicht erhalten. Mindestens erforderliche Verkaufsgeschichte: n plus die Anzahl der Zeiträume, die für die Bewertung der Prognoseleistung (Perioden der besten Passung) erforderlich sind. Diese Tabelle wird in der Prognoseberechnung verwendet: Januar-Prognose entspricht (131 mal 0,10) (114 mal 0,15) (119 mal 0,25) (137 mal 0,50) (0,10 0,15 0,25 0,50) 128,45 gerundet auf 128. Februar-Prognose entspricht (114 mal 0,10) (137 mal 0,25) (137 mal 0,25) (137 mal 0,25) (128 mal 0,50) 1 127,5 gerundet auf 128. März-Vorhersage gleich (119 mal 0,10) (137 mal 0,15) (128 mal 0,25) (128 mal 0,50) 1 128,45 gerundet 128. 3.2.10 Methode 10: Lineare Glättung Diese Methode berechnet einen gewichteten Durchschnitt der vergangenen Verkaufsdaten. Bei der Berechnung verwendet diese Methode die Anzahl der Perioden des Kundenauftragsverlaufs (von 1 bis 12), die in der Verarbeitungsoption angegeben ist. Das System nutzt eine mathematische Progression, um Daten im Bereich vom ersten (geringsten Gewicht) bis zum endgültigen (größten Gewicht) zu wiegen. Dann projiziert das System diese Informationen zu jeder Periode in der Prognose. Diese Methode erfordert für die Anzahl der Perioden, die in der Verarbeitungsoption angegeben sind, die Monate am besten. 3.2.10.1 Beispiel: Methode 10: Lineare Glättung Diese Methode ähnelt Methode 9, WMA. Jedoch wird anstelle der willkürlichen Zuordnung von Gewichten zu den historischen Daten eine Formel verwendet, um Gewichte zuzuordnen, die linear abfallen und auf 1,00 summieren. Die Methode berechnet dann einen gewichteten Durchschnitt der letzten Verkaufsgeschichte, um kurzfristig eine Projektion zu erreichen. Wie alle linearen gleitenden durchschnittlichen Prognosetechniken, Prognose Bias und systematische Fehler auftreten, wenn die Produktverkäufe Geschichte zeigt starke Trend oder saisonale Muster. Diese Methode eignet sich besser für kurzfristige Prognosen von reifen Produkten als für Produkte in den Wachstums - oder Obsoleszenzstadien des Lebenszyklus. N entspricht der Anzahl der Perioden der Verkaufsgeschichte, die in der Prognoseberechnung verwendet werden soll. Beispielsweise ist n gleich 4 in der Verarbeitungsoption, um die letzten vier Perioden als Grundlage für die Projektion in den nächsten Zeitraum zu verwenden. Das System ordnet die Gewichte automatisch den historischen Daten zu, die linear abfallen und auf 1,00 summieren. Wenn z. B. n gleich 4 ist, weist das System Gewichte von 0,4, 0,3, 0,2 und 0,1 zu, wobei die letzten Daten das größte Gewicht erhalten. Mindestens erforderliche Verkaufsgeschichte: n plus die Anzahl der Zeiträume, die für die Bewertung der Prognoseleistung (Perioden der besten Passung) erforderlich sind. Diese Tabelle wird in der Prognoseberechnung verwendet: 3.2.11 Methode 11: Exponentielle Glättung Diese Methode berechnet einen geglätteten Durchschnitt, der zu einer Schätzung wird, die das allgemeine Umsatzniveau über die ausgewählten historischen Datenperioden darstellt. Diese Methode erfordert die Verkaufsdatenhistorie für den Zeitraum, der durch die Anzahl der Perioden am besten angepasst wird, sowie die Anzahl der angegebenen historischen Datenperioden. Die Mindestanforderung ist zwei historische Datenperioden. Diese Methode ist nützlich, um die Nachfrage zu prognostizieren, wenn kein linearer Trend in den Daten liegt. 3.2.11.1 Beispiel: Methode 11: Exponentielle Glättung Diese Methode ähnelt Methode 10, Lineare Glättung. Bei der linearen Glättung weist das System Gewichte auf, die linear den historischen Daten abweichen. In der exponentiellen Glättung weist das System Gewichte auf, die exponentiell abklingen. Die Gleichung für die Exponential-Glättungsvorhersage lautet: Prognose-Alpha (vorherige Ist-Verkäufe) (1 ndashalpha) (vorherige Prognose) Die Prognose ist ein gewichteter Durchschnitt des tatsächlichen Umsatzes aus der Vorperiode und der Prognose aus der Vorperiode. Alpha ist das Gewicht, das auf den tatsächlichen Umsatz für die vorherige Periode angewendet wird. (1 ndash alpha) ist das Gewicht, das auf die Prognose für die vorherige Periode angewendet wird. Werte für Alpha-Bereich von 0 bis 1 und fallen normalerweise zwischen 0,1 und 0,4. Die Summe der Gewichte beträgt 1,00 (alpha (1 ndash alpha) 1). Sie sollten einen Wert für die Glättungskonstante, alpha, zuweisen. Wenn Sie keinen Wert für die Glättungskonstante zuordnen, berechnet das System einen angenommenen Wert, der auf der Anzahl der Perioden des Verkaufsverlaufs basiert, die in der Verarbeitungsoption angegeben ist. Alpha entspricht der Glättungskonstante, die verwendet wird, um den geglätteten Durchschnitt für das allgemeine Niveau oder die Größe des Umsatzes zu berechnen. Werte für Alpha-Bereich von 0 bis 1. n entspricht dem Bereich der Verkaufsverlaufdaten, die in die Berechnungen enthalten sind. Im Allgemeinen reicht ein Jahr der Verkaufsgeschichte Daten aus, um das allgemeine Umsatzniveau abzuschätzen. Für dieses Beispiel wurde ein kleiner Wert für n (n 4) gewählt, um die manuellen Berechnungen zu reduzieren, die erforderlich sind, um die Ergebnisse zu verifizieren. Exponentielle Glättung kann eine Prognose erzeugen, die auf so wenig wie einem historischen Datenpunkt basiert. Mindestens erforderliche Verkaufsgeschichte: n plus die Anzahl der Zeiträume, die für die Bewertung der Prognoseleistung (Perioden der besten Passung) erforderlich sind. Diese Tabelle wird in der Prognoseberechnung verwendet: 3.2.12 Methode 12: Exponentielle Glättung mit Trend und Saisonalität Diese Methode berechnet einen Trend, einen saisonalen Index und einen exponentiell geglätteten Durchschnitt aus dem Kundenauftragsverlauf. Das System wendet dann eine Projektion des Trends auf die Prognose an und passt sich dem Saisonindex an. Diese Methode erfordert die Anzahl der Perioden am besten fit plus zwei Jahre der Verkaufsdaten, und ist nützlich für Elemente, die sowohl Trend und Saisonalität in der Prognose haben. Sie können den Alpha - und Beta-Faktor eingeben oder das System berechnen. Alpha - und Beta-Faktoren sind die Glättungskonstante, die das System verwendet, um den geglätteten Durchschnitt für das allgemeine Niveau oder die Größe des Umsatzes (Alpha) und die Trendkomponente der Prognose (Beta) zu berechnen. 3.2.12.1 Beispiel: Methode 12: Exponentielle Glättung mit Trend und Saisonalität Diese Methode ähnelt Methode 11, Exponential-Glättung, indem ein geglätteter Durchschnitt berechnet wird. Allerdings enthält das Verfahren 12 auch einen Begriff in der Prognosegleichung, um einen geglätteten Trend zu berechnen. Die Prognose besteht aus einem geglätteten Durchschnitt, der für einen linearen Trend angepasst ist. Wenn in der Verarbeitungsoption angegeben, wird die Prognose auch für Saisonalität angepasst. Alpha entspricht der Glättungskonstante, die bei der Berechnung des geglätteten Durchschnitts für das allgemeine Niveau oder die Größe des Umsatzes verwendet wird. Werte für Alpha-Bereich von 0 bis 1. Beta entspricht der Glättungskonstante, die bei der Berechnung des geglätteten Durchschnitts für die Trendkomponente der Prognose verwendet wird. Werte für Beta reichen von 0 bis 1. Ob ein saisonaler Index auf die Prognose angewendet wird. Alpha und Beta sind unabhängig voneinander. Sie müssen nicht auf 1,0 summieren. Mindestens erforderliche Verkaufsgeschichte: Ein Jahr plus die Anzahl der Zeiträume, die erforderlich sind, um die Prognoseleistung zu bewerten (Perioden der besten Passform). Wenn zwei oder mehr Jahre historische Daten vorliegen, verwendet das System zwei Jahre Daten in den Berechnungen. Methode 12 verwendet zwei exponentielle Glättungsgleichungen und einen einfachen Durchschnitt, um einen geglätteten Durchschnitt, einen geglätteten Trend und einen einfachen durchschnittlichen saisonalen Index zu berechnen. Ein exponentiell geglätteter Durchschnitt: Ein exponentiell geglätteter Trend: Ein einfacher durchschnittlicher saisonaler Index: Abbildung 3-3 Einfacher durchschnittlicher Saisonindex Die Prognose wird dann unter Verwendung der Ergebnisse der drei Gleichungen berechnet: L ist die Länge der Saisonalität (L entspricht 12 Monaten oder 52 Wochen). T ist die aktuelle Zeitspanne. M ist die Anzahl der Zeiträume in die Zukunft der Prognose. S ist der multiplikative saisonale Anpassungsfaktor, der auf den entsprechenden Zeitraum indiziert ist. Diese Tabelle enthält die in der Prognoseberechnung verwendete Geschichte: Dieser Abschnitt enthält einen Überblick über die Prognoseauswertungen und erörtert: Sie können Prognosemethoden auswählen, um bis zu 12 Prognosen für jedes Produkt zu generieren. Jede Prognosemethode könnte eine etwas andere Projektion erzeugen. Wenn Tausende von Produkten prognostiziert werden, ist eine subjektive Entscheidung unpraktisch, welche Prognose in den Plänen für jedes Produkt zu verwenden ist. Das System wertet automatisch die Leistung für jede Prognosemethode aus, die Sie auswählen und für jedes Produkt, das Sie prognostizieren. Sie können zwischen zwei Leistungskriterien wählen: MAD und POA. MAD ist ein Maß für Prognosefehler. POA ist ein Maß für die Prognose-Bias. Beide dieser Leistungsbewertungstechniken erfordern für einen von Ihnen angegebenen Zeitraum die tatsächlichen Verkaufsgeschichte. Die Zeit der letzten Geschichte, die für die Auswertung verwendet wird, wird als Haltezeit oder Periode der besten Passung bezeichnet. Um die Leistung einer Prognosemethode zu messen, verwendet das System die Prognoseformeln, um eine Prognose für die historische Holdout-Periode zu simulieren. Macht einen Vergleich zwischen den tatsächlichen Verkaufsdaten und der simulierten Prognose für den Haltezeitraum. Wenn Sie mehrere Prognosemethoden auswählen, tritt dieser Vorgang für jede Methode auf. Mehrere Prognosen werden für die Halteperiode berechnet und im Vergleich zur bekannten Verkaufsgeschichte für denselben Zeitraum verglichen. Die Prognosemethode, die die bestmögliche Übereinstimmung zwischen der Prognose und den tatsächlichen Verkäufen während des Haltezeitraums erzeugt, wird für die Verwendung in den Plänen empfohlen. Diese Empfehlung ist für jedes Produkt spezifisch und kann sich jedes Mal ändern, wenn Sie eine Prognose generieren. 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 ist ein Maß für die durchschnittliche Größe der zu erwartenden Fehler, bei einer Prognosemethode und Datenhistorie. Da bei der Berechnung absolute Werte verwendet werden, werden bei positiven Fehlern keine negativen Fehler ausgelöst. 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. Wenn die Prognosen konsequent zu hoch sind, sammeln sich die Bestände an und die Inventurkosten steigen. 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 den Diensten ist die Größenordnung der Prognosefehler in der Regel wichtiger als die Vorhersage. 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