수요 예측 이동 평균법

가중 된 이동 평균 예측 방법 장점과 단점. 안녕하세요, 귀하의 포스트를 생각해보십시오. 더 자세히 설명 할 수 있을지 궁금합니다. SAP를 사용합니다. 초기화라는 예측을 실행하기 전에 선택할 수있는 선택 항목이 있습니다. 이 옵션을 선택하면 예측 결과 , 같은 기간에 다시 예측을 실행하고 결과를 변경하지 않은 경우 초기화가 수행하는 작업을 알아낼 수 없습니다. 즉, 수학적으로 예측할 수 있습니다. 예를 들어 어떤 예측 결과를 저장하고 사용하는 것이 가장 좋습니다 예측 된 수량이 아니라 MAD 및 오류, 안전 재고 및 ROP 수량 SAP. hi를 사용하면 확실하지 않습니다. 너무 효율적으로 설명해 주셔서 감사드립니다. Jaspreet. Leave Reply 답장을 취소하십시오. Shmula. Pete Abilla에 대해 Shmula의 창립자이자 인물 인 Kanban Cody 그는 Amazon, Zappos, eBay, Backcountry 등의 회사가 비용을 절감하고 고객 경험을 향상시키는 데 도움을주었습니다. 체계적인 방법으로이를 수행합니다. 고객과 비즈니스에 영향을 미치는 문제점을 파악하고 회사 동료가 자신의 프로세스를 개선 할 수 있도록 폭 넓은 참여를 장려합니다. 이 웹 사이트는 자신이 공유하고자하는 자신의 경험을 모아 놓은 것입니다. 무료 다운로드를 시작하십시오. 예측 예측 의미 , 유형, 기술 및 방법 경제학. 변화의 해수면이 인간 사회에 의해 계승 된 가장 확고한 구조를 휩쓸고있는 세계에서 방송물은 평생 동안 비즈니스가되고 있습니다. 상공 회의소는 처음 사상자 중 한 곳으로 생존합니다. 경제적 포식자의 나이는 미래를 예측하는 전술, 재능 및 기법을 필요로합니다. 미래의 방송은 생존의 신호와 비즈니스의 언어가됩니다. 비즈니스 분야의 모든 요구 사항은 정확하고 실질적인 미래의 기술을 필요로합니다. 따라서 예측은 비즈니스 생존을위한 매우 필수적인 요구 사항 영업 계획은 모든 회사 계획이 시장 및 매출 측면에서 구축되는 토대이기 때문에 특히 중요합니다. 비즈니스가 변화의 연속적인 상태가 아니라면 어떤 문제가 될 것입니다. 최근 몇 년간 급격히 성장했습니다. 영업, 비용 및 이익면에서 미래 전망을 예측하는 것이 점점 더 중요 해지고 있습니다. 미래 매출의 가치는 비용 이익에 영향을 미치므로 중요합니다. 따라서 미래 판매 예측은 논리적입니다 예측은 미래의 상황에 대한 예측 또는 예측입니다 미래의 행동 과정에 대한 객관적인 평가 미래가 불확실하기 때문에 어떤 예측도 정확하지 않을 수 있습니다 예측은 실제로 자연적으로뿐만 아니라 물리적으로도 가능합니다 더 현실적인 예측, 내일을 위해 더 효과적인 결정을 취할 수 있습니다. Cundiff and Still의 말에서, 수요 예측은 매출 d의 추정치입니다 제안 된 마케팅 계획에 묶여 있고 통제 불가능한 특정 경쟁 요소를 가정 한 미래의 특정 기간을 예측합니다. 따라서 수요 예측은 선택한 마케팅 계획 및 환경을 기반으로하는 회사의 예상 판매 수준을 예측 한 것입니다. Prepare Sales Forecastpanies는 일반적으로 3 단계 절차를 사용하여 판매 예측을 준비합니다. 환경 예측을 수행 한 다음 업계 예측을 따르고 회사 판매 예측, 환경 예측에서 인플레이션, 실업, 이자율, 소비자 예측을 요구합니다. 소비, 절약, 기업 투자, 정부 지출, 순 수출 및 기타 환경 규모 및 회사에 중요한 이벤트를 포함합니다. 업계 예측은 소비자의 의도 조사 및 통계 동향 분석을 기반으로합니다. 상거래 (ent コマース) 회사 전체에 속한 타인의 방향에 관한 표시를 줄 수있다. stry는 움직일 것입니다. 회사는 특정 시장 점유율을 차지할 것이라고 가정하여 판매 예측을 도출합니다. 모든 예측은 세 개의 정보베이스 중 하나에 구축됩니다. 사람들이 말한 것. 사람들이 한 일. 예측 유형. 로 분류된다. 나는 수동적 예측과. ii 능동적 예측 미래에 대한 수동적 예측 예측 하에서는 회사가 행동의 과정을 변경하지 않는다는 가정에 기반을 둡니다. 능동적 인 예측 하에서 예측은 회사의 행동에 대한 미래의 변화 가능성의 조건 하에서 수행됩니다. 관점 예측 시간은 두 가지로 분류 할 수 있습니다. i 단기 수요 예측 및 장기 수요 예측 단기 예측에서는 계절 패턴이 매우 중요합니다. 3 개월, 6 개월 또는 1 년의 기간을 포괄 할 수 있습니다. 전술적 의사 결정에 필요한 정보를 제공하는 것입니다. 기간은 선택은 비즈니스의 성격에 따라 다릅니다. 이러한 예측은 적절한 영업 정책을 준비하는 데 도움이됩니다. 장기 예측은 적절한 자본 계획에 도움이됩니다. 주요 전략 결정에 필요한 정보를 제공합니다. 자재, 시간, 기계 시간의 낭비를 줄이는 데 도움이됩니다 그리고 용량 새로운 단위의 계획은 회사의 제품의 장기 수요 잠재력의 분석으로 시작해야합니다. 기본적으로 두 가지 유형의 예측이 있습니다. i 예측의 외부 또는 국내 그룹 ii 내부 또는 회사 그룹 예측 외부 예측은 일반적인 비즈니스의 추세와 관련됩니다. 일반적으로 회사의 연구 조사 또는 외부 컨설턴트에 의해 준비됩니다. 내부 예측에는 기업의 운영과 관련된 모든 것이 포함됩니다 생산 그룹 및 재무 그룹과 같은 특정 기업 내부 예측의 구조에는 연간 매출 예측, 제품 원가 예측, 영업 이익 예측, 과세 소득 예측, 현금 자원 예측, 직원 수 예측 등이 ​​포함됩니다 , 등등. 다른 수준 예측은으로 분류 될지도 모른다. i 매크로 수준 예측. ii 업계 수준의 예측. iii 확고한 수준 예측 및. iv 제품 라인 예측. 마크로 레벨 예측은 전체 경제에 대한 비즈니스 조건과 관련됩니다. 이는 산업 생산, 국가 수입 또는 지출의 적절한 지수로 측정됩니다. 산업별 예측은 여러 무역 협회가 준비합니다. 소비자의 의도 분석 및 통계 동향 분석 기업 차원의 예측은 개별 기업과 관련됩니다. 경영 관점에서 가장 중요합니다. 제품 라인 예측은 회사가 제품 또는 제품 중 어느 것이 회사 할당에 우선 순위를 두어야 하는지를 결정하는 데 도움이됩니다 일반적으로 예측은 일반적으로 기업에 유용 할 수 있습니다. 많은 기업이 특정 제품 및 특정 영역에 대해 별도의 예측을 요구합니다. 이 일반적인 예측은 특정 예측으로 나뉩니다. 다양한 유형의 제품에 대한 예측. 비 내구 소비재에 대한 수요 예측. ii 내구 소비재에 대한 수요 예측. iii 자본재에 대한 수요 예측. iv 신제품에 대한 수요 예측. 비 내구성 소비재. 일회용 소비재 또는 부패성 소비재로도 알려져 있음. 소비의 단일 행위 이후 사라짐. 식품, 우유, 의약품, 과일 등과 같은 제품을 포함합니다. 수요 이 상품들은 가사 일회용 소득, 상품 가격 및 관련 상품 및 인구 및 특성에 따라 다릅니다. Symbolically. Dc fy, s, p, pr 여기서, Dc는 상품 수요입니다. 가계 가처분 소득. p 상품의 가격. p 관련 상품의 가격. i Dc fyie로 표시되는 일회용 소득 다른 조건이 동일 할 때, 상품에 대한 수요는 가구의 가처분 소득에 달려 있습니다. 가택의 가처분 소득은 개인 소득에서 개인 세금 공제 후 추정됩니다. 가처분 소득은 구매에 대한 아이디어를줍니다 세대의 권력. ii 가격은 Dc fp로 표현되며, 다른 것들은 평등하다. 상품 수요는 그 자체의 가격과 관련 상품의 가격에 의존한다. 상품 수요는 그 보완 물의 자체 가격과 반비례 관계지만, 대용품 비 내구 소비재의 가격 탄력성과 교차 탄력성은 수요 예측에 도움이됩니다. iii Dc f 5로 표현되는 인구, 즉 다른 것들이 동일하다면, 상품에 대한 수요는 인구의 크기와 그 구성에 달려있다. 게다가 인구는 또한 성, 소득, 문맹 퇴치 및 사회적 지위에 따라 분류 될 수있다. 비 내구성에 대한 수요 소비재는 이러한 모든 요인들에 의해 영향을 받는다. 일반 수요 예측 인구가 전체적으로 고려 되기는하지만, 특정 수요 예측을 위해 다른 특성에 따른 인구 분포가 더 유용하다고 증명된다. 소비재. 이러한 소비재는 숫자로 소비 될 수있다. 시간 낭비없이 반복적으로 사용됨. 이들은 자동차, TV 에어콘, 가구 등의 제품을 포함합니다. 장시간 사용 후에는 소비자가 미래에 소비되거나 폐기 될 수있는 선택권이 있습니다. 다음 요인에 따라. i 소비자가 내구성있는 재화의 교체를 위해 갈 것인지 또는 필요한 수리 후에 사용을 계속할 것인지는 그의 사회적 지위, 돈 수입, 취향 및 패션 등에 달려 있습니다. 재배치 수요는 주식의 증가와 함께 증가하는 경향이 있습니다. 소비자와의 거래 회사는 평균 기대 비용 테이블을 통해 평균 교체 비용을 추정 할 수 있습니다. ii 대부분의 내구재는 가족 구성원이 공동으로 사용합니다. 예를 들어, TV 냉장고 등은 가정에서 공통적으로 사용됩니다. 일반적으로 사용되는 제품에 대한 수요 예측은 전체 인구 규모보다는 가구 수를 고려해야합니다. 가구 수, 가구 소득, 아동 수 및 성 구성 등을 고려해야한다. iii 내구 소비재에 대한 수요는 동종 시설의 이용 가능성에 달려있다. 예를 들어, TV 냉장고의 사용은 정기적 인 전력 공급이 필요하고, 자동차의 사용에는 연료의 가용성이 필요하다. 내구 소비재에 대한 수요를 예측하는 동안, 비용도 고려해야합니다. iv 내구 소비재에 대한 수요는 가격 및 신용 대출 기관의 영향을 크게 받는다 내구 소비재는 가격 변동에 매우 민감하다. 가격이 조금 떨어지면 수요가 크게 증가 할 수있다. 자본재에 대한 수요가 증가한다. 생산 자본재에 대한 수요는 파생 된 것입니다. 그것은 산업의 수익성에 달려 있습니다. 자본재에 대한 수요는 파생 된 수요의 경우입니다. 특정 자본재의 경우 수요는 그들이 서비스하는 특정 시장과 최종 용도에 따라 달라질 것입니다 섬유 기계에 대한 수요는 예를 들어 새로운 단위와 기존 기계의 교체에 대한 섬유 산업의 확장에 의해 결정될 것이다. 따라서 새로운 수요와 교체 수요의 추정은 필요하다. 자본재에 대한 수요를 예측할 때 자료가 필요하다. a 사용자 산업의 성장 전망을 알아야합니다. b 각 최종 사용 제품의 단위당 자본재 소비 규범을 알고 있어야하며, c 사용 속도. 신제품에 대한 수요 예측. 신제품 수요를 예측하는 방법은 여러 가지면에서 기존 제품과 다르다. 제품이 소비자에게 새로운 것이기 때문에 제품에 대한 집중적 인 연구와 그로 인한 영향 같은 그룹의 다른 제품들이 지능형 수요 예측에 열쇠를 제공합니다. 조엘 딘 (Joe Dean)은 가능한 많은 접근 방식을 다음과 같이 분류했습니다. 진화 적 접근법 (Evolutionary Approach). 기존 제품의 생성 및 진화로서 신제품에 대한 수요를 예측하는 것으로 구성됩니다. b 대체 접근법. 이 접근법에 따라 신제품은 기존 제품 또는 서비스의 대체품으로 취급됩니다. c 성장 곡선 접근법. 신제품의 성장률 및 잠재 수요를 기존 제품의 성장 패턴의 기초로 추정합니다. D Opinion-Poll Approach. 이 접근법에 따라 수요는 궁극적 인 소비자의 직접적인 질문에 의해 추정됩니다. e Sales Experience Approach. 이 방법에 따라 신제품에 대한 수요는 샘플 시장에서 판매 할 신제품을 제공함으로써 추정됩니다. 이 방법을 통해 소비자의 요구, 취향 및 선호도를 판단 할 수있는 전문 딜러를 통해 간접적으로 새로운 제품에 대한 소비자 반응을 파악할 수 있습니다. 비 내구성 소비재에 대한 수요 예측과 관련된 다양한 단계 다음과 같습니다. a) 제품에 대한 수요에 영향을 미치는 변수를 식별하고 적절한 형식으로 표현하며, b) 관련 데이터 또는 관련 데이터를 근사하여 변수를 표현하고, c) 통계적 분석 방법을 사용하여 종속 요소와 독립 요소 간의 가장 가능성있는 관계를 결정합니다. 예측 기법은 예측하기 어려운 과제입니다. 변화하는 환경 하에서 미래를 예측하는 것은 힘든 과제입니다. 소비자 행동은 여러 가지 힘에 의해 동기 부여되고 영향을 받기 때문에 가장 예측하기 어려운 것입니다. 쉬운 방법이나 간단한 방법이 없습니다. 관리자가 미래를 예측할 수있게하는 공식. 경제 학자와 통계 학자는 수요 예측의 몇 가지 방법을 개발했습니다. 이러한 각각의 방법에는 상대적으로 장점과 단점이 있습니다. 올바른 방법을 선택하는 것은 수요 예측을 정확하게하는 데 필수적입니다. 수요 예측에서, 통계 기술 및 합리적인 판단 관계를 분류하고 분석 기술을 제공하는 데있어 수학적 통계 기법이 필수적이지만 건전한 판단을위한 대안이 될 수는 없습니다. 건전한 판단은 좋은 예측을위한 필수 요건입니다. 판단은 사실과 개인 편견에 근거해야합니다. 따라서 예측 자의 일반적인 방법은 아래에 설명되어 있습니다. 수요 예측의 다양한 방법은 다음에서 요약 할 수 있습니다. Table 1.1 Opinion Polling Method에서 볼 수있는 차트의 형식. 이 방법에서는 구매자, 영업 인력 및 전문가의 의견을 수렴하여 시장의 새로운 트렌드를 결정할 수 있습니다. 수요 예측의 여론 조사 방법은 세 가지 종류. 소비자의 설문 조사 방법 또는 구매자의 의도 설문 조사. 이 방법에서는 소비자가 직접적으로 향후 구매 계획을 공개합니다. 해당 소비자로부터 모든 소비자 또는 선택된 소비자 그룹을 인터뷰하여 수행됩니다. 단기적으로 수요 예측의 직접적인 방법 여기서 예측의 부담은 구매자로 이동합니다. 회사가 전체 열거 또는 샘플 조사를 위해 들어갈 수 있습니다. 고려중인 상품이 중간 제품 인 경우 최종 제품으로 사용하는 산업은 다음과 같습니다. 조사했다. 전 열거 조사를 완료하십시오. 전체 열거 조사에서 회사는 해당 지역의 모든 세대에 연락하여 예측 기간에 대한 방문 조사를해야합니다. 이 방법은 처음 손에 편견없는 정보의 장점을 가지고 있지만 단점의 공유 또한이 방법의 주요 한계는 많은 자원, 인력 및 시간을 필요로한다는 것입니다. 이 방법에서 소비자는 개인 정보 보호 또는 상업 비밀로 인해 구매 계획을 밝히기를 꺼릴 수 있습니다. 자신의 의견을 적절히 표명하지 않거나 고의적으로 조사자를 오도 할 수 있습니다. ii 표본 조사 및 시험 마케팅. 이 방법으로 일부 대표적인 가구를 표본으로 무작위로 선택하고 그 의견을 일반화 된 의견으로 취합니다. 이 방법은 표본이 실제로 인구를 나타내는 것으로 가정합니다. 표본이 사실이면 대표자 인 경우, 설문 조사에서 얻은 결과에는 큰 차이가 없을 것입니다. 그 외에도이 방법은 지루하고 비용이 적습니다. 표본 조사 기술의 변형은 테스트 마케팅입니다. 제품 테스트는 기본적으로 사용자가 특정 기간 동안 제품에 대한 반응을 기록한 후 예상 결과가 예상대로 예상됩니다. 이는 신제품 또는 이전 데이터가없는 근본적으로 수정 된 오래된 제품에 적합합니다. 밀접하게 정의 된 지역 그래픽 영역에서 국가적 발사를 자극하기 때문에 가능성있는 수요를 예측하는 과학적 방법. iii 최종 사용 방법 또는 입출력 방법. 이 방법은 주로 생산자 제품 인 산업에 매우 유용합니다. 이 방법에서는 고려중인 제품의 판매가이 제품을 사용하는 산업에 대한 수요 조사의 기준으로 예측됩니다 즉, 최종 제품에 대한 수요는이 최종 제품의 생산에 사용 된 중간 제품의 최종 사용자 수요입니다. 중간 제품의 최종 사용자 수요 예측은 가정에서이 제품을 사용하는 많은 최종 산업을 포함 할 수 있습니다 그리고 해외에서 그것은 산업 간의 관계를 이해하는 데 도움이됩니다. 입출력 회계에서 사용되는 두 개의 행렬은 거래 행렬과 입력 된 공률 행렬입니다. 이 유형에서 요구되는 주요 노력은 운영 방식이 아니라 데이터 수집 및 표현입니다 . b Sales Force Opinion Method. 이것은 집단 의견 방법이라고도합니다. 이 방법에서는 소비자 대신 영업 사원의 의견을 구합니다. 각 판매가 필요한 상향식 방법이기 때문에 때로는 풀뿌리 방식이라고도합니다. 개인의 특정 판매 지역에 대한 개별 예측을 수행합니다. 이러한 개별 예측은 영업 관리자와 논의되고 동의됩니다. 모든 예측의 조합이 조직의 판매 예측을 구성합니다. 이 방법의 장점은 다음과 같습니다. 쉽고 저렴합니다. 정교한 통계 처리가 필요 없습니다. 이 방법의 주된 장점은 영업 사원의 집단적 지혜입니다. 이 방법은 신제품 판매 예측에 더 유용합니다. c Experts Opinion Method. 이 방법은 Delphi Technique of Investigation으로도 알려져 있습니다. Delphi 방법은 한 설문에 대한 응답을 사용하여 다음 설문지를 작성하는 일련의 설문을 통해 심문을받는 전문가 패널을 필요로합니다. 일부 전문가는 물론 다른 사람이 아닌 모든 전문가에게 전달되므로 모든 전문가가 예측을위한 모든 정보에 액세스 할 수 있습니다. 이 방법은 신제품의 잠재 매출을 예측하기위한 장기 예측에 사용됩니다. 이 방법은 두 가지 조건을 가정합니다. 첫째, 전문 지식이 풍부하고 다양한 지식과 경험을 소유 할 수 있습니다. 둘째, 지휘자는 자신의 직무에서 객관적입니다. 이 방법은 시간과 기타 자원을 절약 할 수있는 독점적 인 이점을 가지고 있습니다 .2 통계 방법. 통계 방법은 수요 예측에 매우 유용합니다 객관성을 유지하기 위해서는 모든 함의를 고려하고 문제를보아야합니다. 외부 관점에서 통계 방법이 사용됩니다. 중요한 통계 방법은 다음과 같습니다. i 추세 투영 방법. 오랜 기간 동안 존재하는 회사는 지난 몇 년간 판매에 관한 자체 데이터를 갖습니다. 이러한 데이터는 시계열이라고하는 것을 시간순으로 정리할 때 시계열은 정상적인 특정 제품에 대한 실제 수요가있는 과거 매출을 보여줍니다 조건 이러한 데이터는 추가 분석을 위해 표 형식 또는 그래픽 형식으로 제공 될 수 있습니다. 이는 기업의 가장 인기있는 방법 중 하나입니다. 그 이유 중 하나는 간단하고 저렴하며 부분적으로는 시계열 데이터가 지속적으로 성장 추세를 나타 내기 때문입니다. 세속적 추세 T, 세속적 인 변이 S, 주기적 요소 C, 불규칙적 또는 무작위적인 변이 I 이러한 요소는 방정식으로 표현됩니다. TSCI 세속 추세는 일반적인 경향의 결과로 발생하는 장기간의 변화를 나타냅니다. 계절 변동은 단기 기상 패턴 또는 사회적 습관의 변화를 의미합니다. 순환 변동은 depre 기간 동안 산업에서 발생하는 변화를 나타냅니다 싸움과 붐 무작위 적 변이는 전쟁, 파업, 홍수, 기근 등과 같은 일반적으로 할 수있는 요소를 의미합니다. 예측이 이루어지면 관측 된 자료에서 계절적, 주기적 및 무작위 적 변이가 제거되므로 세속적 추세는 왼쪽이 추세가 투영됩니다. 추세 투영은 추세선을 수학 방정식에 맞 춥니 다. 추세는 다음 방법 중 하나를 사용하여 추정 할 수 있습니다. 그래픽 방법. b 최소 사각형 Method. a Graphical Method. 이것은 추세를 결정하는 가장 간단한 기술입니다. 다른 연도의 모든 출력 또는 판매 값이 그래프에 표시되고 가능한 한 많은 지점을 통과하는 부드러운 자유 곡선이 그려집니다. 이 자유 손의 곡선의 방향은 위 또는 아래로 추세를 나타낸다. 이 방법의 간단한 설명이 표 2에 주어져있다. 표 2에서 회사의 판매. 그림 1에서 AB는 자유 곡선으로 그려진 추세선이다. 실제 판매 가치를 나타내는 다양한 포인트. 최소 제곱 법 (least square method)으로 최소 제곱 법 (least square method)으로 최소 제곱 회귀와 같은 통계 기법을 사용하여 추세선을 시계열 데이터에 적용 할 수 있습니다. 시간 경과에 따른 판매 추세를 직선으로 나타내면이 방정식 라인은 ya bx 형태입니다. 여기서 a는 절편이고 b는 독립 변수의 영향을 나타냅니다. 우리는 독립 변수 x와 독립 변수 y 두 가지 변수를가집니다. 가장 적합한 곡선은 두 변수 사이에 일종의 수학적 관계를 설정합니다 v와 y 이것은 x에 대한 회귀로 표현된다. 방정식 va bx를 풀기 위해 다음의 정규 방정식을 사용해야한다. xy a x b x2. ii 기압 법 (Barometric Technique). 기압계는 변화를 측정하는 도구이다. 이 방법은 현재의 어떤 사건들로부터 미래가 예측 될 수 있다는 개념에 기반한다. 즉, 기압 기술은 현재의 어떤 사건들이 미래의 변화의 방향을 예측하는 데 사용됩니다 이것은 경제 변화의 기압계 역할을하는 경제 및 통계 지표의 사용에 의해 성취됩니다. 일반적으로 예측 인자는 3 가지 시리즈의 Leading Series, Coincident 또는 Concurrent Series 및 Lagging Series와 관련이 있습니다. 선도 시리즈는 경기 침체 또는 회복이 시작되기 전에 위 또는 아래로 움직이는 요인으로 구성됩니다. 그들은 미래의 시장 변화를 반영하는 경향이 있습니다. 예를 들어, 아기 파우더 판매는 5 년 전에 출생률 패턴을 조사하여 예측할 수 있습니다. 베이비 파우더 판매량과 5 세 아동과의 상관 관계이며, 현재 베이비 파우더 판매가 5 년 전에 출생률과 상관 관계가 있기 때문에 지연 상관 관계라고합니다. 따라서 아기 비누 판매로 이어질 수 있다고 말할 수 있습니다. b 일치 또는 동시 시리즈. 동시 또는 동시 시리즈는 경제 수준과 동시에 위 또는 아래로 이동하는 시리즈입니다. 몇 개월 후에 사용 된 선행 지표의 유효성을 확인하거나 반박하는 데 사용됩니다. 일치 지표의 일반적인 예는 GNP 그 자체로, 산업 생산, 무역 및 소매 부문. c 후행 시리즈. 후행 시리즈는 경기 순환과 관련하여 어느 정도의 시간 지연 후에 발생합니다. 후행 시리즈의 예는 제조 출력 단위당 노동 비용, 대출 잔액, 단기 대출 선도율 등입니다. iii 회귀 분석. 독립 변수의 특정 값에서 종속 변수의 값을 예측하는 목적으로 하나 이상의 독립 변수와 하나의 종속 변수 중 적어도 두 변수 사이의 관계를 평가하려고 시도합니다. 이 예측의 기초는 일반적으로 역사적 데이터이 방법은 두 변수 사이에 기본적인 관계가 존재한다는 가정에서 시작됩니다. 대화 형 통계 분석 컴퓨터 패키지는 존재하는 수학적 관계를 공식화하는 데 사용됩니다. 예를 들어, 판매 모델을 구축 할 수 있습니다. 판매량 비용 b 광고 경쟁 제품의 가격 c 개인 가처분 소득 u. 여기서 a, b, c, d는 해당 제품의 효과를 나타내는 상수입니다. sponding variables as sales 방정식에 빠져 있지만 매출에 영향을 미치는 모든 변수의 효과를 나타내는 상수 u 위의 방정식에서 판매량은 종속 변수이고 방정식의 오른쪽에있는 변수 독립 변수이다. 독립 변수의 예상 값이 방정식에서 대체되면, 판매량 양자가 예측된다. 회귀 방정식은 아래 주어진 곱셈 형식으로도 쓰여질 수있다. 판매 가격의 광고비 위의 경우, 각 변수의 지수는 해당 변수의 탄력성을 나타냅니다. 독립 변수를 표기법으로 표현하면 방정식 형식은 다음과 같습니다. QS P 8 A o42 R 83 Y 2 68 40. 그러면 1 %의 가격 인상은 매출액 양자의 변화가 0 8 %로 이어진다 고 말할 수 있습니다. 여러 방정식의 로그 형태를 취하면, 위의 방정식에서 계수 a, b, c 및 d는 변수 P, A의 탄성을 나타냅니다. , R 및 Yd를 각각 나타낸다. 대수 회귀 방정식의 계수는 경영진의 정책 의사 결정에 매우 유용하다. iv 계량 모델 (Econometric Models). 계량 모델은 회귀 기술의 확장으로 회귀 방정식의 독립 시스템을 해결합니다. 예측에서 계량 경제 모델을 만족스럽게 사용하기위한 요구 사항은 방정식 및 데이터의 세 가지 주요 변수 아래 있습니다. 예측의 적절한 절차 계량 경제학 방법론은 모델 구축이다. 계량 경제학은 경제 이론을 통계적 방법으로 검증하고 미래의 사건을 예측할 수 있도록 다른 경제 변수에 미치는 영향을 측정 할 수있는 방식으로 수학적 용어로 표현하려고 시도한다. Forecasting. Forecasting은 일반적으로 비즈니스에 영향을 미치고 실업을 유발하고 추측을 유도하며 자본 형성을 억제하고 이윤을 감소시키는 비즈니스 변동과 관련된 위험을 줄입니다 예측은 필수이며 다양한 정책의 결정적인 국가에서 매우 중요한 역할을합니다 현대의 시대에는 과학에 대한 예측이있었습니다. 그와 관련된 위험이 상당히 최소화되고 정확도가 높아질 가능성이 있습니다. 인도의 사례. 대부분의 선진국에는 전문 기관이 있습니다. 인도에서는 기업인들이 과학적 예측을하는 데 전혀 관심이 없습니다. 기회, 운 및 점성술 그들은 높게 미신적이고 그러므로 그들의 예측은 정확하지 않다 충분한 데이터는 믿을 수있는 포레스트 캐스트를 만들기 위하여 유효하지 않다 그러나 통계는 혼자서 미래 조건을 예측하지 않는다 적당한 무역을 분석하기 위하여 판단, 경험 및 지식은 또한 필요하다 해석 지원 시스템은 의사 결정, 예측 및 제어의 3 가지 요소로 구성됩니다. 예측은 마케팅 예측과 관련되어 있습니다. 물론 판매 예측은 입력 정보가있는 시스템으로 재 지정 될 수 있습니다. 이 단순한 견해는 t의 분석을위한 유용한 척도가된다. 그는 경영에 대한 도움으로 판매 예측의 진정한 가치 모든 이들에도 불구하고 확실한 미래 경제 활동을 예측할 수있는 사람은 아무도 없습니다. 예측은 아무도 확신 할 수없는 추정치입니다. 좋은 예측 방법의 기준. 미래 판매에 대한 추측 방법 비용, 유연성 및 적절한 기술과 세련미의 대비를 나타냅니다. 따라서 특정 수요 상황에 가장 적합한 방법을 선택하는 문제가 있습니다. 더 넓은 응용 가능성에 대한 경제적 기준이 있습니다. i 정확성, ii 타당성, iii 내구성, iv 유연성, v 가용성, vi 경제성, vii 단순성 및 viii 일관성. 정확한 예측 가능 정확한 예측 가능 정확한 예측을 얻으려면 다음과 같은 정확성을 검사해야합니다. 현재 성과에 대한 과거 예측과 미래 성과에 대한 현재 예측 정확도는 정확한 측정으로는 테스트 할 수 없지만 판단은 구매할 수 없습니다. ii 타당성. 임원은 선택한 기법에 대해 잘 알고 있어야하며 사용 된 기법에 대한 확신을 가져야합니다. 결과의 적절한 해석을 위해서는 이해가 필요합니다. 타당성 요구 사항은 종종 결과의 정확성을 향상시킬 수 있습니다. iii. 내구성. 불행히도, 과거의 경험에 맞는 수요 함수는 비용을 매우 크게 후퇴시킬 수 있으며, 예측가로서 단기간에 붕괴 될 수 있습니다. 수요 함수의 예측력의 내구성은 부분적으로는 기능의 적합성과 단순성에 달려 있지만 주로 과거에 측정 된 이해 관계의 안정성에 관한 것 물론, 내구성의 중요성은 예측의 허용 비용을 결정합니다. iv 유연성. 유연성은 일반성의 대안으로 간주 될 수있다. 장기간 지속되는 기능은 기본 자연력 및 인간의 동기의 측면에서 설정 될 수있다. 근본적이지만 측정하기가 어렵고 그리 유용하지는 않다. 코 히어 런트는 예측의 일상적인 절차를 그대로 유지하기 위해보다 실질적인 방법으로 변화하는 조건을 충족시키기 위해 수시로 조정될 수 있습니다. v 가용성. 데이터의 즉각적인 가용성은 필수 요건이며 후기 데이터의 관련성에 대한 합리적인 근사치 검색은 예측력에 대한 지속적인 압박입니다. 사용 된 기법은 의미있는 결과를 신속하게 산출 할 수 있어야합니다 결과의 지연은 경영 의사 결정에 부정적인 영향을 미칩니다. Cost is a primary consideration which should be weighted against the importance of the forecasts to the business operations A question may arise How much money and managerial effort should be allocated to obtain a high level of forecasting accuracy The criterion here is the economic considera tion. vii Simplicity. Statistical and econometric models are certainly useful but they are intolerably complex To those executives who have a fear of mathematics, these methods would appear to be Latin or Greek The procedure should, therefore, be simple and easy so that the management may appreciate and understand why it has been adopted by the forecaster. viii Consistency. The forecaster has to deal with various components which are independent If he does not make an adjustment in one component to bring it in line with a forecast of another, he would achieve a whole which would appear consistent. In fine, the ideal forecasting method is one that yields returns over cost with accuracy, seems reasonable, can be formalised for reasonably long periods, can meet new circumstances adeptly and can give up-to-date results The method of forecasting is not the same for all products. There is no unique method for forecasting the sale of any commodity The forecaster may try one or the other method depending upon his objective, data availability, the urgency with which forecasts are needed, resources he intends to devote to this work and type of commodity whose demand he wants to forecast.3 Understanding Forecast Levels and Methods. You can generate both detail single item forecasts and summary product line forecasts that reflect product demand patterns The system analyzes past sales to calculate forecasts by using 12 forecasting methods The forecasts include detail information at the item level and higher level information about a branch or the company as a whole.3 1 Forecast Performance Evaluation Criteria. Depending on the selection of processing options and on trends and patterns in the sales data, some forecasting methods perform better than others for a given historical data set A forecasting method that is appropriate for one product might not be appropriate for another product You might find that a forecasting method that provides good results at one stage of a product life cycle remains appropriate throughout the entire life cycle. You can select between two methods to evaluate the current performance of the forecasting methods. Percent of accuracy POA. Mean absolute deviation MAD. Both of these performance evaluation methods require historical sales data for a period that you specify This period is called a holdout period or per iod of best fit The data in this period is used as the basis for recommending which forecasting method to use in making the next forecast projection This recommendation is specific to each product and can change from one forecast generation to the next.3 1 1 Best Fit. The system recommends the best fit forecast by applying the selected forecasting methods to past sales order history and comparing the forecast simulation to the actual history When you generate a best fit forecast, the system compares actual sales order histories to forecasts for a specific time period and computes how accurately each different forecasting method predicted sales Then the system recommends the most accurate forecast as the best fit This graphic illustrates best fit forecasts. Figure 3-1 Best fit forecast. The system uses this sequence of steps to determine the best fit. Use each specified method to simulate a forecast for the holdout periodpare actual sales to the simulated forecasts for the holdout period. Ca lculate the POA or the MAD to determine which forecasting method most closely matches the past actual sales. The system uses either POA or MAD, based on the processing options that you select. Recommend a best fit forecast by the POA that is closest to 100 percent over or under or the MAD that is closest to zero.3 2 Forecasting Methods. JD Edwards EnterpriseOne Forecast Management uses 12 methods for quantitative forecasting and indicates which method provides the best fit for the forecasting situation. This section discusses. Method 1 Percent Over Last Year. Method 2 Calculated Percent Over Last Year. Method 3 Last Year to This Year. Method 4 Moving Average. Method 5 Linear Approximation. Method 6 Least Squares Regression. Method 7 Second Degree Approximation. Method 8 Flexible Method. Method 9 Weighted Moving Average. Method 10 Linear Smoothing. Method 11 Exponential Smoothing. Method 12 Exponential Smoothing with Trend and Seasonality. Specify the method that you want to use in the processing option s for the Forecast Generation program R34650 Most of these methods provide limited control For example, the weight placed on recent historical data or the date range of historical data that is used in the calculations can be specified by you. The examples in the guide indicate the calculation procedure for each of the available forecasting methods, given an identical set of historical data. The method examples in the guide use part or all of these data sets, which is historical data from the past two years The forecast projection goes into next year. This sales history data is stable with small seasonal increases in July and December This pattern is characteristic of a mature product that might be approaching obsolescence.3 2 1 Method 1 Percent Over Last Year. This method uses the Percent Over Last Year formula to multiply each forecast period by the specified percentage increase or decrease. To forecast demand, this method requires the number of periods for the best fit plus one year of sa les history This method is useful to forecast demand for seasonal items with growth or decline.3 2 1 1 Example Method 1 Percent Over Last Year. The Percent Over Last Year formula multiplies sales data from the previous year by a factor you specify and then projects that result over the next year This method might be useful in budgeting to simulate the affect of a specified growth rate or when sales history has a significant seasonal component. Forecast specifications Multiplication factor For example, specify 110 in the processing option to increase the previous year s sales history data by 10 percent. Required sales history One year for calculating the forecast, plus the number of time periods that are required for evaluating the forecast performance periods of best fit that you specify. This table is history used in the forecast calculation. February forecast equals 117 1 1 128 7 rounded to 129.March forecast equals 115 1 1 126 5 rounded to 127.3 2 2 Method 2 Calculated Percent Over Last Year. This method uses the Calculated Percent Over Last Year formula to compare the past sales of specified periods to sales from the same periods of the previous year The system determines a percentage increase or decrease, and then multiplies each period by the percentage to determine the forecast. To forecast demand, this method requires the number of periods of sales order history plus one year of sales history This method is useful to forecast short term demand for seasonal items with growth or decline.3 2 2 1 Example Method 2 Calculated Percent Over Last Year. The Calculated Percent Over Last Year formula multiplies sales data from the previous year by a factor that is calculated by the system, and then it projects that result for the next year This method might be useful in projecting the affect of extending the recent growth rate for a product into the next year while preserving a seasonal pattern that is present in sales history. Forecast specifications Range of sales history to u se in calculating the rate of growth For example, specify n equals 4 in the processing option to compare sales history for the most recent four periods to those same four periods of the previous year Use the calculated ratio to make the projection for the next year. Required sales history One year for calculating the forecast 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, given n 4.February forecast equals 117 0 9766 114 26 rounded to 114.March forecast equals 115 0 9766 112 31 rounded to 112.3 2 3 Method 3 Last Year to This Year. This method uses last year s sales for the next year s forecast. To forecast demand, this method requires the number of periods best fit plus one year of sales order history This method is useful to forecast demand for mature products with level demand or seasonal demand without a trend.3 2 3 1 Example Method 3 Last Year to This Year. The Last Ye ar to This Year formula copies sales data from the previous year to the next year This method might be useful in budgeting to simulate sales at the present level The product is mature and has no trend over the long run, but a significant seasonal demand pattern might exist. Forecast specifications None. Required sales history One year for calculating the forecast 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 January of last year with a forecast value of 128.February forecast equals February of last year with a forecast value of 117.March forecast equals March of last year with a forecast value of 115.3 2 4 Method 4 Moving Average. This method uses the Moving Average formula to average the specified number of periods to project the next period You should recalculate it often monthly, or at least quarterly to reflect changing demand level. To forecast demand, this method requires the number of periods best fit plus the number of periods of sales order history This method is useful to forecast demand for mature products without a trend.3 2 4 1 Example Method 4 Moving Average. Moving Average MA is a popular method for averaging the results of recent sales history to determine a projection for the short term The MA forecast method lags behind trends 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 that are in the growth or obsolescence stages of the life cycle. Forecast specifications n equals the number of periods of sales history to use in the forecast calculation For example, specify n 4 in the processing option to use the most recent four periods as the basis for the projection into the next time period A large value for n such as 12 requires more sales history It results in a sta ble forecast, but is slow to recognize shifts in the level of sales Conversely, a small value for n such as 3 is quicker to respond to shifts in the level of sales, but the forecast might fluctuate so widely that production cannot respond to the variations. 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. February forecast equals 114 119 137 125 4 123 75 rounded to 124.March forecast equals 119 137 125 124 4 126 25 rounded to 126.3 2 5 Method 5 Linear Approximation. This method uses the Linear Approximation formula to compute a trend from the number of periods of sales order history and to project this trend to the forecast You should recalculate the trend monthly to detect changes in trends. This method requires the number of periods of best fit plus the number of specified periods of sales order history This method is useful to forecast demand for new products, or products with consistent positive or negative trends that are not due to seasonal fluctuations.3 2 5 1 Example Method 5 Linear Approximation. Linear Approximation calculates a trend that is based upon two sales history data points Those two points define a straight trend line that is projected into the future Use this method with caution because long range forecasts are leveraged by small changes in just two data points. Forecast specifications n equals the data point in sales history that is compared to the most recent data point to identify a trend For example, specify n 4 to use the difference between December most recent data and August four periods before December as the basis for calculating the trend. Minimum required sales history n plus 1 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 December of past year 1 Trend which equals 137 1 2 139.February forecast December of past year 1 Trend which equals 137 2 2 141.March forecast December of past year 1 Trend which equals 137 3 2 143.3 2 6 Method 6 Least Squares Regression. The Least Squares Regression LSR method derives an equation describing a straight line relationship between the historical sales data and the passage of time LSR fits a line to the selected range of data so that the sum of the squares of the differences between the actual sales data points and the regression line are minimized The forecast is a projection of this straight line into the future. This method requires sales data history for the period that is represented by the number of periods best fit plus the specified number of historical data periods The minimum requirement is two historical data points This method is useful to forecast demand when a linear trend is in the data.3 2 6 1 Example Method 6 Least Squares Regression. Linear Regression, or Least Squares Regression LSR , is the most popul ar method for identifying a linear trend in historical sales data The method calculates the values for a and b to be used in the formula. This equation describes a straight line, where Y represents sales and X represents time Linear regression is slow to recognize turning points and step function shifts in demand Linear regression fits a straight line to the data, even when the data is seasonal or better described by a curve When sales history data follows a curve or has a strong seasonal pattern, forecast bias and systematic errors occur. Forecast specifications n equals the periods of sales history that will be used in calculating the values for a and b For example, specify n 4 to use the history from September through December as the basis for the calculations When data is available, a larger n such as n 24 would ordinarily be used LSR defines a line for as few as two data points For this example, a small value for n n 4 was chosen to reduce the manual calculations that are required t o verify the results. Minimum required sales history n periods 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. March forecast equals 119 5 7 2 3 135 6 rounded to 136.3 2 7 Method 7 Second Degree Approximation. To project the forecast, this method uses the Second Degree Approximation formula to plot a curve that is based on the number of periods of sales history. This method requires the number of periods best fit plus the number of periods of sales order history times three This method is not useful to forecast demand for a long-term period.3 2 7 1 Example Method 7 Second Degree Approximation. Linear Regression determines values for a and b in the forecast formula Y a b X with the objective of fitting a straight line to the sales history data Second Degree Approximation is similar, but this method determines values for a, b, and c in the this forecast formula. The objective o f this method is to fit a curve to the sales history data This method is useful when a product is in the transition between life cycle stages For example, when a new product moves from introduction to growth stages, the sales trend might accelerate Because of the second order term, the forecast can quickly approach infinity or drop to zero depending on whether coefficient c is positive or negative This method is useful only in the short term. Forecast specifications the formula find a, b, and c to fit a curve to exactly three points You specify n, the number of time periods of data to accumulate into each of the three points In this example, n 3 Actual sales data for April through June is combined into the first point, Q1 July through September are added together to create Q2, and October through December sum to Q3 The curve is fitted to the three values Q1, Q2, and Q3.Required sales history 3 n periods for calculating the forecast plus the number of time periods that are required for e valuating the forecast performance periods of best fit. This table is history used in the forecast calculation. Q0 Jan Feb Mar. Q1 Apr May Jun which equals 125 122 137 384.Q2 Jul Aug Sep which equals 140 129 131 400.Q3 Oct Nov Dec which equals 114 119 137 370.The next step involves calculating the three coefficients a, b, and c to be used in the forecasting formula Y a b X c X 2.Q1, Q2, and Q3 are presented on the graphic, where time is plotted on the horizontal axis Q1 represents total historical sales for April, May, and June and is plotted at X 1 Q2 corresponds to July through September Q3 corresponds to October through December and Q4 represents January through March This graphic illustrates the plotting of Q1, Q2, Q3, and Q4 for second degree approximation. Figure 3-2 Plotting Q1, Q2, Q3, and Q4 for second degree approximation. Three equations describe the three points on the graph. 1 Q1 a bX cX 2 where X 1 Q1 a b c. 2 Q2 a bX cX 2 where X 2 Q2 a 2b 4c. 3 Q3 a bX cX 2 where X 3 Q3 a 3b 9c. Solve the three equations simultaneously to find b, a, and c. Subtract equation 1 1 from equation 2 2 and solve for b. Substitute this equation for b into equation 3. 3 Q3 a 3 Q2 Q1 3c 9c a Q3 3 Q2 Q1.Finally, substitute these equations for a and b into equation 1. 1 Q3 3 Q2 Q1 Q2 Q1 3c c Q1.c Q3 Q2 Q1 Q2 2.The Second Degree Approximation method calculates a, b, and c as follows. a Q3 3 Q2 Q1 370 3 400 384 370 3 16 322.b Q2 Q1 3c 400 384 3 23 16 69 85.c Q3 Q2 Q1 Q2 2 370 400 384 400 2 23.This is a calculation of second degree approximation forecast. Y a bX cX 2 322 85X 23 X 2.When X 4, Q4 322 340 368 294 The forecast equals 294 3 98 per period. When X 5, Q5 322 425 575 172 The forecast equals 172 3 58 33 rounded to 57 per period. When X 6, Q6 322 510 828 4 The forecast equals 4 3 1 33 rounded to 1 per period. This is the forecast for next year, Last Year to This Year.3 2 8 Method 8 Flexible Method. This method enables you to select the best fit number of per iods of sales order history that starts n months before the forecast start date, and to apply a percentage increase or decrease multiplication factor with which to modify the forecast This method is similar to Method 1, Percent Over Last Year, except that you can specify the number of periods that you use as the base. Depending on what you select as n, this method requires periods best fit plus the number of periods of sales data that is indicated This method is useful to forecast demand for a planned trend.3 2 8 1 Example Method 8 Flexible Method. The Flexible Method Percent Over n Months Prior is similar to Method 1, Percent Over Last Year Both methods multiply sales data from a previous time period by a factor specified by you, and then project that result into the future In the Percent Over Last Year method, the projection is based on data from the same time period in the previous year You can also use the Flexible Method to specify a time period, other than the same period in the la st year, to use as the basis for the calculations. Multiplication factor For example, specify 110 in the processing option to increase previous sales history data by 10 percent. Base period For example, n 4 causes the first forecast to be based on sales data in September of last year. Minimum required sales history the number of periods back to the base period plus the number of time periods that is required for evaluating the forecast performance periods of best fit. This table is history used in the forecast calculation.3 2 9 Method 9 Weighted Moving Average. The Weighted Moving Average formula is similar to Method 4, Moving Average formula, because it averages the previous month s sales history to project the next month s sales history However, with this formula you can assign weights for each of the prior periods. This method requires the number of weighted periods selected plus the number of periods best fit data Similar to Moving Average, this method lags behind demand trends, so this method is not recommended for products with strong trends or seasonality This method is useful to forecast demand for mature products with demand that is relatively level.3 2 9 1 Example Method 9 Weighted Moving Average. The Weighted Moving Average WMA method is similar to Method 4, Moving Average MA However, you can assign unequal weights to the historical data when using WMA The method calculates a weighted average of recent sales history to arrive at a projection for the short term More recent data is usually assigned a greater weight than older data, so WMA is more responsive to shifts in the level of sales However, forecast bias and systematic errors occur when the product sales history exhibits strong trends or seasonal patterns This method works better for short range forecasts of mature products than for products in the growth or obsolescence stages of the life cycle. The number of periods of sales history n to use in the forecast calculation. For example, specify n 4 in the proce ssing option to use the most recent four periods as the basis for the projection into the next time period A large value for n such as 12 requires more sales history Such a value results in a stable forecast, but it is slow to recognize shifts in the level of sales Conversely, a small value for n such as 3 responds more quickly to shifts in the level of sales, but the forecast might fluctuate so widely that production cannot respond to the variations. The total number of periods for the processing option 14 - periods to include should not exceed 12 months. The weight that is assigned to each of the historical data periods. The assigned weights must total 1 00 For example, when n 4, assign weights of 0 50, 0 25, 0 15, and 0 10 with the most recent data receiving the greatest weight. Minimum required sales history n plus the number of time periods that are required for evaluating the forecast performance periods of best fit. This table is history used in the forecast calculation. January forec ast equals 131 0 10 114 0 15 119 0 25 137 0 50 0 10 0 15 0 25 0 50 128 45 rounded to 128.February forecast equals 114 0 10 119 0 15 137 0 25 128 0 50 1 127 5 rounded to 128.March forecast equals 119 0 10 137 0 15 128 0 25 128 0 50 1 128 45 rounded to 128.3 2 10 Method 10 Linear Smoothing. This method calculates a weighted average of past sales data In the calculation, this method uses the number of periods of sales order history from 1 to 12 that is indicated in the processing option The system uses a mathematical progression to weigh data in the range from the first least weight to the final most weight Then the system projects this information to each period in the forecast. This method requires the month s best fit plus the sales order history for the number of periods that are specified in the processing option.3 2 10 1 Example Method 10 Linear Smoothing. This method is similar to Method 9, WMA However, instead of arbitrarily assigning weights to the historical data, a formula is used to assign weights that decline linearly and sum to 1 00 The method then calculates a weighted average of recent sales history to arrive at a projection for the short term Like all linear moving average forecasting techniques, forecast bias and systematic errors occur when the product sales history exhibits strong trend or seasonal patterns This method works better for short range forecasts of mature products than for products in the growth or obsolescence stages of the life cycle. n equals the number of periods of sales history to use in the forecast calculation For example, specify n equals 4 in the processing option to use the most recent four periods as the basis for the projection into the next time period The system automatically assigns the weights to the historical data that decline linearly and sum to 1 00 For example, when n equals 4, the system assigns weights of 0 4, 0 3, 0 2, and 0 1, with the most recent data receiving the greatest weight. Minimum required sales history n p lus the number of time periods that are required for evaluating the forecast performance periods of best fit. This table is history used in the forecast calculation.3 2 11 Method 11 Exponential Smoothing. This method calculates a smoothed average, which becomes an estimate representing the general level of sales over the selected historical data periods. This method requires sales data history for the time period that is represented by the number of periods best fit plus the number of historical data periods that are specified The minimum requirement is two historical data periods This method is useful to forecast demand when no linear trend is in the data.3 2 11 1 Example Method 11 Exponential Smoothing. This method is similar to Method 10, Linear Smoothing In Linear Smoothing, the system assigns weights that decline linearly to the historical data In Exponential Smoothing, the system assigns weights that exponentially decay The equation for Exponential Smoothing forecasting is. Forecast P revious Actual Sales 1 Previous Forecast. The forecast is a weighted average of the actual sales from the previous period and the forecast from the previous period Alpha is the weight that is applied to the actual sales for the previous period 1 is the weight that is applied to the forecast for the previous period Values for alpha range from 0 to 1 and usually fall between 0 1 and 0 4 The sum of the weights is 1 00 1 1.You should assign a value for the smoothing constant, alpha If you do not assign a value for the smoothing constant, the system calculates an assumed value that is based on the number of periods of sales history that is specified in the processing option. equals the smoothing constant that is used to calculate the smoothed average for the general level or magnitude of sales. Values for alpha range from 0 to 1.n equals the range of sales history data to include in the calculations. Generally, one year of sales history data is sufficient to estimate the general level of sales For this example, a small value for n n 4 was chosen to reduce the manual calculations that are required to verify the results Exponential Smoothing can generate a forecast that is based on as little as one historical data point. Minimum required sales history n plus the number of time periods that are required for evaluating the forecast performance periods of best fit. This table is history used in the forecast calculation.3 2 12 Method 12 Exponential Smoothing with Trend and Seasonality. This method calculates a trend, a seasonal index, and an exponentially smoothed average from the sales order history The system then applies a projection of the trend to the forecast and adjusts for the seasonal index. This method requires the number of periods best fit plus two years of sales data, and is useful for items that have both trend and seasonality in the forecast You can enter the alpha and beta factor, or have the system calculate them Alpha and beta factors are the smoothing constant that the system uses to calculate the smoothed average for the general level or magnitude of sales alpha and the trend component of the forecast beta.3 2 12 1 Example Method 12 Exponential Smoothing with Trend and Seasonality. This method is similar to Method 11, Exponential Smoothing, in that a smoothed average is calculated However, Method 12 also includes a term in the forecasting equation to calculate a smoothed trend The forecast is composed of a smoothed average that is adjusted for a linear trend When specified in the processing option, the forecast is also adjusted for seasonality. Alpha equals the smoothing constant that is used in calculating the smoothed average for the general level or magnitude of sales. Values for alpha range from 0 to 1.Beta equals the smoothing constant that is used in calculating the smoothed average for the trend component of the forecast. Values for beta range from 0 to 1.Whether a seasonal index is applied to the forecast. Alpha and beta are independent of on e another They do not have to sum to 1 0.Minimum required sales history One year plus the number of time periods that are required to evaluate the forecast performance periods of best fit When two or more years of historical data is available, the system uses two years of data in the calculations. Method 12 uses two Exponential Smoothing equations and one simple average to calculate a smoothed average, a smoothed trend, and a simple average seasonal index. An exponentially smoothed average. An exponentially smoothed trend. A simple average seasonal index. Figure 3-3 Simple Average Seasonal Index. The forecast is then calculated by using the results of the three equations. L is the length of seasonality L equals 12 months or 52 weeks. t is the current time period. m is the number of time periods into the future of the forecast. S is the multiplicative seasonal adjustment factor that is indexed to the appropriate time period. This table lists history used in the forecast calculation. This section pr ovides an overview of Forecast Evaluations and discusses. You can select forecasting methods to generate as many as 12 forecasts for each product Each forecasting method might create a slightly different projection When thousands of products are forecast, a subjective decision is impractical regarding which forecast to use in the plans for each product. The system automatically evaluates performance for each forecasting method that you select and for each product that you forecast You can select between two performance criteria MAD and POA MAD is a measure of forecast error POA is a measure of forecast bias Both of these performance evaluation techniques require actual sales history data for a period specified by you The period of recent history used for evaluation is called a holdout period or period of best fit. To measure the performance of a forecasting method, the system. Uses the forecast formulas to simulate a forecast for the historical holdout period. Makes a comparison between the actual sales data and the simulated forecast for the holdout period. When you select multiple forecast methods, this same process occurs for each method Multiple forecasts are calculated for the holdout period and compared to the known sales history for that same period The forecasting method that produces the best match best fit between the forecast and the actual sales during the holdout period is recommended for use in the plans This recommendation is specific to each product and might change each time that you generate a forecast.3 3 1 Mean Absolute Deviation. Mean Absolute Deviation MAD is the mean or average of the absolute values or magnitude of the deviations or errors between actual and forecast data MAD is a measure of the average magnitude of errors to expect, given a forecasting method and data history Because absolute values are used in the calculation, positive errors do not cancel out negative errors When comparing several forecasting methods, the one with the smallest MA D is the most reliable for that product for that holdout period When the forecast is unbiased and errors are normally distributed, a simple mathematical relationship exists between MAD and two other common measures of distribution, which are standard deviation and Mean Squared Error For example. MAD Actual Forecast n. Standard Deviation, 1 25 MAD. Mean Squared Error 2.This example indicates the calculation of MAD for two of the forecasting methods This example assumes that you have specified in the processing option that the holdout period length periods of best fit is equal to five periods.3 3 1 1 Method 1 Last Year to This Year. This table is history used in the calculation of MAD, given Periods of Best Fit 5.Mean Absolute Deviation equals 2 1 20 10 14 5 9 4.Based on these two choices, the Moving Average, n 4 method is recommended because it has the smaller MAD, 9 4, for the given holdout period.3 3 2 Percent of Accuracy. Percent of Accuracy POA is a measure of forecast bias When forecast s are consistently too high, inventories accumulate and inventory costs rise When forecasts are consistently too low, inventories are consumed and customer service declines A forecast that is 10 units too low, then 8 units too high, then 2 units too high is an unbiased forecast The positive error of 10 is canceled by negative errors of 8 and 2. Error Actual Forecast. When a product can be stored in inventory, and when the forecast is unbiased, a small amount of safety stock can be used to buffer the errors In this situation, eliminating forecast errors is not as important as generating unbiased forecasts However, in service industries, the previous situation is viewed as three errors The service is understaffed in the first period, and then overstaffed for the next two periods In services, the magnitude of forecast errors is usually more important than is forecast bias. POA Forecast sales during holdout period Actual sales during holdout period 100 percent. The summation over the holdout period enables positive errors to cancel negative errors When the total of forecast sales exceeds the total of actual sales, the ratio is greater than 100 percent Of course, the forecast cannot be more than 100 percent accurate When a forecast is unbiased, the POA ratio is 100 percent A 95 percent accuracy rate is more desirable than a 110 percent accurate rate The POA criterion selects the forecasting method that has a POA ratio that is closest to 100 percent. This example indicates the calculation of POA for two forecasting methods This example assumes that you have specified in the processing option that the holdout period length periods of best fit is equal to five periods.3 3 2 1 Method 1 Last Year to This Year. This table is history used in the calculation of MAD, given Periods of Best Fit 5.3 4 2 Forecast Accuracy. These statistical laws govern forecast accuracy. A long term forecast is less accurate than a short term forecast because the further into the future you project the fore cast, the more variables can affect the forecast. A forecast for a product family tends to be more accurate than a forecast for individual members of the product family. Some errors cancel each other as the forecasts for individual items summarize into the group, thus creating a more accurate forecast.3 4 3 Forecast Considerations. You should not rely exclusively on past data to forecast future demands These circumstances might affect the business, and require you to review and modify the forecast. New products that have no past data. Plans for future sales promotion. Changes in national and international politics. New laws and government regulations. Weather changes and natural disasters. Innovations from competition. You can use long term trend analysis to influence the design of the forecasts. Leading economic indicators.3 4 4 Forecasting Process. You use the Refresh Actuals program R3465 to copy data from the Sales Order History File table F42119 , the Sales Order Detail File table F4211 , or both, into either the Forecast File table F3460 or the Forecast Summary File table F3400 , depending on the kind of forecast that you plan to generate. Scripting on this page enhances content navigation, but does not change the content in any way.