Sunday 15 January 2017

Mad Weighted Moving Durchschnitt Prognose

3 Verstehen von Prognoseebenen und - methoden Sie können sowohl Detailprognosen (Einzelpositionen) als auch Prognosen für die Gesamtproduktion (Produktlinie) erzeugen, die die Produktbedarfsmuster widerspiegeln. Das System analysiert die bisherigen Verkäufe, um die Prognosen mit Hilfe von 12 Prognosemethoden zu berechnen. Die Prognosen umfassen Detailinformationen auf Positionsebene und übergeordnete Informationen über eine Branche oder das Unternehmen als Ganzes. 3.1 Kriterien für die Bewertung der Projektergebnisse Abhängig von der Auswahl der Verarbeitungsoptionen und der Trends und Muster in den Verkaufsdaten sind einige Prognosemethoden für einen bestimmten historischen Datensatz besser als andere. Eine für ein Produkt geeignete Prognosemethode ist möglicherweise nicht für ein anderes Produkt geeignet. Sie können feststellen, dass eine Prognosemethode, die gute Ergebnisse in einem Stadium eines Produktlebenszyklus bereitstellt, über den gesamten Lebenszyklus hinweg angemessen bleibt. Sie können zwischen zwei Methoden wählen, um die aktuelle Leistung der Prognosemethoden zu bewerten: Prozent der Genauigkeit (POA). Mittlere absolute Abweichung (MAD). Diese beiden Leistungsbewertungsmethoden erfordern historische Verkaufsdaten für einen angegebenen Zeitraum. Dieser Zeitraum wird als Halteperiode 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 spezifisch für jedes Produkt und kann von einer Prognosegeneration zur nächsten wechseln. 3.1.1 Best Fit Das System empfiehlt die Best-Fit-Prognose, indem die ausgewählten Prognosemethoden auf die Vergangenheit des Bestellverlaufs angewendet und die Prognosesimulation mit dem aktuellen Verlauf verglichen werden. Wenn Sie eine Best-Fit-Prognose generieren, vergleicht das System die Ist-Bestellvorgänge mit den Prognosen für einen bestimmten Zeitraum und berechnet, wie genau die einzelnen Prognosemethoden den Umsatz prognostizieren. Dann empfiehlt das System die genaueste Prognose als die beste Passform. Diese Grafik veranschaulicht die besten Anpassungsprognosen: Abbildung 3-1 Best-Fit-Prognose Das System verwendet diese Sequenz von Schritten, um die beste Anpassung zu ermitteln: Verwenden Sie jede angegebene Methode, um eine Prognose für die Halteperiode zu simulieren. Vergleichen Sie die tatsächlichen Verkäufe mit den simulierten Prognosen für die Halteperiode. Berechnen Sie die POA oder die MAD, um zu bestimmen, welche Prognosemethode am ehesten mit den bisherigen tatsächlichen Umsätzen übereinstimmt. Das System verwendet entweder POA oder MAD, basierend auf den Verarbeitungsoptionen, die Sie auswählen. Empfehlen Sie eine Best-Fit-Prognose durch die POA, die am nächsten zu 100 Prozent (über oder unter) oder die MAD, die am nächsten zu Null ist. 3.2 Prognosemethoden JD Edwards EnterpriseOne Forecast Management nutzt 12 Methoden zur quantitativen Prognose und zeigt an, welche Methode die beste Prognosesituation bietet. Dieser Abschnitt behandelt: Methode 1: Prozent über dem letzten Jahr. Methode 2: Berechnet Prozent über Letztes Jahr. Methode 3: Letztes Jahr zu diesem Jahr. Methode 4: Gleitender Durchschnitt. Methode 5: Lineare Approximation. Methode 6: Least Squares Regression. Methode 7: Zweite Grad Approximation. Methode 8: Flexible Methode. Methode 9: Gewichteter gleitender 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 Prognosegenerierungsprogramm (R34650) verwenden möchten. Die meisten dieser Methoden bieten eine begrenzte Kontrolle. Zum Beispiel können Sie das Gewicht, das auf die jüngsten historischen Daten oder den Zeitraum der historischen Daten, die in den Berechnungen verwendet wird, platziert werden. Die Beispiele in dem Leitfaden zeigen die Berechnungsprozedur für jede der verfügbaren Prognosemethoden an, wenn ein identischer Satz von historischen Daten vorliegt. Die Methodenbeispiele im Leitfaden verwenden einen Teil oder alle dieser Datensätze, die historische Daten der letzten zwei Jahre sind. Die Prognose geht ins nächste Jahr. Diese Verkäufe Geschichte Daten ist stabil mit kleinen saisonalen Zunahmen im Juli und Dezember. Dieses Muster ist charakteristisch für ein reifes Produkt, das sich der Veralterung nähern könnte. 3.2.1 Methode 1: Prozentsatz über letztem Jahr Diese Methode verwendet die Prozentsatz über letztes Jahr Formel, um jede Prognoseperiode mit der angegebenen prozentualen Erhöhung oder Abnahme zu multiplizieren. Zur Prognose der Nachfrage, erfordert diese Methode die Anzahl der Perioden für die beste Passform plus ein Jahr der Umsatz Geschichte. Diese Methode ist nützlich, um die Nachfrage nach saisonalen Produkten mit Wachstum oder Rückgang prognostizieren. 3.2.1.1 Beispiel: Methode 1: Prozentsatz über letztes Jahr Die Formel "Prozent über letztes Jahr" multipliziert die Umsatzdaten des Vorjahres mit einem Faktor, den Sie angeben, und dann Projekte, die sich über das nächste Jahr ergeben. Diese Methode kann in der Budgetierung nützlich sein, um den Einfluss einer bestimmten Wachstumsrate zu simulieren, oder wenn die Verkaufsgeschichte eine signifikante saisonale Komponente aufweist. Prognose Spezifikationen: Multiplikationsfaktor. Geben Sie beispielsweise 110 in der Verarbeitungsoption an, um die Verkaufsverlaufsdaten der letzten Jahre um 10 Prozent zu erhöhen. Erforderliche Verkaufsgeschichte: Ein Jahr für die Berechnung der Prognose plus die Anzahl der Zeiträume, die für die Bewertung der Prognoseperformance (Perioden der besten Übereinstimmung) erforderlich sind, die Sie angeben. Diese Tabelle wird in der Prognoseberechnung verwendet: Die Februarprognose entspricht 117 mal 1,1 128,7 gerundet auf 129. Die Märzprognose entspricht 115 mal 1,1 126,5 gerundet auf 127. 3.2.2 Methode 2: Berechneter Prozentsatz über letztem Jahr Diese Methode verwendet den berechneten Prozentsatz Letztes Jahr Formel, um die vergangenen Verkäufe von bestimmten Perioden mit Verkäufen aus den gleichen Perioden des Vorjahres zu vergleichen. Das System ermittelt einen prozentualen Anstieg oder Abfall und multipliziert dann jede Periode mit dem Prozentsatz, um die Prognose zu bestimmen. Um die Nachfrage prognostizieren zu können, benötigt diese Methode die Anzahl der Perioden der Kundenauftragshistorie plus einem Jahr der Verkaufsgeschichte. Diese Methode ist nützlich, um die kurzfristige Nachfrage nach Saisonartikeln mit Wachstum oder Rückgang prognostizieren. 3.2.2.1 Beispiel: Methode 2: Berechneter Prozentsatz über Letztes Jahr Die Formel des berechneten Prozentsatzes über dem letzten Jahr multipliziert Umsatzdaten des Vorjahres mit einem Faktor, der vom System berechnet wird, und dann projiziert er das Ergebnis für das nächste Jahr. Diese Methode könnte bei der Projektion der Auswirkungen der Ausweitung der jüngsten Wachstumsrate für ein Produkt in das nächste Jahr nützlich sein, während ein saisonales Muster, das in der Verkaufsgeschichte vorhanden ist. Prognose Spezifikationen: Bereich der Umsatzgeschichte für die Berechnung der Wachstumsrate zu verwenden. Geben Sie z. B. n gleich 4 in der Verarbeitungsoption an, um die Verkaufsgeschichte der letzten vier Perioden mit denselben 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 Prognoseperformance (Perioden der besten Passung) erforderlich sind. Diese Tabelle ist die Vorgeschichte, die bei der Prognoseberechnung verwendet wird: 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 in diesem Jahr Diese Methode wird verwendet Letzten Jahren Umsatz für die nächsten Jahre Prognose. Um die Nachfrage prognostizieren zu können, erfordert diese Methode die Anzahl der Perioden, die am besten geeignet sind, plus einem Jahr der Kundenauftragshistorie. Diese Methode ist nützlich, um die Nachfrage nach ausgereiften Produkten mit Niveau Nachfrage oder saisonale Nachfrage ohne Trend prognostizieren. 3.2.3.1 Beispiel: Methode 3: Letztes Jahr zu diesem Jahr Die Formel "Letztes Jahr in diesem Jahr" kopiert die Verkaufsdaten des Vorjahres bis zum nächsten Jahr. Diese Methode könnte in der Budgetierung nützlich sein, um Verkäufe auf dem gegenwärtigen Niveau zu simulieren. Das Produkt ist reif und hat keinen Trend auf lange Sicht, aber ein erhebliches saisonales Nachfrage-Muster könnte existieren. Vorhersagevorgaben: Keine. Erforderliche Verkaufsgeschichte: Ein Jahr für die Berechnung der Prognose plus die Anzahl der Zeiträume, die für die Bewertung der Prognoseperformance (Perioden der besten Passung) erforderlich sind. Diese Tabelle ist Geschichte in der Prognose Berechnung verwendet: Januar-Prognose entspricht Januar des letzten Jahres mit einem Prognosewert von 128. Februar-Prognose entspricht Februar des letzten 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 die nächste Periode zu projizieren. Sie sollten es häufig neu berechnen (monatlich oder mindestens vierteljährlich), um den sich ändernden Bedarf zu reflektieren. Um die Nachfrage prognostizieren zu können, benötigt diese Methode die Anzahl der Perioden, die am besten passen, plus die Anzahl der Perioden der Kundenauftragshistorie. Diese Methode ist nützlich, um die Nachfrage nach reifen Produkten ohne Trend 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 eine Projektion kurzfristig zu bestimmen. Die MA-Prognosemethode bleibt hinter Trends zurück. Forecast Bias und systematische Fehler auftreten, wenn die Produktverkäufe Geschichte zeigt starke Trend-oder saisonale Muster. Diese Methode funktioniert besser für Kurzstrecken-Prognosen von reifen Produkten als für Produkte, die in den Wachstums-oder Obsoleszenz Stufen des Lebenszyklus sind. Prognosespezifikationen: n entspricht der Anzahl der Perioden der Verkaufsgeschichte, die in der Prognoserechnung verwendet werden sollen. Geben Sie beispielsweise n 4 in der Verarbeitungsoption an, um die letzten vier Perioden als Grundlage für die Projektion in die nächste Zeitperiode zu verwenden. Ein großer Wert für n (wie 12) erfordert mehr Umsatz Geschichte. Es resultiert in einer stabilen Prognose, ist aber langsam zu erkennen Verschiebungen in der Höhe des Umsatzes. Umgekehrt ist ein kleiner Wert für n (wie z. B. 3) schneller auf Verschiebungen im Umsatzniveau zu reagieren, aber die Prognose könnte so weit schwanken, dass die Produktion nicht auf die Variationen reagieren kann. Erforderliche Verkaufsgeschichte: n plus Anzahl der Zeiträume, die für die Bewertung der Prognoseperformance (Perioden der besten Abstimmung) erforderlich sind. Diese Tabelle wird in der Prognoserechnung verwendet: Februar-Prognose entspricht (114 119 137 125) 4 123,75 gerundet auf 124. Märzprognose entspricht (119 137 125 124) 4 126,25 gerundet auf 126. 3.2.5 Methode 5: Lineare Approximation Diese Methode Verwendet die Formel zur linearen Approximation, um einen Trend aus der Anzahl der Perioden des Kundenauftragsverlaufs zu berechnen und diesen Trend zur Prognose zu projizieren. Sie sollten den Trend monatlich neu berechnen, um Änderungen in Trends zu erkennen. Diese Methode erfordert die Anzahl der Perioden der besten Übereinstimmung plus die Anzahl der angegebenen Perioden der Kundenauftragshistorie. Diese Methode ist nützlich, um die Nachfrage nach neuen Produkten oder Produkten mit konstanten positiven oder negativen Trends, die nicht aufgrund von saisonalen Schwankungen sind prognostiziert. 3.2.5.1 Beispiel: Methode 5: Lineare Approximation Lineare Approximation berechnet einen Trend, der auf zwei Verkaufsverlaufsdatenpunkten basiert. Diese beiden Punkte definieren eine gerade Linie, die in die Zukunft projiziert wird. Verwenden Sie diese Methode mit Vorsicht, weil Langstreckenvorhersagen durch kleine Änderungen an nur zwei Datenpunkten genutzt werden. Prognosespezifikationen: n entspricht dem Datenpunkt in der Verkaufsgeschichte, der mit dem aktuellsten Datenpunkt verglichen wird, um einen Trend zu identifizieren. Geben Sie beispielsweise n 4 an, um die Differenz zwischen Dezember (jüngste Daten) und August (vier Perioden vor Dezember) als Grundlage für die Berechnung des Trends zu verwenden. Mindestens erforderlicher Umsatzverlauf: n plus 1 plus Anzahl der Zeiträume, die für die Bewertung der Prognoseperformance (Perioden der besten Abstimmung) 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) 137 (2-mal 2) 141. März-Prognose Dezember des vergangenen Jahres 1 (Trend) entspricht 137 (3 mal 2) 143. 3.2.6 Methode 6: Least Squares Regression Die Methode der Least Squares Regression (LSR) leitet eine Gleichung ab, die eine lineare Beziehung zwischen den historischen Verkaufsdaten beschreibt Und der Lauf der Zeit. LSR paßt auf eine Zeile zum ausgewählten Datenbereich, so daß die Summe der Quadrate der Differenzen zwischen den tatsächlichen Verkaufsdatenpunkten und der Regressionsgeraden minimiert wird. Die Prognose ist eine Projektion dieser Geraden in die Zukunft. Diese Methode erfordert Verkaufsdatenhistorie für den Zeitraum, der durch die Anzahl der bestmöglichen Perioden plus der angegebenen Anzahl von historischen Datenperioden dargestellt wird. Die Mindestanforderung sind zwei historische Datenpunkte. Diese Methode ist nützlich, um die Nachfrage zu prognostizieren, wenn ein linearer Trend in den Daten ist. 3.2.6.1 Beispiel: Methode 6: Least Squares Regression Lineare Regression oder Least Squares Regression (LSR) ist die beliebteste Methode, um einen linearen Trend in historischen Verkaufsdaten zu identifizieren. Das Verfahren 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 für Zeit steht. Lineare Regression ist langsam zu erkennen, Wendepunkte und Schritt Funktion Verschiebungen in der Nachfrage. Die lineare Regression passt auf eine gerade Linie zu den Daten, selbst wenn die Daten saisonal oder besser durch eine Kurve beschrieben werden. Wenn Verkaufsgeschichte-Daten einer Kurve folgen oder ein starkes saisonales Muster aufweisen, treten Vorhersage-Bias und systematische Fehler auf. Prognosespezifikationen: n entspricht den Perioden der Verkaufsgeschichte, die bei der Berechnung der Werte für a und b verwendet werden. Geben Sie beispielsweise n 4 an, um die Historie von September bis Dezember als Grundlage für die Berechnungen zu verwenden. Wenn Daten verfügbar sind, würde ein grßeres n (wie beispielsweise n 24) gewöhnlich verwendet werden. LSR definiert eine Zeile für so wenige 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 erforderlicher Umsatzverlauf: n Perioden plus Anzahl der Zeiträume, die für die Bewertung der Prognoseperformance (Perioden der besten Abstimmung) erforderlich sind. Diese Tabelle wird in der Prognoseberechnung verwendet: Die Märzprognose entspricht 119,5 (7 mal 2,3) 135,6 auf 136 gerundet. 3.2.7 Methode 7: Zweite Grad Approximation Um die Prognose zu projizieren, verwendet diese Methode die zweite Grad-Approximationsformel, um eine Kurve darzustellen Die auf der Anzahl der Verkaufsphasen beruht. Diese Methode erfordert die Anzahl der Perioden am besten geeignet plus die Anzahl der Perioden der Verkaufsauftragsverlauf mal drei. Diese Methode ist nicht geeignet, die Nachfrage nach einem langfristigen Zeitraum zu prognostizieren. 3.2.7.1 Beispiel: Methode 7: Second Degree Approximation Die lineare Regression ermittelt Werte für a und b in der Prognoseformel Y a b X mit dem Ziel, eine Gerade an die Verkaufsgeschichtsdaten anzupassen. Zweite Grad Approximation ist ähnlich, aber dieses Verfahren bestimmt Werte für a, b und c in dieser Prognose Formel: Y a b X c X 2 Das Ziel dieses Verfahrens ist es, eine Kurve auf die Verkaufsgeschichte Daten passen. Dieses Verfahren ist nützlich, wenn sich ein Produkt im Übergang zwischen den Lebenszyklusstufen befindet. Wenn sich beispielsweise ein neues Produkt von der Einführung in die Wachstumsstadien bewegt, könnte sich die Absatzentwicklung beschleunigen. Wegen des Termes der zweiten Ordnung kann die Prognose schnell an die Unendlichkeit heranreichen oder auf Null fallen (abhängig davon, ob der Koeffizient c positiv oder negativ ist). Diese Methode ist nur kurzfristig nutzbar. Prognose Spezifikationen: die Formel finden a, b und c, um eine Kurve auf genau drei Punkte passen. Sie geben n die Anzahl der Zeitperioden an, die in jedem der drei Punkte akkumuliert werden sollen. In diesem Beispiel ist n 3. Die tatsächlichen Verkaufsdaten für April bis Juni sind in den ersten Punkt Q1 zusammengefasst. Juli bis September werden 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 Bewertung der Prognoseperformance (Perioden der besten Passform) erforderlich sind. Diese Tabelle wird in der Prognoserechnung verwendet: Q0 (Jan) (Feb) (Mar) Q1 (Apr) (Mai) (Jun), die 125 122 137 384 Q2 (Jul) (Aug) (Sep) entspricht 140 129 entspricht Der nächste Schritt besteht darin, die drei Koeffizienten a, b und c zu berechnen, 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 stellt die gesamten historischen Verkäufe für April, Mai und Juni dar und ist auf X 1 Q2 dargestellt, entspricht Juli bis September Q3 entspricht Oktober bis Dezember und Q4 repräsentiert Januar bis März. Diese Grafik illustriert die Darstellung von Q1, Q2, Q3 und Q4 für die Näherung des zweiten Grades: Abbildung 3-2 Darstellung von Q1, Q2, Q3 und Q4 zur Näherung des zweiten Grades Drei Gleichungen beschreiben die drei Punkte des Graphen: (1) Q1 (Q2 a 2b 4c) (3) Q3 a bX cX 2 mit X 3 (Q3 a 3b 9c) Lösen Sie die drei Gleichungen gleichzeitig (2) ndash (1) Q2 ndash Q1 b 3c b (Q2 ndash Q1) ndash 3c Ersetzen Sie die Gleichung 1 (1) aus Gleichung 2 (2) und lösen Sie für b: B in Gleichung (3): (3) Q3 a 3 (Q2 ndash Q1) ndash 3c 9c a Q3 ndash 3 (Q2 ndash Q1) Schließe diese Gleichungen für a und b in Gleichung (1): (1) Q3 ndash ein (Q2 ndash Q2) 2 Das zweite Approximationsverfahren berechnet a, b und c wie folgt: a Q3 ndash 3 (Q2 ndash Q1) (Q2 ndash Q1) (Q2 ndash Q1) ) (N3) n0 (n3) n0 (n2) n0 (n3) n0 (n) n (n) 370 ndash 400) (384 ndash 400) 2 ndash23 Dies ist eine Berechnung der Näherungsprognose 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 auf 57 pro Periode gerundet. Wenn X 6, Q6 322 510 ndash 828 4. Die Prognose ist 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 Mit dieser Methode können Sie die bestmögliche Anzahl von Perioden des Verkaufsauftragsverlaufs auswählen, die n Monate vor dem Startdatum der Prognose beginnt Wenden Sie einen prozentualen Anstieg oder Abnahme Multiplikationsfaktor, mit dem die Prognose zu ändern. Diese Methode ähnelt Methode 1, Prozent über dem letzten Jahr, außer dass Sie die Anzahl der Perioden angeben können, die Sie als Basis verwenden. Abhängig davon, was Sie als n wählen, erfordert diese Methode Perioden am besten geeignet plus die Anzahl der angegebenen Perioden der Verkaufsdaten. Diese Methode ist nützlich, um die Nachfrage nach einem geplanten Trend vorherzusagen. 3.2.8.1 Beispiel: Methode 8: Flexible Methode Die Flexible Methode (Prozentsatz über n Monate vor) ähnelt der Methode 1, Prozent über dem letzten Jahr. Beide Methoden multiplizieren Verkaufsdaten aus einem früheren Zeitraum mit einem von Ihnen angegebenen Faktor und projizieren dieses Ergebnis dann in die Zukunft. In der Percent Over Last Year Methode basiert die Projektion auf Daten aus dem gleichen Zeitraum des Vorjahres. Sie können auch die Flexible Methode verwenden, um einen anderen Zeitraum als denselben Zeitraum des letzten Jahres anzugeben, der als Grundlage für die Berechnungen verwendet werden soll. Multiplikationsfaktor. Geben Sie beispielsweise 110 in der Verarbeitungsoption an, um die vorherigen Verkaufsverlaufsdaten um 10 Prozent zu erhöhen. Basiszeitraum. Zum Beispiel bewirkt n 4, dass die erste Prognose im September des letzten Jahres auf Verkaufsdaten basiert. Mindestens erforderliche Verkaufsgeschichte: Anzahl der Perioden bis zur Basisperiode plus Anzahl der Zeiträume, die für die Bewertung der Prognoseperformance erforderlich sind (Perioden der besten Abstimmung). 3.2.9 Methode 9: Gewichteter gleitender Durchschnitt Die gewichtete gleitende Durchschnittsformel ist vergleichbar mit Methode 4, Gleitende Durchschnittsformel, da sie im Vergleich zum vorausgegangenen Geschäftsverlauf die vorhergehende Verkaufshistorie projiziert. Mit dieser Formel können Sie jedoch Gewichte für jede der vorherigen Perioden zuordnen. Diese Methode erfordert die Anzahl der gewählten Perioden plus die Anzahl der Perioden, die am besten zu den Daten passen. Ähnlich wie bei Moving Average, liegt diese Methode hinter den Nachfrage-Trends, 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 prognostizieren, die relativ hoch ist. 3.2.9.1 Beispiel: Methode 9: Gewichteter gleitender Durchschnitt Die Methode des gewichteten gleitenden Durchschnitts (WMA) ähnelt Methode 4, Gleitender Durchschnitt (MA). Sie können jedoch den historischen Daten bei Verwendung von WMA ungleiche Gewichte zuordnen. Die Methode berechnet einen gewichteten Durchschnitt der letzten Verkaufsgeschichte, um zu einer Projektion für die kurzfristige kommen. Jüngere Daten sind in der Regel ein größeres Gewicht als ältere Daten zugeordnet, so dass WMA ist besser auf Veränderungen in der Ebene des Umsatzes. Allerdings Prognose Bias und systematische Fehler auftreten, wenn die Produktverkäufe Geschichte starke Trends oder saisonale Muster zeigt. Diese Methode funktioniert besser für Kurzstreckenvorhersagen von reifen Produkten als für Produkte in den Wachstums - oder Veralterungsstadien des Lebenszyklus. Die Anzahl der Perioden der Verkaufsgeschichte (n), die in der Prognoserechnung verwendet werden sollen. Geben Sie beispielsweise n 4 in der Verarbeitungsoption an, um die letzten vier Perioden als Grundlage für die Projektion in die nächste Zeitperiode zu verwenden. Ein großer Wert für n (wie 12) erfordert mehr Umsatz Geschichte. Ein solcher Wert führt zu einer stabilen Prognose, aber es ist langsam, Veränderungen im Absatzniveau zu erkennen. Umgekehrt reagiert ein kleiner Wert für n (wie 3) schneller auf Verschiebungen des Umsatzniveaus, doch könnte die Prognose so weit schwanken, dass die Produktion nicht auf die Variationen reagieren kann. Die Gesamtzahl der Perioden für die Verarbeitungsoption rdquo14 - Perioden bis includerdquo sollte 12 Monate nicht überschreiten. Das Gewicht, das jeder der historischen Datenperioden zugeordnet ist. Die zugeordneten Gewichte müssen 1,00 betragen. Zum Beispiel, wenn n 4, weisen Sie Gewichte von 0,50, 0,25, 0,15 und 0,10 zu, wobei die jüngsten Daten das größte Gewicht empfangen. Mindestens erforderlicher Umsatzverlauf: n plus Anzahl der Zeiträume, die für die Bewertung der Prognoseperformance (Perioden der besten Abstimmung) erforderlich sind. Diese Tabelle wird in der Prognoserechnung verwendet: Die Januarprognose 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 auf 128 gerundet (119 mal 0,10) (128 mal 0,15) (128 mal 0,25) (128 mal 0,50) 1 128,45 abgerundet auf 128. März-Vorhersage entspricht 119 mal 0,10 (137 mal 0,15) (128 mal 0,25) 128. 3.2.10 Methode 10: Lineare Glättung Diese Methode berechnet einen gewichteten Durchschnitt der bisherigen Verkaufsdaten. Bei dieser Methode wird die Anzahl der Perioden der Kundenauftragshistorie (von 1 bis 12) verwendet, die in der Bearbeitungsoption angegeben ist. Das System verwendet eine mathematische Progression, um Daten im Bereich von dem ersten (am wenigsten Gewicht) bis zum letzten Gewicht (das meiste Gewicht) zu wiegen. Das System projiziert diese Informationen zu jeder Periode in der Prognose. Diese Methode benötigt für die Anzahl der Perioden, die in der Verarbeitungsoption angegeben sind, die jeweils am besten passende Monatshälfte plus den Kundenauftragshistorie. 3.2.10.1 Beispiel: Methode 10: Lineare Glättung Diese Methode ähnelt Methode 9, WMA. Jedoch wird anstelle der willkürlichen Zuweisung von Gewichten zu den historischen Daten eine Formel verwendet, um Gewichtungen zuzuweisen, die linear abnehmen und auf 1,00 summieren. Das Verfahren berechnet dann einen gewichteten Durchschnitt der letzten Verkaufsgeschichte, um zu einer Projektion für die kurze Zeit zu gelangen. Wie alle linearen gleitenden durchschnittlichen Prognosetechniken, Prognose Bias und systematische Fehler auftreten, wenn die Produktverkäufe Geschichte starke Trend-oder saisonale Muster zeigt. Diese Methode funktioniert besser für Kurzstreckenvorhersagen von reifen Produkten als für Produkte in den Wachstums - oder Veralterungsstadien des Lebenszyklus. N entspricht der Anzahl der Perioden der Verkaufsgeschichte, die in der Prognoserechnung verwendet werden sollen. Geben Sie z. B. n gleich 4 in der Verarbeitungsoption an, um die letzten vier Perioden als Basis für die Projektion in die nächste Zeitperiode zu verwenden. Das System vergibt automatisch die Gewichte den historischen Daten, die linear abnehmen 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 neuesten Daten das größte Gewicht empfangen. Mindestens erforderlicher Umsatzverlauf: n plus Anzahl der Zeiträume, die für die Bewertung der Prognoseperformance (Perioden der besten Abstimmung) erforderlich sind. 3.2.11 Methode 11: Exponentialglättung Diese Methode berechnet einen geglätteten Durchschnitt, der zu einer Schätzung wird, die das allgemeine Umsatzniveau über die ausgewählten historischen Datenperioden darstellt. Diese Methode erfordert Umsatzdatenhistorie für den Zeitraum, der durch die Anzahl der bestmöglichen Perioden plus die Anzahl der angegebenen historischen Datenperioden dargestellt wird. Die Mindestanforderung sind zwei historische Datenperioden. Diese Methode ist nützlich, um die Nachfrage zu prognostizieren, wenn kein linearer Trend in den Daten vorhanden ist. 3.2.11.1 Beispiel: Methode 11: Exponentielle Glättung Diese Methode ist ähnlich wie Methode 10, Lineare Glättung. In Linear Smoothing weist das System Gewichte auf, die linear auf die historischen Daten zurückgehen. Bei exponentieller Glättung weist das System Gewichte auf, die exponentiell zerfallen. Die Prognose ist ein gewichteter Durchschnitt der tatsächlichen Umsätze der Vorperiode und der Prognose der Vorperiode. Die Prognose für die Exponential-Glättungsprognose lautet: Alpha ist das Gewicht, das auf die tatsächlichen Verkäufe für den vorherigen Zeitraum angewendet wird. (1 ndash alpha) ist das Gewicht, das auf die Prognose für den vorherigen Zeitraum angewendet wird. Werte für Alpha reichen von 0 bis 1 und fallen üblicherweise 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 zuweisen, 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 Grße der Verkäufe zu berechnen. Werte für den Alpha-Bereich von 0 bis 1. n entspricht dem Bereich der Verkaufsverlaufsdaten, der in die Berechnungen aufzunehmen ist. Im Allgemeinen reicht ein Jahr der Umsatzverlaufsdaten 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 nur einem historischen Datenpunkt basiert. Mindestens erforderlicher Umsatzverlauf: n plus Anzahl der Zeiträume, die für die Bewertung der Prognoseperformance (Perioden der besten Abstimmung) erforderlich sind. 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 geeignet plus zwei Jahre der Umsatzdaten und ist nützlich für Elemente, die sowohl Trend und Saisonalität in der Prognose haben. Sie können den Alpha - und Betafaktor eingeben oder das System berechnen lassen. Alpha - und Beta-Faktoren sind die Glättungskonstante, die das System verwendet, um den geglätteten Durchschnitt für das allgemeine Niveau oder die Größenordnung 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, Exponentialglättung, indem ein geglätteter Mittelwert berechnet wird. Das Verfahren 12 enthält jedoch auch einen Begriff in der Prognose-Gleichung, um einen geglätteten Trend zu berechnen. Die Prognose setzt sich aus einem geglätteten Durchschnitt, der für einen linearen Trend angepasst wird. Wenn in der Verarbeitungsoption angegeben, wird die Prognose auch saisonbedingt angepasst. Alpha entspricht der Glättungskonstante, die beim Berechnen des geglätteten Durchschnitts für das allgemeine Niveau oder die Grße der Verkäufe verwendet wird. Werte für Alpha reichen von 0 bis 1. Beta entspricht der Glättungskonstante, die beim Berechnen 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 voneinander unabhängig. Sie müssen nicht auf 1,0 Summe. Mindestens erforderlicher Umsatzverlauf: Ein Jahr plus Anzahl der Zeiträume, die zur Bewertung der Prognoseperformance erforderlich sind (Perioden der besten Abstimmung). Wenn zwei oder mehr Jahre historischer Daten vorliegen, verwendet das System zwei Jahre Daten in den Berechnungen. Methode 12 verwendet zwei Exponential-Glättungsgleichungen und einen einfachen Mittelwert, um einen geglätteten Durchschnitt, einen geglätteten Trend und einen einfachen durchschnittlichen saisonalen Index zu berechnen. Ein exponentiell geglätteter Durchschnitt: Ein einfacher durchschnittlicher saisonaler Index: Abbildung 3-3 Einfacher mittlerer saisonaler Index 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 die aktuelle Zeitspanne ist. M ist die Anzahl der Zeiträume in die Zukunft der Prognose. S ist der multiplikative saisonale Anpassungsfaktor, der auf den entsprechenden Zeitraum indiziert ist. In dieser Tabelle wird der Verlauf der Prognoseberechnung aufgelistet: Dieser Abschnitt bietet einen Überblick über die Prognoseauswertungen und erörtert: Sie können Prognosemethoden auswählen, um so viele wie 12 Prognosen für jedes Produkt zu generieren. Jede Prognosemethode kann eine etwas andere Projektion erzeugen. Wenn Tausende von Produkten prognostiziert werden, ist eine subjektive Entscheidung unpraktisch, welche Prognose in den Plänen für jedes Produkt verwenden. Das System wertet automatisch die Leistung für jede von Ihnen ausgewählte Prognosemethode und für jedes von Ihnen prognostizierte Produkt aus. Sie können zwischen zwei Leistungskriterien wählen: MAD und POA. MAD ist ein Maß für den Prognosefehler. POA ist ein Maß für die Vorhersage. Diese beiden Leistungsbewertungsverfahren erfordern für einen von Ihnen festgelegten Zeitraum tatsächliche Umsatzverlaufsdaten. Der Zeitraum der jüngsten Geschichte für die Auswertung verwendet wird als eine Übergangszeit oder Periode der besten Passform. Um die Performance einer Prognosemethode zu messen, verwendet das System die Prognoseformeln, um eine Prognose für die historische Halteperiode zu simulieren. Stellt einen Vergleich zwischen den tatsächlichen Verkaufsdaten und der simulierten Prognose für den Haltezeitraum her. Wenn Sie mehrere Prognosemethoden auswählen, tritt dieser Prozess für jede Methode auf. Mehrere Prognosen werden für die Halteperiode berechnet und im Vergleich zu der bekannten Verkaufsgeschichte für den gleichen Zeitraum. Für die Verwendung in den Plänen wird die Prognosemethode empfohlen, die die optimale Übereinstimmung zwischen der Prognose und dem tatsächlichen Umsatz während des Haltezeitraums liefert. Diese Empfehlung ist spezifisch für jedes Produkt 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 is a measure of the average magnitude of errors to expect, given a forecasting method and data history. Because absolute values are used in the calculation, positive errors do not cancel out negative errors. When comparing several forecasting methods, the one with the smallest MAD is the most reliable for that product for that holdout period. When the forecast is unbiased and errors are normally distributed, a simple mathematical relationship exists between MAD and two other common measures of distribution, which are standard deviation and Mean Squared Error. For example: MAD (Sigma (Actual) ndash (Forecast)) n Standard Deviation, (sigma) cong 1.25 MAD Mean Squared Error cong ndashsigma2 This example indicates the calculation of MAD for two of the forecasting methods. This example assumes that you have specified in the processing option that the holdout period length (periods of best fit) is equal to five periods. 3.3.1.1 Method 1: Last Year to This Year This table is history used in the calculation of MAD, given Periods of Best Fit 5: Mean Absolute Deviation equals (2 1 20 10 14) 5 9.4. Based on these two choices, the Moving Average, n 4 method is recommended because it has the smaller MAD, 9.4, for the given holdout period. 3.3.2 Percent of Accuracy Percent of Accuracy (POA) is a measure of forecast bias. When forecasts are consistently too high, inventories accumulate and inventory costs rise. When forecasts are consistently too low, inventories are consumed and customer service declines. A forecast that is 10 units too low, then 8 units too high, then 2 units too high is an unbiased forecast. The positive error of 10 is canceled by negative errors of 8 and 2. (Error) (Actual) ndash (Forecast) When a product can be stored in inventory, and when the forecast is unbiased, a small amount of safety stock can be used to buffer the errors. In this situation, eliminating forecast errors is not as important as generating unbiased forecasts. However, in service industries, the previous situation is viewed as three errors. The service is understaffed in the first period, and then overstaffed for the next two periods. In services, the magnitude of forecast errors is usually more important than is forecast bias. POA (SigmaForecast sales during holdout period) (SigmaActual sales during holdout period) times 100 percent The summation over the holdout period enables positive errors to cancel negative errors. When the total of forecast sales exceeds the total of actual sales, the ratio is greater than 100 percent. Of course, the forecast cannot be more than 100 percent accurate. When a forecast is unbiased, the POA ratio is 100 percent. A 95 percent accuracy rate is more desirable than a 110 percent accurate rate. The POA criterion selects the forecasting method that has a POA ratio that is closest to 100 percent. This example indicates the calculation of POA for two forecasting methods. This example assumes that you have specified in the processing option that the holdout period length (periods of best fit) is equal to five periods. 3.3.2.1 Method 1: Last Year to This Year This table is history used in the calculation of MAD, given Periods of Best Fit 5: 3.4.2 Forecast Accuracy These statistical laws govern forecast accuracy: A long term forecast is less accurate than a short term forecast because the further into the future you project the forecast, the more variables can affect the forecast. A forecast for a product family tends to be more accurate than a forecast for individual members of the product family. Some errors cancel each other as the forecasts for individual items summarize into the group, thus creating a more accurate forecast. 3.4.3 Forecast Considerations You should not rely exclusively on past data to forecast future demands. These circumstances might affect the business, and require you to review and modify the forecast: New products that have no past data. Plans for future sales promotion. Changes in national and international politics. New laws and government regulations. Weather changes and natural disasters. Innovations from competition. You can use long term trend analysis to influence the design of the forecasts: Leading economic indicators. 3.4.4 Forecasting Process You use the Refresh Actuals program (R3465) to copy data from the Sales Order History File table (F42119), the Sales Order Detail File table (F4211), or both, into either the Forecast File table (F3460) or the Forecast Summary File table (F3400), depending on the kind of forecast that you plan to generate. Scripting on this page enhances content navigation, but does not change the content in any way. A Forecast Calculation Examples A.1 Forecast Calculation Methods Twelve methods of calculating forecasts are available. Most of these methods provide for limited user control. For example, the weight placed on recent historical data or the date range of historical data used in the calculations might be specified. The following examples show the calculation procedure for each of the available forecasting methods, given an identical set of historical data. The following examples use the same 2004 and 2005 sales data to produce a 2006 sales forecast. In addition to the forecast calculation, each example includes a simulated 2005 forecast for a three month holdout period (processing option 19 3) which is then used for percent of accuracy and mean absolute deviation calculations (actual sales compared to simulated forecast). A.2 Forecast Performance Evaluation Criteria Depending on your selection of processing options and on the trends and patterns existing in the sales data, some forecasting methods will perform better than others for a given historical data set. A forecasting method that is appropriate for one product may not be appropriate for another product. It is also unlikely that a forecasting method that provides good results at one stage of a products life cycle will remain appropriate throughout the entire life cycle. You can choose between two methods to evaluate the current performance of the forecasting methods. These are Mean Absolute Deviation (MAD) and Percent of Accuracy (POA). Both of these performance evaluation methods require historical sales data for a user specified period of time. This period of time is called a holdout period or periods best fit (PBF). The data in this period is used as the basis for recommending which of the forecasting methods to use in making the next forecast projection. This recommendation is specific to each product, and may change from one forecast generation to the next. The two forecast performance evaluation methods are demonstrated in the pages following the examples of the twelve forecasting methods. A.3 Method 1 - Specified Percent Over Last Year This method multiplies sales data from the previous year by a user specified factor for example, 1.10 for a 10 increase, or 0.97 for a 3 decrease. Required sales history: One year for calculating the forecast plus the user specified number of time periods for evaluating forecast performance (processing option 19). A.4.1 Forecast Calculation Range of sales history to use in calculating growth factor (processing option 2a) 3 in this example. Sum the final three months of 2005: 114 119 137 370 Sum the same three months for the previous year: 123 139 133 395 The calculated factor 370 395 0.9367 Calculate the forecasts: January, 2005 sales 128 0.9367 119.8036 or about 120 February, 2005 sales 117 0.9367 109.5939 or about 110 March, 2005 sales 115 0.9367 107.7205 or about 108 A.4.2 Simulated Forecast Calculation Sum the three months of 2005 prior to holdout period (July, Aug, Sept): 129 140 131 400 Sum the same three months for the previous year: 141 128 118 387 The calculated factor 400 387 1.033591731 Calculate simulated forecast: October, 2004 sales 123 1.033591731 127.13178 November, 2004 sales 139 1.033591731 143.66925 December, 2004 sales 133 1.033591731 137.4677 A.4.3 Percent of Accuracy Calculation POA (127.13178 143.66925 137.4677) (114 119 137) 100 408.26873 370 100 110.3429 A.4.4 Mean Absolute Deviation Calculation MAD (127.13178 - 114 143.66925 - 119 137.4677- 137) 3 (13.13178 24.66925 0.4677) 3 12.75624 A.5 Method 3 - Last year to This Year This method copies sales data from the previous year to the next year. Required sales history: One year for calculating the forecast plus the number of time periods specified for evaluating forecast performance (processing option 19). A.6.1 Forecast Calculation Number of periods to be included in the average (processing option 4a) 3 in this example For each month of the forecast, average the previous three months data. January forecast: 114 119 137 370, 370 3 123.333 or 123 February forecast: 119 137 123 379, 379 3 126.333 or 126 March forecast: 137 123 126 379, 386 3 128.667 or 129 A.6.2 Simulated Forecast Calculation October 2005 sales (129 140 131) 3 133.3333 November 2005 sales (140 131 114) 3 128.3333 December 2005 sales (131 114 119) 3 121.3333 A.6.3 Percent of Accuracy Calculation POA (133.3333 128.3333 121.3333) (114 119 137) 100 103.513 A.6.4 Mean Absolute Deviation Calculation MAD (133.3333 - 114 128.3333 - 119 121.3333 - 137) 3 14.7777 A.7 Method 5 - Linear Approximation Linear Approximation calculates a trend 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, as long range forecasts are leveraged by small changes in just two data points. Required sales history: The number of periods to include in regression (processing option 5a), plus 1 plus the number of time periods for evaluating forecast performance (processing option 19). A.8.1 Forecast Calculation Number of periods to include in regression (processing option 6a) 3 in this example For each month of the forecast, add the increase or decrease during the specified periods prior to holdout period the previous period. Average of the previous three months (114 119 137) 3 123.3333 Summary of the previous three months with weight considered (114 1) (119 2) (137 3) 763 Difference between the values 763 - 123.3333 (1 2 3) 23 Ratio (12 22 32) - 2 3 14 - 12 2 Value1 Difference Ratio 23 2 11.5 Value2 Average - value1 ratio 123.3333 - 11.5 2 100.3333 Forecast (1 n) value1 value2 4 11.5 100.3333 146.333 or 146 Forecast 5 11.5 100.3333 157.8333 or 158 Forecast 6 11.5 100.3333 169.3333 or 169 A.8.2 Simulated Forecast Calculation October 2004 sales: Average of the previous three months (129 140 131) 3 133.3333 Summary of the previous three months with weight considered (129 1) (140 2) (131 3) 802 Difference between the values 802 - 133.3333 (1 2 3) 2 Ratio (12 22 32) - 2 3 14 - 12 2 Value1 Difference Ratio 2 2 1 Value2 Average - value1 ratio 133.3333 - 1 2 131.3333 Forecast (1 n) value1 value2 4 1 131.3333 135.3333 November 2004 sales Average of the previous three months (140 131 114) 3 128.3333 Summary of the previous three months with weight considered (140 1) (131 2) (114 3) 744 Difference between the values 744 - 128.3333 (1 2 3) -25.9999 Value1 Difference Ratio -25.9999 2 -12.9999 Value2 Average - value1 ratio 128.3333 - (-12.9999) 2 154.3333 Forecast 4 -12.9999 154.3333 102.3333 December 2004 sales Average of the previous three months (131 114 119) 3 121.3333 Summary of the previous three months with weight considered (131 1) (114 2) (119 3) 716 Difference between the values 716 - 121.3333 (1 2 3) -11.9999 Value1 Difference Ratio -11.9999 2 -5.9999 Value2 Average - value1 ratio 121.3333 - (-5.9999) 2 133.3333 Forecast 4 (-5.9999) 133.3333 109.3333 A.8.3 Percent of Accuracy Calculation POA (135.33 102.33 109.33) (114 119 137) 100 93.78 A.8.4 Mean Absolute Deviation Calculation MAD (135.33 - 114 102.33 - 119 109.33 - 137) 3 21.88 A.9 Method 7 - Second Degree Approximation Linear Regression determines values for a and b in the forecast formula Y a bX with the objective of fitting a straight line to the sales history data. Second Degree Approximation is similar. However, this method determines values for a, b, and c in the forecast formula Y a bX cX2 with the objective of fitting a curve to the sales history data. This method may be useful when a product is in the transition between stages of a life cycle. For example, when a new product moves from introduction to growth stages, the sales trend may 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). Therefore, this method is useful only in the short term. Forecast specifications: The formulae finds a, b, and c to fit a curve to exactly three points. You specify n in the processing option 7a, the number of time periods of data to accumulate into each of the three points. In this example n 3. Therefore, actual sales data for April through June are combined into the first point, Q1. July through September are added together to create Q2, and October through December sum to Q3. The curve will be 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 required for evaluating the forecast performance (PBF). Number of periods to include (processing option 7a) 3 in this example Use the previous (3 n) months in three-month blocks: Q1(Apr - Jun) 125 122 137 384 Q2(Jul - Sep) 129 140 131 400 Q3(Oct - Dec) 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 bX cX2 (1) Q1 a bX cX2 (where X 1) a b c (2) Q2 a bX cX2 (where X 2) a 2b 4c (3) Q3 a bX cX2 (where X 3) a 3b 9c Solve the three equations simultaneously to find b, a, and c: Subtract equation (1) from equation (2) and solve for b (2) - (1) Q2 - Q1 b 3c Substitute this equation for b into equation (3) (3) Q3 a 3(Q2 - Q1) - 3c c Finally, substitute these equations for a and b into equation (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) 322 c (Q3 - Q2) (Q1 - Q2) 2 (370 - 400) (384 - 400) 2 -23 b (Q2 - Q1) - 3c (400 - 384) - (3 -23) 85 Y a bX cX2 322 85X (-23)X2 January thru March forecast (X4): (322 340 - 368) 3 294 3 98 per period April thru June forecast (X5): (322 425 - 575) 3 57.333 or 57 per period July thru September forecast (X6): (322 510 - 828) 3 1.33 or 1 per period October thru December (X7) (322 595 - 1127 3 -70 A.9.2 Simulated Forecast Calculation October, November and December, 2004 sales: Q1(Jan - Mar) 360 Q2(Apr - Jun) 384 Q3(Jul - Sep) 400 a 400 - 3(384 - 360) 328 c (400 - 384) (360 - 384) 2 -4 b (384 - 360) - 3 (-4) 36 328 36 4 (-4) 16 3 136 A.9.3 Percent of Accuracy Calculation POA (136 136 136) (114 119 137) 100 110.27 A.9.4 Mean Absolute Deviation Calculation MAD (136 - 114 136 - 119 136 - 137) 3 13.33 A.10 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 user specified factor, 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. The Flexible Method adds the capability to specify a time period other than the same period last year to use as the basis for the calculations. Multiplication factor. For example, specify 1.15 in the processing option 8b to increase the previous sales history data by 15. Base period. For example, n 3 will cause the first forecast to be based upon sales data in October, 2005. Minimum sales history: The user specified number of periods back to the base period, plus the number of time periods required for evaluating the forecast performance (PBF). A.10.4 Mean Absolute Deviation Calculation MAD (148 - 114 161 - 119 151 - 137) 3 30 A.11 Method 9 - Weighted Moving Average The Weighted Moving Average (WMA) method is similar to Method 4, Moving Average (MA). However, with the Weighted Moving Average you can assign unequal weights to the historical data. 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 this makes WMA more responsive to shifts in the level of sales. However, forecast bias and systematic errors still do occur when the product sales history exhibits strong trend or seasonal patterns. This method works better for short range forecasts of mature products rather than for products in the growth or obsolescence stages of the life cycle. n the number of periods of sales history to use in the forecast calculation. For example, specify n 3 in the processing option 9a to use the most recent three 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 stable forecast, but will be slow to recognize shifts in the level of sales. On the other hand, a small value for n (such as 3) will respond quicker to shifts in the level of sales, but the forecast may fluctuate so widely that production can not respond to the variations. The weight assigned to each of the historical data periods. The assigned weights must total to 1.00. For example, when n 3, assign weights of 0.6, 0.3, and 0.1, with the most recent data receiving the greatest weight. Minimum required sales history: n plus the number of time periods required for evaluating the forecast performance (PBF). MAD (133.5 - 114 121.7 - 119 118.7 - 137) 3 13.5 A.12 Method 10 - Linear Smoothing This method is similar to Method 9, Weighted Moving Average (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. As is true of 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 rather than for products in the growth or obsolescence stages of the life cycle. n the number of periods of sales history to use in the forecast calculation. This is specified in the processing option 10a. For example, specify n 3 in the processing option 10b to use the most recent three periods as the basis for the projection into the next time period. The system will automatically assign the weights to the historical data that decline linearly and sum to 1.00. For example, when n 3, the system will assign weights of 0.5, 0.3333, and 0.1, with the most recent data receiving the greatest weight. Minimum required sales history: n plus the number of time periods required for evaluating the forecast performance (PBF). A.12.1 Forecast Calculation Number of periods to include in smoothing average (processing option 10a) 3 in this example Ratio for one period prior 3 (n2 n) 2 3 (32 3) 2 3 6 0.5 Ratio for two periods prior 2 (n2 n) 2 2 (32 3) 2 2 6 0.3333.. Ratio for three periods prior 1 (n2 n) 2 1 (32 3) 2 1 6 0.1666.. January forecast: 137 0.5 119 1 3 114 1 6 127.16 or 127 February forecast: 127 0.5 137 1 3 119 1 6 129 March forecast: 129 0.5 127 1 3 137 1 6 129.666 or 130 A.12.2 Simulated Forecast Calculation October 2004 sales 129 1 6 140 2 6 131 3 6 133.6666 November 2004 sales 140 1 6 131 2 6 114 3 6 124 December 2004 sales 131 1 6 114 2 6 119 3 6 119.3333 A.12.3 Percent of Accuracy Calculation POA (133.6666 124 119.3333) (114 119 137) 100 101.891 A.12.4 Mean Absolute Deviation Calculation MAD (133.6666 - 114 124 - 119 119.3333 - 137) 3 14.1111 A.13 Method 11 - Exponential Smoothing This method is similar to Method 10, Linear Smoothing. In Linear Smoothing the system assigns weights to the historical data that decline linearly. In exponential smoothing, the system assigns weights that exponentially decay. The exponential smoothing forecasting equation is: Forecast a(Previous Actual Sales) (1 - a) Previous Forecast The forecast is a weighted average of the actual sales from the previous period and the forecast from the previous period. a is the weight applied to the actual sales for the previous period. (1 - a) is the weight applied to the forecast for the previous period. Valid values for a range from 0 to 1, and usually fall between 0.1 and 0.4. The sum of the weights is 1.00. a (1 - a) 1 You should assign a value for the smoothing constant, a. If you do not assign values for the smoothing constant, the system calculates an assumed value based upon the number of periods of sales history specified in the processing option 11a. a the smoothing constant used in calculating the smoothed average for the general level or magnitude of sales. Valid values for a range from 0 to 1. n 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 3) was chosen in order to reduce the manual calculations required to verify the results. Exponential smoothing can generate a forecast based on as little as one historical data point. Minimum required sales history: n plus the number of time periods required for evaluating the forecast performance (PBF). A.13.1 Forecast Calculation Number of periods to include in smoothing average (processing option 11a) 3, and alpha factor (processing option 11b) blank in this example a factor for the oldest sales data 2 (11), or 1 when alpha is specified a factor for the 2nd oldest sales data 2 (12), or alpha when alpha is specified a factor for the 3rd oldest sales data 2 (13), or alpha when alpha is specified a factor for the most recent sales data 2 (1n), or alpha when alpha is specified November Sm. Avg. a(October Actual) (1 - a)October Sm. Avg. 1 114 0 0 114 December Sm. Avg. a(November Actual) (1 - a)November Sm. Avg. 2 3 119 1 3 114 117.3333 January Forecast a(December Actual) (1 - a)December Sm. Avg. 2 4 137 2 4 117.3333 127.16665 or 127 February Forecast January Forecast 127 March Forecast January Forecast 127 A.13.2 Simulated Forecast Calculation July, 2004 Sm. Avg. 2 2 129 129 August Sm. Avg. 2 3 140 1 3 129 136.3333 September Sm. Avg. 2 4 131 2 4 136.3333 133.6666 October, 2004 sales Sep Sm. Avg. 133.6666 August, 2004 Sm. Avg. 2 2 140 140 September Sm. Avg. 2 3 131 1 3 140 134 October Sm. Avg. 2 4 114 2 4 134 124 November, 2004 sales Sep Sm. Avg. 124 September 2004 Sm. Avg. 2 2 131 131 October Sm. Avg. 2 3 114 1 3 131 119.6666 November Sm. Avg. 2 4 119 2 4 119.6666 119.3333 December 2004 sales Sep Sm. Avg. 119.3333 A.13.3 Percent of Accuracy Calculation POA (133.6666 124 119.3333) (114 119 137) 100 101.891 A.13.4 Mean Absolute Deviation Calculation MAD (133.6666 - 114 124 - 119 119.3333 - 137) 3 14.1111 A.14 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 averaged adjusted for a linear trend. When specified in the processing option, the forecast is also adjusted for seasonality. a the smoothing constant used in calculating the smoothed average for the general level or magnitude of sales. Valid values for alpha range from 0 to 1. b the smoothing constant used in calculating the smoothed average for the trend component of the forecast. Valid values for beta range from 0 to 1. Whether a seasonal index is applied to the forecast a and b are independent of each other. They do not have to add to 1.0. Minimum required sales history: two years plus the number of time periods required for evaluating the forecast performance (PBF). Method 12 uses two exponential smoothing equations and one simple average to calculate a smoothed average, a smoothed trend, and a simple average seasonal factor. A.14.1 Forecast Calculation A) An exponentially smoothed average MAD (122.81 - 114 133.14 - 119 135.33 - 137) 3 8.2 A.15 Evaluating the Forecasts You can select forecasting methods to generate as many as twelve forecasts for each product. Each forecasting method will probably create a slightly different projection. When thousands of products are forecast, it is impractical to make a subjective decision regarding which of the forecasts to use in your plans for each of the products. The system automatically evaluates performance for each of the forecasting methods that you select, and for each of the products forecast. You can choose between two performance criteria, Mean Absolute Deviation (MAD) and Percent of Accuracy (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 user specified period of time. This period of recent history is called a holdout period or periods best fit (PBF). To measure the performance of a forecasting method, use the forecast formulae to simulate a forecast for the historical holdout period. There will usually be differences between actual sales data and the simulated forecast for the holdout period. When multiple forecast methods are selected, 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 of time. The forecasting method producing the best match (best fit) between the forecast and the actual sales during the holdout period is recommended for use in your plans. This recommendation is specific to each product, and might change from one forecast generation to the next. A.16 Mean Absolute Deviation (MAD) MAD is the mean (or average) of the absolute values (or magnitude) of the deviations (or errors) between actual and forecast data. MAD is a measure of the average magnitude of errors to expect, given a forecasting method and data history. Because absolute values are used in the calculation, positive errors do not cancel out negative errors. When comparing several forecasting methods, the one with the smallest MAD has shown to be the most reliable for that product for that holdout period. When the forecast is unbiased and errors are normally distributed, there is a simple mathematical relationship between MAD and two other common measures of distribution, standard deviation and Mean Squared Error: A.16.1 Percent of Accuracy (POA) Percent of Accuracy (POA) is a measure of forecast bias. When forecasts are consistently too high, inventories accumulate and inventory costs rise. When forecasts are consistently two 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, would be 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, it is not so important to eliminate forecast errors as it is to generate unbiased forecasts. However in service industries, the above situation would be viewed as three errors. The service would be understaffed in the first period, then overstaffed for the next two periods. In services, the magnitude of forecast errors is usually more important than is forecast bias. The summation over the holdout period allows positive errors to cancel negative errors. When the total of actual sales exceeds the total of forecast sales, the ratio is greater than 100. Of course, it is impossible to be more than 100 accurate. When a forecast is unbiased, the POA ratio will be 100. Therefore, it is more desirable to be 95 accurate than to be 110 accurate. The POA criteria select the forecasting method that has a POA ratio closest to 100. Scripting on this page enhances content navigation, but does not change the content in any way.


No comments:

Post a Comment