OR-Notes er en serie innledende notater om emner som faller under den brede overskriften i operasjonsforskningsområdet ELLER De ble opprinnelig brukt av meg i et innledende eller kurs jeg gir på Imperial College. De er nå tilgjengelige for bruk av noen studenter og lærere som er interessert i ELLER underlagt følgende betingelser. En fullstendig liste over emnene som er tilgjengelige i OR-Notes finner du her. Forespørsel eksempler. Forespørsel eksempel 1996 UG eksamen. Etterspørselen etter et produkt i hvert av de siste fem månedene er vist nedenfor . Bruk et to måneders glidende gjennomsnitt for å generere en prognose for etterspørsel i måned 6.Apply eksponensiell utjevning med en utjevningskonstant på 0 9 for å generere en prognose for etterspørsel etter etterspørsel i måned 6. Hvilket av disse to prognosene foretrekker du og hvorfor. Den to måneders glidende gjennomsnittet for måneder to til fem er gitt av. Forventningen for måned seks er bare det bevegelige gjennomsnittet for måneden før det vil si det glidende gjennomsnittet for måned 5 m 5 2350.Jegfører eksponensiell utjevning med en glatting konstant på 0 9 vi får. Som før prognosen for måned seks er bare gjennomsnittet for måned 5 M 5 2386. For å sammenligne de to prognosene beregner vi den gjennomsnittlige kvadratiske avviket MSD Hvis vi gjør dette finner vi det for det bevegelige gjennomsnittet. MSD 15 - 19 18 - 23 21 - 24 3 16 67.og for det eksponensielt glattede gjennomsnittet med en utjevningskonstant på 0 9.MSD 13 - 17 16 60 - 19 18 76 - 23 22 58 - 24 4 10 44. I det hele tatt se at eksponensiell utjevning ser ut til å gi den beste en måned fremover prognoser som den har en lavere MSD Derfor foretrekker vi prognosen for 2386 som er produsert av eksponensiell utjevning. Forekasting eksempel 1994 UG eksamen. Tabellen under viser etterspørselen etter en ny ettershave i en butikk for hver av de siste 7 månedene. Beregn et to måneders glidende gjennomsnitt i måneder to til syv. Hva ville være din prognose for etterspørselen i 8. måned. Bruk eksponensiell utjevning med en utjevningskonstant på 0 1 for å utlede en prognose for etterspørsel i måned åtte. Hvem av de to prognosene for måned åtte gjør du du foretrekker og hvorfor. Butikkmannen mener at kundene bytter til denne nye etterbehandlingen fra andre merker. Diskuter hvordan du kan modellere denne koblingsadferd og indikere dataene du vil trenge for å bekrefte om denne omstillingen skjer eller ikke. gjennomsnitt for måneder to til syv er gitt av. Prognosen for måned åtte er bare det bevegelige gjennomsnittet for måneden før det vil si det bevegelige gjennomsnittet for måned 7 m 7 46.Ved å bruke eksponensiell utjevning med en utjevningskonstant på 0 1 får vi. før prognosen for måned åtte er bare gjennomsnittet for måned 7 M 7 31 11 31 som vi ikke kan ha fraksjonert etterspørsel. For å sammenligne de to prognosene beregner vi den gjennomsnittlige kvadratiske avviket MSD Hvis vi gjør dette finner vi det for det bevegelige gjennomsnittet. for det eksponentielt glatte gjennomsnittet med en utjevningskonstant på 0 1. I det hele tatt ser vi at det to måneders glidende gjennomsnittet ser ut til å gi de beste månedene fremoverprognoser da det har en lavere MSD. Derfor foretrekker vi prognosen o f 46 som har blitt produsert av to måneders glidende gjennomsnitt. For å undersøke bytte ville vi måtte bruke en Markov-prosessmodell, hvor stater merker og vi ville trenge innledende statsinformasjon og kundeendringer fra undersøkelser. Vi må kjøre modellen på historiske data for å se om vi har en passform mellom modellen og historisk oppførsel. Forekasting eksempel 1992 UG eksamen. Tabellen nedenfor viser etterspørselen etter et bestemt merke av barberhøvel i en butikk for hver av de siste ni månedene. Beregn en tre måneders bevegelse gjennomsnitt for måneder tre til ni Hva ville være din prognose for etterspørselen i måned ti. Bruk eksponensiell utjevning med en utjevningskonstant på 0 3 for å utlede en prognose for etterspørselen i måned ti. Hvem av de to prognosene for måned ti foretrekker du og hvorfor. Tre måneders glidende gjennomsnitt for månedene 3 til 9 er gitt av. Forventningen for måned 10 er bare det bevegelige gjennomsnittet for måneden før det vil si det glidende gjennomsnittet for måned 9 m 9 20 33. Derfor som vi ikke kan ha brøkdel etterspørselen prognosen for måned 10 er 20.Applikasjon av eksponensiell utjevning med en utjevningskonstant på 0 3 vi får. Som før prognosen for måned 10 er bare gjennomsnittet for måned 9 M 9 18 57 19 som vi ikke kan ha fraksjonelle krav. sammenligne de to prognosene vi beregner gjennomsnittlig kvadrert avvik MSD Hvis vi gjør dette finner vi det for det bevegelige gjennomsnittet. og for det eksponentielt glatte gjennomsnittet med en utjevningskonstant på 0 3. I det hele tatt ser vi at det tre måneders glidende gjennomsnittet ser ut til å gi den beste en måned fremover prognoser som den har en lavere MSD Derfor foretrekker vi prognosen på 20 som har blitt produsert av tre måneders glidende gjennomsnitt. Forekasting eksempel 1991 UG eksamen. Tabellen nedenfor viser etterspørselen etter et bestemt merke av faksmaskin i et varehus i hver av de siste tolv månedene. Beregn fire måneders glidende gjennomsnitt for måneder 4 til 12. Hva ville være din prognose for etterspørselen i måned 13. Bruk eksponensiell utjevning med en utjevningskonstant på 0 2 til deri ve en prognose for etterspørselen i måned 13.Vi av de to prognosene for måned 13 foretrekker du og hvorfor. Hvilke andre faktorer som ikke vurderes i de ovennevnte beregningene, kan påvirke etterspørselen etter faksmaskinen i måned 13. De fire måneders flytting gjennomsnitt for måneder 4 til 12 er gitt by. m 4 23 19 15 12 4 17 25 m 5 27 23 19 15 4 21 m 6 30 27 23 19 4 24 75 m 7 32 30 27 23 4 28 m 8 33 32 30 27 4 30 5 m 9 37 33 32 30 4 33 m 10 41 37 33 32 4 35 75 m 11 49 41 37 33 4 40 m 12 58 49 41 37 4 46 25.Varselet for måned 13 er bare det bevegelige gjennomsnittet for måned før det vil si det glidende gjennomsnittet for måneden 12 m 12 46 25.Hvorfor vi ikke kan ha fraksjonell etterspørsel, er prognosen for måned 13 46. Å bruke eksponensiell utjevning med en utjevningskonstant på 0 2 får vi. Som før prognosen for måned 13 er bare gjennomsnittet for måned 12 M 12 38 618 39, da vi ikke kan ha fraksjonskrav. For å sammenligne de to prognosene beregner vi den gjennomsnittlige kvadratiske avviket MSD. Hvis vi gjør dette, finner vi det for glidende gjennomsnitt. og for det eksponentielt glatte gjennomsnittet med en utjevningskonstant på 0 2.Overall så ser vi at fire måneders glidende gjennomsnitt synes å gi de beste månedene fremoverprognoser da det har en lavere MSD. Derfor foretrekker vi prognosen på 46 som har vært produsert av fire måneders glidende average. seasonal demand. price endres, både dette merket og andre merker. Generell økonomisk situasjon. Ny teknologi. Forekasting eksempel 1989 UG eksamen. Tabellen nedenfor viser etterspørselen etter et bestemt merke av mikrobølgeovn i en avdeling lagre i hver av de siste tolv månedene. Beregn et seks måneders glidende gjennomsnitt for hver måned. Hva ville være din prognose for etterspørselen i måned 13. Bruk eksponensiell utjevning med en utjevningskonstant på 0 7 for å utlede en prognose for etterspørselen i måned 13 . Hvem av de to prognosene for måned 13 foretrekker du og hvorfor. Nå kan vi ikke beregne et seks måneders glidende gjennomsnitt før vi har minst 6 observasjoner - det vil si at vi kun kan beregne et slikt gjennomsnitt fra måned 6 fremover Henc e vi har. m 6 34 32 30 29 31 27 6 30 50.m 7 36 34 32 30 29 31 6 32 00.m 8 35 36 34 32 30 29 6 32 67.m 9 37 35 36 34 32 30 6 34 00.m 10 39 37 35 36 34 32 6 35 50.m 11 40 39 37 35 36 34 6 36 83.m 12 42 40 39 37 35 36 6 38 17.Varselet for måned 13 er bare det bevegelige gjennomsnittet for måned før det vil si det glidende gjennomsnittet for måneden 12 m 12 38 17.Hva vi ikke kan ha fraksjonell etterspørsel, er prognosen for måned 13 38. Å bruke eksponensiell utjevning med en utjevningskonstant på 0 7 får vi.3 Forstå prognostiseringsnivåer og - metoder. Du kan generere både detaljerte enkeltprognoser og sammendrag av produktlinjeprognoser som reflekterer produktbehovsmønstre. Systemet analyserer siste salg for å beregne prognoser ved å bruke 12 prognosemetoder. Prognosene inkluderer detaljert informasjon på elementnivå og høyere nivåinformasjon om en filial eller selskapet som helhet.3 1 Prognose Prestasjonsvurderingskriterier. Avhengig av valg av behandlingsalternativer og trender og mønstre i Salgsdataene utfører noen prognosemetoder bedre enn andre for et gitt historisk datasett. En prognosemetode som passer for et produkt, kan ikke være aktuelt for et annet produkt. Det kan hende du finner en prognosemetode som gir gode resultater på ett stadie av et produkt livssyklusen forblir hensiktsmessig gjennom hele livssyklusen. Du kan velge mellom to metoder for å evaluere nåværende ytelse av prognosemetodene. Antall nøyaktighet POA. Med absolutt avvik MAD. Both av disse ytelsesevalueringsmetodene krever historiske salgsdata i en periode som du spesifiserer Denne perioden kalles en holdoutperiode eller periode med best egnethet. Dataene i denne perioden brukes som grunnlag for å anbefale hvilken prognosemetode som skal brukes til å gjøre neste prognoseprosjekt. Denne anbefalingen er spesifikk for hvert produkt og kan endres fra en prognose generasjon til neste.3 1 1 Best Fit. Systemet anbefaler den beste passformsprognosen ved å bruke den valgte for ecasting metoder til tidligere salgsordre historie og sammenligne prognose simulering til den faktiske historien Når du genererer en best egnet prognose, sammenligner systemet faktiske salgsordrehistorier med prognoser for en bestemt tidsperiode og beregner hvor nøyaktig hver annen prognosemetode forutsier salg. Systemet anbefaler den mest nøyaktige prognosen som den beste pasienten. Denne grafikken illustrerer de beste passformsprognosene. Fig. 3-1 Best passformsprognos. Systemet bruker denne fremgangsmåten for å bestemme den beste passformen. Bruk hver spesifisert metode for å simulere en prognose for holdout-perioden faktisk salg til de simulerte prognosene for holdoutperioden. Beregn POA eller MAD for å avgjøre hvilken prognosemetode som passer best i det siste faktiske salg. Systemet bruker enten POA eller MAD, basert på de behandlingsalternativene du velger. Anbefal et best passer prognosen av POA som er nærmest 100 prosent over eller under eller MAD som er nærmest null. 3 2 Forecasting Methods. JD E dages EnterpriseOne Forecast Management bruker 12 metoder for kvantitativ prognose og indikerer hvilken metode som passer best for prognosesituasjonen. Dette avsnittet diskuterer. Metode 1 prosent over forrige år. Metode 2 Beregnet prosent over siste år. Metode 3 siste år til dette året. Metode 4 Moving Average. Method 5 Linear Approximation. Method 6 Minste Kvadrater Regression. Method 7 Second Degree Approximation. Method 8 Fleksibel Metode. Metode 9 Vektet Moving Average. Method 10 Linear Smoothing. Method 11 Eksponensiell Utjevning. Metod 12 Eksponensiell Utjevning Med Trend og Seasonality. Specify den metoden du vil bruke i behandlingsalternativene for Forecast Generation-programmet R34650. De fleste av disse metodene gir begrenset kontroll. For eksempel vekten plassert på nyere historiske data eller datoperioden for historiske data som brukes i beregningene kan spesifiseres av deg. Eksemplene i veiledningen angir beregningsprosedyren for hver av de tilgjengelige prognosene metoder, gitt et identisk sett med historiske data. Metodeeksemplene i veiledningen bruker deler eller alle disse datasettene, som er historiske data fra de siste to årene. Prognoseprosjektet går inn i neste år. Dette salgshistorikkdataene er stabile med små sesongmessige økninger i juli og desember Dette mønsteret er karakteristisk for et modent produkt som kan nærme seg forældelsen.3 2 1 Metode 1 Prosent over fjorår. Denne metoden bruker prosentandelen over fjorårsformelen for å multiplisere hver prognoseperiode med den angitte prosentvise økningen eller reduksjon. For å prognostisere etterspørsel krever denne metoden antall perioder for best egnethet pluss ett år med salgshistorikk. Denne metoden er nyttig for å prognose etterspørselen etter sesongelementer med vekst eller nedgang.3 2 1 1 Eksempel Metode 1 Prosent over fjorår. Prosent over fjorårsformel multipliserer salgsdata fra foregående år med en faktor du angir og deretter prosjekter som resulterer i løpet av neste år Denne metoden kan være nyttig i budsjettering til simulere effekten av en spesifisert veksthastighet eller når salgshistorikken har en betydelig sesongkomponent. Forespørselsspesifikasjoner Multiplikasjonsfaktor For eksempel spesifiser 110 i behandlingsalternativet for å øke tidligere års salgsloggdata med 10 prosent. Ønsket salgshistorie Ett år for beregning av prognosen, pluss antall tidsperioder som kreves for å evaluere prognoseperiodene med best passform som du spesifiserer. Dette tabellen er historikk brukt i prognoseberegningen. Februarprognose er 117 1 1 128 7 avrundet til 129 tilsvarer 115 1 1 126 5 avrundet til 127,3 2 2 Metode 2 Beregnet prosent over siste år. Denne metoden bruker beregning av prosent i løpet av fjorårs formel for å sammenligne det siste salget av angitte perioder til salg fra samme perioder i forrige år. Systemet bestemmer en prosentvis økning eller reduksjon, og deretter multipliserer hver periode med prosentandelen for å bestemme prognosen. For å prognose etterspørsel krever denne metoden Antall perioder med salgsordrehistorie pluss ett år med salgshistorie Denne metoden er nyttig for å prognose kortsiktig etterspørsel etter sesongelementer med vekst eller nedgang.3 2 2 1 Eksempel Metode 2 Beregnet Prosent Over Siste År. Beregnet Prosent Over Siste År formelen multipliserer salgsdata fra foregående år med en faktor som beregnes av systemet og deretter prosjekterer resultatet for neste år Denne metoden kan være nyttig for å projisere innvirkningen av å forlenge den siste vekstraten for et produkt inn i det neste året mens du beholder et sesongmessig mønster som er til stede i salgshistorikken. Forespørselsspesifikasjoner Omfang av salgshistorie som skal brukes til å beregne vekstraten For eksempel angir n lik 4 i behandlingsalternativet for å sammenligne salgshistorikk for de siste fire periodene til de samme fire perioder i forrige år Bruk beregningsforholdet til å gjøre projeksjonen for neste år. Ønsket salgshistorie Ett år for å beregne prognosen pluss nummen er tidsperioder som kreves for å vurdere prognoseperiodene med best passform. Dette tabellen er historien som brukes i prognoseberegningen, gitt n 4.Februari prognose er 117 0 9766 114 26 avrundet til 114. Mars prognosen er 115 0 9766 112 31 avrundet til 112,3 2 3 Metode 3 Siste år til dette året. Denne metoden bruker i fjor s salg for neste år s prognose. For å prognose etterspørsel krever denne metoden antall perioder som passer best, pluss ett år med salgsordrehistorikk Denne metoden er nyttig for å prognose etterspørselen etter modne produkter med behov for etterspørsel eller sesongbasert etterspørsel uten en trend.3 2 3 1 Eksempel Metode 3 Siste år til dette året. Siste år til årets formel formaterer salgsdata fra foregående år til neste år Dette Metoden kan være nyttig i budsjettering for å simulere salg på det nåværende nivået. Produktet er modent og har ingen trend i det lange løp, men et betydelig sesongmessig etterspørselsmønster kan eksistere. Forespørselsspesifikasjoner None. Required sales history Ett år for c beregne prognosen pluss antall tidsperioder som kreves for å evaluere prognoseperiodene med best passform. Dette tabellen er historien som brukes i prognosen. Januarprognosen er lik januar i fjor med en prognosenverdi på 128. Februarprognosen er lik februar i fjor med en prognoseverdi på 117. Mars prognosen er lik i mars i fjor med en prognoseverdi på 115,3 2 4 Metode 4 Flytende gjennomsnitt. Denne metoden bruker den flytende gjennomsnittlige formelen til å gjennomsnittlig angitte antall perioder for å projisere neste periode Du bør omregne det ofte månedlig eller minst kvartalsvis for å reflektere endring av etterspørselsnivå. For å prognose etterspørsel krever denne metoden antall perioder som passer best, pluss antall perioder med salgsordrehistorikk. Denne metoden er nyttig for å prognose etterspørselen etter modne produkter uten en trend.3 2 4 1 Eksempel Metode 4 Moving Average. Moving Average MA er en populær metode for å gjennomsnittsføre resultatene av den siste salgshistorikken for å bestemme et prosjekt n på kort sikt MA-prognosemetoden ligger bak trender Prognoseforstyrrelser og systematiske feil oppstår når produktsalgshistorikken viser sterk trend eller sesongmessige mønstre. Denne metoden fungerer bedre for korte prognoser for modne produkter enn for produkter som er i vekst eller forældelse stadier av livssyklusen. Forespørselsspesifikasjoner n er det antall salgstidshistorier som skal brukes i prognoseberegningen. For eksempel angi n 4 i behandlingsalternativet for å bruke de siste fire periodene som grunnlag for projeksjonen til neste gang periode En stor verdi for n som 12 krever mer salgshistorikk. Det resulterer i en stabil prognose, men er sakte å gjenkjenne endringer i salgsnivå. Omvendt er en liten verdi for n som 3 raskere å svare på endringer i nivået av salget, men prognosen kan variere så mye at produksjonen ikke kan svare på variasjonene. Ønsket salgshistorie n pluss antall tidsperioder som kreves for eval utregning av prognoseperiodene som passer best. Denne tabellen er historien som brukes i prognoseberegningen. Februarprognosen er 114 114 137 125 4 123 75 avrundet til 124. Mars prognosen er lik 119 137 125 124 4 126 25 avrundet til 126,3 2 5 Metode 5 Linjær tilnærming. Denne metoden bruker Linear Approximation-formelen til å beregne en trend fra antall perioder med salgsordrehistorikk og å projisere denne trenden til prognosen. Du bør omregne trenden hver måned for å oppdage endringer i trender. Denne metoden krever antall perioder med best egnethet pluss antall spesifiserte perioder med salgsordrehistorikk Denne metoden er nyttig for å prognose etterspørselen etter nye produkter, eller produkter med konsekvente positive eller negative trender som ikke skyldes sesongmessige svingninger.3 2 5 1 Eksempel Metode 5 Lineær tilnærming. Lineær tilnærming beregner en trend som er basert på to salgshistorikk datapunkter Disse to punktene definerer en rett trendlinje som projiseres inn i fremtiden Bruk denne metoden od med forsiktighet fordi langdistanseprognosene utløses av små endringer i bare to datapunkter. Forespørselsspesifikasjoner n er lik datapunktet i salgshistorikken som sammenlignes med det nyeste datapunktet for å identifisere en trend. For eksempel angi n 4 for å bruke forskjell mellom desember nyeste data og august fire perioder før desember som grunnlag for beregning av trend. Minimum påkrevd salgshistorie n pluss 1 pluss antall tidsperioder som kreves for å vurdere prognoseperiodene med best passform. Dette tabellen er historie brukt i prognosen beregning. January prognose desember foregående år 1 Trend som tilsvarer 137 1 2 139.Februari prognose Desember foregående år 1 Trend som tilsvarer 137 2 2 141.March prognose Desember foregående år 1 Trend som tilsvarer 137 3 2 143,3 2 6 Metode 6 Minste kvadrateregresjon. Den minste kvadrateregresjon LSR-metoden danner en ligning som beskriver et rettsforhold mellom de historiske salgsdata og passasjen e av tid LSR passer til en linje til det valgte datasettet slik at summen av firkantene av forskjellene mellom de faktiske salgsdatapunktene og regresjonslinjen blir minimert. Prognosen er en projeksjon av denne rette linjen inn i fremtiden. Denne metoden krever salgsdatahistorie for perioden som er representert av antall perioder som passer best til det angitte antallet historiske dataperioder Minimumskravet er to historiske datapunkter Denne metoden er nyttig for å prognose etterspørsel når en lineær trend er i dataene.3 2 6 1 Eksempelmetode 6 Regressering av minste kvadrater, eller minste kvadrater Regresjon LSR, er den mest populære metoden for å identifisere en lineær trend i historiske salgsdata Metoden beregner verdiene for a og b som skal brukes i formelen. Dette ligning beskriver en rett linje, hvor Y representerer salg og X representerer tid. Linjær regresjon er sakte for å gjenkjenne vendepunkter og trinnfunksjonsskift i etterspørsel. Linjær regresjon passer som Selv om dataene er sesongmessige eller bedre beskrevet av en kurve Når salgshistorikkdata følger en kurve eller har et sterkt sesongmessig mønster, oppstår prognoseforstyrrelser og systematiske feil. Forespesifikasjonsspesifikasjonene n er de perioder med salgshistorie som vil brukes til å beregne verdiene for a og b For eksempel angi n 4 for å bruke historien fra september til desember som grunnlag for beregningene Når data er tilgjengelig, vil en større n som n 24 vanligvis brukes LSR definerer en linje for så få som to datapunkter For dette eksempelet ble en liten verdi for nn 4 valgt for å redusere de manuelle beregningene som kreves for å verifisere resultatene. Minste nødvendige salgshistorie n perioder pluss antall tidsperioder som kreves for å evaluere prognose ytelsesperioder med best passform. Dette tabellen er historien som brukes i prognosen beregning. Mark prognose er lik 119 5 7 2 3 135 6 avrundet til 136,3 2 7 Metode 7 Second Degree Approximation. To prosjektet prognose, benytter denne metoden den andre graden tilnærming formel for å plotte en kurve som er basert på antall perioder med salg historie. Denne metoden krever antall perioder best egnet pluss antall perioder med salgsordre historie ganger tre Denne metoden er ikke nyttig for å prognose etterspørsel etter en langsiktig periode.3 2 7 1 Eksempelmetode 7 Second Degree Approximation. Linear Regression bestemmer verdier for a og b i prognosen formel Y ab X med sikte på å tilpasse en rett linje til salgshistorikkdataene Second Degree Approximation er lik, men denne metoden bestemmer verdier for a, b og c i denne prognoseformelen. Målet med denne metoden er å tilpasse en kurve til salgshistorikkdataene Denne metoden er nyttig når et produkt er i overgangen mellom livssyklusstrinnene For eksempel når et nytt produkt flytter fra introduksjon til vekststadier, kan salgstrenden akselerere. På grunn av den andre ordreperioden kan prognosen raskt nærme seg uendelig eller slippe til zer o avhengig av om koeffisient c er positiv eller negativ Denne metoden er kun nyttig på kort sikt. Forespørselsspesifikasjoner formelen finner a, b og c for å passe en kurve til nøyaktig tre punkter. Du spesifiserer n, antall datatidsperioder å samle seg inn i hver av de tre punktene I dette eksemplet blir n 3 Faktiske salgsdata for april til juni kombinert med det første punktet, Q1 juli til september legges sammen for å skape Q2 og oktober til desember summen til Q3 Kurven er montert til de tre verdiene Q1, Q2 og Q3.Required salgshistorie 3 n perioder for beregning av prognosen pluss antall tidsperioder som kreves for å evaluere prognoseperiodene med best passform. Dette tabellen er historikk brukt i prognoseberegningen. Q0 Jan Feb Mar. Q1 Apr Mai Juni som tilsvarer 125 122 137 384.Q2 Jul Aug Sep som tilsvarer 140 129 131 400.Q3 Okt. Nov Des, som tilsvarer 114 119 137 370. Det neste trinnet omfatter å beregne de tre koeffisientene a, b, og c som skal brukes i prognostiseringsformelen Y ab X c X 2. Q1, Q2 og Q3 presenteres på grafikken, hvor tiden er tegnet på den horisontale aksen Q1 representerer totalt historisk salg for april, mai og juni og er tegnet på X 1 Q2 tilsvarer juli til september Q3 tilsvarer oktober til desember og fjerde kvartal representerer januar til mars Denne grafikken illustrerer planen for Q1, Q2, Q3 og Q4 for tilnærming i andre grad. Figur 3-2 Plotting Q1, Q2, Q3 og Q4 i andre graders tilnærming. Tre likninger beskriver de tre punktene på grafen. 1 Q1 en bX cX 2 hvor X 1 Q1 a b c. 2 Q2 en bX cX2 hvor X2 Q2 en 2b 4c. 3 Q3 en bX cX 2 hvor X 3 Q3 a 3b 9c. Solve de tre ligningene samtidig for å finne b, a og c. Trekk ut ligning 1 1 fra ligning 2 2 og løse for b. Bytt denne ligningen for b inn i ligning 3. 3 Q3 a 3 Q2 Q1 3c 9c a Q3 3 Q2 Q1.Finalt, erstatt disse likningene for a og b inn i ligning 1. 1 Q3 3 Q2 Q1 Q2 Q1 Q3 Q1 Q Q2 Q2 Q1 Q2 2.Den andre graden tilnærming metode beregner a, b og c som følger. 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 er en beregning av tograds tilnærming prognose. En bX cX 2 322 85X 23 X 2. Når X 4, Q4 322 340 368 294 Prognosen er 294 3 98 per periode. Når X 5, Q5 322 425 575 172 Prognosen er like 172 3 58 33 avrundet til 57 per periode. Når X 6, Q6 322 510 828 4 Prognosen er lik 4 3 1 33 avrundet til 1 per periode. Dette er prognosen for neste år, Siste år til dette året.3 2 8 Metode 8 Fleksibel metode. Denne metoden lar deg velge det beste passformet antall per iod av salgsordrehistorikk som starter en måned før prognose-startdatoen, og å bruke en prosentvis økning eller reduksjon av multiplikasjonsfaktoren som kan endre prognosen Denne metoden ligner metode 1, prosentandel over fjorår, bortsett fra at du kan spesifisere antall perioder du bruker som base. Avhengig av hva du velger som n, krever denne metoden perioder best egnet pluss antall perioder med salgsdata som er indikert. Denne metoden er nyttig for å prognose etterspørselen etter en planlagt trend.3 2 8 1 Eksempel Metode 8 Fleksibel Metode. Fleksibel Metode Prosent Over N Måneder Tidligere ligner Metode 1, Prosent Over fjorår Begge metodene multipliserer salgsdata fra en tidligere tidsperiode med en faktor som er spesifisert av deg, og deretter prosjekterer dette resultatet i fremtiden I prosenten Prosent over fjorårmetoden er projeksjonen basert på data fra samme tidsperiode i forrige år. Du kan også bruke fleksibel metode for å angi en tidsperiode, unntatt samme periode i la st år for å bruke som grunnlag for beregningene. Multiplikasjonsfaktor For eksempel angi 110 i behandlingsalternativet for å øke tidligere salgshistorikkdata med 10 prosent. Baseperiode For eksempel forårsaker n 4 den første prognosen å være basert på salgsdata i september i fjor. Minste krevde salgshistorie antall perioder tilbake til baseperioden pluss antall tidsperioder som kreves for å evaluere prognoseperiodene med best passform. Dette tabellen er historien som ble brukt i prognoseberegningen.3 2 9 Metode 9 Vektet Flytende Gjennomsnitt. Vektet Flytende Gjennomsnittlig formel ligner Metode 4, Flytende gjennomsnittlig formel fordi den gjennomsnittlig forrige måned s salgshistorie for å projisere neste måneds s salgshistorie. Med denne formelen kan du tildele vekter for hver av de tidligere periodene. Denne metoden krever antall vektede perioder valgt pluss antall perioder som passer best til data. I likhet med Moving Average, ligger denne metoden etter etterspørselstrendene, så dette Metoden anbefales ikke for produkter med sterke trender eller sesongmessige forhold. Denne metoden er nyttig for å prognose etterspørselen etter modne produkter med etterspørsel som er relativt nivå.3 2 9 1 Eksempel Metode 9 Veidende Flytende Gjennomsnitt. Vektet Flytende Gjennomsnittlig WMA-metode ligner Metode 4 , Flytende gjennomsnitt MA Du kan imidlertid tilordne ulik vekt til de historiske dataene når du bruker WMA. Metoden beregner et veid gjennomsnitt av den siste salgshistorikken for å komme frem til et projeksjon på kort sikt. Nyere data blir vanligvis tildelt større vekt enn eldre data, slik at WMA er mer lydhør overfor forandringer i salgsnivået. Imidlertid oppstår prognoseforstyrrelser og systematiske feil når produktsalgshistorikken viser sterke trender eller sesongmessige mønstre. Denne metoden fungerer bedre for korte prognoser for modne produkter enn for produkter i vekst eller forældelse stadier av livssyklusen. Antall perioder med salgshistorie n som skal brukes i prognoseberegningen. For eksempel angi n 4 i prosessen ssing mulighet til å bruke de siste fire periodene som grunnlag for projeksjonen i neste tidsperiode. En stor verdi for n som 12 krever mer salgshistorikk. En slik verdi gir en stabil prognose, men det er sakte å gjenkjenne skift i salgsnivå Omvendt svarer en liten verdi for n som 3 raskere til endringer i salgsnivået, men prognosen kan variere så mye at produksjonen ikke kan svare på variasjonene. Totalt antall perioder for behandlingsalternativet 14 - Perioder som skal inkluderes, bør ikke overstige 12 måneder. Vekten som tilordnes hver av de historiske dataperiodene. De tildelte vekter må totalt 1 00 For eksempel når n 4 tilordner vekter på 0 50, 0 25, 0 15 og 0 10 med de nyeste dataene som mottar størst vekt. Minimum krevende salgshistorie n pluss antall tidsperioder som kreves for å evaluere prognoseperiodene med best passform. Denne tabellen er historien som ble brukt i prognosen. January forec ast tilsvarer 131 0 10 114 0 15 119 0 25 137 0 50 0 10 0 15 0 25 0 50 128 45 avrundet til 128. Februarprognose er lik 114 0 10 119 0 15 137 0 25 128 0 50 1 127 5 avrundet til 128. Mars prognose er lik 119 0 10 137 0 15 128 0 25 128 0 50 1 128 45 avrundet til 128,3 2 10 Metode 10 Linjær utjevning. Denne metoden beregner et veid gjennomsnitt av tidligere salgsdata I beregningen bruker denne metoden antall perioder av salgsordrehistorikk fra 1 til 12 som er angitt i behandlingsalternativet Systemet bruker en matematisk progresjon for å veie data i området fra den første minstevekten til den endelige vekten. Systemet prosjekterer derfor denne informasjonen til hver periode i prognosen. Dette Metoden krever at måneden er best egnet pluss salgsordrehistorikken for antall perioder som er spesifisert i behandlingsalternativet. 3 2 10 1 Eksempel Metode 10 Linjær utjevning. Denne metoden ligner Metode 9, WMA. I stedet for å tilfeldigvis tildele Vekter til de historiske dataene, brukes en formel å tildele vekter som avtar lineært og summen til 1 00 Metoden beregner deretter et veid gjennomsnitt av den siste salgshistorikken for å komme frem til en projeksjon på kort sikt. Som alle lineære glidende gjennomsnittlige prognoseteknikker, oppstår prognoseforstyrrelser og systematiske feil når produktsalgshistorikken utviser sterk trend eller sesongmessige mønstre Denne metoden fungerer bedre for korte prognoser for modne produkter enn for produkter i vekst - eller forfallsfasen av livssyklusen. n er det antall perioder med salgshistorie som skal brukes i prognoseberegningen. For eksempel spesifiser n er lik 4 i behandlingsalternativet for å bruke de siste fire periodene som grunnlag for projeksjonen i neste tidsperiode Systemet tilordner automatisk vektene til de historiske dataene som avtar lineært og summen til 1 00 For eksempel når n er 4 , tilordner systemet vekten 0, 0 3, 0 2 og 0 1, med de nyeste dataene som mottar størst vekt. Minimum påkrevd salgshistorie np 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. Moving Average Forecasting. Introduction As you might guess we are looking at some of the most primitive approaches to forecasting But hopefully these are at least a worthwhile introduction to some of the computing issues related to implementing forecasts in spreadsheets. In this vein we will continue by starting at the beginning and start working with Moving Average forecasts. Moving Average Forecasts Everyone is familiar with moving average forecasts regardless of whether they believe they are All college students do them all the time Think about your test scores in a course where you are going to have four tests during the semester Let s assume you got an 85 on your first test. What would you predict for your second test score. What do you think your teacher would predict for your next test score. What do you think your friends might predict for your next test score. What do you think your parents might predict for your next test score. Regardless of all the blabbing you might do to your friends and parents, they and your teacher are very likely to expect you to get something in the area of the 85 you just got. Well, now let s assume that in spite of your self-promotion to your friends, you over-estimate yourself and figure you can study less for the second test and so you get a 73.Now what are all of the concerned and unconcerned going to anticipate you will get on your third test There are two very likely approaches for them to develop an estimate regardless of whether they will share it with you. They may say to themselves, This guy is always blowing smoke about his smarts He s going to get another 73 if he s lucky. Maybe the parents will try to be more supportive and say, Well, so far you ve gotten an 85 and a 73, so maybe you s hould figure on getting about a 85 73 2 79 I don t know, maybe if you did less partying and weren t wagging the weasel all over the place and if you started doing a lot more studying you could get a higher score. Both of these estimates are actually moving average forecasts. The first is using only your most recent score to forecast your future performance This is called a moving average forecast using one period of data. The second is also a moving average forecast but using two periods of data. Let s assume that all these people busting on your great mind have sort of pissed you off and you decide to do well on the third test for your own reasons and to put a higher score in front of your allies You take the test and your score is actually an 89 Everyone, including yourself, is impressed. So now you have the final test of the semester coming up and as usual you feel the need to goad everyone into making their predictions about how you ll do on the last test Well, hopefully you see the pat tern. Now, hopefully you can see the pattern Which do you believe is the most accurate. Whistle While We Work Now we return to our new cleaning company started by your estranged half sister called Whistle While We Work You have some past sales data represented by the following section from a spreadsheet We first present the data for a three period moving average forecast. The entry for cell C6 should be. Now you can copy this cell formula down to the other cells C7 through C11.Notice how the average moves over the most recent historical data but uses exactly the three most recent periods available for each prediction You should also notice that we don t really need to make the predictions for the past periods in order to develop our most recent prediction This is definitely different from the exponential smoothing model I ve included the past predictions because we will use them in the next web page to measure prediction validity. Now I want to present the analogous results for a two period moving average forecast. The entry for cell C5 should be. Now you can copy this cell formula down to the other cells C6 through C11.Notice how now only the two most recent pieces of historical data are used for each prediction Again I have included the past predictions for illustrative purposes and for later use in forecast validation. Some other things that are of importance to notice. For an m-period moving average forecast only the m most recent data values are used to make the prediction Nothing else is necessary. For an m-period moving average forecast, when making past predictions , notice that the first prediction occurs in period m 1.Both of these issues will be very significant when we develop our code. Developing the Moving Average Function Now we need to develop the code for the moving average forecast that can be used more flexibly The code follows Notice that the inputs are for the number of periods you want to use in the forecast and the array of historical values You can stor e it in whatever workbook you want. Function MovingAverage Historical, NumberOfPeriods As Single Declaring and initializing variables Dim Item As Variant Dim Counter As Integer Dim Accumulation As Single Dim HistoricalSize As Integer. Initialisering av variabler Teller 1 Akkumulering 0. Bestemme størrelsen på Historisk matrise HistoricalSize. For Counter 1 til NumberOfPeriods. Akkumulere riktig antall siste tidligere observerte verdier. Akkumulasjonsakkumulering Historisk Historisk størrelse - AntallOfPeriods Counter. MovingAverage AkkumuleringsnummerOfPeriods. Koden vil bli forklart i klassen. Du vil plassere funksjonen på regnearket slik at resultatet av beregningen vises der den skal som følgende.
No comments:
Post a Comment