Prognose Gewichtete Gleitende Durchschnitt Beispiele

A Prognoseberechnungsbeispiele A.1 Prognoseberechnungsmethoden Es sind zwölf Methoden zur Berechnung von Prognosen verfügbar. Die meisten dieser Methoden sorgen für eine begrenzte Benutzerkontrolle. Zum Beispiel könnte das Gewicht der letzten historischen Daten oder der Datumsbereich der in den Berechnungen verwendeten historischen Daten angegeben werden. Die folgenden Beispiele zeigen das Berechnungsverfahren für jede der verfügbaren Prognosemethoden, wobei ein identischer Satz historischer Daten vorliegt. Die folgenden Beispiele verwenden die gleichen Verkaufs - und Verkaufsdaten von 2004 und 2005, um eine Umsatzprognose von 2006 zu erzielen. Neben der Prognoseberechnung enthält jedes Beispiel eine simulierte Prognose für die Dauer von drei Monaten (Verarbeitungsoption 19 3), die dann für prozentuale Genauigkeit und mittlere Absolutabweichungsberechnungen verwendet wird (tatsächlicher Umsatz im Vergleich zur simulierten Prognose). A.2 Prognoseleistungsbewertungskriterien Abhängig von Ihrer Auswahl an Verarbeitungsoptionen und den in den Verkaufsdaten vorhandenen Trends und Mustern werden einige Prognosemethoden besser als andere für einen bestimmten historischen Datensatz durchgeführt. Eine für ein Produkt geeignete Vorhersagemethode ist möglicherweise nicht für ein anderes Produkt geeignet. Es ist auch unwahrscheinlich, dass eine Prognosemethode, die auf einer Stufe des Produktlebenszyklus gute Ergebnisse liefert, während des gesamten Lebenszyklus angemessen bleibt. Sie können zwischen zwei Methoden wählen, um die aktuelle Leistung der Prognosemethoden zu bewerten. Dies sind mittlere Absolute Abweichung (MAD) und Prozent der Genauigkeit (POA). Beide dieser Leistungsbewertungsmethoden erfordern historische Verkaufsdaten für einen vom Benutzer festgelegten Zeitraum. Diese Zeitspanne wird als Halteperiode oder Perioden am besten passt (PBF). Die Daten in diesem Zeitraum dienen als Grundlage für die Empfehlung, welche der Prognosemethoden bei der nächsten Prognoseprojektion verwendet werden sollen. Diese Empfehlung ist für jedes Produkt spezifisch und kann von einer Prognoseerzeugung zur nächsten wechseln. Die beiden prognostizierten Leistungsbewertungsmethoden werden in den Seiten nach den Beispielen der zwölf Prognosemethoden gezeigt. A.3 Methode 1 - angegebener Prozentsatz über letztes Jahr Diese Methode multipliziert die Verkaufsdaten des Vorjahres mit einem vom Anwender angegebenen Faktor, zB 1,10 für 10 Zunahme oder 0,97 für 3 Abnahmen. Erforderliche Verkaufsgeschichte: Ein Jahr für die Berechnung der Prognose plus der benutzerdefinierten Anzahl von Zeiträumen zur Auswertung der Prognoseleistung (Verarbeitungsoption 19). A.4.1 Prognoseberechnung Umfang des Verkaufsverlaufs bei der Berechnung des Wachstumsfaktors (Verarbeitungsoption 2a) 3 in diesem Beispiel. Summe der letzten drei Monate des Jahres 2005: 114 119 137 370 Summe der gleichen drei Monate für das Vorjahr: 123 139 133 395 Der berechnete Faktor 370395 0.9367 Berechnen Sie die Prognosen: Januar 2005 Umsatz 128 0.9367 119.8036 oder ca. 120. Februar 2005 Umsatz 117 0.9367 109.5939 oder ca. 110. März 2005 Umsatz 115 0.9367 107.7205 oder ca. 108 A.4.2 Simulierte Prognoseberechnung Summe der drei Monate 2005 vor der Halteperiode (Juli, Aug, September): 129 140 131 400 Summe der gleichen drei Monate für die Vorjahr: 141 128 118 387 Der berechnete Faktor 400387 1.033591731 Berechnen der simulierten Prognose: Oktober 2004 Umsatz 123 1.033591731 127.13178 November 2004 Umsatz 139 1.033591731 143.66925 Dezember 2004 Umsatz 133 1.033591731 137.4677 A.4.3 Prozent der Genauigkeitsberechnung POA (127.13178 143.66925 137.4677) (114 119 137) 100 408,26873 370 100 110.3429 A.4.4 Mittlere Absolutabweichungsberechnung MAD (127.13178 - 114 143.66925 - 119 137.4677- 137) 3 (13.13178 24.66925 0.4677) 3 12.75624 A.5 Methode 3 - Letztes Jahr zu diesem Jahr Diese Methode Kopiert die Verkaufsdaten vom Vorjahr auf das nächste Jahr. Erforderliche Verkaufsgeschichte: Ein Jahr für die Berechnung der Prognose plus die Anzahl der für die Auswertung der Prognoseleistung festgelegten Zeiträume (Verarbeitungsoption 19). A.6.1 Prognoseberechnung Anzahl der Perioden, die in den Durchschnitt einbezogen werden sollen (Verarbeitungsoption 4a) 3 in diesem Beispiel Für jeden Monat der Prognose durchschnittlich die letzten drei Monate Daten. Januar-Prognose: 114 119 137 370, 370 3 123.333 oder 123 Februar Prognose: 119 137 123 379, 379 3 126.333 oder 126 März Vorhersage: 137 123 126 379, 386 3 128.667 oder 129 A.6.2 Simulierte Prognoseberechnung Oktober 2005 Umsatz (129 140 131) 3 133.3333 November 2005 Umsatz (140 131 114) 3 128.3333 Dezember 2005 Umsatz (131 114 119) 3 121.3333 A.6.3 Prozent der Genauigkeitsberechnung POA (133.3333 128.3333 121.3333) (114 119 137) 100 103.513 A.6.4 Mittleres Absolut Abweichungsberechnung MAD (133.3333 - 114 128.3333 - 119 121.3333 - 137) 3 14.7777 A.7 Methode 5 - Lineare Approximation Lineare Approximation berechnet einen Trend auf der Grundlage von zwei Erfolgsdaten. Diese beiden Punkte definieren eine gerade Trendlinie, die in die Zukunft projiziert wird. Verwenden Sie diese Methode mit Vorsicht, da Langstreckenprognosen durch kleine Änderungen in nur zwei Datenpunkten genutzt werden. Erforderliche Verkaufsgeschichte: Die Anzahl der Perioden, die in die Regression einbezogen werden (Verarbeitungsoption 5a), plus 1 plus die Anzahl der Zeiträume für die Bewertung der Prognoseleistung (Verarbeitungsoption 19). A.8.1 Prognoseberechnung Anzahl der Perioden, die in die Regression einbezogen werden sollen (Verarbeitungsoption 6a) 3 in diesem Beispiel Für jeden Monat der Prognose fügen Sie die Zunahme oder Abnahme während der angegebenen Zeiträume vor der Halteperiode der vorherigen Periode hinzu. Durchschnitt der letzten drei Monate (114 119 137) 3 123.3333 Zusammenfassung der letzten drei Monate mit Gewicht betrachtet (114 1) (119 2) (137 3) 763 Unterschied zwischen den Werten 763 - 123.3333 (1 2 3) 23 Verhältnis ( 12 22 32) - 2 3 14 - 12 2 Wert1 DifferenzRatio 232 11,5 Wert2 Durchschnitt - Wert1 Verhältnis 123.3333 - 11.5 2 100.3333 Prognose (1 n) Wert1 Wert2 4 11.5 100.3333 146.333 oder 146 Prognose 5 11.5 100.3333 157.8333 oder 158 Prognose 6 11.5 100.3333 169.3333 Oder 169 A.8.2 Simulierte Prognoseberechnung Oktober 2004 Umsatz: Durchschnitt der letzten drei Monate (129 140 131) 3 133.3333 Zusammenfassung der letzten drei Monate mit Gewicht (129 1) (140 2) (131 3) 802 Unterschied zwischen den Werte 802 - 133.3333 (1 2 3) 2 Verhältnis (12 22 32) - 2 3 14 - 12 2 Wert1 DifferenzRatio 22 1 Wert2 Durchschnitt - Wert1 Verhältnis 133.3333 - 1 2 131.3333 Prognose (1 n) Wert1 Wert2 4 1 131.3333 135.3333 November 2004 Umsatz Durchschnitt der letzten drei Monate (140 131 114) 3 128.3333 Zusammenfassung der letzten drei Monate mit Gewichtsbetrachtung (140 1) (131 2) (114 3) 744 Unterschied zwischen den Werten 744 - 128.3333 (1 2 3) -25.9999 Wert1 UnterschiedRatio -25.99992 -12.9999 Wert2 Durchschnitt - Wert1 Verhältnis 128.3333 - (-12.9999) 2 154.3333 Prognose 4 -12.9999 154.3333 102.3333 Dezember 2004 Umsatz Durchschnitt der letzten drei Monate (131 114 119) 3 121.3333 Zusammenfassung der letzten drei Monate mit Gewicht berücksichtigt (131 1) (114 2) (119 3) 716 Differenz zwischen den Werten 716 - 121.3333 (1 2 3) -11.9999 Wert1 DifferenzRatio -11.99992 -5.9999 Wert2 Durchschnitt - Wert1 Verhältnis 121.3333 - (-5.9999) 2 133.3333 Prognose 4 (- 5.9999) 133.3333 109.3333 A.8.3 Prozent der Genauigkeitsberechnung POA (135.33 102.33 109.33) (114 119 137) 100 93.78 A.8.4 Mittlere Absolutabweichungsberechnung MAD (135.33 - 114 102.33 - 119 109.33 - 137) 3 21.88 A.9 Methode 7 - Zweite Grad Approximation Lineare Regression bestimmt Werte für a und b in der Prognoseformel Y a bX mit dem Ziel, eine Gerade an die Verkaufsgeschichte Daten anzupassen. Zweite Grad Approximation ist ähnlich. Dieses Verfahren bestimmt jedoch Werte für a, b und c in der Prognoseformel Y a bX cX2 mit dem Ziel, eine Kurve an die Verkaufsverlaufsdaten anzupassen. Diese Methode kann nützlich sein, wenn ein Produkt im Übergang zwischen den Phasen eines Lebenszyklus ist. Zum Beispiel, wenn ein neues Produkt von der Einführung in Wachstumsstadien bewegt, kann sich die Umsatzentwicklung beschleunigen. Wegen des Termes zweiter Ordnung kann sich die Prognose schnell an die Unendlichkeit wenden oder auf Null fallen (je nachdem, ob der Koeffizient c positiv oder negativ ist). Daher ist diese Methode nur kurzfristig sinnvoll. Prognosevorgaben: Die Formeln finden a, b und c, um eine Kurve auf genau drei Punkte zu passen. Sie spezifizieren n in der Verarbeitungsoption 7a, die Anzahl der Zeitperioden der Daten, die sich in jedem der drei Punkte ansammeln. In diesem Beispiel n 3. Daher werden die tatsächlichen Verkaufsdaten für April bis Juni in den ersten Punkt, Q1 zusammengefasst. Juli bis September werden zusammen addiert, um Q2 zu schaffen, und Oktober bis Dezember Summe zu Q3. Die Kurve wird an die drei Werte Q1, Q2 und Q3 angepasst. Erforderliche Verkaufsgeschichte: 3 n Perioden für die Berechnung der Prognose plus die Anzahl der Zeiträume, die für die Bewertung der Prognoseleistung (PBF) erforderlich sind. Anzahl der zu berücksichtigenden Perioden (Verarbeitungsoption 7a) 3 in diesem Beispiel Verwenden Sie die vorherigen (3 n) Monate in dreimonatigen Blöcken: Q1 (Apr - Jun) 125 122 137 384 Q2 (Jul - Sep) 129 140 131 400 Q3 ( Der nächste Schritt beinhaltet die Berechnung der drei Koeffizienten a, b und c, die in der Prognoseformel Y a bX cX2 (1) Q1 a bX cX2 (wobei X 1) abc (2) Q2 verwendet werden soll A bX cX2 (wobei X 2) a 2b 4c (3) Q3 a bX cX2 (wobei X 3) a 3b 9c die drei Gleichungen gleichzeitig lösen, um b, a und c zu finden: Subtrahieren Sie Gleichung (1) aus Gleichung (2) Und lösen für b (2) - (1) Q2 - Q1 b 3c Ersetzen Sie diese Gleichung für b in Gleichung (3) (3) Q3 a 3 (Q2 - Q1) - 3c c Schließlich ersetzen Sie diese Gleichungen für a und b in Gleichung (1) Q3 - 3 (Q2 - Q1) (q2 - Q1) - 3c c Q1 c (Q3 - Q2) (Q1 - Q2) 2 Die zweite Grad Approximation Methode berechnet a, b und c wie folgt: a Q3 (Q & sub3; - Q & sub1;) (Q & sub3; - Q & sub1;) (Q & sub3; - Q & sub1;) (3) (3) 400 - 384) - (3 -23) 85 Y a bX cX2 322 85X (-23) X2 Januar bis März Vorhersage (X4): (322 340 - 368) 3 2943 98 pro Periode April bis Juni Vorhersage (X5): ( 322 425 - 575) 3 57.333 oder 57 pro Periode Juli bis September Vorhersage (X6): (322 510 - 828) 3 1,33 oder 1 pro Periode Oktober bis Dezember (X7) (322 595 - 11273 -70 A.9.2 Simulierte Prognoseberechnung Oktober, November und Dezember 2004 Umsatz: Q1 (Jan - Mar) 360 Q2 (Apr - Jun) 384 Q3 (Jul - Sep) 400 a 400 - 3 (384 - 360) 328 c (400 - 384) (360 - 384) ) 2 -4 b (384 - 360) - 3 (-4) 36 328 36 4 (-4) 163 136 A.9.3 Prozent der Genauigkeitsberechnung POA (136 136 136) (114 119 137) 100 110,27 A.9.4 Mittelwert Absolute Abweichungsberechnung MAD (136 - 114 136 - 119 136 - 137) 3 13.33 A.10 Methode 8 - Flexible Methode Die Flexible Methode (Prozent über n Monate vorher) ähnelt Methode 1, Prozent über letztes Jahr. Beide Methoden vervielfachen Verkaufsdaten aus einem früheren Zeitraum durch einen vom Benutzer angegebenen Faktor, dann projektieren sie in die Zukunft. In der Percent Over Last Year Methode basiert die Projektion auf Daten aus dem gleichen Zeitraum im Vorjahr. Die Flexible Methode fügt die Möglichkeit hinzu, einen anderen Zeitraum als denselben Zeitraum im letzten Jahr anzugeben, um als Grundlage für die Berechnungen zu verwenden. Multiplikationsfaktor Geben Sie zum Beispiel 1.15 in der Verarbeitungsoption 8b an, um die bisherigen Verkaufsverlaufsdaten um 15 zu erhöhen. Basisperiode. Beispielsweise wird n 3 die erste Prognose auf die Verkaufsdaten im Oktober 2005 stützen. Mindestverkaufsgeschichte: Der Benutzer spezifizierte die Anzahl der Perioden zurück zum Basiszeitraum sowie die Anzahl der Zeiträume, die für die Bewertung der Prognoseleistung erforderlich sind ( PBF). A.10.4 Mittlere Absolutabweichungsberechnung MAD (148 - 114 161 - 119 151 - 137) 3 30 A.11 Methode 9 - Gewichteter bewegter Durchschnitt Die Methode der gewichteten beweglichen Mittelwerte (WMA) ähnelt Methode 4, Moving Average (MA). Allerdings können Sie mit dem Weighted Moving Average den historischen Daten ungleiche Gewichte zuordnen. Die Methode berechnet einen gewichteten Durchschnitt der letzten Verkaufsgeschichte, um kurzfristig eine Projektion zu erreichen. Neuere Daten werden in der Regel ein größeres Gewicht als ältere Daten zugewiesen, so dass WMA besser auf Verschiebungen in der Ebene des Umsatzes reagiert. Allerdings treten prognostizierte Vorurteile und systematische Fehler immer noch auf, wenn die Produktverkaufsgeschichte starke Trend - oder Saisonmuster aufweist. Diese Methode funktioniert besser für kurzfristige Prognosen von reifen Produkten anstatt für Produkte in den Wachstums - oder Obsoleszenzstadien des Lebenszyklus. N die Anzahl der Perioden der Verkaufsgeschichte, die in der Prognoseberechnung verwendet werden soll. Geben Sie z. B. n 3 in der Verarbeitungsoption 9a an, um die letzten drei Perioden als Grundlage für die Projektion in den nächsten Zeitraum zu verwenden. Ein großer Wert für n (z. B. 12) erfordert mehr Verkaufsgeschichte. Es führt zu einer stabilen Prognose, wird aber langsam zu einer Verschiebung des Umsatzniveaus kommen. Auf der anderen Seite wird ein kleiner Wert für n (wie z. B. 3) schneller auf Verschiebungen in der Ebene des Umsatzes reagieren, aber die Prognose kann so weit schwanken, dass die Produktion nicht auf die Variationen reagieren kann. Das Gewicht, das jedem der historischen Datenperioden zugeordnet ist. Die zugeteilten Gewichte müssen auf 1,00 betragen. Zum Beispiel, wenn n 3, Gewichte von 0,6, 0,3 und 0,1 zuordnen, wobei die letzten Daten das größte Gewicht erhalten. Mindestens erforderliche Verkaufsgeschichte: n plus die Anzahl der Zeiträume, die für die Auswertung der Prognoseleistung (PBF) erforderlich sind. MAD (133,5 - 114 121,7 - 119 118,7 - 137) 3 13,5 A.12 Methode 10 - Lineare Glättung Diese Methode ähnelt Methode 9, Weighted Moving Average (WMA). Jedoch wird anstelle der willkürlichen Zuordnung von Gewichten zu den historischen Daten eine Formel verwendet, um Gewichte zuzuordnen, die linear abfallen und auf 1,00 summieren. Die Methode berechnet dann einen gewichteten Durchschnitt der letzten Verkaufsgeschichte, um kurzfristig eine Projektion zu erreichen. Wie bei allen linearen gleitenden durchschnittlichen Prognosetechniken zutreffend, treten prognostizierte Vorurteile und systematische Fehler auf, wenn die Produktverkaufsgeschichte starke Trend - oder Saisonmuster aufweist. Diese Methode funktioniert besser für kurzfristige Prognosen von reifen Produkten anstatt für Produkte in den Wachstums - oder Obsoleszenzstadien des Lebenszyklus. N die Anzahl der Perioden der Verkaufsgeschichte, die in der Prognoseberechnung verwendet werden soll. Dies ist in der Verarbeitungsoption 10a angegeben. Geben Sie z. B. n 3 in der Verarbeitungsoption 10b an, um die letzten drei Perioden als Grundlage für die Projektion in den nächsten Zeitraum zu verwenden. Das System ordnet die Gewichte automatisch den historischen Daten zu, die linear abfallen und auf 1,00 summieren. Zum Beispiel, wenn n 3, wird das System Gewichte von 0,5, 0,3333 und 0,1 zuweisen, wobei die letzten Daten das größte Gewicht erhalten. Mindestens erforderliche Verkaufsgeschichte: n plus die Anzahl der Zeiträume, die für die Auswertung der Prognoseleistung (PBF) erforderlich sind. A.12.1 Prognoseberechnung Anzahl der Perioden, die in den Glättungsdurchschnitt einbezogen werden (Verarbeitungsoption 10a) 3 in diesem Beispiel Verhältnis für einen Zeitraum vor 3 (n2 n) 2 3 (32 3) 2 36 0,5 Verhältnis für zwei Perioden vorher 2 (n2 n ) 2 2 (32 3) 2 26 0.3333 .. Verhältnis für drei Perioden vor 1 (n2 n) 2 1 (32 3) 2 16 0.1666 .. Januar-Prognose: 137 0,5 119 13 114 16 127,16 oder 127 Februar Vorhersage: 127 0,5 137 13 119 16 129 März-Prognose: 129 0,5 127 13 137 16 129,666 oder 130 A.12.2 Simulierte Prognoseberechnung Oktober 2004 Umsatz 129 16 140 26 131 36 133.6666 November 2004 Umsatz 140 16 131 26 114 36 124 Dezember 2004 Umsatz 131 16 114 26 119 36 119.3333 A.12.3 Prozent der Genauigkeitsberechnung POA (133.6666 124 119.3333) (114 119 137) 100 101.891 A.12.4 Mittlere Absolutabweichungsberechnung MAD (133.6666 - 114 124 - 119 119.3333 - 137) 3 14.1111 A.13 Methode 11 - Exponentielle Glättung Diese Methode ähnelt Methode 10, Lineare Glättung. Bei der linearen Glättung weist das System den historischen Daten, die linear abweichen, Gewichte zu. Bei der exponentiellen Glättung weist das System Gewichte auf, die exponentiell abklingen. Die exponentielle Glättungsvorhersagegleichung lautet: Prognose a (vorherige Istverkäufe) (1 - a) vorherige Prognose Die Prognose ist ein gewichteter Durchschnitt des tatsächlichen Umsatzes aus der Vorperiode und der Prognose aus der Vorperiode. A ist das Gewicht auf den tatsächlichen Umsatz für die vorherige Periode angewendet. (1 - a) ist das Gewicht für die Vorhersage für die vorherige Periode angewendet. Gültige Werte für einen Bereich von 0 bis 1 und liegen in der Regel zwischen 0,1 und 0,4. Die Summe der Gewichte beträgt 1,00. A (1 - a) 1 Sie sollten einen Wert für die Glättungskonstante, a. Wenn Sie keine Werte für die Glättungskonstante zuordnen, berechnet das System einen angenommenen Wert, der auf der Anzahl der in der Verarbeitungsoption 11a angegebenen Perioden der Verkaufshistorie basiert. A die Glättungskonstante, die bei der Berechnung des geglätteten Durchschnitts für das allgemeine Niveau oder die Größe des Umsatzes verwendet wird. Gültige Werte für einen Bereich von 0 bis 1. n der Bereich der Verkaufsgeschichte Daten in die Berechnungen enthalten. Im Allgemeinen reicht ein Jahr der Verkaufsgeschichte Daten aus, um das allgemeine Umsatzniveau abzuschätzen. Für dieses Beispiel wurde ein kleiner Wert für n (n 3) gewählt, um die manuellen Berechnungen zu reduzieren, die zur Überprüfung der Ergebnisse erforderlich sind. Eine exponentielle Glättung kann eine Prognose erzeugen, die auf so wenig wie einem historischen Datenpunkt basiert. Mindestens erforderliche Verkaufsgeschichte: n plus die Anzahl der Zeiträume, die für die Auswertung der Prognoseleistung (PBF) erforderlich sind. A.13.1 Prognoseberechnung Die Anzahl der Perioden, die in den Glättungsdurchschnitt einbezogen werden sollen (Verarbeitungsoption 11a) 3 und Alpha-Faktor (Verarbeitungsoption 11b) leer in diesem Beispiel ein Faktor für die ältesten Verkaufsdaten 2 (11) oder 1, wenn alpha angegeben ist Ein Faktor für die 2. ältesten Verkaufsdaten 2 (12) oder alpha, wenn alpha angegeben ist ein Faktor für die 3. ältesten Verkaufsdaten 2 (13) oder alpha, wenn alpha angegeben ist ein Faktor für die letzten Verkaufsdaten 2 (1n) , Oder alpha, wenn alpha angegeben ist November Sm. Durchschn. A (Oktober aktuell) (1 - a) Oktober Sm. Durchschn. 1 114 0 0 114 Dezember Sm. Durchschn. A (November Tatsächlich) (1 - a) November Sm. Durchschn. 23 119 13 114 117.3333 Januar Vorhersage a (Dezember aktuell) (1 - a) Dezember Sm. Durchschn. 24 137 24 117.3333 127.16665 oder 127 Februar Vorhersage Januar Vorhersage 127 März Vorhersage Januar Vorhersage 127 A.13.2 Simulierte Prognoseberechnung Juli 2004 Sm. Durchschn. 22 129 129 August Sm. Durchschn. 23 140 13 129 136.3333 September Sm. Durchschn. 24 131 24 136.3333 133.6666 Oktober 2004 Verkauf Sep Sm. Durchschn. 133.6666 August 2004 Sm. Durchschn. 22 140 140 September Sm. Durchschn. 23 131 13 140 134 Oktober Sm. Durchschn. 24 114 24 134 124 November 2004 Verkauf Sep Sm. Durchschn. 124 September 2004 Sm. Durchschn. 22 131 131 Oktober Sm. Durchschn. 23 114 13 131 119.6666 November Sm. Durchschn. 24 119 24 119.6666 119.3333 Dezember 2004 Verkauf Sep Sm. Durchschn. 119.3333 A.13.3 Prozent der Genauigkeitsberechnung POA (133.6666 124 119.3333) (114 119 137) 100 101.891 A.13.4 Mittlere Absolutabweichungsberechnung MAD (133.6666 - 114 124 - 119 119.3333 - 137) 3 14.1111 A.14 Methode 12 - Exponentielle Glättung Mit Trend und Saisonalität Diese Methode ähnelt Methode 11, Exponentielle Glättung darin, dass ein geglätteter Durchschnitt berechnet wird. Allerdings enthält das Verfahren 12 auch einen Begriff in der Prognosegleichung, um einen geglätteten Trend zu berechnen. Die Prognose besteht aus einer geglätteten gemittelten gemittelten, für einen linearen Trend angepasst. Wenn in der Verarbeitungsoption angegeben, wird die Prognose auch für Saisonalität angepasst. A die Glättungskonstante, die bei der Berechnung des geglätteten Durchschnitts für das allgemeine Niveau oder die Größe des Umsatzes verwendet wird. Gültige Werte für Alpha-Bereich von 0 bis 1. b Die Glättungskonstante, die bei der Berechnung des geglätteten Durchschnitts für die Trendkomponente der Prognose verwendet wird. Gültige Werte für Beta-Bereich von 0 bis 1. Ob ein saisonaler Index auf die Prognose a und b angewendet wird, sind unabhängig voneinander. Sie müssen nicht zu 1.0 hinzufügen. Mindestens erforderliche Verkaufsgeschichte: zwei Jahre plus die Anzahl der Zeiträume, die für die Bewertung der Prognoseleistung (PBF) erforderlich sind. Methode 12 verwendet zwei exponentielle Glättungsgleichungen und einen einfachen Durchschnitt, um einen geglätteten Durchschnitt, einen geglätteten Trend und einen einfachen durchschnittlichen saisonalen Faktor zu berechnen. A.14.1 Prognoseberechnung A) Ein exponentiell geglätteter Durchschnitt MAD (122.81 - 114 133.14 - 119 135.33 - 137) 3 8.2 A.15 Auswertung der Prognosen Sie können Prognosemethoden auswählen, um bis zu zwölf Prognosen für jedes Produkt zu generieren. Jede Prognosemethode wird wahrscheinlich eine etwas andere Projektion schaffen. Wenn Tausende von Produkten prognostiziert werden, ist es unpraktisch, eine subjektive Entscheidung zu treffen, welche der Prognosen in Ihren Plänen für jedes der Produkte verwendet werden soll. Das System wertet automatisch die Leistung für jede der von Ihnen ausgewählten Prognosemethoden aus und für jede der prognostizierten Produkte. Sie können zwischen zwei Leistungskriterien, Mean Absolute Deviation (MAD) und Prozent der Genauigkeit (POA) wählen. MAD ist ein Maß für Prognosefehler. POA ist ein Maß für die Prognose-Bias. Beide dieser Leistungsbewertungsverfahren erfordern tatsächliche Verkaufsgeschichte Daten für einen Benutzer bestimmten Zeitraum. Diese Periode der jüngsten Geschichte wird als Halteperiode oder Perioden am besten fit (PBF) bezeichnet. Um die Leistung einer Prognosemethode zu messen, verwenden Sie die Prognoseformeln, um eine Prognose für die historische Holdout-Periode zu simulieren. Es werden in der Regel Unterschiede zwischen den tatsächlichen Verkaufsdaten und der simulierten Prognose für den Haltezeitraum bestehen. Wenn mehrere Prognosemethoden ausgewählt werden, tritt dieser Vorgang für jede Methode auf. Mehrere Prognosen werden für den Haltezeitraum berechnet und verglichen mit der bekannten Verkaufsgeschichte für denselben Zeitraum. Die Vorhersagemethode, die die beste Übereinstimmung (beste Passform) zwischen der Prognose und dem tatsächlichen Verkauf während des Haltezeitraums herstellt, wird für die Verwendung in Ihren Plänen empfohlen. Diese Empfehlung ist für jedes Produkt spezifisch und kann von einer Prognoseerzeugung zur nächsten wechseln. A.16 Mittlere Absolute Abweichung (MAD) MAD ist der Mittelwert (oder Durchschnitt) der Absolutwerte (oder Größe) der Abweichungen (oder Fehler) zwischen Ist - und Prognosedaten. MAD ist ein Maß für die durchschnittliche Größe der zu erwartenden Fehler, bei einer Prognosemethode und Datenhistorie. Da bei der Berechnung absolute Werte verwendet werden, werden bei positiven Fehlern keine negativen Fehler ausgelöst. Beim Vergleich mehrerer Prognosemethoden hat sich derjenige mit dem kleinsten MAD als zuverlässig für dieses Produkt für diesen Holdout-Zeitraum erwiesen. Wenn die Prognose unvoreingenommen ist und Fehler normal verteilt sind, gibt es eine einfache mathematische Beziehung zwischen MAD und zwei anderen gemeinsamen Maßnahmen der Verteilung, Standardabweichung und Mean Squared Error: A.16.1 Prozent der Genauigkeit (POA) Prozent der Genauigkeit (POA) ist Ein Maß für die Prognose-Bias. Wenn die Prognosen konsequent zu hoch sind, sammeln sich die Bestände an und die Inventurkosten steigen. Wenn die Prognosen konsequent zwei niedrig sind, werden die Vorräte verbraucht und der Kundendienst sinkt. Eine Prognose, die 10 Einheiten zu niedrig ist, dann 8 Einheiten zu hoch, dann 2 Einheiten zu hoch, wäre eine unvoreingenommene Prognose. Der positive Fehler von 10 wird durch Negativfehler von 8 und 2 abgebrochen. Fehler Tatsächlich - Prognose Wenn ein Produkt im Inventar gespeichert werden kann und wenn die Prognose unvoreingenommen ist, kann eine kleine Menge an Sicherheitsbestand verwendet werden, um die Fehler zu puffern. In dieser Situation ist es nicht so wichtig, Prognosefehler zu beseitigen, da es darum geht, unvoreingenommene Prognosen zu erzeugen. Doch in der Dienstleistungsbranche wäre die obige Situation als drei Fehler zu betrachten. Der Dienst würde in der ersten Periode unterbesetzt sein, dann überbesetzt für die nächsten zwei Perioden. In den Diensten ist die Größenordnung der Prognosefehler in der Regel wichtiger als die Vorhersage. Die Summation über die Holdout-Periode ermöglicht positive Fehler, um negative Fehler zu annullieren. Wenn die Summe der tatsächlichen Verkäufe die Summe der Prognoseverkäufe übersteigt, ist das Verhältnis größer als 100. Natürlich ist es unmöglich, mehr als 100 genau zu sein. Wenn eine Prognose unvoreingenommen ist, wird das POA-Verhältnis 100 sein. Daher ist es wünschenswerter, 95 genau zu sein, als 110 genau zu sein. Die POA-Kriterien wählen die Prognosemethode, die ein POA-Verhältnis am nächsten zu 100 hat. Scripting auf dieser Seite verbessert die Inhaltsnavigation, ändert aber den Inhalt nicht in irgendeiner Weise. Weighted Moving Averages: Die Grundlagen Im Laufe der Jahre haben Techniker zwei Probleme mit gefunden Der einfache gleitende Durchschnitt. Das erste Problem liegt im Zeitrahmen des gleitenden Mittelwertes (MA). Die meisten technischen Analysten glauben, dass Preisaktion. Der Eröffnungs - oder Schlussbestandspreis, ist nicht genug, auf die für die ordnungsgemäße Vorhersage des Kaufs oder der Verkaufssignale der MAs Crossover-Aktion abzusehen ist. Um dieses Problem zu lösen, weisen die Analysten nunmehr die aktuellsten Preisdaten mit dem exponentiell geglätteten gleitenden Durchschnitt (EMA) zu. (Erfahren Sie mehr bei der Erforschung der exponentiell gewogenen bewegten Durchschnitt.) Ein Beispiel Zum Beispiel, mit einem 10-Tage-MA, würde ein Analytiker den Schlusskurs des 10. Tages und multiplizieren diese Zahl um 10, der neunte Tag um neun, der achte Tag für acht und so weiter zum ersten der MA. Sobald die Summe bestimmt worden ist, würde der Analytiker dann die Zahl durch die Addition der Multiplikatoren teilen. Wenn Sie die Multiplikatoren des 10-Tage-MA-Beispiels hinzufügen, ist die Zahl 55. Dieser Indikator wird als linear gewichteter gleitender Durchschnitt bezeichnet. (Für verwandte Lesung, check out Simple Moving Averages machen Trends Stand out.) Viele Techniker sind festgläubig in der exponentiell geglätteten gleitenden Durchschnitt (EMA). Dieser Indikator wurde in so vielen verschiedenen Weisen erklärt, dass er Studenten und Investoren gleichermaßen verwechselt. Vielleicht kommt die beste Erklärung von John J. Murphys Technische Analyse der Finanzmärkte, (veröffentlicht vom New York Institute of Finance, 1999): Der exponentiell geglättete gleitende Durchschnitt adressiert beide Probleme, die mit dem einfachen gleitenden Durchschnitt verbunden sind. Zuerst weist der exponentiell geglättete Durchschnitt den neueren Daten ein größeres Gewicht zu. Daher ist es ein gewichteter gleitender Durchschnitt. Aber während es den vergangenen Preisdaten eine geringere Bedeutung zuweist, enthält es in der Berechnung alle Daten im Leben des Instruments. Darüber hinaus ist der Benutzer in der Lage, die Gewichtung anpassen, um mehr oder weniger Gewicht auf die jüngsten Tage Preis, die zu einem Prozentsatz der vorherigen Tage Wert hinzugefügt wird. Die Summe der beiden Prozentwerte addiert sich zu 100. Beispielsweise könnte dem letzten Tagepreis ein Gewicht von 10 (.10) zugewiesen werden, der zu den vorherigen Tagen Gewicht von 90 (.90) hinzugefügt wird. Dies gibt den letzten Tag 10 der Gesamtgewichtung. Dies wäre das Äquivalent zu einem 20-Tage-Durchschnitt, indem man den letzten Tage Preis einen kleineren Wert von 5 (.05). Abbildung 1: Exponentiell geglättete Moving Average Die obige Grafik zeigt den Nasdaq Composite Index von der ersten Woche im August 2000 bis zum 1. Juni 2001. Wie Sie deutlich sehen können, ist die EMA, die in diesem Fall die Schlusskursdaten über einen Neun-Tage-Periode, hat definitive Verkaufssignale am 8. September (gekennzeichnet durch einen schwarzen Pfeil nach unten). Dies war der Tag, an dem der Index unter dem Niveau von 4.000 unterging. Der zweite schwarze Pfeil zeigt ein weiteres heruntergekommenes Bein, das die Techniker eigentlich erwarten. Die Nasdaq konnte nicht genug Volumen und Interesse von den Einzelhandelsanlegern erzeugen, um die 3.000 Mark zu brechen. Dann tauchte es wieder auf den Boden bei 1619.58 am 4. April. Der Aufwärtstrend vom 12. April ist durch einen Pfeil markiert. Hier schloss der Index um 1.961.46, und Techniker begannen, institutionelle Fondsmanager zu sehen, die anfangen, einige Schnäppchen wie Cisco, Microsoft und einige der energiebezogenen Fragen aufzuheben. (Lesen Sie unsere verwandten Artikel: Moving Average Envelopes: Verfeinerung eines beliebten Trading-Tool und Moving Average Bounce.) Eine Art von Kompensationsstruktur, die Hedge Fondsmanager in der Regel beschäftigen, in welchem ​​Teil der Entschädigung Leistung basiert ist. Ein Schutz gegen den Einkommensverlust, der sich ergeben würde, wenn der Versicherte verstorben wäre. Der benannte Begünstigte erhält den. Ein Maß für die Beziehung zwischen einer Veränderung der Menge, die von einem bestimmten Gut gefordert wird, und eine Änderung ihres Preises. Preis. Der Gesamtdollarmarktwert aller ausstehenden Aktien der Gesellschaft039s. Die Marktkapitalisierung erfolgt durch Multiplikation. Frexit kurz für quotFrench exitquot ist ein französischer Spinoff des Begriffs Brexit, der entstand, als das Vereinigte Königreich stimmte. Ein Auftrag mit einem Makler, der die Merkmale der Stop-Order mit denen einer Limit-Order kombiniert. Eine Stopp-Limit-Order wird. FORECASTING Forecasting beinhaltet die Erzeugung einer Zahl, Satz von Zahlen oder Szenario, die einem zukünftigen Auftreten entspricht. Für die Kurzstrecken - und Langstreckenplanung ist es absolut notwendig. Definitionsgemäß basiert eine Prognose auf vergangenen Daten, im Gegensatz zu einer Vorhersage, die subjektiver ist und auf Instinkt basiert, gut gefühlt oder erraten hat. Zum Beispiel, die Abendnachrichten gibt das Wetter x0022forecastx0022 nicht das Wetter x0022prediction. x0022 Unabhängig davon werden die Begriffe Prognose und Vorhersage oft inter-changeable verwendet. Zum Beispiel, Definitionen von regressionx2014a Technik manchmal verwendet bei der Prognosex2014 generell sagen, dass ihr Zweck ist zu erklären oder x0022predict. x0022 Prognose basiert auf einer Reihe von Annahmen: Die Vergangenheit wird sich wiederholen. Mit anderen Worten, was in der Vergangenheit passiert ist, wird in Zukunft wieder passieren. Wenn der Prognosehorizont verkürzt, erhöht sich die Prognosegenauigkeit. Zum Beispiel wird eine Prognose für morgen genauer sein als eine Prognose für den nächsten Monat eine Prognose für den nächsten Monat wird genauer als eine Prognose für das nächste Jahr und eine Prognose für das nächste Jahr wird genauer als eine Prognose für zehn Jahre in der Zukunft. Die Prognose in der Summe ist genauer als die Prognose einzelner Posten. Das bedeutet, dass ein Unternehmen die Gesamtnachfrage über sein gesamtes Produktspektrum genauer prognostizieren kann, als es in der Lage ist, einzelne Lagerbestände (SKUs) zu prognostizieren. Zum Beispiel kann General Motors die Gesamtzahl der Autos, die für das nächste Jahr benötigt werden, genauer prognostizieren als die Gesamtzahl der weißen Chevrolet Impalas mit einem bestimmten Optionspaket. Prognosen sind selten genau. Darüber hinaus sind die Prognosen fast nie ganz richtig. Während einige sehr nah sind, sind nur wenige auf dem Geld. x0022 Daher ist es ratsam, eine Prognose anzubieten x0022range. x0022 Wenn man eine Nachfrage von 100.000 Einheiten für den nächsten Monat prognostizieren würde, ist es äußerst unwahrscheinlich, dass die Nachfrage 100.000 betragen würde genau. Eine Prognose von 90.000 bis 110.000 würde jedoch ein viel größeres Ziel für die Planung darstellen. William J. Stevenson listet eine Reihe von Merkmalen auf, die einer guten Prognose gemeinsam sind: Genauigkeitsgenauigkeitsgenauigkeit sollte festgelegt und angegeben werden, damit der Vergleich zu alternativen Prognosen durchgeführt werden kann. Reliablex2014Die Prognose-Methode sollte konsequent eine gute Prognose, wenn der Benutzer ein gewisses Maß an Vertrauen zu etablieren. Timelyx2014a wird eine gewisse Zeit benötigt, um auf die Prognose zu reagieren, so dass der Prognosehorizont die notwendige Zeit für Änderungen vornehmen muss. Einfach zu bedienen und understandx2014users der Prognose muss zuversichtlich und komfortabel damit arbeiten. Die Kosten für die Vorhersage sollten die von der Prognose erzielten Vorteile nicht überwiegen. Vorhersagetechniken reichen von der einfachen bis zur extrem komplexen. Diese Techniken werden in der Regel als qualitativ oder quantitativ klassifiziert. QUALITATIVE TECHNIKEN Qualitative Prognosetechniken sind in der Regel subjektiver als ihre quantitativen Pendants. Qualitative Techniken sind in den früheren Stadien des Produktlebenszyklus sinnvoller, wenn weniger vergangene Daten für den Einsatz in quantitativen Methoden existieren. Qualitative Methoden umfassen die Delphi-Technik, Nominal Group Technique (NGT), Außendienst-Stellungnahmen, Exekutiv-Stellungnahmen und Marktforschung. DIE DELPHI-TECHNIK. Die Delphi-Technik nutzt ein Expertengremium, um eine Prognose zu erstellen. Jeder Experte wird gebeten, eine Prognose für die Notwendigkeit zur Hand zu geben. Nachdem die anfänglichen Prognosen gemacht wurden, liest jeder Experte, was jeder andere Experte schrieb und ist natürlich von ihren Ansichten beeinflusst. Eine nachfolgende Prognose wird dann von jedem Fachmann gemacht. Jeder Experte liest dann wieder, was jeder andere Experte schrieb und wieder von den Wahrnehmungen der anderen beeinflusst wird. Dieser Prozeß wiederholt sich, bis jeder Experte eine Einigung über das benötigte Szenario oder Zahlen hat. NOMINAL GRUPPE TECHNIK. Nominal Group Technique ist ähnlich wie die Delphi-Technik, dass es eine Gruppe von Teilnehmern, in der Regel Experten verwendet. Nachdem die Teilnehmer auf Prognose-bezogene Fragen reagieren, richten sie ihre Antworten in der Reihenfolge der wahrgenommenen relativen Bedeutung ein. Dann werden die Ranglisten gesammelt und aggregiert. Schließlich sollte die Gruppe einen Konsens über die Prioritäten der Ranglisten erreichen. SALES FORCE MEINUNGEN. Die Vertriebsmitarbeiter sind oft eine gute Informationsquelle für die zukünftige Nachfrage. Der Vertriebsleiter kann von jedem Vertriebsmitarbeiter nach Input fragen und seine Antworten in eine Außendienst-Composite-Prognose zusammenfassen. Bei der Anwendung dieser Technik ist Vorsicht geboten, da die Mitglieder des Außendienstes nicht in der Lage sind, zwischen dem, was die Kunden sagen und was sie tatsächlich tun, zu unterscheiden. Auch wenn die Prognosen verwendet werden, um Verkaufsquoten zu etablieren, kann der Außendienst versucht werden, niedrigere Schätzungen zu liefern. EXECUTIVE MEINUNGEN. Manchmal treffen sich Top-Level-Manager auf der Grundlage ihrer Kenntnisse über ihre Verantwortungsbereiche. Dies wird manchmal als Jury der Exekutivaussage bezeichnet. MARKTFORSCHUNG. In der Marktforschung werden Verbraucherumfragen genutzt, um potenzielle Nachfrage zu etablieren. Solche Marketingforschung beinhaltet in der Regel den Aufbau eines Fragebogens, der persönliche, demographische, ökonomische und Marketinginformationen anfordert. Gelegentlich sammeln Marktforscher solche Informationen persönlich an Einzelhandelsgeschäften und Einkaufszentren, wo der Verbraucher erleben kann, wenn es sich um ein Produkt handelt. Deutsch:. Englisch: v3.espacenet. com/textdoc? DB = EPODOC & ... PN = Der Forscher muss darauf achten, dass die Stichprobe der befragten Personen repräsentativ für das gewünschte Verbraucherziel ist. QUANTITATIVE TECHNIKEN Quantitative Prognosetechniken sind in der Regel eher objektiv als ihre qualitativen Gegenstücke. Quantitative Prognosen können Zeitreihenprognosen (d. h. eine Projektion der Vergangenheit in die Zukunft) oder Prognosen basierend auf assoziativen Modellen (d. h. basierend auf einer oder mehreren erklärenden Variablen) sein. Zeitreihendaten können zugrunde liegende Verhaltensweisen haben, die vom Prognostiker identifiziert werden müssen. Darüber hinaus muss die Prognose möglicherweise die Ursachen des Verhaltens zu identifizieren. Einige dieser Verhaltensweisen können Muster oder einfach zufällige Variationen sein. Unter den Mustern sind: Trends, die langfristige Bewegungen (oben oder unten) in den Daten sind. Saisonalität, die kurzfristige Variationen produziert, die in der Regel mit der Zeit des Jahres, des Monats oder sogar eines bestimmten Tages zusammenhängen, wie die Einzelhandelsumsätze zu Weihnachten oder die Spikes im Bankgeschäft am ersten des Monats und freitags erlebt haben. Zyklen, die wellenförmige Variationen sind, die mehr als ein Jahr dauern, die gewöhnlich an ökonomische oder politische Bedingungen gebunden sind. Unregelmäßige Variationen, die kein typisches Verhalten widerspiegeln, wie zB eine Periode extremer Witterung oder ein Gewerkschaftsstreik. Zufällige Variationen, die alle nicht-typischen Verhaltensweisen umfassen, die nicht von den anderen Klassifikationen berücksichtigt wurden. Unter den Zeitreihenmodellen ist die einfachste die naxEFve-Prognose. Eine naxEFve-Prognose verwendet einfach die tatsächliche Nachfrage für die vergangene Periode als die prognostizierte Nachfrage für den nächsten Zeitraum. Das macht natürlich die Annahme, dass die Vergangenheit wiederholt wird. Es geht auch davon aus, dass irgendwelche Trends, Saisonalität oder Zyklen sich entweder in der vorherigen Periodex0027s Nachfrage widerspiegeln oder nicht existieren. Ein Beispiel für die NaxEFve-Prognose ist in Tabelle 1 dargestellt. Tabelle 1 NaxEFve-Prognose Eine weitere einfache Technik ist die Verwendung von Mittelung. Um eine Prognose mit Mittelwert zu machen, nimmt man einfach den Durchschnitt einer Anzahl von Perioden von vergangenen Daten durch Summierung jeder Periode und dividiert das Ergebnis durch die Anzahl der Perioden. Diese Technik hat sich als sehr effektiv für die Nahbereichsprognose erwiesen. Variationen der Mittelung umfassen den gleitenden Durchschnitt, den gewichteten Durchschnitt und den gewichteten gleitenden Durchschnitt. Ein gleitender Durchschnitt nimmt eine vorgegebene Anzahl von Perioden ein, summiert ihre tatsächliche Nachfrage und teilt sich durch die Anzahl der Perioden, um eine Prognose zu erreichen. Für jede nachfolgende Periode fällt die älteste Datenperiode ab und die letzte Periode wird hinzugefügt. Unter der Annahme eines dreimonatigen gleitenden Durchschnitts und der Verwendung der Daten aus Tabelle 1 würde man einfach 45 (Januar), 60 (Februar) und 72 (März) hinzufügen und durch drei teilen, um eine Prognose für April: 45 60 72 177 zu erreichen X00F7 3 59 Um zu einer Prognose für Mai zu gelangen, würde man von der Gleichung verlängern und die Nachfrage vom April addieren. Tabelle 2 zeigt ein Beispiel für eine dreimonatige gleitende Durchschnittsprognose. Tabelle 2 Drei Monate bewegte durchschnittliche Prognose Tatsächliche Nachfrage (000x0027s) Ein gewichteter Durchschnitt wendet ein vorbestimmtes Gewicht auf jeden Monat der vergangenen Daten an, summiert die vergangenen Daten aus jeder Periode und teilt sich durch die Summe der Gewichte. Wenn der Prognostiker die Gewichte so einstellt, daß ihre Summe gleich 1 ist, so werden die Gewichte mit der tatsächlichen Nachfrage jedes anwendbaren Zeitraums multipliziert. Die Ergebnisse werden dann summiert, um eine gewichtete Prognose zu erreichen. Im Allgemeinen, je neuere die Daten desto höher das Gewicht, und je älter die Daten desto kleiner das Gewicht. Mit dem Bedarfsbeispiel ein gewichteter Durchschnitt mit Gewichten von .4. 3.2 und .1 würde die Prognose für Juni wie folgt liefern: 60 (.1) 72 (.2) 58 (.3) 40 (.4) 53.8 Die Prognoseer können auch eine Kombination der gewogenen durchschnittlichen und gleitenden Durchschnittsprognosen verwenden . Eine gewichtete gleitende Durchschnittsprognose weist Gewichte einer vorgegebenen Anzahl von Perioden von Istdaten zu und berechnet die Prognose auf die gleiche Weise wie oben beschrieben. Wie bei allen laufenden Prognosen, da jede neue Periode hinzugefügt wird, werden die Daten aus der ältesten Periode verworfen. Tabelle 3 zeigt eine dreimonatige gewichtete gleitende Durchschnittsprognose unter Verwendung der Gewichte .5. 3 und .2. Tabelle 3 Dreix2013Month gewichtete bewegliche durchschnittliche Prognose tatsächliche Nachfrage (000x0027s) Eine komplexere Form des gewichteten gleitenden Durchschnitts ist exponentielle Glättung, so genannt, weil das Gewicht fällt exponentiell, wie die Daten altert. Die exponentielle Glättung nimmt die vorherige Periodex0027s prognostiziert und passt sie um eine vorgegebene Glättungskonstante an, x03AC (alpha der Wert für alpha ist kleiner als eins) multipliziert mit dem Unterschied in der vorherigen Prognose und der Nachfrage, die tatsächlich während der vorher prognostizierten Periode aufgetreten ist (genannt Prognosefehler). Die exponentielle Glättung wird formell als solche ausgedrückt: Neue Prognose vorherige Prognose Alpha (tatsächliche Nachfrage x2212 vorherige Prognose) FF x03AC (A x2212 F) Die exponentielle Glättung erfordert, dass der Prognostiker die Prognose in einem vergangenen Zeitraum beginnt und an den Zeitraum vorangeht, für den ein Strom gilt Prognose ist erforderlich. Eine beträchtliche Anzahl von vergangenen Daten und eine Anfangs - oder Anfangsprognose sind ebenfalls erforderlich. Die anfängliche Prognose kann eine tatsächliche Prognose aus einer früheren Periode, die tatsächliche Nachfrage aus einer früheren Periode, oder es kann durch die Mittelung der gesamten oder eines Teils der vergangenen Daten geschätzt werden. Einige Heuristiken existieren für die Berechnung einer ersten Prognose. Zum Beispiel würde die heuristische N (2 xF7 x03AC) x2212 1 und eine alpha von .5 ein N von 3 ergeben, was anzeigt, dass der Benutzer die ersten drei Perioden von Daten durchschnittlich vermitteln würde, um eine anfängliche Prognose zu erhalten. Allerdings ist die Genauigkeit der anfänglichen Prognose nicht kritisch, wenn man große Mengen an Daten verwendet, da eine exponentielle Glättung x0022self-correcting. x0022 ist. Bei genügend Perioden vergangener Daten wird eine exponentielle Glättung schließlich genügend Korrekturen vornehmen, um eine vernünftig ungenaue Initialisierung zu kompensieren Prognose. Unter Verwendung der in anderen Beispielen verwendeten Daten, einer Anfangsprognose von 50 und eines Alphas von 0,7 wird eine Prognose für Februar als solche berechnet: Neue Prognose (Februar) 50,7 (45 x 2212 50) 41,5 Als nächstes wird die Prognose für den März : Neue Prognose (März) 41.5 .7 (60 x2212 41.5) 54.45 Dieser Vorgang wird fortgesetzt, bis der Prognostiker den gewünschten Zeitraum erreicht hat. In Tabelle 4 wäre dies für den Monat Juni, da die tatsächliche Nachfrage nach Juni nicht bekannt ist. Tatsächliche Nachfrage (000x0027s) Eine Erweiterung der exponentiellen Glättung kann verwendet werden, wenn Zeitreihendaten einen linearen Trend aufweisen. Diese Methode ist durch mehrere Namen bekannt: doppelte Glättung Trend-angepasst exponentielle Glättung Prognose einschließlich Trend (FIT) und Holtx0027s Modell. Ohne Anpassung werden einfache, exponentielle Glättungsergebnisse dem Trend folgen, das heißt, die Prognose wird immer niedrig sein, wenn der Trend steigt oder hoch, wenn der Trend abnimmt. Bei diesem Modell gibt es zwei Glättungskonstanten, x03AC und x03B2 mit x03B2, die die Trendkomponente darstellen. Eine Erweiterung des Holtx0027s Modells, genannt Holt-Winterx0027s Methode, berücksichtigt sowohl Trend als auch Saisonalität. Es gibt zwei Versionen, multiplikativ und additiv, wobei das Multiplikativ das am weitesten verbreitete ist. Im additiven Modell wird die Saisonalität als eine Menge ausgedrückt, die dem Seriendurchschnitt hinzugefügt oder subtrahiert werden soll. Das multiplikative Modell drückt Saisonalität als Prozentsatz aus, der als saisonale Verwandten oder saisonale Indexesx2014 des Durchschnitts (oder des Tendenz) bekannt ist. Diese werden dann mal multipliziert, um Saisonalität zu berücksichtigen. Ein Verwandter von 0,8 würde auf eine Nachfrage hinweisen, die 80 Prozent des Durchschnitts beträgt, während 1,10 die Nachfrage anzeigt, die 10 Prozent über dem Durchschnitt liegt. Detaillierte Informationen zu dieser Methode finden Sie in den meisten Operations Management Lehrbücher oder einer von einer Reihe von Büchern über die Vorhersage. Assoziative oder kausale Techniken beinhalten die Identifizierung von Variablen, die verwendet werden können, um eine andere Variable von Interesse vorherzusagen. Zum Beispiel können Zinssätze verwendet werden, um die Nachfrage nach Hausrefinanzierung zu prognostizieren. Typischerweise beinhaltet dies die Verwendung einer linearen Regression, wobei das Ziel darin besteht, eine Gleichung zu entwickeln, die die Effekte der Prädiktor (unabhängigen) Variablen auf die prognostizierte (abhängige) Variable zusammenfasst. Wenn die Prädiktorvariable aufgetragen wäre, wäre das Objekt, eine Gleichung einer Geraden zu erhalten, die die Summe der quadrierten Abweichungen von der Linie minimiert (wobei die Abweichung der Abstand von jedem Punkt zur Linie ist). Die Gleichung würde als: ya bx erscheinen, wobei y die vorhergesagte (abhängige) Variable ist, x die Prädiktor (unabhängige) Variable ist, b die Steigung der Linie ist und a gleich der Höhe der Linie an der y - abfangen. Sobald die Gleichung bestimmt ist, kann der Benutzer aktuelle Werte für die Prädiktor (unabhängige) Variable einfügen, um zu einer Prognose (abhängige Variable) zu gelangen. Wenn es mehr als eine Prädiktorvariable gibt oder wenn die Beziehung zwischen Prädiktor und Prognose nicht linear ist, ist eine einfache lineare Regression unzureichend. Für Situationen mit mehreren Prädiktoren sollte eine multiple Regression angewendet werden, während nicht-lineare Beziehungen die Verwendung einer krummlinigen Regression fordern. WIRTSCHAFTLICHE VORSCHRIFTEN Ökonometrische Methoden wie das autoregressive integrierte Moving-Average-Modell (ARIMA) verwenden komplexe mathematische Gleichungen, um vergangene Beziehungen zwischen Nachfrage und Variablen, die die Nachfrage beeinflussen, zu zeigen. Eine Gleichung wird abgeleitet und dann getestet und fein abgestimmt, um sicherzustellen, dass es eine möglichst zuverlässige Darstellung der bisherigen Beziehung ist. Sobald dies geschehen ist, werden die projizierten Werte der beeinflussenden Variablen (Einkommen, Preise usw.) in die Gleichung eingefügt, um eine Prognose zu machen. EVALUIERENDE PROGNOSE Die Genauigkeit der Prognose kann durch Berechnung der Vorspannung, der mittleren Absolutabweichung (MAD), des mittleren quadratischen Fehlers (MSE) oder des mittleren absoluten Prozentfehlers (MAPE) für die Prognose unter Verwendung unterschiedlicher Werte für alpha bestimmt werden. Bias ist die Summe der Prognosefehler x2211 (FE). Für das oben erwähnte exponentielle Glättungsbeispiel wäre die berechnete Vorspannung: (60 x 2212 41,5) (72 x 2212 54,45) (58 x 2212 66,74) (40 x 2212 60,62) 6,69 Wenn man annimmt, dass eine niedrige Vorspannung einen insgesamt niedrigen Prognosefehler anzeigt, könnte man Berechnen Sie die Vorspannung für eine Anzahl von potentiellen Werten von alpha und nehmen Sie an, dass die mit der niedrigsten Vorspannung am genauesten wäre. Allerdings ist darauf zu achten, dass wild ungenaue Prognosen eine niedrige Vorspannung ergeben können, wenn sie sowohl über die Prognose als auch unter Prognose (negativ und positiv) neigen. Zum Beispiel kann ein Unternehmen über drei Perioden einen bestimmten Wert von Alpha bis zu einer Prognose von 75.000 Einheiten (x221275.000), unter Prognose von 100.000 Einheiten (100.000) und dann über Prognose von 25.000 Einheiten (x221225.000), nachgeben Eine Vorspannung von null (x221275.000 100.000 x2212 25.000 0). Im Vergleich dazu würde ein weiteres Alpha, das sich über Prognosen von 2.000 Einheiten, 1.000 Einheiten und 3.000 Einheiten ergibt, zu einer Vorspannung von 5.000 Einheiten führen. Wenn die normale Nachfrage 100.000 Einheiten pro Periode betrug, würde das erste Alpha Prognosen liefern, die um bis zu 100 Prozent ausstiegen, während das zweite Alpha um maximal 3 Prozent ausgeschaltet wäre, obwohl die Vorspannung in der ersten Prognose Null war. Ein sichereres Maß für die Prognosegenauigkeit ist die mittlere absolute Abweichung (MAD). Um den MAD zu berechnen, summiert der Prognostiker den absoluten Wert der Prognosefehler und teilt sich dann durch die Anzahl der Prognosen (x2211 FE x00F7 N). Mit dem Absolutwert der Prognosefehler wird die Verrechnung von positiven und negativen Werten vermieden. Dies bedeutet, dass sowohl eine Überprognose von 50 als auch eine Unterprognose von 50 um 50 ausgeschaltet ist. Mit den Daten aus dem exponentiellen Glättungsbeispiel kann MAD wie folgt berechnet werden: (60 x 2212 41,5 72 x 2212 54,45 58 x 2212 66,74 40 x 2212 60,62) X00F7 4 16.35 Daher ist der Prognostiker im Durchschnitt 16,35 Einheiten pro Prognose ausgeschaltet. Im Vergleich zum Ergebnis anderer Alphas wird der Prognostiker wissen, dass das Alpha mit dem niedrigsten MAD die genaueste Prognose liefert. Mittlerer Quadratfehler (MSE) kann auch in der gleichen Weise verwendet werden. MSE ist die Summe der prognostizierten Fehler quadriert geteilt durch N-1 (x2211 (FE)) x00F7 (N-1). Wenn man die Prognosefehler quittiert, entfällt die Möglichkeit, negative Zahlen auszugleichen, da keines der Ergebnisse negativ sein kann. Unter Verwendung der gleichen Daten wie oben, wäre die MSE: (18.5) (17.55) (x22128.74) (x221220.62) x00F7 3 383.94 Wie bei MAD kann der Prognostiker die MSE von Prognosen vergleichen, die mit verschiedenen Werten von alpha und Nehmen Sie an, dass das Alpha mit dem niedrigsten MSE die genaueste Prognose liefert. Der mittlere absolute Prozentfehler (MAPE) ist der durchschnittliche absolute Prozentfehler. Um die MAPE zu erreichen, muss man die Summe der Verhältnisse zwischen Prognosefehler und tatsächlichen Bedarfszeiten 100 (um den Prozentsatz zu erhalten) und dividieren durch N (x2211 Tatsächliche Nachfrage x2212 Prognose x00F7 Tatsächliche Nachfrage) xD7 100 x00F7 N. Mit den Daten aus Das exponentielle Glättungsbeispiel, MAPE kann wie folgt berechnet werden: (18.560 17.5572 8.7458 20.6248) xD7 100 x00F7 4 28.33 Wie bei MAD und MSE desto niedriger der relative Fehler, desto genauer ist die Prognose. Es ist anzumerken, dass in einigen Fällen die Fähigkeit der Prognose, sich schnell zu ändern, um auf Änderungen in Datenmustern zu reagieren, als wichtiger als Genauigkeit angesehen wird. Daher sollte eine Auswahl von Prognosemethoden die relative Wahrscheinlichkeit der Bedeutung zwischen Genauigkeit und Reaktionsfähigkeit, wie vom Prognostiker bestimmt, widerspiegeln. HERSTELLUNG EINES PROGNOSES William J. Stevenson listet als grundlegende Schritte im Prognoseverfahren folgendes auf: Bestimmen Sie den Vorhersagevoraussetzungen. Faktoren wie, wie und wann die Prognose verwendet wird, der Grad der Genauigkeit benötigt, und die Höhe der Details bestimmen die Kosten (Zeit, Geld, Mitarbeiter), die auf die Prognose gewidmet werden können und die Art der Prognose Methode verwendet werden . Stellen Sie einen Zeithorizont ein. Dies geschieht, nachdem man den Zweck der Prognose bestimmt hat. Längerfristige Prognosen erfordern längere Zeithorizonte und umgekehrt. Genauigkeit ist wieder eine Überlegung. Wählen Sie eine Prognosetechnik aus. Die gewählte Technik hängt vom Zweck der Prognose, dem gewünschten Zeithorizont und den zulässigen Kosten ab. Daten erfassen und analysieren Die Menge und Art der benötigten Daten unterliegt dem Vorhersagevoraussetzungen, der gewählten Prognosetechnik und allen Kostenüberlegungen. Machen Sie die Prognose. Überwachen Sie die Prognose. Bewerten Sie die Leistung der Prognose und ändern Sie, falls erforderlich. WEITERES LESEN: Finch, Byron J. Operations Now: Profitabilität, Prozesse, Performance. 2 ed. Boston: McGraw-Hill Irwin, 2006. Grün, William H. Ökonometrische Analyse. 5 ed. Upper Saddle River, NJ: Prentice Hall, 2003. Joppe, Dr. Marion. X0022Die Nominal Group Technique. x0022 Der Forschungsprozess. Erhältlich bei x003C ryerson. ca Stevenson, William J. Operations Management. 8 ed. Boston: McGraw-Hill Irwin, 2005. Lesen Sie auch Artikel über Forecasting aus Wikipedia