توقعات الطلب الحركة من المتوسط

الفصل 11 - إدارة الطلب التنبؤ أمبير 1. توقعات الكمال يكاد يكون من المستحيل تقريبا 2. بدلا من البحث عن توقعات مثالية، فمن المهم جدا لإقامة ممارسة الاستعراض المستمر للتنبؤ وتعلم كيفية العيش مع توقعات غير دقيقة 3. عند التنبؤ ، استراتيجية جيدة هي استخدام 2 أو 3 طرق والبحث عنهم للحصول على الرأي المنطقي. 2. مصادر الطلب الأساسية 1. الطلب على الطلب - الطلب على المنتجات أو الخدمات الناجمة عن الطلب على المنتجات أو الخدمات الأخرى. لا يمكن للشركة أن تفعل الكثير، يجب أن تتحقق. 2. الطلب المستقل - الطلب الذي لا يمكن أن يكون مستمدا مباشرة من الطلب على المنتجات الأخرى. يمكن للشركة: أ) القيام بدور نشط للتأثير على الطلب - الضغط على قوة المبيعات الخاصة بك ب) اتخاذ دور السلبي للتأثير على الطلب - إذا كانت الشركة تعمل بكامل طاقتها، فإنه قد لا تريد أن تفعل أي شيء حول الطلب. وأسباب أخرى تنافسية وقانونية وبيئية وأخلاقية وأخلاقية. حاول التنبؤ بالمستقبل بناء على بيانات سابقة. 1. على المدى القصير - أقل من 3 أشهر - القرارات التكتيكية مثل تجديد المخزون أو جدولة كفاءة الطاقة على المدى القريب 2. متوسطة الأجل - 3 M-2Y - التقاط الآثار الموسمية مثل العملاء الاستجابة لمنتج جديد 3. على المدى الطويل - أكثر من سنتان. تحديد نقاط التحول الرئيسية والكشف عن الاتجاهات العامة. الانحدار الخطي هو نوع خاص من الانحدار حيث العلاقات بين المتغير يشكل خط مستقيم Y أبكس. Y - المتغير التابع أ - اعتراض Y ب - المنحدر X - متغير مستقل يتم استخدامه للتنبؤ على المدى الطويل بالأحداث الرئيسية والتخطيط الكلي. يتم استخدامه لكلا، والتنبؤ سلسلة زمنية والتنبؤ عارضة العلاقة. هي تقنية التنبؤ الأكثر استخداما. وتعتبر أحدث الحوادث أكثر دلالة على المستقبل (أعلى قيمة يمكن التنبؤ بها) من تلك الموجودة في الماضي البعيد. وينبغي أن نعطي وزنا أكبر للفترات الزمنية الأخيرة للخام عند التنبؤ. وتنخفض كل زيادة في الماضي بمقدار (1 ألفا). وكلما ارتفع مستوى ألفا، كلما كانت التوقعات أقرب إلى الواقع الفعلي. أحدث ألفا ترجيح (1-ألفا) 0 بيانات فترة زمنية واحدة ألفا أقدم (1-ألفا نا 1) فترة زمنية ألفا ألفا (ألفا) نا 2 فترة زمنية واحدة أي من أساليب التنبؤ التالية تعتمد اعتمادا كبيرا على اختيار الأفراد الذين سيستخدمون بشكل حكيم لتوليد التوقعات الفعلية يجب أن تكون القيمة بين 0 و 1 1. 2 أو أكثر من القيم المحددة سلفا من ألفا - اعتمادا على درجة الخطأ، وتستخدم قيم مختلفة من ألفا. إذا كان الخطأ كبيرا، ألفا هو 0.8، إذا كان الخطأ صغير، ألفا هو 0.2 2. القيم المحسوبة من ألفا - خطأ فعلي ممسوط أضعافا مقسوما على الخطأ المطلق أسي. التقنيات النوعية في التنبؤ معرفة الخبراء وتتطلب الكثير من الأحكام (المنتجات الجديدة أو المناطق) 1. أبحاث السوق - تبحث عن منتجات جديدة وأفكار، يحب ويكره عن المنتجات الموجودة. استطلاعات الرأي في المقام الأول إجراء مقابلات 2. توافق الفريق - فكرة أن 2 رؤساء أفضل من واحد. ويمكن لمجموعة من الناس من مجموعة متنوعة من المناصب أن تضع توقعات أكثر موثوقية من مجموعة أضيق. والمشكلة هي أن مستويات إي المنخفضة تخيفها مستويات أعلى من الإدارة. يتم استخدام الحكم التنفيذي (مستوى أعلى من الإدارة المعنية). 3. القياس التاريخي - الشركة التي تنتج بالفعل المحامص وتريد إنتاج أواني القهوة يمكن استخدام تاريخ محمصة كنموذج النمو المحتمل. 4. طريقة دلفي - تعتمد اعتمادا كبيرا على اختيار الأفراد المناسبين الذين سيستخدمون بشكل حكيم لتوليد التوقعات. كل شخص لديه نفس الوزن (أكثر عدلا). وعادة ما يتم تحقيق نتائج مرضية في 3 جولات. الهدف - التخطيط التعاوني والتنبؤ والتجديد (كبفر) لتبادل المعلومات الداخلية المختارة على خادم ويب مشترك من أجل توفير وجهات نظر مستقبلية موثوقة وطويلة الأجل للطلب في سلسلة التوريد. تقنيات التنبؤ بالدم: التحرك متوسط ​​التماسك الأسي هذا سوف يناقش الدرس توقعات الطلب مع التركيز على مبيعات السلع والخدمات القائمة. وسوف يعرض التقنيات الكمية للمتوسط ​​المتحرك والتجانس الأسي للمساعدة في تحديد الطلب على المبيعات. ما هو الطلب على الطلب مرة أخرى، في موسم العطلات. الأطفال على استعداد لزيارة من سانتا، ويتم التأكيد على الآباء من خلال التسوق والمالية. وتقوم الشركات بوضع اللمسات الأخيرة على عملياتها في السنة التقويمية والتحضير للانتقال إلى ما هو مستقبلي. تقوم شركة أبك بتصنيع أسلاك الهاتف. فترات حساباتها وعملياتها تشغيل على السنة التقويمية، وبالتالي فإن نهاية العام يسمح لهم لختام العمليات قبل عطلة عطلة وخطة لبداية العام الجديد. حان الوقت للمديرين لإعداد وتقديم خططها التشغيلية الإدارات للإدارة العليا حتى يتمكنوا من وضع خطة عمليات تنظيمية للعام الجديد. يتم التأكيد على قسم المبيعات من عقولهم. وانخفض الطلب على الأسلاك الهاتفية في عام 2015، وتشير البيانات الاقتصادية العامة إلى استمرار الانخفاض في مشاريع البناء التي تتطلب أسلاك الهاتف. بوب، مدير المبيعات، يعرف أن الإدارة العليا، ومجلس الإدارة وأصحاب المصلحة يأملون في توقعات مبيعات متفائلة، لكنه يشعر الجليد من الركود الصناعة تزحف وراء له لمعالجة له. التنبؤ بالطلب هو طريقة إسقاط طلب العملاء على السلعة أو الخدمة. هذه العملية هي عملية مستمرة حيث يستخدم المديرون البيانات التاريخية لحساب ما يتوقعون أن يكون طلب المبيعات على السلعة أو الخدمة. يستخدم بوب المعلومات من الماضي الشركة ويضيف إلى البيانات الاقتصادية من السوق لمعرفة ما إذا كانت المبيعات سوف تنمو أو تنخفض. يستخدم بوب نتائج التنبؤ الطلب لتحديد أهداف لقسم المبيعات، في حين تحاول الحفاظ على تمشيا مع أهداف الشركة. سوف بوب تكون قادرة على تقييم نتائج قسم المبيعات في العام المقبل لتحديد كيف جاءت توقعاته بها. بوب يمكن استخدام تقنيات مختلفة على حد سواء النوعية والكمية لتحديد نمو أو انخفاض المبيعات. وتشمل الأمثلة على التقنيات النوعية: التخمينات المتداولة نظرية سوق التنبؤ نظرية اللعبة تقنية دلفي أمثلة على التقنيات الكمية تشمل: استنباط البيانات نماذج السببية نماذج بوكس ​​جنكينز الأمثلة المذكورة أعلاه لتقنيات التنبؤ بالطلب ليست سوى قائمة قصيرة من الإمكانات المتاحة لبوب كما هو الممارسات الطلب التنبؤ. وسيركز هذا الدرس على أسلوبين كميين إضافيين سهل الاستخدام ويوفران توقعات دقيقة ودقيقة. متوسط ​​المتوسط ​​المتحرك A المتوسط ​​المتحرك هو أسلوب يحسب الاتجاه العام في مجموعة بيانات. في إدارة العمليات، ومجموعة البيانات هي حجم المبيعات من البيانات التاريخية للشركة. هذه التقنية مفيدة جدا للتنبؤ بالاتجاهات قصيرة الأجل. هو ببساطة متوسط ​​مجموعة مختارة من الفترات الزمنية. ويطلق عليه اسمه لأنه يتحسب لأنه رقم الطلب الجديد يحسب لفترة زمنية قادمة، فإن أقدم عدد في مجموعة ينهار، والحفاظ على الفترة الزمنية مقفل. دعونا ننظر إلى مثال على كيفية مدير المبيعات في شركة أبك توقع الطلب باستخدام صيغة المتوسط ​​المتحرك. وتظهر الصيغة على النحو التالي: المتوسط ​​المتحرك (n1 n2 n3.) n حيث n عدد الفترات الزمنية في مجموعة البيانات. وينقسم مجموع الفترة الزمنية الأولى وجميع الفترات الزمنية الإضافية المختارة على عدد الفترات الزمنية. بوب يقرر إنشاء توقعاته الطلب على أساس المتوسط ​​المتحرك لمدة 5 سنوات. وهذا يعني أنه سوف تستخدم بيانات حجم المبيعات من السنوات ال 5 الماضية والبيانات لحساب. التجانس الأسي التجانس الأسي هو تقنية تستخدم ثابت التجانس كمؤشر للتنبؤات المستقبلية. كلما كنت تستخدم عددا في التنبؤ وهذا هو متوسط، تم تمهيده. هذه التقنية تأخذ البيانات التاريخية من الفترات الزمنية السابقة، وتطبيق حساب لتلطيف الأسي للتنبؤ البيانات المستقبلية. في هذه الحالة، سوف بوب أيضا تطبيق تمهيد أسي للمقارنة مع حساب سابق للمتوسط ​​المتحرك للحصول على رأي ثان. الصيغة للتجانس الأسي هي كما يلي. F (t) توقعات عام 2016 F (t-1) توقعات ثابتة ألفا العام السابق تمهيد A (t-1) المبيعات الفعلية من العام السابق ثابت التمهيد هو الوزن الذي يتم تطبيقه على المعادلة على أساس مدى التركيز الشركة الأماكن على أحدث البيانات. ثابت التمهيد هو رقم بين 0 و 1. ثابت التمهيد 0.9 سيشير إلى أن الإدارة تضع الكثير من التركيز على الفترات الزمنية السابقة بيانات المبيعات السابقة. ومن شأن ثابت التمهيد البالغ 0.1 أن يشير إلى أن الإدارة لا تركز إلا قليلا على الفترة الزمنية السابقة. يتم ضرب اختيار ثابت تمهيد أو يغيب ويمكن تعديلها كما تتوفر المزيد من البيانات. سنستخدم الرسم البياني من الأعلى مع حجم المبيعات التاريخي لحساب توقعات التجانس الأسي لعام 2016. هناك عمود إضافي ليشمل حجم المبيعات المتوقع. هذا الحساب هو صيغة فعالة إلى حد ما ودقيقة تماما بالمقارنة مع غيرها من تقنيات التنبؤ الطلب. ملخص الدرس إن التنبؤ بالطلب هو جزء أساسي من خطط الشركة المتوقعة للفترات الزمنية المستقبلية. ويمكن استخدام تقنيات مختلفة، نوعية وكمية على حد سواء، وتوفير مجموعات مختلفة من البيانات للمديرين كما يتوقعون الطلب، وخاصة في حجم المبيعات. ويعتبر المتوسط ​​المتحرك وأساليب التمهيد الأسي أمثلة عادلة على الطرق المستخدمة للمساعدة في التنبؤ بالطلب. لفتح هذا الدرس يجب أن تكون عضوا في الدراسة. إنشاء حسابك كسب الائتمان كلية هل أنت نيلهليب لدينا أكثر من 79 دورات الكلية التي تعد لك لكسب الائتمان عن طريق الامتحان الذي قبله أكثر من 2000 الكليات والجامعات. يمكنك اختبار من العامين الأولين من الكلية وحفظ الآلاف من درجة الخاص بك. يمكن لأي شخص كسب الائتمان عن طريق الامتحان بغض النظر عن العمر أو مستوى التعليم. نقل الائتمان إلى المدرسة التي تختارها لست متأكدا ما الكلية التي ترغب في حضور بعد دراسة لديها الآلاف من المقالات حول كل درجة يمكن تخيلها، مجال الدراسة والمسار الوظيفي التي يمكن أن تساعدك على العثور على المدرسة التي تناسبك. البحث المدارس، الدرجات أمبير وظائف الحصول على معلومات غير منحازة تحتاج إلى العثور على المدرسة المناسبة. تصفح المقالات حسب الفئة في الممارسة العملية سوف يوفر المتوسط ​​المتحرك تقديرا جيدا لمتوسط ​​التسلسل الزمني إذا كان المتوسط ​​ثابت أو ببطء في التغير. وفي حالة المتوسط ​​الثابت، فإن أكبر قيمة m تعطي أفضل التقديرات للمتوسط ​​الأساسي. وستؤدي فترة المراقبة الأطول إلى الحد من آثار التباين. والغرض من توفير m أصغر هو السماح للتنبؤ بالاستجابة للتغيير في العملية الأساسية. ولتوضيح ذلك، نقترح مجموعة بيانات تتضمن التغييرات في الوسط الأساسي للمسلسلات الزمنية. ويبين الشكل السلاسل الزمنية المستخدمة للتوضيح مع متوسط ​​الطلب الذي نشأت منه السلسلة. يبدأ المتوسط ​​ك ثابت عند 10. يبدأ في الوقت 21، يزداد بوحدة واحدة في كل فترة حتى يصل إلى القيمة 20 في وقت 30. ثم يصبح ثابتة مرة أخرى. وتتم محاكاة البيانات بإضافة متوسط ​​الضوضاء العشوائية من التوزيع العادي مع متوسط ​​الصفر والانحراف المعياري 3. وتقريب نتائج المحاكاة إلى أقرب عدد صحيح. ويبين الجدول الملاحظات المحاكاة المستخدمة في المثال. عندما نستخدم الجدول، يجب أن نتذكر أنه في أي وقت من الأوقات، إلا أن البيانات السابقة معروفة. وتظهر تقديرات معلمة النموذج، بالنسبة إلى ثلاث قيم مختلفة من m، مع متوسط ​​السلاسل الزمنية في الشكل أدناه. ويبين الشكل متوسط ​​المتوسط ​​المتحرك للمتوسط ​​في كل مرة وليس التنبؤ. ومن شأن التنبؤات أن تحول منحنيات المتوسط ​​المتحرك إلى اليمين حسب الفترات. وهناك استنتاج واحد واضح على الفور من هذا الرقم. وبالنسبة للتقديرات الثلاثة جميعها، فإن المتوسط ​​المتحرك يتخلف عن الاتجاه الخطي، مع زيادة الفارق الزمني مع m. والفارق الزمني هو المسافة بين النموذج والتقدير في البعد الزمني. وبسبب الفارق الزمني، فإن المتوسط ​​المتحرك يقلل من الملاحظات لأن المتوسط ​​يتزايد. انحياز المقدر هو الفرق في وقت محدد في متوسط ​​قيمة النموذج والقيمة المتوسطة التي يتنبأ بها المتوسط ​​المتحرك. التحيز عندما يكون المتوسط ​​يزداد سلبيا. أما بالنسبة للمتوسط ​​المتناقص، فإن التحيز إيجابي. التأخر في الوقت والتحيز التي أدخلت في التقدير هي وظائف م. وكلما زادت قيمة m. وكلما كبر حجم التأخر والتحيز. لسلسلة متزايدة باستمرار مع الاتجاه أ. فإن قيم التأخر والتحيز لمقدر المتوسط ​​تعطى في المعادلات أدناه. لا تتطابق منحنيات المثال مع هذه المعادلات لأن نموذج المثال لا يزداد بشكل مستمر، بل يبدأ كتغيير ثابت للاتجاه ثم يصبح ثابتا مرة أخرى. كما تتأثر منحنيات المثال بالضوضاء. ويتمثل متوسط ​​المتوسط ​​المتحرك للتوقعات في المستقبل في تحويل المنحنيات إلى اليمين. ويزيد التأخر والتحيز تناسبيا. وتدل المعادلات أدناه على الفارق الزمني والتحيز لفترات التنبؤ في المستقبل عند مقارنتها بمعلمات النموذج. مرة أخرى، هذه الصيغ هي لسلسلة زمنية مع الاتجاه الخطي المستمر. ولا ينبغي لنا أن نفاجأ بهذه النتيجة. ويستند متوسط ​​التقدير المتحرك إلى افتراض متوسط ​​ثابت، والمثال له اتجاه خطي في المتوسط ​​خلال جزء من فترة الدراسة. وبما أن سلسلة الوقت الحقيقي نادرا ما تتوافق تماما مع افتراضات أي نموذج، يجب أن نكون مستعدين لمثل هذه النتائج. ويمكننا أيضا أن نخلص من الشكل إلى أن تباين الضوضاء له أكبر تأثير على m أصغر. ويكون التقدير أكثر تقلبا بكثير بالنسبة للمتوسط ​​المتحرك البالغ 5 من المتوسط ​​المتحرك البالغ 20. ولدينا رغبة متضاربة في زيادة m لتقليل تأثير التباين الناجم عن الضوضاء وتقليل m لجعل التنبؤ أكثر استجابة للتغيرات في الحقيقة. والخطأ هو الفرق بين البيانات الفعلية والقيمة المتوقعة. وإذا كانت السلسلة الزمنية حقا قيمة ثابتة، فإن القيمة المتوقعة للخطأ هي صفر، ويتألف تباين الخطأ من عبارة دالة وعبارة ثانية هي تباين الضوضاء. المصطلح الأول هو التباين في المتوسط ​​المقدر مع عينة من الملاحظات m، على افتراض أن البيانات تأتي من مجتمع ذو متوسط ​​ثابت. يتم تقليل هذا المصطلح من خلال جعل m كبيرة قدر الإمكان. A م كبير يجعل التوقعات لا تستجيب لتغيير في السلسلة الزمنية الأساسية. لجعل التنبؤات تستجيب للتغييرات، نريد m صغيرة قدر الإمكان (1)، ولكن هذا يزيد من التباين الخطأ. ويتطلب التنبؤ العملي قيمة وسيطة. التنبؤ مع إكسيل تقوم الوظيفة الإضافية للتنبؤ بتطبيق صيغ المتوسط ​​المتحرك. ويبين المثال الوارد أدناه التحليل الذي توفره الوظيفة الإضافية لعينة البيانات في العمود باء. ويتم فهرسة الملاحظات العشرة الأولى من 9 إلى 0. وبالمقارنة بالجدول أعلاه، يتم تغيير مؤشرات الفترة بمقدار -10. وتوفر الملاحظات العشرة الأولى قيم بدء التشغيل للتقدير وتستخدم لحساب المتوسط ​​المتحرك للفترة 0. ويبين العمود (10) (C) المتوسطات المتحركة المحسوبة. وتكون معلمة المتوسط ​​المتحرك m في الخلية C3. ويبين العمود (1) (D) توقعات لفترة واحدة في المستقبل. الفترة الزمنية المتوقعة في الخلية D3. عندما يتم تغيير الفاصل الزمني المتوقع إلى عدد أكبر يتم تحويل الأرقام في العمود فور إلى أسفل. ويبين العمود إر (1) (E) الفرق بين الملاحظة والتنبؤ. على سبيل المثال، الملاحظة في الوقت 1 هي 6. القيمة المتوقعة من المتوسط ​​المتحرك في الوقت 0 هي 11.1. الخطأ ثم -5.1. يتم حساب الانحراف المعياري ومتوسط ​​متوسط ​​الانحراف في الخلايين E6 و E7 على التوالي. 3 فهم مستويات وأساليب التنبؤ يمكنك إنشاء توقعات تفصيلية (بند واحد) والتنبؤات (خط الإنتاج) التي تعكس أنماط طلب المنتج. ويقوم النظام بتحليل المبيعات السابقة لحساب التوقعات باستخدام 12 طريقة للتنبؤ. وتشمل التوقعات معلومات تفصيلية على مستوى البند ومعلومات أعلى مستوى عن فرع أو الشركة ككل. 3.1 معايير تقييم أداء التوقعات اعتمادا على اختيار خيارات المعالجة وعلى الاتجاهات والأنماط في بيانات المبيعات، فإن بعض أساليب التنبؤ تؤدي أداء أفضل من غيرها بالنسبة لمجموعة بيانات تاريخية معينة. قد لا تكون طريقة التنبؤ المناسبة لمنتج واحد مناسبة لمنتج آخر. قد تجد أن طريقة التنبؤ التي توفر نتائج جيدة في مرحلة واحدة من دورة حياة المنتج لا تزال مناسبة طوال دورة الحياة بأكملها. يمكنك الاختيار بين طريقتين لتقييم الأداء الحالي لطرق التنبؤ: النسبة المئوية للدقة (بوا). متوسط ​​الانحراف المطلق (درهم). تتطلب كل من طرق تقييم الأداء هذه بيانات مبيعات سابقة لفترة تحددها. وتسمى هذه الفترة فترة الانتظار أو فترة من أفضل ملاءمة. وتستخدم البيانات في هذه الفترة كأساس للتوصية باستخدام طريقة التنبؤ في وضع توقعات التوقعات التالية. هذه التوصية خاصة بكل منتج ويمكن أن تتغير من جيل واحد إلى آخر. 3.1.1 أفضل ملاءمة يوصى النظام بأفضل توقعات مناسبة من خلال تطبيق أساليب التنبؤ المختارة على تاريخ طلب المبيعات السابق ومقارنة محاكاة التنبؤ بالتاريخ الفعلي. عندما تقوم بتوليد توقعات أفضل مناسبة، يقارن النظام تواريخ أوامر المبيعات الفعلية للتنبؤات لفترة زمنية محددة ويحسب مدى دقة كل طريقة تنبؤ مختلفة توقعت المبيعات. ثم يوصي النظام التنبؤ الأكثر دقة كما الأنسب. ويوضح هذا الرسم البياني أفضل التنبؤات: الشكل 3-1 أفضل التنبؤات المناسبة يستخدم النظام هذا التسلسل من الخطوات لتحديد أفضل ملاءمة: استخدم كل طريقة محددة لمحاكاة توقعات لفترة الاستبقاء. قارن المبيعات الفعلية بالتنبؤات المحاكية لفترة الاستبعاد. احسب بوا أو ماد لتحديد طريقة التنبؤ التي تتطابق بشكل وثيق مع المبيعات الفعلية السابقة. يستخدم النظام إما بوا أو درهم، استنادا إلى خيارات المعالجة التي تحددها. التوصية بتوقعات أفضل من قبل بوا التي هي الأقرب إلى 100 في المئة (أكثر أو أقل) أو درهم الذي هو الأقرب إلى الصفر. 3.2 طرق التنبؤ جد إدواردز إنتربريسون إدارة التنبؤات تستخدم 12 طريقة للتنبؤ الكمي وتشير إلى الطريقة التي توفر أفضل ملاءمة لحالة التنبؤ. يناقش هذا القسم: الطريقة 1: النسبة المئوية عن العام الماضي. الطريقة الثانية: النسبة المئوية المحسوبة خلال العام الماضي. الطريقة الثالثة: السنة الماضية لهذا العام. الطريقة الرابعة: المتوسط ​​المتحرك. الطريقة 5: التقريب الخطي. الطريقة 6: أقل المربعات الانحدار. الطريقة 7: الدرجة الثانية التقريب. الطريقة الثامنة: الطريقة المرنة. الطريقة التاسعة: المتوسط ​​المتحرك المرجح. طريقة 10: خطي تجانس. طريقة 11: الأسي تمهيد. طريقة 12: الأسي تمهيد مع الاتجاه والموسمية. حدد الطريقة التي تريد استخدامها في خيارات المعالجة لبرنامج توليد التوقعات (R34650). معظم هذه الطرق توفر رقابة محدودة. على سبيل المثال، يمكن تحديد الوزن الذي تم وضعه على البيانات التاريخية الحديثة أو النطاق الزمني للبيانات التاريخية المستخدمة في الحسابات من قبلك. وتشير الأمثلة الواردة في الدليل إلى طريقة الحساب لكل طريقة من طرق التنبؤ المتاحة، بالنظر إلى مجموعة متطابقة من البيانات التاريخية. تستخدم أمثلة الطريقة في الدليل جزءا أو كل مجموعات البيانات هذه، وهي بيانات تاريخية من العامين الماضيين. وتذهب التوقعات المتوقعة إلى العام المقبل. هذه البيانات تاريخ المبيعات مستقرة مع الزيادات الموسمية الصغيرة في شهري يوليو وديسمبر. هذا النمط هو سمة من المنتجات الناضجة التي قد تقترب من التقادم. 3.2.1 الطريقة 1: النسبة المئوية في السنة الماضية تستخدم هذه الطريقة صيغة النسبة المئوية خلال السنة الماضية لمضاعفة كل فترة توقع بنسبة الزيادة أو النقصان المحددة المئوية. للتنبؤ الطلب، وهذا الأسلوب يتطلب عدد من فترات لأفضل صالح بالإضافة إلى سنة واحدة من تاريخ المبيعات. هذه الطريقة مفيدة للتنبؤ بالطلب على الأصناف الموسمية مع النمو أو الانخفاض. 3.2.1.1 مثال: الطريقة الأولى: النسبة المئوية خلال السنة الماضية تضاعف صيغة النسبة المئوية من صيغة العام الماضي بيانات المبيعات عن العام السابق بعامل تحدده ثم المشاريع التي ينتج عنها العام التالي. قد تكون هذه الطريقة مفيدة في وضع الميزانيات لمحاكاة تأثير معدل نمو محدد أو عندما يكون تاريخ المبيعات مكونا موسميا هاما. مواصفات التنبؤ: عامل الضرب. على سبيل المثال، حدد 110 في خيار المعالجة لزيادة بيانات سجل مبيعات السنوات السابقة بنسبة 10٪. سجل المبيعات المطلوب: سنة واحدة لحساب التوقعات، بالإضافة إلى عدد الفترات الزمنية المطلوبة لتقييم أداء التنبؤ (فترات أفضل ملاءمة) التي تحددها. هذا الجدول هو التاريخ المستخدم في حساب التنبؤات: توقعات فبراير تساوي 117 مرة 1.1 128.7 مقربة إلى 129. توقعات مارس تساوي 115 مرة 1.1 126.5 مقربة إلى 127. 3.2.2 الطريقة 2: النسبة المئوية المحسوبة خلال السنة الماضية تستخدم هذه الطريقة النسبة المحسوبة صيغة العام الماضي لمقارنة المبيعات السابقة لفترات محددة للمبيعات من نفس الفترات من العام السابق. ويحدد النظام نسبة مئوية من الزيادة أو النقصان، ثم يضاعف كل فترة حسب النسبة المئوية لتحديد التوقعات. للتنبؤ الطلب، وهذا الأسلوب يتطلب عدد من فترات من تاريخ النظام المبيعات بالإضافة إلى سنة واحدة من تاريخ المبيعات. وهذه الطريقة مفيدة للتنبؤ بالطلب على المدى القصير على الأصناف الموسمية مع النمو أو الانخفاض. 3.2.2.1 مثال: الطريقة الثانية: النسبة المئوية المحسوبة خلال السنة الماضية النسبة المئوية المحسوبة خلال صيغة السنة الماضية تضاعف بيانات المبيعات عن السنة السابقة بعامل يتم حسابه من قبل النظام، ومن ثم يقوم بتشغيل تلك النتيجة للعام التالي. قد يكون هذا الأسلوب مفيدا في إسقاط تأثير توسيع معدل النمو الأخير للمنتج في العام المقبل مع الحفاظ على نمط موسمي موجود في تاريخ المبيعات. مواصفات التوقعات: مجموعة من تاريخ المبيعات لاستخدامها في حساب معدل النمو. على سبيل المثال، حدد n يساوي 4 في خيار المعالجة لمقارنة سجل المبيعات للفترات الأربع الأخيرة بتلك الفترات الأربع نفسها من العام السابق. استخدام نسبة المحسوبة لجعل الإسقاط للعام المقبل. تاريخ المبيعات المطلوب: سنة واحدة لحساب التوقعات بالإضافة إلى عدد الفترات الزمنية المطلوبة لتقييم أداء التنبؤات (فترات أفضل ملاءمة). هذا الجدول هو التاريخ المستخدم في حساب التوقعات، نظرا ن 4: توقعات فبراير يساوي 117 مرة 0.9766 114.26 مقربة إلى 114. توقعات مارس يساوي 115 مرة 0.9766 112.31 مقربة إلى 112. 3.2.3 الطريقة 3: السنة الماضية لهذا العام يستخدم هذا الأسلوب مبيعات العام الماضي للسنوات المقبلة المتوقع. للتنبؤ الطلب، وهذا الأسلوب يتطلب عدد من فترات أفضل تناسب بالإضافة إلى سنة واحدة من تاريخ النظام المبيعات. هذه الطريقة مفيدة للتنبؤ بالطلب على المنتجات الناضجة مع الطلب على مستوى أو الطلب الموسمي دون اتجاه. 3.2.3.1 مثال: الطريقة الثالثة: السنة الماضية إلى السنة الحالية تقوم صيغة السنة الماضية لهذا العام بنسخ بيانات المبيعات من السنة السابقة إلى السنة التالية. قد تكون هذه الطريقة مفيدة في إعداد الميزانية لمحاكاة المبيعات على المستوى الحالي. المنتج ناضج وليس له أي اتجاه على المدى الطويل، ولكن قد يكون هناك نمط الطلب الموسمي كبير. مواصفات التوقعات: لا شيء. تاريخ المبيعات المطلوب: سنة واحدة لحساب التوقعات بالإضافة إلى عدد الفترات الزمنية المطلوبة لتقييم أداء التنبؤات (فترات أفضل ملاءمة). هذا الجدول هو التاريخ المستخدم في حساب التوقعات: توقعات يناير تساوي يناير من العام الماضي مع قيمة توقعات 128. توقعات فبراير تساوي فبراير من العام الماضي مع قيمة التوقعات 117. توقعات مارس تساوي مارس من العام الماضي مع قيمة التنبؤ 115-4-2-4 الطريقة 4: المتوسط ​​المتحرك تستخدم هذه الطريقة صيغة المتوسط ​​المتحرك لمتوسط ​​العدد المحدد للفترات لعرض الفترة التالية. يجب عليك إعادة حسابها في كثير من الأحيان (شهريا أو على الأقل ربع سنوي) لتعكس تغيير مستوى الطلب. للتنبؤ الطلب، وهذا الأسلوب يتطلب عدد من فترات أفضل تناسب بالإضافة إلى عدد من فترات من تاريخ النظام المبيعات. هذه الطريقة مفيدة للتنبؤ الطلب على المنتجات الناضجة دون الاتجاه. 3.2.4.1 مثال: الطريقة 4: متوسط ​​متوسط ​​الحركة المتحرك (ما) هو طريقة شعبية لتحديد متوسط ​​تاريخ المبيعات الأخير لتحديد إسقاط على المدى القصير. طريقة التنبؤ ما تتخلف عن الاتجاهات. يحدث التحيز التنبؤي والأخطاء المنهجية عندما يظهر تاريخ مبيعات المنتجات اتجاها قويا أو أنماطا موسمية. هذا الأسلوب يعمل بشكل أفضل للتنبؤات قصيرة المدى من المنتجات الناضجة من المنتجات التي هي في مراحل النمو أو التقادم من دورة الحياة. مواصفات التنبؤ: n يساوي عدد الفترات من تاريخ المبيعات لاستخدامها في حساب التوقعات. على سبيل المثال، حدد n 4 في خيار المعالجة لاستخدام أحدث أربع فترات كأساس للتوقعات في الفترة الزمنية التالية. قيمة كبيرة ل n (مثل 12) يتطلب المزيد من المبيعات التاريخ. فإنه يؤدي إلى توقعات مستقرة، ولكن بطيئة في الاعتراف التحولات في مستوى المبيعات. على العكس من ذلك، فإن قيمة صغيرة ل n (مثل 3) هي أسرع للرد على التحولات في مستوى المبيعات، ولكن التوقعات قد تتقلب على نطاق واسع بحيث أن الإنتاج لا يمكن أن تستجيب لهذه الاختلافات. سجل المبيعات المطلوب: n بالإضافة إلى عدد الفترات الزمنية المطلوبة لتقييم أداء التوقعات (فترات تناسب أفضل). هذا الجدول هو التاريخ المستخدم في حساب التوقعات: توقعات فبراير تساوي (114 119 137 125) 4 123.75 مقربة إلى 124. توقعات مارس تساوي (119 137 125 124) 4 126.25 مقربة إلى 126. 3.2.5 الطريقة 5: تقريب خطي هذه الطريقة يستخدم صيغة التقريب الخطي لحساب اتجاه من عدد الفترات من تاريخ أمر المبيعات ولعرض هذا الاتجاه إلى التوقعات. يجب عليك إعادة حساب الاتجاه الشهري للكشف عن التغيرات في الاتجاهات. يتطلب هذا الأسلوب عدد الفترات من أفضل تناسب بالإضافة إلى عدد من فترات محددة من تاريخ أمر المبيعات. وهذه الطريقة مفيدة للتنبؤ بالطلب على منتجات جديدة أو منتجات ذات اتجاهات إيجابية أو سلبية متسقة لا ترجع إلى التقلبات الموسمية. 3.2.5.1 مثال: الطريقة 5: تقريب خطي يحسب التقريب الخطي اتجاه يستند إلى نقطتي بيانات تاريخ المبيعات. وتحدد هاتان النقطتان خط اتجاه مستقيمي متوقع في المستقبل. استخدم هذه الطريقة بحذر لأن التوقعات طويلة المدى تستفيد من التغييرات الصغيرة في نقطتي بيانات فقط. مواصفات التنبؤ: n يساوي نقطة البيانات في تاريخ المبيعات الذي يقارن إلى أحدث نقطة البيانات لتحديد الاتجاه. على سبيل المثال، حدد n 4 لاستخدام الفرق بين ديسمبر (أحدث البيانات) وأغسطس (أربع فترات قبل ديسمبر) كأساس لحساب الاتجاه. الحد الأدنى المطلوب لسجل المبيعات: n زائد 1 بالإضافة إلى عدد الفترات الزمنية المطلوبة لتقييم أداء التنبؤات (الفترات الأكثر ملائمة). هذا الجدول هو التاريخ المستخدم في حساب التوقعات: توقعات كانون الثاني / يناير من العام الماضي 1 (الاتجاه) التي تساوي 137 (1 مرة 2) 139. توقعات شباط / فبراير من العام الماضي 1 (الاتجاه) التي تساوي 137 (2 مرة 2) 141. توقعات آذار / مارس من العام الماضي 1 (الاتجاه) تساوي 137 (3 مرات 2) 143. 3.2.6 الطريقة 6: انحدار المربعات الصغرى تستمد طريقة انحدار المربعات الصغرى (لسر) معادلة تصف علاقة خط مستقيم بين بيانات المبيعات التاريخية و مرور الوقت. لسر يناسب خط إلى مجموعة مختارة من البيانات بحيث يتم تقليل مجموع مربعات الاختلافات بين نقاط بيانات المبيعات الفعلية وخط الانحدار. التوقعات هي توقعات هذا الخط المستقيم في المستقبل. تتطلب هذه الطريقة تاريخ بيانات المبيعات للفترة التي يمثلها عدد الفترات الأكثر ملاءمة بالإضافة إلى العدد المحدد لفترات البيانات التاريخية. الحد الأدنى المطلوب هو نقطتي بيانات تاريخيتين. هذه الطريقة مفيدة للتنبؤ بالطلب عند وجود اتجاه خطي في البيانات. 3.2.6.1 مثال: الطريقة 6: انحدار المربعات الصغرى الانحدار الخطي، أو انحدار المربعات الصغرى (لسر)، هي الطريقة الأكثر شعبية لتحديد اتجاه خطي في بيانات المبيعات التاريخية. وتحسب الطريقة القيمتين a و b المطلوب استخدامها في الصيغة: تصف هذه المعادلة خطا مستقيما، حيث تمثل Y المبيعات وتمثل X الوقت. الانحدار الخطي بطيء في التعرف على نقاط التحول والتحولات وظيفة خطوة في الطلب. الانحدار الخطي يناسب خط مستقيم على البيانات، حتى عندما تكون البيانات موسمية أو أفضل وصفها منحنى. عندما تتبع بيانات تاريخ المبيعات منحنى أو لديها نمط موسمي قوي، يحدث التحيز المتوقع والأخطاء المنهجية. مواصفات التوقعات: n تساوي فترات تاريخ المبيعات التي سيتم استخدامها في حساب قيم a و b. على سبيل المثال، حدد n 4 لاستخدام السجل من سبتمبر إلى ديسمبر كأساس للحسابات. وعندما تكون البيانات متاحة، عادة ما تستخدم أكبر n (مثل n 24). يحدد لسر خطا لعدد قليل من نقطتي بيانات. على سبيل المثال، تم اختيار قيمة صغيرة ل n (n 4) لتقليل الحسابات اليدوية المطلوبة للتحقق من النتائج. الحد الأدنى المطلوب من تاريخ المبيعات: عدد الفترات الزمنية بالإضافة إلى عدد الفترات الزمنية المطلوبة لتقييم أداء التوقعات (الفترات الأكثر ملائمة). هذا الجدول هو التاريخ المستخدم في حساب التنبؤات: توقعات مارس تساوي 119.5 (7 مرات 2.3) 135.6 مقربة إلى 136. 3.2.7 الطريقة 7: الدرجة الثانية التقريب لعرض التوقعات، يستخدم هذا الأسلوب صيغة تقريب الدرجة الثانية لرسم منحنى التي تقوم على عدد من فترات من تاريخ المبيعات. يتطلب هذا الأسلوب عدد من فترات أفضل تناسب بالإضافة إلى عدد من فترات من أجل ترتيب المبيعات مرات ثلاثة. هذه الطريقة ليست مفيدة للتنبؤ بالطلب على المدى الطويل. 3.2.7.1 مثال: الطريقة 7: الدرجة الثانية التقريب يحدد الانحدار الخطي القيم ل a و b في صيغة التنبؤ Y a b X بهدف تركيب خط مستقيم على بيانات تاريخ المبيعات. الدرجة الثانية تقريب، ولكن هذه الطريقة تحدد القيم ل a و b و c في صيغة التنبؤ هذه: Y a b x c X 2 الهدف من هذا الأسلوب هو ملاءمة منحنى لبيانات تاريخ المبيعات. هذه الطريقة مفيدة عندما يكون المنتج في مرحلة الانتقال بين مراحل دورة الحياة. على سبيل المثال، عندما يتحرك منتج جديد من مرحلة مقدمة إلى مراحل النمو، قد يتسارع اتجاه المبيعات. بسبب مصطلح الترتيب الثاني، يمكن التنبؤ بسرعة الاقتراب اللانهاية أو انخفاض إلى الصفر (اعتمادا على ما إذا كان معامل ج إيجابي أو سلبي). هذه الطريقة مفيدة فقط على المدى القصير. مواصفات التنبؤ: الصيغة تجد a، b، و c لتناسب منحنى إلى بالضبط ثلاث نقاط. يمكنك تحديد n، وعدد الفترات الزمنية للبيانات لتتراكم في كل من النقاط الثلاث. في هذا المثال، n 3. يتم دمج بيانات المبيعات الفعلية للفترة من أبريل إلى يونيو في النقطة الأولى، Q1. يوليو إلى سبتمبر تضاف معا لخلق Q2، وأكتوبر خلال ديسمبر المبلغ إلى Q3. تم تركيب المنحنى على القيم الثلاثة Q1 و Q2 و Q3. تاريخ المبيعات المطلوب: 3 مرات n فترات لحساب التوقعات بالإضافة إلى عدد الفترات الزمنية المطلوبة لتقييم أداء التنبؤ (فترات من أفضل تناسب). هذا الجدول هو التاريخ المستخدم في حساب التوقعات: Q0 (يناير) (فبراير) (مارس) Q1 (أبريل) (مايو) (يونيو) الذي يساوي 125 122 137 384 Q2 (يوليو) (أغسطس) (سبتمبر) الذي يساوي 140 129 131 400 Q3 (أكتوبر) (نوفمبر) (ديسمبر) الذي يساوي 114 119 137 370 تتضمن الخطوة التالية حساب المعاملات الثلاثة a و b و c لاستخدامها في صيغة التنبؤ Y أب x c X 2. يتم عرض Q1 و Q2 و Q3 على الرسم البياني، حيث يتم رسم الوقت على المحور الأفقي. Q1 يمثل إجمالي المبيعات التاريخية لشهر أبريل ومايو ويونيو ويتم رسمها في X 1 Q2 يتوافق مع يوليو حتى سبتمبر Q3 يتوافق من أكتوبر حتى ديسمبر و Q4 يمثل يناير حتى مارس. ويوضح هذا الرسم تخطيطات Q1 و Q2 و Q3 و Q4 للحصول على تقريب من الدرجة الثانية: الشكل 3-2 التآمر Q1 و Q2 و Q3 و Q4 للحصول على تقريب من الدرجة الثانية ثلاث معادلات تصف النقاط الثلاث على الرسم البياني: (1) Q1 بكس سك 2 حيث X 1 (Q1 أبك) (2) Q2 a بكس سك 2 حيث X 2 (Q2 a 2b 4c) (3) Q3 a بكس سك 2 حيث X 3 (Q3 a 3b 9c) حل المعادلات الثلاث في وقت واحد (1) من المعادلة 2 (2) وحل b: (2) نداش (1) Q2 نداش Q1 b 3c b (Q2 نداش Q1) ندش 3c استبدال هذه المعادلة ل (3) Q3 3 (Q2 نداش Q1) نداش 3C 9C Q3 نداش 3 (Q2 نداش Q1) وأخيرا، استبدل هذه المعادلات ب و b في المعادلة (1): (1) Q3 نداش (Q2 نداش Q1) (Q2 نداش Q1) نداش 3c ج Q1 ج (Q3 نداش Q2) (Q1 نداش Q2) 2 طريقة التقريب من الدرجة الثانية تحسب a و b و c على النحو التالي: Q3 نداش 3 (Q2 نداش Q1 ) 370 ندش 3 (400 ندش 384) 370 ندش 3 (16) 322 ب (Q2 نداش Q1) ndash3c (400 ندا ش 384) نداش (3 مرات ndash23) 16 69 85 ج (Q3 نداش Q2) (Q1 نداش Q2) 2 (370 نداش 400) (384 نداش 400) 2 ndash23 هذا هو حساب من الدرجة الثانية تقدير تقريبي: Y بكس سك 2 322 85X (ndash23) (X 2) عندما يكون X 4، Q4 322 340 ندش 368 294. تبلغ التوقعات 294 3 98 لكل فترة. عندما يكون X 5، Q5 322 425 نداش 575 172. وتقدر التوقعات 172 3 58.33 مقربة إلى 57 لكل فترة. عندما X 6، Q6 322 510 نداش 828 4. توقعات يساوي 4 3 1.33 تقريب إلى 1 في الفترة. هذا هو التوقعات للعام المقبل، السنة الماضية إلى هذا العام: 3.2.8 الطريقة 8: طريقة مرنة تمكنك هذه الطريقة لتحديد أفضل عدد مناسب من فترات من تاريخ النظام المبيعات التي تبدأ قبل أشهر من تاريخ بدء التنبؤ، وإلى تطبيق عامل زيادة أو نقصان في النسبة المئوية لتعديل التوقعات. هذه الطريقة مشابهة الأسلوب 1، النسبة المئوية خلال العام الماضي، إلا أنه يمكنك تحديد عدد الفترات التي تستخدمها كقاعدة. اعتمادا على ما تحدده n، تتطلب هذه الطريقة فترات تناسب أفضل بالإضافة إلى عدد فترات بيانات المبيعات المشار إليها. وهذه الطريقة مفيدة للتنبؤ بالطلب على الاتجاه المخطط. 3.2.8.1 مثال: الطريقة 8: الطريقة المرنة الأسلوب المرن (النسبة المئوية خلال الأشهر السابقة) يشبه الأسلوب 1، النسبة المئوية خلال العام الماضي. كلتا الطريقتين تضاعف بيانات المبيعات من فترة زمنية سابقة بعامل محدد من قبلك، ومن ثم عرض هذه النتيجة في المستقبل. في طريقة النسبة المئوية خلال العام الماضي، يستند الإسقاط إلى بيانات من نفس الفترة الزمنية في العام السابق. يمكنك أيضا استخدام طريقة مرنة لتحديد فترة زمنية، بخلاف نفس الفترة من العام الماضي، لاستخدامها كأساس للحسابات. عامل الضرب. على سبيل المثال، حدد 110 في خيار المعالجة لزيادة بيانات سجل المبيعات السابقة بنسبة 10٪. فترة الأساس. علی سبیل المثال، یسبب الرقم 4 التنبؤ الأول علی أساس بیانات المبیعات في شھر سبتمبر من العام الماضي. الحد الأدنى المطلوب من تاريخ المبيعات: عدد الفترات التي تعود إلى فترة الأساس بالإضافة إلى عدد الفترات الزمنية المطلوبة لتقييم أداء التوقعات (فترات أفضل ملاءمة). هذا الجدول هو التاريخ المستخدم في حساب التوقعات: 3.2.9 الطريقة 9: المتوسط ​​المتحرك المتوسط ​​يشبه متوسط ​​المتوسط ​​المتحرك المتوسط ​​الصيغة 4، صيغة المتوسط ​​المتحرك، لأنه متوسط ​​سجل مبيعات الأشهر السابقة لعرض تاريخ مبيعات الأشهر التالية. ومع ذلك، مع هذه الصيغة يمكنك تعيين الأوزان لكل من الفترات السابقة. تتطلب هذه الطريقة عدد الفترات المرجحة المختارة بالإضافة إلى عدد الفترات التي تناسب البيانات. على غرار المتوسط ​​المتحرك، هذه الطريقة متخلفة عن اتجاهات الطلب، لذلك لا يوصى باستخدام هذه الطريقة للمنتجات ذات الاتجاهات القوية أو الموسمية. هذا الأسلوب هو مفيد للتنبؤ الطلب على المنتجات الناضجة مع الطلب الذي هو مستوى نسبيا. 3.2.9.1 مثال: الطريقة 9: المتوسط ​​المتحرك المتوسط ​​يشبه أسلوب المتوسط ​​المتحرك المتوسط ​​(ويم) الطريقة 4، المتوسط ​​المتحرك (ما). ومع ذلك، يمكنك تعيين أوزان غير متكافئة للبيانات التاريخية عند استخدام وما. وتحسب الطريقة المتوسط ​​المرجح لتاريخ المبيعات الأخير للوصول إلى إسقاط على المدى القصير. عادة ما يتم تعيين بيانات أكثر حداثة وزنا أكبر من البيانات القديمة، لذلك وما هو أكثر استجابة للتحولات في مستوى المبيعات. ومع ذلك، يحدث التحيز التنبؤي والأخطاء المنهجية عندما يظهر تاريخ مبيعات المنتجات اتجاهات قوية أو أنماط موسمية. هذا الأسلوب يعمل بشكل أفضل للتنبؤات قصيرة المدى من المنتجات الناضجة من المنتجات في مراحل النمو أو التقادم من دورة الحياة. عدد الفترات من تاريخ المبيعات (ن) لاستخدامها في حساب التوقعات. على سبيل المثال، حدد n 4 في خيار المعالجة لاستخدام أحدث أربع فترات كأساس للتوقعات في الفترة الزمنية التالية. قيمة كبيرة ل n (مثل 12) يتطلب المزيد من المبيعات التاريخ. هذه القيمة تؤدي إلى توقعات مستقرة، ولكن بطيئة الاعتراف التحولات في مستوى المبيعات. وعلى العكس من ذلك، فإن قيمة صغيرة ل n (مثل 3) تستجيب بسرعة أكبر للتحولات في مستوى المبيعات، ولكن التوقعات قد تتقلب على نطاق واسع بحيث لا يمكن للإنتاج أن يستجيب للتغيرات. يجب ألا يتجاوز العدد الإجمالي للفترات لخيار المعالجة rdquo14 - الفترات المرسلة إلى إينلوديدردو 12 شهرا. The weight that is assigned to each of the historical data periods. The assigned weights must total 1.00. For example, when n 4, assign weights of 0.50, 0.25, 0.15, and 0.10 with the most recent data receiving the greatest weight. Minimum required sales history: n plus the number of time periods that are required for evaluating the forecast performance (periods of best fit). This table is history used in the forecast calculation: January forecast equals (131 times 0.10) (114 times 0.15) (119 times 0.25) (137 times 0.50) (0.10 0.15 0.25 0.50) 128.45 rounded to 128. February forecast equals (114 times 0.10) (119 times 0.15) (137 times 0.25) (128 times 0.50) 1 127.5 rounded to 128. March forecast equals (119 times 0.10) (137 times 0.15) (128 times 0.25) (128 times 0.50) 1 128.45 rounded to 128. 3.2.10 Method 10: Linear Smoothing This method calculates a weighted average of past sales data. In the calculation, this method uses the number of periods of sales order history (from 1 to 12) that is indicated in the processing option. The system uses a mathematical progression to weigh data in the range from the first (least weight) to the final (most weight). Then the system projects this information to each period in the forecast. This method requires the months best fit plus the sales order history for the number of periods that are specified in the processing option. 3.2.10.1 Example: Method 10: Linear Smoothing This method is similar to Method 9, WMA. ومع ذلك، بدلا من تعيين تعسفي للأوزان للبيانات التاريخية، يتم استخدام صيغة لتعيين الأوزان التي تنخفض خطيا ويجمع إلى 1.00. ثم تحسب الطريقة المتوسط ​​المرجح لتاريخ المبيعات الأخير للتوصل إلى إسقاط على المدى القصير. Like all linear moving average forecasting techniques, forecast bias and systematic errors occur when the product sales history exhibits strong trend or seasonal patterns. This method works better for short range forecasts of mature products than for products in the growth or obsolescence stages of the life cycle. n equals the number of periods of sales history to use in the forecast calculation. For example, specify n equals 4 in the processing option to use the most recent four periods as the basis for the projection into the next time period. The system automatically assigns the weights to the historical data that decline linearly and sum to 1.00. For example, when n equals 4, the system assigns weights of 0.4, 0.3, 0.2, and 0.1, with the most recent data receiving the greatest weight. Minimum required sales history: n 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: 3.2.11 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 alpha (Previous Actual Sales) (1 ndashalpha) (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 ndash alpha) 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 (alpha (1 ndash alpha) 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. alpha 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. ومع ذلك، تتضمن الطريقة 12 أيضا مصطلحا في معادلة التنبؤ لحساب اتجاه سلس. The forecast is composed of a smoothed average that is adjusted for a linear trend. عندما يتم تحديده في خيار المعالجة، يتم تعديل التوقعات أيضا للموسمية. 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 one 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 provides 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. ماد هو مقياس لخطأ التنبؤ. بوا هو مقياس للتحيز المتوقع. 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. ماد هو مقياس لمتوسط ​​حجم الأخطاء المتوقع، نظرا لطريقة التنبؤ وتاريخ البيانات. ولأن القيم المطلقة تستخدم في الحساب، فإن الأخطاء الإيجابية لا تلغي الأخطاء السلبية. When comparing several forecasting methods, the one with the smallest MAD is the most reliable for that product for that holdout period. When the forecast is unbiased and errors are normally distributed, a simple mathematical relationship exists between MAD and two other common measures of distribution, which are standard deviation and Mean Squared Error. For example: MAD (Sigma (Actual) ndash (Forecast)) n Standard Deviation, (sigma) cong 1.25 MAD Mean Squared Error cong ndashsigma2 This example indicates the calculation of MAD for two of the forecasting methods. This example assumes that you have specified in the processing option that the holdout period length (periods of best fit) is equal to five periods. 3.3.1.1 Method 1: Last Year to This Year This table is history used in the calculation of MAD, given Periods of Best Fit 5: Mean Absolute Deviation equals (2 1 20 10 14) 5 9.4. Based on these two choices, the Moving Average, n 4 method is recommended because it has the smaller MAD, 9.4, for the given holdout period. 3.3.2 Percent of Accuracy Percent of Accuracy (POA) is a measure of forecast bias. وعندما تكون التوقعات مرتفعة جدا، تتراكم المخزونات وتزداد تكاليف الحصر. When forecasts are consistently too low, inventories are consumed and customer service declines. A forecast that is 10 units too low, then 8 units too high, then 2 units too high is an unbiased forecast. The positive error of 10 is canceled by negative errors of 8 and 2. (Error) (Actual) ndash (Forecast) When a product can be stored in inventory, and when the forecast is unbiased, a small amount of safety stock can be used to buffer the errors. In this situation, eliminating forecast errors is not as important as generating unbiased forecasts. However, in service industries, the previous situation is viewed as three errors. The service is understaffed in the first period, and then overstaffed for the next two periods. وفي الخدمات، يكون حجم أخطاء التنبؤ عادة أكثر أهمية مما هو متوقع. POA (SigmaForecast sales during holdout period) (SigmaActual sales during holdout period) times 100 percent The summation over the holdout period enables positive errors to cancel negative errors. When the total of forecast sales exceeds the total of actual sales, the ratio is greater than 100 percent. Of course, the forecast cannot be more than 100 percent accurate. When a forecast is unbiased, the POA ratio is 100 percent. A 95 percent accuracy rate is more desirable than a 110 percent accurate rate. The POA criterion selects the forecasting method that has a POA ratio that is closest to 100 percent. This example indicates the calculation of POA for two forecasting methods. This example assumes that you have specified in the processing option that the holdout period length (periods of best fit) is equal to five periods. 3.3.2.1 Method 1: Last Year to This Year This table is history used in the calculation of MAD, given Periods of Best Fit 5: 3.4.2 Forecast Accuracy These statistical laws govern forecast accuracy: A long term forecast is less accurate than a short term forecast because the further into the future you project the forecast, the more variables can affect the forecast. A forecast for a product family tends to be more accurate than a forecast for individual members of the product family. Some errors cancel each other as the forecasts for individual items summarize into the group, thus creating a more accurate forecast. 3.4.3 Forecast Considerations You should not rely exclusively on past data to forecast future demands. These circumstances might affect the business, and require you to review and modify the forecast: New products that have no past data. Plans for future sales promotion. Changes in national and international politics. New laws and government regulations. Weather changes and natural disasters. الابتكارات من المنافسة. 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.