Vooruitskatting Geweeg Bewegende Gemiddelde Voorbeelde

'N voorspelling Berekening Voorbeelde A.1 Voorspelling Compute wyse Twaalf metodes van die berekening van voorspellings is beskikbaar. Die meeste van hierdie metodes te voorsien vir 'n beperkte gebruiker beheer. Byvoorbeeld, kan die gewig geplaas op onlangse historiese data of die datum bereik van historiese data gebruik in die berekeninge word vermeld. Die volgende voorbeelde wys die prosedure te kan uitvoer vir elk van die beskikbare voorspelling metodes, gegee 'n identiese stel historiese data. Die volgende voorbeelde gebruik dieselfde 2004 en 2005 verkope data na 'n voorspelling van die verkoop 2006 te produseer. Benewens die voorspelling berekening, elke voorbeeld sluit 'n gesimuleerde 2005 voorspelling vir 'n drie maande holdout tydperk (verwerking opsie 19 3) wat dan gebruik word vir persent van akkuraatheid en beteken absolute afwyking berekeninge (werklike verkope in vergelyking met gesimuleerde voorspelling). A.2 voorspellings oor die prestasie Evalueringskriteria Afhangende van jou keuse van verwerking opsies en op die tendense en patrone bestaande in die verkope data, sal 'n paar voorspellings metodes beter as ander vir 'n gegewe historiese datastel te voer. 'N vooruitskatting metode wat geskik is vir 'n produk mag nie geskik is vir 'n ander produk. Dit is ook onwaarskynlik dat 'n vooruitskatting metode wat goeie resultate lewer in 'n stadium van 'n produkte lewensiklus toepaslike bly deur die hele lewensiklus. Jy kan kies tussen twee metodes om die huidige prestasie van die voorspelling metodes te evalueer. Dit is gemiddelde absolute afwyking (MAD) en Persent van akkuraatheid (POA). Beide van hierdie prestasie-evaluering metodes vereis historiese verkope data vir 'n gebruiker spesifieke tydperk. Hierdie tydperk van die tyd genoem word 'n holdout tydperk of tydperke beste passing (PBF). Die data in hierdie tydperk word gebruik as die grondslag vir die aanbeveling van watter een van die voorspelling metodes om te gebruik in die maak van die volgende voorspelling projeksie. Hierdie aanbeveling is spesifiek vir elke produk, en kan verander van een voorspelling generasie na die volgende. Die twee voorspelling prestasie-evaluering metodes word gedemonstreer in die bladsye wat volg op die voorbeelde van die twaalf voorspelling metodes. A.3 Metode 1 - Gespesifiseerde Persent teenoor verlede jaar Hierdie metode vermeerder verkope data van die vorige jaar deur 'n gebruiker gespesifiseer faktor byvoorbeeld 1.10 vir 'n 10 toename, of 0,97 vir 'n 3 afname. Vereis verkope geskiedenis: Een jaar vir die berekening van die voorspelling plus die gebruiker gespesifiseerde aantal tydperke vir die evaluering van voorspellings oor die prestasie (verwerking opsie 19). A.4.1 Voorspelling Berekening Range van verkope geskiedenis om te gebruik in die berekening van groei faktor (verwerking opsie 2a) 3 in hierdie voorbeeld. Som die laaste drie maande van 2005: 114 119 137 370 Sum dieselfde drie maande van die vorige jaar: 123 139 133 395 Die berekende faktor 370/395 0,9367 Bereken die voorspellings: Januarie 2005 verkoop 128 0,9367 119,8036 of ongeveer 120 Februarie 2005 verkope 117 0.9367 109.5939 of sowat 110 Maart 2005 verkoop 115 0,9367 107,7205 of oor 108 A.4.2 Gesimuleerde Voorspelling Berekening Som die drie maande van 2005 voor holdout tydperk (Julie Augustus, September): 129 140 131 400 Sum dieselfde drie maande vir die vorige jaar: 141 128 118 387 die berekende faktor 400/387 1,033591731 bereken gesimuleerde vooruitsig: Oktober 2004 verkoop 123 1,033591731 127,13178 November 2004 verkope 139 1,033591731 143,66925 Desember 2004 verkoop 133 1,033591731 137,4677 A.4.3 Persent van akkuraatheid Berekening POA ( 127,13178 143,66925 137,4677) / (114 119 137) 100 408,26873 / 370 100 110,3429 A.4.4 Gemiddelde Absolute Afwyking Berekening MAD (127,13178-114 143,66925-119 137.4677- 137) / 3 (13,13178 24,66925 0,4677) / 3 12,75624 A.5 Metode 3 - Verlede jaar vanjaar Hierdie metode kopieë verkoop data van die vorige jaar tot die volgende jaar. Vereis verkope geskiedenis: Een jaar vir die berekening van die voorspelling plus die aantal tydperke vermeld vir die evaluering van voorspellings oor die prestasie (verwerking opsie 19). A.6.1 Voorspelling Berekening Aantal periodes in die gemiddelde (verwerking opsie 4a) 3 ingesluit moet word in hierdie voorbeeld vir elke maand van die voorspelling, die gemiddelde van die vorige drie maande data. Januarie vooruitsig: 114 119 137 370, 370/3 123,333 of 123 Februarie vooruitsig: 119 137 123 379, 379/3 126,333 of 126 Maart vooruitsig: 137 123 126 379, 386/3 128,667 of 129 A.6.2 Gesimuleerde Voorspelling Berekening Oktober 2005 verkope (129 140 131) / 3 133,3333 November 2005 verkope (140 131 114) / 3 128,3333 Desember 2005 verkoop (131 114 119) / 3 121,3333 A.6.3 Persent van akkuraatheid Berekening POA (133,3333 128,3333 121,3333) / (114 119 137) 100 103,513 A.6.4 Gemiddelde Absolute Afwyking Berekening MAD (133,3333-114 128,3333-119 121,3333-137) / 3 14,7777 A.7 Metode 5 - Lineêre die aanpassing Lineêre die aanpassing bereken 'n tendens wat gebaseer is op twee verkope geskiedenis datapunte. Dié twee punte definieer 'n reguit tendens lyn wat geprojekteer in die toekoms. Gebruik hierdie metode met omsigtigheid, as lang afstand voorspellings is aged deur klein veranderinge in net twee datapunte. Vereis verkope geskiedenis: Die aantal periodes in regressie (verwerking opsie 5a), plus 1 plus die aantal tydperke vir die evaluering van voorspellings oor die prestasie (verwerking opsie 19) in te sluit. A.8.1 Voorspelling Berekening Aantal periodes in regressie in te sluit (verwerking opsie 6a) 3 in hierdie voorbeeld vir elke maand van die voorspelling, voeg die toename of afname in die vermelde tydperke voor tydperk die vorige tydperk holdout. Gemiddelde van die vorige drie maande (114 119 137) / 3 123,3333 Opsomming van die vorige drie maande met gewig beskou (114 1) (119 2) (137 3) 763 verskil tussen die waardes 763-123,3333 (1 2 3) 23 verhouding (12 22 32) - 2 14 Maart - 2 Desember VALUE1 verskil / verhouding 23/2 11,5 VALUE2 Gemiddeld - waarde1 verhouding 123,3333-11,5 2 100,3333 Voorspelling (1 N) waarde1 waarde2 4 11.5 100,3333 146,333 of 146 Voorspelling 5 11.5 100,3333 157,8333 of 158 voorspel 6 11.5 100,3333 169,3333 of 169 A.8.2 Gesimuleerde Voorspelling Berekening Oktober 2004 verkope: Gemiddeld van die vorige drie maande (129 140 131) / 3 133,3333 Opsomming van die vorige drie maande met gewig beskou (129 1) (140 2) (131 3) 802 verskil tussen die waardes 802-133,3333 (1 2 3) 2 verhouding (12 22 32) - 2 14 Maart - 2 Desember VALUE1 verskil / verhouding 02/02 1 VALUE2 Gemiddeld - waarde1 verhouding 133,3333-1 2 131,3333 Voorspelling (1 N) waarde1 waarde2 4 1 131,3333 135,3333 November 2004 verkope gemiddeld van die vorige drie maande (140 131 114) / 3 128,3333 Opsomming van die vorige drie maande met gewig beskou (140 1) (131 2) (114 3) 744 verskil tussen die Waarden 744-128,3333 (1 2 3) -25,9999 VALUE1 verskil / verhouding -25,9999 / 2 -12,9999 VALUE2 Gemiddeld - waarde1 verhouding 128,3333 - (-12,9999) 2 154,3333 Voorspelling 4 -12,9999 154,3333 102,3333 Desember 2004 verkoop gemiddeld van die vorige drie maande ( 131 114 119) / 3 121,3333 Opsomming van die vorige drie maande met gewig beskou (131 1) (114 2) (119 3) 716 verskil tussen die waardes 716-121,3333 (1 2 3) -11,9999 VALUE1 verskil / verhouding -11,9999 / 2 -5,9999 VALUE2 Gemiddeld - waarde1 verhouding 121,3333 - (-5,9999) 2 133,3333 Voorspelling 4 (-5,9999) 133,3333 109,3333 A.8.3 Persent van akkuraatheid Berekening POA (135,33 102,33 109,33) / (114 119 137) 100 93,78 A.8.4 Gemiddelde Absolute afwyking Berekening MAD (135,33-114 102,33-119 109,33-137) / 3 21,88 A.9 Metode 7 - tweede graad aanpassing lineêre regressie bepaal waardes vir a en b in die vooruitsig formule Y 'n bX met die doel van pas 'n reguit lyn te die verkope geskiedenis data. Tweede graad benadering is soortgelyk. Maar hierdie metode bepaal waardes vir a, b, en c in die vooruitsig formule Y 'n bX cX2 met die doel van pas 'n kurwe na die verkope geskiedenis data. Hierdie metode dalk mag wees bruikbare wanneer 'n produk is in die oorgang tussen stadiums van 'n lewensiklus. Byvoorbeeld, wanneer 'n nuwe produk beweeg van inleiding tot groeistadiums, kan die verkope tendens versnel. As gevolg van die tweede orde termyn, kan die voorspelling vinnig nader oneindigheid of daal tot nul (afhangende van of koëffisiënt c positief of negatief). Daarom is hierdie metode is net nuttig in die kort termyn. Voorspelling spesifikasies: Die formules vind a, b, en c aan 'n kromme presies drie punte aan te pas. Jy spesifiseer N in die verwerking opsie 7a, die aantal tydperke van data te versamel in elk van die drie punte. In hierdie voorbeeld N 3. Daarom werklike verkope data vir April tot Junie is gekombineer in die eerste punt, Q1. Julie tot September word bymekaar getel om die 2de kwartaal skep, en Oktober tot Desember som tot Q3. Die kurwe sal toegerus wees om die drie waardes Q1, Q2, en Q3. Vereis verkope geskiedenis: 3 N periodes vir die berekening van die voorspelling plus die aantal tydperke wat nodig is vir die evaluering van die voorspelling prestasie (PBF). Aantal periodes om (verwerking opsie 7a) 3 in hierdie voorbeeld gebruik van die vorige (3 N) maande in drie maande blokke sluit in: Q1 (April-Junie) 125 122 137 384 Q2 (Julie-September) 129 140 131 400 Q3 ( Oktober-Desember) 114 119 137 370 die volgende stap behels die berekening van die drie koëffisiënte a, b, en C om gebruik te word in die voorspelling formule Y 'n bX cX2 (1) Q1 n bX cX2 (waar X 1) ABC (2) Q2 'n bX cX2 (waar X 2) 'n 2b 4C (3) Q3 n bX cX2 (waar X 3) 'n 3b 9c Los die drie vergelykings gelyktydig te b, a, en c te vind: Trek vergelyking (1) van vergelyking (2) en op te los vir b (2) - (1) Q2 - Q1 b 3c plaasvervanger hierdie vergelyking vir b in vergelyking (3) (3) Q3 n 3 (Q2 - Q1) - 3c c slotte, vervang hierdie vergelykings vir a en b in vergelyking (1) Q3 - 3 (Q2 - Q1) (Q2 - Q1) - 3c c Q1 c (Q3 - Q2) (Q1 - Q2) / 2 Die tweede graad aanpassing metode bereken a, b, en c soos volg: 'n Q3 - 3 (Q2 - Q1) 370 - 3 (400-384) 322 c (Q3 - Q2) (Q1 - Q2) / 2 (370-400) (384-400) / 2 -23 b (Q2 - Q1) - 3c (400-384) - (3 -23) 85 Y 'n bX cX2 322 85 X (-23) X2 Januarie deur middel van Maart voorspel (X4): (322 340-368) / 3 294/3 98 per periode April deur middel Junie voorspelling (X5): (322 425-575) / 3 57,333 of 57 per periode Julie deur middel van September voorspelling (X6): (322 510-828) / 3 1.33 of 1 per periode Oktober deur middel van Desember (X7) (322 595-1127 / 3 -70 A.9.2 Gesimuleerde Voorspelling Berekening Oktober, November en Desember 2004 verkope: Q1 (Januarie-Maart) 360 Q2 (April-Junie) 384 Q3 (Julie-September) 400 'n 400-3 (384-360) 328 c (400-384) (360-384) / 2 -4 b (384-360) - 3 (-4) 36 328 36 4 (-4) 16/3 136 A.9.3 Persent van akkuraatheid Berekening POA (136 136 136) / (114 119 137) 100 110,27 A.9.4 Gemiddelde Absolute Afwyking Berekening MAD (136 - 114 136 - 119 136 - 137) / 3 13,33 A.10 Metode 8 - Veelsydige Metode Die buigbare metode (persent oor N maande voor) is soortgelyk aan Metode 1, persent oor verlede jaar. Beide metodes vermeerder verkope data uit 'n vorige tydperk deur 'n gebruiker gespesifiseer faktor, dan projek wat lei na die toekoms. In die persent meer as verlede jaar metode, is die projeksie gebaseer op data van die dieselfde tydperk in die vorige jaar. Die buigbare metode voeg die vermoë om 'n tydperk anders as die ooreenstemmende tydperk verlede jaar om te gebruik as die basis vir die berekening spesifiseer. Vermenigvuldigingsfaktor. Byvoorbeeld, spesifiseer 1.15 in die verwerking opsie 8b die vorige verkope geskiedenis data te verhoog deur 15. Base tydperk. Byvoorbeeld, sal N 3 veroorsaak dat die eerste skatting word wat gebaseer is op verkope data in Oktober 2005. Minimum verkope geskiedenis: Die gebruiker gespesifiseerde aantal periodes terug na die basis tydperk, plus die aantal tydperke wat nodig is vir die evaluering van die voorspelling prestasie ( PBF). A.10.4 Mean Absolute Afwyking Berekening MAD (148-114 161-119 151-137) / 3 30 A.11 Metode 9 - Geweegde bewegende gemiddelde geweegde bewegende gemiddelde (WBA) metode is soortgelyk aan Metode 4, bewegende gemiddelde (MA) . Maar met die Geweegde bewegende gemiddelde jy kan ongelyke gewigte toewys aan die historiese data. Die metode bereken 'n geweegde gemiddelde van die afgelope verkope geskiedenis te kom by 'n projeksie vir die kort termyn. Meer onlangse data word gewoonlik toegeken 'n groter gewig as ouer data, so dit maak WBG meer reageer op veranderinge in die vlak van verkope. Maar voorspel vooroordeel en sistematiese foute nog steeds plaasvind wanneer die produk verkoop geskiedenis uitbeeld sterk tendens of seisoenale patrone. Hierdie metode werk beter vir 'n kort reeks voorspellings van volwasse produkte eerder as vir produkte in die groei of veroudering stadiums van die lewensiklus. N die aantal periodes van verkope geskiedenis om te gebruik in die vooruitsig berekening. Byvoorbeeld, spesifiseer N 3 in die verwerking opsie 9a tot die mees onlangse drie tydperke gebruik as die grondslag vir die projeksie in die volgende tydperk. 'N Groot waarde vir N (soos 12) vereis meer verkope geskiedenis. Dit lei tot 'n stabiele vooruitsig, maar sal stadig om skofte te erken in die vlak van verkope wees. Aan die ander kant, sal 'n klein waarde vir N (soos 3) vinniger om skofte in die vlak van verkope te reageer, maar die voorspelling kan so wyd dat produksie kan nie reageer op die verskille wissel. Die gewig wat aan elk van die historiese data tydperke. Die opgedra gewigte moet totaal tot 1.00. Byvoorbeeld, wanneer n 3, toewys gewigte van 0.6, 0.3, en 0.1, met die mees onlangse data ontvangs van die grootste gewig. Minimum vereiste verkope geskiedenis: N plus die aantal tydperke wat nodig is vir die evaluering van die voorspelling prestasie (PBF). MAD (133,5-114 121,7-119 118,7-137) / 3 13.5 A.12 Metode 10 - Lineêre Smoothing Hierdie metode is soortgelyk aan Metode 9, Geweegde bewegende gemiddelde (WBA). Maar in plaas van na willekeur toeken gewigte aan die historiese data, 'n formule word gebruik om gewig wat lineêr afneem toewys en som tot 1.00. Die metode bereken dan 'n geweegde gemiddelde van die afgelope verkope geskiedenis te kom by 'n projeksie vir die kort termyn. As geld vir alle lineêre bewegende gemiddelde vooruitskatting tegnieke, voorspelling vooroordeel en sistematiese foute kom voor wanneer die produk verkoop geskiedenis uitbeeld sterk tendens of seisoenale patrone. Hierdie metode werk beter vir 'n kort reeks voorspellings van volwasse produkte eerder as vir produkte in die groei of veroudering stadiums van die lewensiklus. N die aantal periodes van verkope geskiedenis om te gebruik in die vooruitsig berekening. Dit is vermeld in die verwerking opsie 10a. Byvoorbeeld, spesifiseer N 3 in die verwerking opsie 10b tot die mees onlangse drie tydperke gebruik as die grondslag vir die projeksie in die volgende tydperk. Die stelsel sal outomaties die gewigte na die historiese data wat lineêr afneem en som toewys aan 1.00. Byvoorbeeld, wanneer n 3, die stelsel sal gewigte van 0,5, 0,3333, en 0.1 wys, met die mees onlangse data ontvangs van die grootste gewig. Minimum vereiste verkope geskiedenis: N plus die aantal tydperke wat nodig is vir die evaluering van die voorspelling prestasie (PBF). A.12.1 Voorspelling Berekening Aantal periodes in glad gemiddelde (verwerking opsie 10a) in te sluit 3 in hierdie voorbeeld verhouding vir een periode voor 3 / (N2 N) / 2 3 / (32 3) / 2 3/6 0,5 verhouding vir twee tydperke voor 2 / (N2 N) / 2 2 / (32 3) / 2 2/6 0,3333 .. verhouding vir drie periodes voor 1 / (N2 N) / 2 1 / (32 3) / 2 1/6 0,1666. . Januarie vooruitsig: 137 0.5 119 1/3 114 1/6 127,16 of 127 Februarie vooruitsig: 127 0.5 137 1/3 119 1/6 129 Maart vooruitsig: 129 0.5 127 1/3 137 1/6 129,666 of 130 A.12.2 gesimuleerde Voorspelling Berekening Oktober 2004 verkoop 129 1/6 140 2/6 131 3/6 133,6666 November 2004 verkope 140 1/6 131 2/6 114 3/6 124 Desember 2004 verkoop 131 1/6 114 2/6 119 3/6 119,3333 A.12.3 Persent van akkuraatheid Berekening POA (133,6666 124 119,3333) / (114 119 137) 100 101,891 A.12.4 Gemiddelde Absolute Afwyking Berekening MAD (133,6666-114 124 - 119 119,3333-137) / 3 14,1111 A.13 Metode 11 - eksponensiële Gladstryking Hierdie metode is soortgelyk aan metode 10, Lineêre Smoothing. In Lineêre Smoothing ken die stelsel gewigte aan die historiese data wat lineêr afneem. In eksponensiële gladstryking, die stelsel wys gewigte wat eksponensieel verval. Die eksponensiële gladstryking vooruitskatting vergelyking is: voorspel 'n (Vorige werklike verkope) (1 - a) vorige skatting Die voorspelling is 'n geweegde gemiddeld van die werklike verkope van die vorige tydperk en die voorspelling van die vorige tydperk. n is die gewig van toepassing op die werklike verkope vir die vorige tydperk. (1 - a) is die toepassing op die voorspelling vir die vorige tydperk gewig. Geldige waardes vir 'n verskeidenheid 0-1, en val gewoonlik tussen 0.1 en 0.4. Die som van die gewigte is 1.00. 'n (1 - a) 1 Jy moet 'n waarde toeken vir die glad konstante, 'n. As jy nie waardes vir die glad konstante hoef te ken, die stelsel bereken 'n veronderstelde waarde wat gebaseer is op die aantal periodes van verkope geskiedenis wat in die verwerking opsie 11a. n die smoothing konstante gebruik in die berekening van die reëlmatige gemiddelde vir die algemene vlak of omvang van verkope. Geldige waardes vir 'n verskeidenheid van 0 tot 1. N die reeks van verkope geskiedenis data in die berekeninge te sluit. Oor die algemeen 'n jaar van verkope geskiedenis data is voldoende om die algemene vlak van verkope te skat. Vir hierdie voorbeeld, 'n klein waarde vir N (N 3) is gekies om die handleiding berekeninge wat nodig is om die resultate te verifieer verminder. Eksponensiële gladstryking kan 'n voorspelling gebaseer op so min as een historiese data punt te genereer. Minimum vereiste verkope geskiedenis: N plus die aantal tydperke wat nodig is vir die evaluering van die voorspelling prestasie (PBF). A.13.1 Voorspelling Berekening Aantal periodes in glad gemiddelde (verwerking opsie 11a) 3 sluit, en alfa faktor (verwerking opsie 11b) leeg in hierdie voorbeeld 'n faktor vir die oudste verkope data 2 / (11), of 1 toe Alpha is gespesifiseerde n faktor vir die 2de verkope data oudste 2 / (12), of alfa wanneer alfa 'n faktor is wat vir die 3de oudste verkope data 2 / (13), of alfa wanneer alfa 'n faktor is wat vir die mees onlangse verkope data 2 / (1n), of alfa wanneer alfa gespesifiseer November Sm. Gem. 'n (Oktober Werklike) (1 - a) Oktober Sm. Gem. 1 114 0 0 114 Desember Sm. Gem. 'n (November Werklike) (1 - a) November Sm. Gem. 03/02 119 1/3 114 117,3333 Januarie voorspel '(Desember Werklike) (1 - a) Desember Sm. Gem. 2/4 137 2/4 117,3333 127,16665 of 127 Februarie Voorspelling Januarie Voorspelling 127 Maart Voorspelling Januarie Voorspelling 127 A.13.2 Gesimuleerde Voorspelling Berekening Julie 2004 Sm. Gem. 02/02 129 129 Augustus Sm. Gem. 03/02 140 1/3 129 136,3333 September Sm. Gem. 2/4 131 2/4 136,3333 133,6666 Oktober 2004 verkope September Sm. Gem. 133.6666 Augustus 2004 Sm. Gem. 02/02 140 140 September Sm. Gem. 03/02 131 1/3 140 134 Oktober Sm. Gem. 2/4 114 2/4 134 124 November 2004 verkope September Sm. Gem. 124 September 2004 Sm. Gem. 02/02 131 131 Oktober Sm. Gem. 03/02 114 1/3 131 119,6666 November Sm. Gem. 2/4 119 2/4 119,6666 119,3333 Desember 2004 verkope September Sm. Gem. 119,3333 A.13.3 Persent van akkuraatheid Berekening POA (133,6666 124 119,3333) / (114 119 137) 100 101,891 A.13.4 Gemiddelde Absolute Afwyking Berekening MAD (133,6666-114 124 - 119 119,3333-137) / 3 14,1111 A.14 Metode 12 - eksponensiële Smoothing met Trend en Seisoenaliteit Hierdie metode is soortgelyk aan metode 11, eksponensiële Gladstryking in daardie 'n reëlmatige gemiddelde bereken word. Maar Metode 12 sluit ook 'n term in die vooruitskatting vergelyking met 'n reëlmatige tendens te bereken. Die voorspelling is saamgestel uit 'n reëlmatige het gemiddeld aangepas vir 'n lineêre tendens. Wanneer vermeld in die opsie verwerking, is die voorspelling ook aangepas vir die seisoen. n die smoothing konstante gebruik in die berekening van die reëlmatige gemiddelde vir die algemene vlak of omvang van verkope. Geldige waardes vir Alpha wissel van 0 tot 1. b die smoothing konstante gebruik in die berekening van die reëlmatige gemiddelde vir die tendens komponent van die skatting. Geldige waardes vir beta wissel van 0 tot 1. Of 'n seisoenale indeks is van toepassing op die voorspelling A en B is onafhanklik van mekaar. Hulle hoef nie te voeg tot 1.0. Minimum vereiste verkope geskiedenis: twee jaar plus die aantal tydperke wat nodig is vir die evaluering van die voorspelling prestasie (PBF). Metode 12 gebruik twee eksponensiële gladstryking vergelykings en 'n eenvoudige gemiddelde tot 'n reëlmatige gemiddelde, 'n reëlmatige tendens, en 'n eenvoudige gemiddelde seisoenale faktor te bereken. A.14.1 Voorspelling Berekening A) 'n eksponensieel stryk gemiddelde MAD (122,81-114 133,14-119 135,33-137) / 3 8.2 A.15 Evaluering van die voorspellings Jy kan vooruitskatting metodes kies om soveel as twaalf voorspellings vir elke produk te genereer. Elke vooruitskatting metode sal waarskynlik 'n effens ander projeksie te skep. Wanneer duisende produkte word voorspel, is dit onprakties om 'n subjektiewe besluit oor watter een van die voorspellings te gebruik in jou planne vir elk van die produkte te maak. Die stelsel evalueer outomaties prestasie vir elk van die voorspelling metodes wat jy kies, en vir elk van die voorspel produkte. Jy kan kies tussen twee prestasiekriteria, Gemiddelde Absolute Afwyking (MAD) en Persent van akkuraatheid (POA). MAD is 'n maatstaf van voorspelling fout. POA is 'n maatstaf van voorspelling vooroordeel. Beide van hierdie prestasie-evaluering tegnieke vereis werklike verkope geskiedenis data vir 'n gebruiker spesifieke tydperk. Hierdie tydperk van die onlangse geskiedenis is bekend as 'n holdout tydperk of tydperke beste passing (PBF). Om die prestasie van 'n vooruitskatting metode meet, gebruik die voorspelling formules om 'n voorspelling vir die historiese holdout tydperk na te boots. Daar sal gewoonlik wees verskille tussen werklike verkope data en die gesimuleerde voorspelling vir die holdout tydperk. Wanneer verskeie voorspelling metodes gekies word, dieselfde proses vind vir elke metode. Veelvuldige voorspellings word bereken vir die holdout tydperk, en in vergelyking met die bekende verkope geskiedenis vir dieselfde tydperk. Die vooruitskatting metode vervaardiging van die beste wedstryd (beste passing) tussen die voorspelling en die werklike verkope gedurende die holdout tydperk word aanbeveel vir gebruik in jou planne. Hierdie aanbeveling is spesifiek vir elke produk, en kan verander van een voorspelling generasie na die volgende. A.16 Mean Absolute Afwyking (MAD) MAD is die gemiddelde (of gemiddelde) van die absolute waardes (of omvang) van die afwykings (of foute) tussen werklike en voorspelde data. MAD is 'n maatstaf van die gemiddelde grootte van foute te verwag, gegewe 'n vooruitskatting metode en data geskiedenis. Omdat absolute waardes word gebruik in die berekening, moenie positiewe foute nie kanselleer negatiewe foute. Wanneer vergelyk verskeie voorspelling metodes, het die een met die kleinste MAD getoon die mees betroubare vir daardie produk vir daardie holdout tydperk te wees. Wanneer die voorspelling is onbevooroordeelde en foute is normaal verdeel, daar is 'n eenvoudige wiskundige verhouding tussen MAD en twee ander algemene maatstawwe van verspreiding, gemiddeldes en standaardafwykings Squared Fout: A.16.1 Persent van akkuraatheid (POA) persent van akkuraatheid (POA) is 'n mate van voorspelling vooroordeel. Wanneer voorspellings is konsekwent te hoog, voorraad ophoop en voorraad koste styg. Wanneer voorspellings is konsekwent twee lae, is voorrade verteer en kliëntediens weier. 'N voorspelling wat 10 eenhede te laag is, dan 8 eenhede te hoog is, dan 2 eenhede te hoog is, sal 'n onbevooroordeelde voorspelling wees. Die positiewe dwaling van 10 is gekanselleer deur negatiewe foute van 8 en 2. Fout Werklike - Voorspelling Wanneer 'n produk kan gestoor word in voorraad, en wanneer die voorspelling is onbevooroordeelde, kan 'n klein hoeveelheid van veiligheid voorraad gebruik word om die foute te buffer. In hierdie situasie, is dit nie so belangrik om voorspelling foute uit te skakel as dit is om onbevooroordeelde voorspellings te genereer. Maar in diens nywerhede, sal die bogenoemde situasie word beskou as drie foute. Die diens sal word te min personeel in die eerste tydperk, dan veel personeel vir die volgende twee tydperke. In dienste, die grootte van voorspelling foute is gewoonlik meer belangrik as wat voorspel vooroordeel. Die opsomming oor die holdout tydperk kan positiewe foute negatiewe foute te kanselleer. Wanneer die totaal van werklike verkope die totaal van vooruitskatting verkope oorskry, die verhouding is groter as 100. Natuurlik, dit is onmoontlik meer as 100 akkuraat te wees. Wanneer 'n voorspelling is onbevooroordeelde, sal die POA verhouding Wees daarom 100. Dit is meer wenslik wees 95 akkuraat as om 110 akkurate. Die POA kriteria kies die vooruitskatting metode wat 'n POA verhouding naaste moet 100. Scripting op hierdie bladsy verhoog inhoud navigasie, maar nie die inhoud in enige way. FORECASTING vooruitskatting verander behels die opwekking van 'n aantal, stel nommers, of scenario wat stem ooreen met 'n toekomstige gebeurtenis. Dit is absoluut noodsaaklik om kort-reeks en 'n lang reeks beplanning. Per definisie, is 'n voorspelling gebaseer op vorige data, in teenstelling met 'n voorspelling, wat is meer subjektiewe en gebaseer op instink, gut feel, of raaiskoot. Byvoorbeeld, die aand nuus gee die weer x0022forecastx0022 nie die weer x0022prediction. x0022 Ongeag, die terme voorspel en voorspelling word dikwels gebruik inter-changeably. Byvoorbeeld, definisies van regressionx2014a tegniek soms gebruik in forecastingx2014generally staat wat die doel daarvan is om te verduidelik of x0022predict. x0022 vooruitskatting is gebaseer op 'n aantal aannames: Die afgelope herhaal sal word. Met ander woorde, wat in die verlede gebeur het, sal weer gebeur in die toekoms. As die voorspelling horison verkort, voorspel akkuraatheid verhoog. Byvoorbeeld, sal 'n voorspelling vir môre meer akkuraat as 'n voorspelling vir die volgende maand 'n voorspelling vir die volgende maand sal meer akkuraat as 'n voorspelling vir die volgende jaar en 'n voorspelling vir die volgende jaar sal meer akkuraat as 'n voorspelling vir tien jaar in die wees nie toekoms. Vooruitskatting in die geheel is meer akkuraat as die voorspelling van individuele items. Dit beteken dat 'n maatskappy in staat is om meer akkuraat as wat dit in staat om individuele-effekte hou eenhede (SKU) voorspel sal wees voorspel totale vraag oor sy hele spektrum van produkte sal wees. Byvoorbeeld, kan General Motors meer akkuraat te voorspel die totale aantal motors wat nodig is vir volgende jaar as die totale aantal wit Chevrolet Impalas met 'n sekere opsie pakket. Voorspellings is selde akkuraat. Verder voorspellings is byna nooit heeltemal akkuraat. Terwyl sommige is baie geheg, is min x0022right op die money. x0022 Daarom is dit verstandig om 'n voorspelling x0022range. x0022 bied As een was 'n vraag van 100,000 eenhede vir die volgende maand voorspel, is dit uiters onwaarskynlik dat die vraag sou gelyk 100,000 presies. Tog sou 'n voorspelling van 90.000 tot 110.000 'n veel groter teiken vir beplanning. William J. Stevenson noem 'n aantal eienskappe wat gemeenskaplik aan 'n goeie vooruitsig: Accuratex2014some mate van akkuraatheid te bepaal en gestel sodat vergelyking gemaak kan word om alternatiewe voorspellings. Reliablex2014the voorspelling metode moet konsekwent 'n goeie vooruitsig as die gebruiker is om 'n mate van vertroue te vestig. Timelyx2014a sekere bedrag van die tyd wat nodig is om te reageer op die voorspelling sodat die voorspelling horison moet voorsiening maak vir die tyd wat nodig is om veranderinge aan te bring. Maklik om te gebruik en understandx2014users van die voorspelling moet selfversekerd en gemaklik te werk met dit. Koste-effectivex2014the koste van die maak van die voorspelling moet nie die voordele verkry uit die voorspelling swaarder. Vooruitskattingstegnieke wissel van die eenvoudige tot die uiters kompleks. Hierdie tegnieke word gewoonlik geklassifiseer as kwalitatiewe of kwantitatiewe. Kwalitatiewe tegnieke te Kwalitatiewe voorspelling tegnieke is oor die algemeen meer subjektiewe as hul kwantitatiewe eweknieë. Kwalitatiewe tegnieke is meer nuttig in die vroeë stadiums van die produklewensiklus toe minder afgelope data bestaan ​​vir gebruik in kwantitatiewe metodes. Kwalitatiewe metodes sluit in die Delphi-tegniek, Nominale groeptegniek (NGT), sales force menings, uitvoerende menings, en marknavorsing. Die Delphi-tegniek. Die Delphi-tegniek maak gebruik van 'n paneel van kundiges om 'n voorspelling te produseer. Elke kenner is gevra om 'n voorspelling wat spesifiek op die behoefte aan die hand gee. Na die aanvanklike voorspellings gemaak word, elke kenner lees wat elke ander kundige geskryf en is, natuurlik, beïnvloed deur hul standpunte. 'N daaropvolgende voorspelling word dan gemaak deur elke kenner. Elke kundige lees dan weer wat elke ander kundige geskryf en weer beïnvloed deur die persepsies van die ander. Hierdie proses herhaal homself totdat elke kenner nader met die oog op die nodige scenario of nommers. Nominalegroep-tegniek. Nominale groeptegniek is soortgelyk aan die Delphi-tegniek in die sin dat dit 'n groep deelnemers, gewoonlik kenners gebruik. Na afloop van die deelnemers reageer op voorspel-verwante vrae, hulle rang hul antwoorde in volgorde van vermeende relatiewe belangrikheid. Toe die ranglys word versamel en saamgevoeg. Uiteindelik, moet die groep 'n konsensus oor die prioriteite van die posisie kwessies te bereik. Sales force menings. Die verkope personeel is dikwels 'n goeie bron van inligting met betrekking tot die toekomstige vraag. Die verkoopsbestuurder kan vra vir insette van elke verkope persoon en saamvoeg hul antwoorde in 'n sales force saamgestelde skatting. Omsigtigheid moet uitgeoefen word wanneer die gebruik van hierdie tegniek as die lede van die verkope van krag nie in staat kan wees om te onderskei tussen wat kliënte sê en wat hulle werklik doen. Ook, as die voorspellings sal gebruik word om verkope kwotas te vestig, die verkope van krag kan word versoek om laer skattings verskaf. UITVOERENDE menings. Soms boonste vlakke bestuurders te ontmoet en te ontwikkel voorspellings op grond van hul kennis van hul areas van verantwoordelikheid. Dit word soms na verwys as 'n jurie van uitvoerende mening. MARKNAVORSING. In marknavorsing, is verbruikersopnames wat gebruik word om potensiële vraag te vestig. Sulke bemarking navorsing behels gewoonlik die bou van 'n vraelys wat persoonlike, demografiese, ekonomiese en bemarking inligting uitlok. By geleentheid, marknavorsers versamel sodanige inligting persoonlik by kleinhandelaars en winkelsentrums, waar die verbruiker kan experiencex2014taste, voel, ruik, en seex2014a bepaalde produk. Die navorser moet versigtig wees dat die monster van mense wat ondervra is verteenwoordigend van die verlangde teiken verbruiker. Kwantitatiewe tegnieke Kwantitatiewe vooruitskatting tegnieke is oor die algemeen meer objektief as hul kwalitatiewe eweknieë. Kwantitatiewe voorspellings kan wees time-reeks voorspellings (dit wil sê 'n projeksie van die verlede in die toekoms) of voorspellings gebaseer op assosiatiewe modelle (bv gebaseer op een of meer verklarende veranderlikes). Tydreeksdata dalk onderliggende gedrag wat aangespreek moet word geïdentifiseer deur die voorspeller. Daarbenewens kan die voorspelling moet die oorsake van die gedrag te identifiseer. Sommige van hierdie gedrag kan patrone of bloot toevallige variasies te wees. Onder die patrone is: Tendense, wat langtermyn-bewegings (op of af) in die data is. Seisoenaliteit, wat kort termyn variasies wat gewoonlik in verband met die tyd van die jaar, maand, of selfs 'n bepaalde dag, soos getuig deur kleinhandelverkope met Kersfees of die spykers in die bankwese aktiwiteit op die eerste van die maand en op Vrydae produseer. Siklusse, wat Golfagtige variasies wat langer as 'n jaar wat gewoonlik gekoppel aan ekonomiese of politieke toestande. Onreëlmatige variasies wat nie tipiese gedrag weerspieël, soos 'n tydperk van uiterste weerstoestande of 'n vakbond staking. Toevallige variasies, wat alle nie-tipiese gedrag nie vir verreken deur die ander klassifikasies sluit. Onder die tyd-reeks modelle, die eenvoudigste is die naxEFve skatting. A naxEFve voorspelling gebruik eenvoudig die werklike vraag na die afgelope tydperk as die geskatte vraag na die volgende tydperk. Dit, natuurlik, maak die aanname dat die verlede herhaal. Dit veronderstel ook dat enige tendense, seisoenaliteit, of siklusse óf word weerspieël in die vorige periodx0027s vraag of nie bestaan ​​nie. 'N Voorbeeld van naxEFve vooruitskatting word in Tabel 1. Tabel 1 NaxEFve Vooruitskatting Nog 'n eenvoudige tegniek is die gebruik van gemiddeld. Om 'n voorspelling behulp gemiddelde maak, 'n mens net die gemiddelde van 'n paar aantal periodes van verlede data deur optel, elke tydperk en die resultaat te deel deur die aantal periodes. Hierdie tegniek is gevind baie effektief vir 'n kort-reeks vooruitskatting te wees. Variasies van gemiddelde sluit die bewegende gemiddelde, die geweegde gemiddelde en die geweegde bewegende gemiddelde. 'N bewegende gemiddelde neem 'n voorafbepaalde aantal periodes, som hul werklike vraag, en verdeel deur die aantal periodes vir 'n voorspelling te bereik. Vir elke daaropvolgende tydperk, die oudste tydperk van data val af en die jongste tydperk bygevoeg. Die aanvaarding van 'n drie-maande bewegende gemiddelde en die gebruik van die data van Tabel 1, sou 'n mens eenvoudig voeg 45 (Januarie), 60 (Februarie), en 72 (Maart) en deel dit deur drie te kom by 'n voorspelling vir April: 45 60 72 177 x00F7 3 59 om 'n voorspelling vir Mei kom, sou 'n mens Januaryx0027s vraag van die vergelyking laat val en voeg die vraag van April. Tabel 2 bied 'n voorbeeld van 'n drie-maande bewegende gemiddelde skatting. Tabel 2 Drie Maand bewegende gemiddelde voorspelling Werklike vraag (000x0027s) 'n geweegde gemiddelde van toepassing 'n voorafbepaalde gewig aan elke maand van verlede data, som die afgelope data van elke tydperk, en verdeel deur die totaal van die gewigte. As die weervoorspeller pas die gewigte sodat hulle som gelyk aan 1 is, dan is die gewigte word vermenigvuldig met die werklike vraag van elke toepaslike tydperk. Die resultate word dan opgesom 'n geweegde voorspelling te bereik. Oor die algemeen, die meer onlangse data, hoe hoër die gewig, en die ouer die data hoe kleiner die gewig. Die gebruik van die voorbeeld vraag, 'n geweegde gemiddelde gebruik van gewigte van 0,4. 3. 2 en 0,1 sou die voorspelling opbrengs vir Junie as: 60 (0,1) 72 (0,2) 58 (0,3) 40 (0,4) 53,8 Voorspellers kan ook 'n kombinasie van die geweegde gemiddelde gebruik en bewegende gemiddelde voorspellings . 'N Geweegde bewegende gemiddelde voorspelling ken gewigte om 'n voorafbepaalde aantal periodes van werklike data en bere die vooruitsig op dieselfde manier as hierbo beskryf. Soos met alle bewegende voorspellings, soos elke nuwe tydperk bygevoeg, die data van die oudste tydperk is weggegooi. Tabel 3 toon 'n drie-maande geweeg bewegende gemiddelde voorspelling gebruik te maak van die gewigte 0,5. 3, en 0,2. Tabel 3 Threex2013Month geweegde bewegende gemiddelde voorspelling Werklike vraag (000x0027s) 'n meer komplekse vorm van geweeg bewegende gemiddelde is eksponensiële gladstryking, so genoem omdat die gewig val af eksponensieel as die data ouderdomme. Eksponensiële gladstryking neem die vorige periodx0027s voorspel en pas dit deur 'n voorafbepaalde glad konstante, x03AC (genoem alfa die waarde vir Alpha is minder as een) vermenigvuldig met die verskil in die vorige skatting en die vraag wat tydens die vorige geskatte tydperk eintlik plaasgevind (genoem voorspelling fout). Eksponensiële gladstryking word formulaically uitgedruk as sodanig: Nuwe voorspelling vorige skatting alfa (werklike vraag x2212 vorige skatting) VF x03AC (A x2212 F) eksponensiële gladstryking vereis die weervoorspeller die voorspelling begin in 'n vorige tydperk en werk uit na die tydperk waarvoor 'n huidige voorspelling is nodig. 'N Aansienlike hoeveelheid afgelope data en 'n begin of aanvanklike voorspelling is ook nodig. Die aanvanklike voorspelling kan 'n werklike vooruitsig van 'n vorige tydperk, die werklike vraag uit 'n vorige tydperk wees, of dit kan geskat word deur die gemiddeld van al of 'n gedeelte van die afgelope data. Sommige heuristiek bestaan ​​vir die berekening van 'n aanvanklike skatting. Byvoorbeeld, sou die heuristiese N (2 xF7 x03AC) x2212 1 en 'n alfa van 0,5 'n N opbrengs van 3, wat die gebruiker sal gemiddeld die eerste drie periodes van data om 'n aanvanklike voorspelling te kry. Maar die akkuraatheid van die aanvanklike voorspelling is nie krities as 'n mens is met behulp van groot hoeveelhede data, aangesien eksponensiële gladstryking is x0022self-correcting. x0022 Gegewe genoeg periodes van verlede data, sal eksponensiële gladstryking uiteindelik maak genoeg regstellings om te vergoed vir 'n redelik onakkurate aanvanklike voorspelling. Die gebruik van die data wat gebruik word in ander voorbeelde, 'n aanvanklike skatting van 50, en 'n alfa van 0,7, is 'n voorspelling vir Februarie bereken as sodanig: Nuwe voorspelling (Februarie) 50 0,7 (45 x2212 50) 41.5 Volgende, die voorspelling vir Maart : Nuwe voorspelling (Maart) 41.5 0,7 (60 x2212 41.5) 54,45 Hierdie proses hou aan totdat die weervoorspeller die verlangde tydperk bereik. In Tabel 4 sal dit wees vir die maand van Junie, aangesien die werklike vraag vir Junie nie bekend is nie. Werklike vraag (000x0027s) 'n verlenging van eksponensiële gladstryking gebruik kan word wanneer tydreeksdata toon 'n lineêre tendens. Hierdie metode is bekend deur verskeie name: dubbele smoothing-tendens aangepas eksponensiële gladstryking voorspelling insluitend tendens (FIT) en Holtx0027s Model. Sonder aanpassing, sal eenvoudig eksponensiële gladstryking resultate die tendens lag, dit wil sê die voorspelling sal altyd laag as die tendens is aan die toeneem, of 'n hoë as die tendens afneem. Met hierdie model is daar twee glad konstantes, x03AC en x03B2 met x03B2 verteenwoordig die tendens komponent. 'N verlenging van Holtx0027s Model, genoem Holt-Winterx0027s Metode, in ag neem tendens en seisoenaliteit. Daar is twee weergawes, vermenigvuldigende en toevoeging, met die multiplikatiewe synde die mees gebruikte. In die toevoeging model, is seisoenaliteit uitgedruk as 'n hoeveelheid word bygevoeg of afgetrek word van die reeks gemiddelde. Die vermenigvuldiging model spreek seisoenaliteit as percentagex2014known as seisoenale familie of seisoenale indexesx2014of die gemiddelde (of tendens). Dit is dan vermenigvuldig keer waardes ten einde seisoen inkorporeer. 'N familielid van 0,8 sou die vraag wat 80 persent van die gemiddelde aandui, terwyl 1.10 vraag wat 10 persent bo die gemiddelde aandui. Volledige inligting oor hierdie metode kan gevind word in die meeste operasionele bestuur handboeke of een van 'n aantal boeke oor vooruitskatting. Assosiatiewe of oorsaaklike tegnieke behels die identifisering van veranderlikes wat gebruik kan word om 'n ander veranderlike van belang voorspel. Byvoorbeeld, kan rentekoerse gebruik word om die vraag na die huis herfinansiering voorspel. Tipies, dit behels die gebruik van lineêre regressie, waar die doel is om 'n vergelyking wat die gevolge van die voorspeller (onafhanklike) veranderlikes op die voorspelde (afhanklike) veranderlike 'n opsomming van die ontwikkeling. As die voorspeller veranderlike is gestip, sal die voorwerp wees om 'n vergelyking van 'n reguit lyn wat die som van die gekwadreerde afwykings van die lyn (met afwyking om die afstand van elke punt aan die lyn) verminder kry. Die vergelyking sal as verskyn: ya BX, waar y is die voorspelde (afhanklike) veranderlike, x is die voorspeller (onafhanklike) veranderlike, b is die helling van die lyn, en 'n gelyk is aan die lengte van die lyn op die y - onderskep. Sodra die vergelyking bepaal word, kan die gebruiker die huidige waardes te voeg vir die voorspeller (onafhanklike) veranderlike te kom by 'n voorspelling (afhanklike veranderlike). As daar meer as een voorspeller veranderlike of indien die verhouding tussen voorspeller en voorspelling is nie lineêre, sal eenvoudige lineêre regressie na wense wees nie. Vir situasies met verskeie voorspellers, moet meervoudige regressie in diens geneem word, terwyl nie-lineêre verwantskappe noem vir die gebruik van kromlynige regressie. EKONOMETRIESE PROGNOSES Ekonometriese metodes, soos outoregressiewe geïntegreerde bewegende gemiddelde model (ARIMA), gebruik komplekse wiskundige vergelykings met vorige verhoudings tussen vraag en veranderlikes wat die vraag beïnvloed wys. 'N vergelyking is afgelei en dan getoets en verfyn om te verseker dat dit as 'n betroubare n voorstelling van die verlede verhouding as moontlik. Sodra dit gedoen is, geprojekteerde waardes van die invloed veranderlikes (inkomste, pryse, ens) is ingevoeg in die vergelyking om 'n voorspelling te maak. EVALUERING PROGNOSES Voorspelling akkuraatheid kan bepaal word deur die berekening van die vooroordeel, beteken absolute afwyking (MAD), beteken vierkante fout (MSE), of beteken absolute persent fout (Mape) vir die voorspelling met behulp van verskillende waardes vir Alpha. Vooroordeel is die som van die voorspelling foute x2211 (FE). Vir die eksponensiële gladstryking voorbeeld hierbo, sal die berekende vooroordeel wees: (60 x2212 41.5) (72 x2212 54,45) (58 x2212 66,74) (40 x2212 60,62) 6,69 As aanvaar word dat 'n lae vooroordeel dui op 'n algehele lae voorspelling fout, een kon bereken die vooroordeel vir 'n aantal potensiële waardes van alfa en aanvaar dat die een met die laagste vooroordeel die mees akkurate sou wees. Daar moet egter versigtig in dat wild onakkurate voorspellings waargeneem kan 'n lae vooroordeel te lewer as hulle is geneig om te wees beide oor vooruitskatting en onder voorspelling (negatiewe en positiewe). Byvoorbeeld, oor drie tydperke 'n firma kan 'n bepaalde waarde van alfa gebruik om oor te voorspel deur 75.000 eenhede (x221275,000), onder voorspel deur 100,000 eenhede (100000), en dan oor te voorspel deur 25.000 eenhede (x221225,000), opbrengs 'n vooroordeel van nul (x221275,000 100,000 x2212 25000 0). In vergelyking met 'n ander sou alfa opbrengs oor voorspellings van 2000 eenhede, 1000 eenhede, en 3000 eenhede lei tot 'n vooroordeel van 5000 eenhede. As normale vraag was 100,000 eenhede per periode, sal die eerste Alpha voorspellings dat af was met soveel as 100 persent oplewer terwyl die tweede alfa af sou wees met 'n maksimum van slegs 3 persent, selfs al is die vooroordeel in die eerste skatting was nul. 'N veiliger mate van akkuraatheid voorspel is die gemiddelde absolute afwyking (MAD). Om die MAD bereken, die weervoorspeller som die absolute waarde van die voorspelling foute en dan verdeel deur die aantal voorspellings (x2211 FE x00F7 N). Deur die neem van die absolute waarde van die voorspelling foute, die verrekening van positiewe en negatiewe waardes vermy. Dit beteken dat beide 'n oor-vooruitskatting van 50 en 'n onder-vooruitskatting van 50 is af deur 50. Die gebruik van die data van die eksponensiële gladstryking byvoorbeeld kan MAD soos volg bereken word: (60 x2212 41.5 72 x2212 54,45 58 x2212 66,74 40 x2212 60,62) x00F7 4 16,35 Daarom is die weervoorspeller is af 'n gemiddeld van 16,35 eenhede per skatting. Wanneer in vergelyking met die gevolg van ander Alfa's, sal die weervoorspeller weet dat die alfa met die laagste MAD is onttroon die mees akkurate voorspelling. Gemiddelde vierkante fout (MSE) kan ook gebruik word op dieselfde manier. MSE is die som van die voorspelling foute kwadraat gedeel deur N-1 (x2211 (FE)) x00F7 (N-1). Kwadratuur die voorspelling foute skakel die moontlikheid van die verrekening van negatiewe getalle, aangesien nie een van die resultate negatief kan wees. Gebruik te maak van die dieselfde data soos hierbo, sal die MSE wees: (18.5) (17,55) (x22128.74) (x221220.62) x00F7 3 383,94 Soos met MAD, kan die weervoorspeller die MSE van voorspellings afgelei met behulp van verskeie waardes van alfa vergelyk en aanvaar die alfa met die laagste MSE is onttroon die mees akkurate voorspelling. Die gemiddelde absolute persent fout (Mape) is die gemiddelde absolute persent fout. Om by die Mape kom moet 'n mens die som van die verhoudings tussen voorspelling fout en werklike tye vraag 100 (om die persentasie te kry) en deel te neem deur N (x2211 Werklike vraag x2212 voorspelling x00F7 Werklike vraag) xD7 100 x00F7 N. Die gebruik van die data van 100 x00F7 4 28,33 (18,5 / 60 17,55 / 72 8,74 / 58 20,62 / 48) xD7 soos met MAD en MSE, hoe laer die relatiewe fout hoe meer akkuraat die vooruitsig: die eksponensiële gladstryking byvoorbeeld Mape kan soos volg bereken word. Daar moet kennis geneem word dat in sommige gevalle die vermoë van die voorspelling om vinnig te verander om te reageer op veranderinge in die data patrone word beskou as meer belangrik as akkuraatheid te wees. Daarom moet onex0027s keuse van vooruitskatting metode weerspieël die relatiewe balans van belang tussen akkuraatheid en 'n responsiewe ingesteldheid, soos bepaal deur die voorspeller. MAAK 'n voorspelling William J. Stevenson lys die volgende as die basiese stappe in die vooruitskatting proses: Bepaal die forecastx0027s doel. Faktore soos hoe en wanneer die voorspelling sal gebruik word, die mate van akkuraatheid wat nodig is, en die vlak van detail gewenste bepaal die koste (tyd, geld, werknemers) wat gebruik kan word gewy aan die voorspelling en die tipe vooruitskatting metode wat gebruik gaan word . Stel 'n tyd horison. Dit gebeur nadat een van die doel van die voorspelling bepaal. Langer termyn voorspellings vereis meer tyd horisonne en omgekeerd. Akkuraatheid is weer 'n oorweging. Kies 'n vooruitskatting tegniek. Die gekose tegniek hang af van die doel van die voorspelling, die tyd horison jy wil, en die toegelate koste. Versamel en te ontleed. Die hoeveelheid en tipe data wat nodig is word deur die forecastx0027s doel, die voorspelling tegniek gekies, en enige koste oorwegings. Maak die voorspelling. Monitor die skatting. Evalueer die prestasie van die voorspelling en verander, indien nodig. Verder lees: Finch, Byron J. Bedryf Nou: Winsgewendheid, prosesse, Performance. 2 ed. Boston: McGraw-Hill Irwin, 2006 Green, William H. Ekonometriese ontleding. 5 ed. Bo Saddle River, NJ: Prentice Hall, 2003. Joppe, Dr. Marion. x0022The Nominale Groep Technique. x0022 die navorsingsproses. Beskikbaar by x003C www. ryerson. ca/ Stevenson, William J. Operasionele Bestuur. 8 ed. Boston: McGraw-Hill Irwin, 2005. Lees ook artikel oor Vooruitskatting van WikipediaWeighted bewegende gemiddelde vooruitskatting metodes: Voor-en nadele Kommentaar Hi, julle moet jul Post. Het gewonder of jy kan uitbrei verdere. Ons gebruik SAP. Daarin is daar 'n keuse wat jy kan kies voordat jy jou voorspelling genoem inisialisering hardloop. As jy hierdie opsie merk kry jy 'n voorspelling gevolg, as jy weer uit te voer voorspel, in dieselfde tydperk, en nie kyk inisialisering die gevolg veranderinge. Ek kan nie uitvind wat dit inisialisering doen. Ek bedoel, mathmatically. Watter voorspelling gevolg is die beste om te red en te gebruik byvoorbeeld. Die veranderinge tussen die twee is nie in die geskatte hoeveelheid maar in die MAD and error, veiligheid voorraad en ROP hoeveelhede. Nie seker of jy SAP gebruik. hi dankie vir die verduideliking so efficient dit te GD. Dankie weer Jaspreet Laat 'n antwoord Kanselleer antwoord Gewildste poste oor Pete Abilla Pete Abilla is die stigter van Shmula. Hy help maatskappye soos Amazon, Zappos, eBay, binneland, en ander koste te verminder en die verbetering van die kliënt ervaar. Hy doen dit deur middel van 'n sistematiese metode vir die identifisering van pyn punte wat 'n impak die kliënt en die besigheid en moedig breë deelname van die maatskappy geassosieerdes hul eie prosesse te verbeter. TagsWeighted Bewegende Gemiddeldes: Die Basics Oor die jare, het tegnici twee probleme met die eenvoudige bewegende gemiddelde gevind. Die eerste probleem lê in die tyd van die bewegende gemiddelde (MA). Die meeste tegniese ontleders glo dat die prys aksie. die opening of sluiting voorraad prys, is nie genoeg om op te hang vir goed voorspel koop of te verkoop seine van die MA crossover aksie. Om hierdie probleem op te los, het ontleders nou meer gewig toeken aan die mees onlangse prys data deur gebruik te maak van die eksponensieel stryk bewegende gemiddelde (EMA). (Meer inligting in die ondersoek van die eksponensieel geweeg bewegende gemiddelde.) 'N voorbeeld Byvoorbeeld, met behulp van 'n 10-dag MA, sou 'n ontleder die sluitingsprys van die 10de dag te neem en vermeerder hierdie getal deur 10, die negende dag van nege, die agtste van dag tot agt en so aan tot die eerste van die MA. Sodra die totale bepaal, sou die ontleder dan verdeel die aantal deur die byvoeging van die vermenigvuldigers. As jy die vermenigvuldigers van die 10-dag MA voorbeeld te voeg, die getal is 55. Hierdie aanwyser is bekend as die lineêr geweeg bewegende gemiddelde. (Vir verwante leesstof, check Eenvoudige bewegende gemiddeldes Maak Trends uitstaan.) Baie tegnici is ferm gelowiges in die eksponensieel stryk bewegende gemiddelde (EMA). Hierdie aanwyser is verduidelik in so baie verskillende maniere waarop dit verwar studente en beleggers sowel. Miskien is die beste verduideliking kom van John J. Murphy tegniese ontleding van die finansiële markte, (uitgegee deur die New York Instituut van Finansies, 1999): Die eksponensieel stryk bewegende gemiddelde adresse beide van die probleme wat verband hou met die eenvoudige bewegende gemiddelde. Eerstens, die eksponensieel stryk gemiddelde ken 'n groter gewig aan die meer onlangse data. Daarom is dit 'n geweegde bewegende gemiddelde. Maar terwyl dit ken mindere belang vir verlede prys data, beteken dit sluit in die berekening al die data in die lewe van die instrument. Daarbenewens het die gebruiker in staat is om die gewig te pas by mindere of meerdere gewig te gee aan die mees onlangse dae prys, wat by 'n persentasie van die vorige dae waarde. Die som van beide persentasie waardes voeg tot 100. Byvoorbeeld, die laaste dae die prys kan 'n gewig van 10 (0,10), wat by die vorige dae gewig van 90 (0,90) opgedra. Dit gee die laaste dag 10 van die totale gewig. Dit sou die ekwivalent van 'n 20-dag gemiddeld deur die laaste dae die prys 'n kleiner waarde van 5 (0,05) wees. Figuur 1: eksponensieel stryk bewegende gemiddelde Bogenoemde grafiek toon die Nasdaq saamgestelde indeks van die eerste week in Augustus 2000 tot 1 Junie 2001 As jy duidelik kan sien, die EMO, wat in hierdie geval is die gebruik van die sluitingsprys data oor 'n tydperk van nege dae, het definitiewe verkoop seine op die 8 September (gekenmerk deur 'n swart afpyltjie). Dit was die dag toe die indeks het onder die vlak 4000. Die tweede swart pyl toon 'n ander af been wat tegnici eintlik verwag het nie. Die Nasdaq kon genoeg volume en belangstelling van die kleinhandel beleggers na die 3000 merk breek nie genereer. Dit dan duif weer af na onder uit by 1619,58 op April 4. Die uptrend van 12 April is gekenmerk deur 'n pyl. Hier is die indeks gesluit 1,961.46, en tegnici begin institusionele fondsbestuurders begin om af te haal 'n paar winskopies soos Cisco, Microsoft en 'n paar van die energie-verwante kwessies te sien. (Lees ons verwante artikels: Moving Gemiddelde Koeverte: Verfyning 'n gewilde Trading Tool en bewegende gemiddelde Bounce.) QuotHINTquot is 'n akroniem wat staan ​​vir vir quothigh inkomste nie taxes. quot Dit is van toepassing op 'n hoë-verdieners wat verhoed dat die betaling federale inkomste. 'N Mark outeur wat koop en verkoop baie kort termyn korporatiewe effekte genoem kommersiële papier. 'N papier handelaar is tipies. 'N bestelling geplaas met 'n makelaar om 'n sekere aantal aandele te koop of te verkoop teen 'n bepaalde prys of beter. Die onbeperkte koop en verkoop van goedere en dienste tussen lande sonder die oplegging van beperkings soos. In die sakewêreld, 'n buffel is 'n maatskappy, gewoonlik 'n aanloop wat nie 'n gevestigde prestasie rekord. 'N Bedrag n huiseienaar moet betaal voordat versekering sal dek die skade wat veroorsaak word deur 'n orkaan.