Casting Demand Moving Average Eksempel

OR-Notes er en serie innledende notater om emner som faller under den brede overskriften i operasjonsforskningsområdet ELLER De ble opprinnelig brukt av meg i et innledende eller kurs jeg gir på Imperial College. De er nå tilgjengelige for bruk av noen studenter og lærere som er interessert i ELLER underlagt følgende betingelser. En fullstendig liste over emnene som er tilgjengelige i OR-Notes finner du her. Forespørsel eksempler. Forespørsel eksempel 1996 UG eksamen. Etterspørselen etter et produkt i hvert av de siste fem månedene er vist nedenfor . Bruk et to måneders glidende gjennomsnitt for å generere en prognose for etterspørsel i måned 6.Apply eksponensiell utjevning med en utjevningskonstant på 0 9 for å generere en prognose for etterspørsel etter etterspørsel i måned 6. Hvilket av disse to prognosene foretrekker du og hvorfor. Den to måneders glidende gjennomsnittet for måneder to til fem er gitt av. Forventningen for måned seks er bare det bevegelige gjennomsnittet for måneden før det vil si det glidende gjennomsnittet for måned 5 m 5 2350.Jegfører eksponensiell utjevning med en glatting konstant på 0 9 vi får. Som før prognosen for måned seks er bare gjennomsnittet for måned 5 M 5 2386. For å sammenligne de to prognosene beregner vi den gjennomsnittlige kvadratiske avviket MSD Hvis vi gjør dette finner vi det for det bevegelige gjennomsnittet. MSD 15 - 19 18 - 23 21 - 24 3 16 67.og for det eksponensielt glattede gjennomsnittet med en utjevningskonstant på 0 9.MSD 13 - 17 16 60 - 19 18 76 - 23 22 58 - 24 4 10 44. I det hele tatt se at eksponensiell utjevning ser ut til å gi den beste en måned fremover prognoser som den har en lavere MSD Derfor foretrekker vi prognosen for 2386 som er produsert av eksponensiell utjevning. Forekasting eksempel 1994 UG eksamen. Tabellen under viser etterspørselen etter en ny ettershave i en butikk for hver av de siste 7 månedene. Beregn et to måneders glidende gjennomsnitt i måneder to til syv. Hva ville være din prognose for etterspørselen i 8. måned. Bruk eksponensiell utjevning med en utjevningskonstant på 0 1 for å utlede en prognose for etterspørsel i måned åtte. Hvem av de to prognosene for måned åtte gjør du du foretrekker og hvorfor. Butikkmannen mener at kundene bytter til denne nye etterbehandlingen fra andre merker. Diskuter hvordan du kan modellere denne koblingsadferd og indikere dataene du vil trenge for å bekrefte om denne omstillingen skjer eller ikke. gjennomsnitt for måneder to til syv er gitt av. Prognosen for måned åtte er bare det bevegelige gjennomsnittet for måneden før det vil si det bevegelige gjennomsnittet for måned 7 m 7 46.Ved å bruke eksponensiell utjevning med en utjevningskonstant på 0 1 får vi. før prognosen for måned åtte er bare gjennomsnittet for måned 7 M 7 31 11 31 som vi ikke kan ha fraksjonert etterspørsel. For å sammenligne de to prognosene beregner vi den gjennomsnittlige kvadratiske avviket MSD Hvis vi gjør dette finner vi det for det bevegelige gjennomsnittet. for det eksponentielt glatte gjennomsnittet med en utjevningskonstant på 0 1. I det hele tatt ser vi at det to måneders glidende gjennomsnittet ser ut til å gi de beste månedene fremoverprognoser da det har en lavere MSD. Derfor foretrekker vi prognosen o f 46 som har blitt produsert av to måneders glidende gjennomsnitt. For å undersøke bytte ville vi måtte bruke en Markov-prosessmodell, hvor stater merker og vi ville trenge innledende statsinformasjon og kundeendringer fra undersøkelser. Vi må kjøre modellen på historiske data for å se om vi har en passform mellom modellen og historisk oppførsel. Forekasting eksempel 1992 UG eksamen. Tabellen nedenfor viser etterspørselen etter et bestemt merke av barberhøvel i en butikk for hver av de siste ni månedene. Beregn en tre måneders bevegelse gjennomsnitt for måneder tre til ni Hva ville være din prognose for etterspørselen i måned ti. Bruk eksponensiell utjevning med en utjevningskonstant på 0 3 for å utlede en prognose for etterspørselen i måned ti. Hvem av de to prognosene for måned ti foretrekker du og hvorfor. Tre måneders glidende gjennomsnitt for månedene 3 til 9 er gitt av. Forventningen for måned 10 er bare det bevegelige gjennomsnittet for måneden før det vil si det glidende gjennomsnittet for måned 9 m 9 20 33. Derfor som vi ikke kan ha brøkdel etterspørselen prognosen for måned 10 er 20.Applikasjon av eksponensiell utjevning med en utjevningskonstant på 0 3 vi får. Som før prognosen for måned 10 er bare gjennomsnittet for måned 9 M 9 18 57 19 som vi ikke kan ha fraksjonelle krav. sammenligne de to prognosene vi beregner gjennomsnittlig kvadrert avvik MSD Hvis vi gjør dette finner vi det for det bevegelige gjennomsnittet. og for det eksponentielt glatte gjennomsnittet med en utjevningskonstant på 0 3. I det hele tatt ser vi at det tre måneders glidende gjennomsnittet ser ut til å gi den beste en måned fremover prognoser som den har en lavere MSD Derfor foretrekker vi prognosen på 20 som har blitt produsert av tre måneders glidende gjennomsnitt. Forekasting eksempel 1991 UG eksamen. Tabellen nedenfor viser etterspørselen etter et bestemt merke av faksmaskin i et varehus i hver av de siste tolv månedene. Beregn fire måneders glidende gjennomsnitt for måneder 4 til 12. Hva ville være din prognose for etterspørselen i måned 13. Bruk eksponensiell utjevning med en utjevningskonstant på 0 2 til deri Jeg har en prognose for etterspørselen i måned 13. Hvilken av de to prognosene for måned 13 foretrekker du og hvorfor. Hvilke andre faktorer som ikke vurderes i de ovennevnte beregningene, kan påvirke etterspørselen etter faksmaskinen i måned 13. De fire måneders flytting gjennomsnitt for måneder 4 til 12 er gitt by. m 4 23 19 15 12 4 17 25 m 5 27 23 19 15 4 21 m 6 30 27 23 19 4 24 75 m 7 32 30 27 23 4 28 m 8 33 32 30 27 4 30 5 m 9 37 33 32 30 4 33 m 10 41 37 33 32 4 35 75 m 11 49 41 37 33 4 40 m 12 58 49 41 37 4 46 25.Varselet for måned 13 er bare det bevegelige gjennomsnittet for måned før det vil si det glidende gjennomsnittet for måneden 12 m 12 46 25.Hvorfor vi ikke kan ha fraksjonell etterspørsel, er prognosen for måned 13 46. Å bruke eksponensiell utjevning med en utjevningskonstant på 0 2 får vi. Som før prognosen for måned 13 er bare gjennomsnittet for måned 12 M 12 38 618 39, da vi ikke kan ha fraksjonert etterspørsel. For å sammenligne de to prognosene beregner vi den gjennomsnittlige kvadratiske avviket MSD Hvis vi gjør dette finner vi det for glidende gjennomsnitt. og for det eksponentielt glatte gjennomsnittet med en utjevningskonstant på 0 2.Overall så ser vi at fire måneders glidende gjennomsnitt synes å gi de beste månedene fremoverprognoser da det har en lavere MSD. Derfor foretrekker vi prognosen på 46 som har vært produsert av fire måneders glidende average. seasonal demand. price endres, både dette merket og andre merker. Generell økonomisk situasjon. Ny teknologi. Forekasting eksempel 1989 UG eksamen. Tabellen nedenfor viser etterspørselen etter et bestemt merke av mikrobølgeovn i en avdeling lagre i hver av de siste tolv månedene. Beregn et seks måneders glidende gjennomsnitt for hver måned. Hva ville være din prognose for etterspørselen i måned 13. Bruk eksponensiell utjevning med en utjevningskonstant på 0 7 for å utlede en prognose for etterspørselen i måned 13 . Hvem av de to prognosene for måned 13 foretrekker du og hvorfor. Nå kan vi ikke beregne et seks måneders glidende gjennomsnitt før vi har minst 6 observasjoner - det vil si at vi kun kan beregne et slikt gjennomsnitt fra måned 6 fremover Henc e vi har. m 6 34 32 30 29 31 27 6 30 50.m 7 36 34 32 30 29 31 6 32 00.m 8 35 36 34 32 30 29 6 32 67.m 9 37 35 36 34 32 30 6 34 00.m 10 39 37 35 36 34 32 6 35 50.m 11 40 39 37 35 36 34 6 36 83.m 12 42 40 39 37 35 36 6 38 17.Varselet for måned 13 er bare det bevegelige gjennomsnittet for måned før det vil si det glidende gjennomsnittet for måneden 12 m 12 38 17.Hva vi ikke kan ha fraksjonell etterspørsel, er prognosen for måned 13 38. Ved å bruke eksponensiell utjevning med en utjevningskonstant på 0 7 får vi A Forecast Calculation Examples. A 1 Prognoseberegningsmetoder. Det finnes metoder for beregning av prognoser. De fleste av disse metodene sørger for begrenset brukerkontroll. Eksempelvis kan vekten plassert på nyere historiske data eller datoperioden for historiske data som brukes i beregningene, spesifiseres. Følgende eksempler viser beregningen Prosedyre for hver av de tilgjengelige prognosemetodene, gitt et identisk sett med historiske data. Følgende eksempler bruker samme 2004 og 2005 s ales data for å produsere en salgsprognose for 2006 I tillegg til prognoseberegningen inneholder hvert eksempel en simulert 2005-prognose for en tre måneders holdout periode behandlingsalternativ 19 3 som deretter brukes til prosent av nøyaktighet og gjennomsnittlig absolutt avviksberegning faktisk salg sammenlignet med simulert forecast. A 2 Forecast Performance Evaluation Criteria. Avhengig av ditt valg av behandlingsalternativer og på trender og mønstre som finnes i salgsdata, vil enkelte prognosemetoder utføre bedre enn andre for et gitt historisk datasett. En prognosemetode som passer for en Produktet kan ikke være aktuelt for et annet produkt. Det er også usannsynlig at en prognosemetode som gir gode resultater i en fase av produktets livssyklus, forblir passende gjennom hele livssyklusen. Du kan velge mellom to metoder for å evaluere dagens ytelse av prognosemetodene Disse er gjennomsnittlig absolutt avviks MAD og prosent av nøyaktighet POA begge Disse ytelsesevalueringsmetodene krever historiske salgsdata for en spesifisert tidsperiode. Denne perioden kalles en holdoutperiode eller perioder som passer best til PBF. Dataene i denne perioden brukes som grunnlag for å anbefale hvilke av prognosemetoder som skal brukes til å lage neste prognoseprosjekt Denne anbefalingen er spesifikk for hvert produkt og kan endres fra en prognose generasjon til neste. De to prognosevalueringsmetodene er demonstrert på sidene som følger eksemplene på de tolv prognosemetoder. A 3 Metode 1 - Spesifisert Prosent Over Sist år. Denne metoden multipliserer salgsdata fra forrige år med en brukerdefinert faktor for eksempel 1 10 for en 10 økning, eller 0 97 for en 3 reduksjon. Ønsket salgshistorie Ett år for å beregne prognosen pluss brukerens spesifiserte antall tidsperioder for evaluering av prognostiseringsbehandlingsalternativ 19.A 4 1 Forecast Forecast. Range of sales history for use in calculating growth factor behandlingsalternativ 2a 3 i dette eksemplet. Som de siste tre månedene av 2005 114 119 137 370.Sum de samme tre månedene for året før 123 139 133 395. Den beregnede faktoren 370 395 0 9367. Beregn prognosen. Januar, 2005 salg 128 0 9367 119 8036 eller om 120.Februari, 2005 salg 117 0 9367 109 5939 eller om 110.March, 2005 salg 115 0 9367 107 7205 eller ca 108.A 4 2 Simulert Prognose Beregning. Som de tre månedene 2005 før holdout periode juli, august, sept.129 140 131 400.Sum de samme tre månedene for året før.141 128 118 387.Kalkulert faktor 400 387 1 033591731.Kalkulere simulert prognose. Oktober 2004 salg 123 1 033591731 127 13178. November 2004 salg 139 1 033591731 143 66925. desember 2004 salg 133 1 033591731 137 4677.A 4 3 Prosent av nøyaktighetsberegning. POA 127 13178 143 66925 137 4677 114 119 137 100 408 26873 370 100 110 3429.A 4 4 Betydning Absolutt Avviksberegning. MAD 127 13178 - 114 143 66925 - 119 137 4677- 137 3 13 13178 24 66925 0 467 7 3 12 75624.A 5 Metode 3 - I fjor til dette året. Denne metoden kopierer salgsdata fra foregående år til neste år. Ønsket salgshistorie Ett år for beregning av prognosen pluss antall tidsperioder som er angitt for å vurdere prognoseprestasjon behandlingsalternativ 19.A 6 1 Forecast Forecast. Antall perioder som skal inkluderes i gjennomsnittlig behandlingsalternativ 4a 3 i dette eksemplet. For hver måned av prognosen, gjennomsnitt de forrige tre måneders data. Januarprognose 114 119 137 370, 370 3 123 333 eller 123.Februari prognose 119 137 123 379, 379 3 126 333 eller 126.Marsprognose 137 123 126 379, 386 3 128 667 eller 129 A 6 2 Simulert prognoseberegning. Oktober 2005 Salg 129 140 131 3 133 3333.November 2005 salg 140 131 114 3 128 3333. desember 2005 salg 131 114 119 3 121 3333.A 6 3 Prosent av nøyaktighetsberegning. POA 133 3333 128 3333 121 3333 114 119 137 100 103 513.A 6 4 Gjennomsnittlig Absolutt Avviksberegning. MAD 133 3333 - 114 128 3333 - 119 121 3333 - 137 3 14 7777.A 7 Metode 5 - Linear Approximation. Linear Approximation beregner en trend basert på to salgshistoriske datapunkter. Disse to punktene definerer en rett trendlinje som projiseres inn i fremtiden. Bruk denne metoden med forsiktighet, da langdistanseprognosene utløses av små endringer på bare to datapunkter. Forespurt salgshistorie Antall perioder som skal inkluderes i regresjonsbehandlingsalternativ 5a, pluss 1 pluss antall tidsperioder for evaluering av prognostiseringsbehandlingsalternativ 19.A 8 1 Forecast Forecast. Number of periods to include in regression processing option 6a 3 i dette eksemplet. For hver måned av prognosen, legg til økningen eller reduksjonen i de angitte periodene før utholdelsesperioden forrige periode. Innholdet i de foregående tre månedene 114 119 137 3 123 3333. Sammendrag av de foregående tre månedene med vekt ansett. 114 1 119 2 137 3 763. Forskjellen mellom verdiene. 763 - 123 3333 1 2 3 23.Ratio 1 2 2 2 3 2 - 2 3 14 - 12 2.Value1 Differenceforhold 23 2 11 5.Value2 Gjennomsnittlig verdi1-forhold 123 3333 - 11 5 2 100 3333.Forecast 1 n-verdi1 value2 4 11 5 100 3333 146 333 eller 146.Forecast 5 11 5 100 3333 157 8333 eller 158.Forecast 6 11 5 100 3333 169 3333 eller 169.A 8 2 Simulert prognoseberegning. Oktober 2004 salg. Gjennomsnitt av de foregående tre månedene . 129 140 131 3 133 3333. Sammendrag av de foregående tre månedene med vekt. 129 1 140 2 131 3 802. Forskjellen mellom verdiene. 802 - 133 3333 1 2 3 2.Ratio 1 2 2 2 3 2 - 2 3 14 - 12 2.Value1 Differenceforhold 2 2 1.Value2 Gjennomsnittlig verdi1-verdi 133 3333 - 1 2 131 3333.Forutsette 1 n verdi1 verdi2 4 1 131 3333 135 3333.November 2004 sales. Average av de foregående tre månedene. 140 131 114 3 128 3333.Summary for de foregående tre månedene med vekten vurdert. 140 1 131 2 114 3 744.Variasjon mellom verdiene 744 - 128 3333 1 2 3 -25 9999.Value1 Differanseforhold -25 9999 2 -12 9999.Value2 Gjennomsnittlig verdi1-verdi 128 3333 - -12 9999 2 154 3333.Forecast 4 -12 9999 154 3333 102 3333.December 2004 sales. Average av de foregående tre månedene. 131 114 119 3 121 3333. Sammendrag av de foregående tre månedene med vekt. 131 1 114 2 119 3 716. Forskjellen mellom verdiene. 716 - 121 3333 1 2 3 -11 9999.Value1 Differanseforhold -11 9999 2 -5 9999.Value2 Gjennomsnittlig verdi1-forhold 121 3333 - -5 9999 2 133 3333.Forecast 4 -5 9999 133 3333 109 3333.A 8 3 Prosent av nøyaktighetsberegning. POA 135 33 102 33 109 33 114 119 137 100 93 78.A 8 4 Gjennomsnittlig Absolutt Avviksberegning. MAD 135 33 - 114 102 33 - 119 109 33 - 137 3 21 88.A 9 Metode 7 - Andre Graden Approximation. Linear Regression bestemmer verdier for a og b i prognosen formel Y a bX med målet om å montere en rett linje til salgshistorie dataene Second Degree Approximation er likevel Denne metoden bestemmer verdier for a, b og c i prognosen formel Y a bX cX2 med sikte på å tilpasse en kurve til salgshistorikkdataene Denne metoden kan være nyttig når et produkt er i overgangen mellom stadier av en livssyklus For eksempel når et nytt produkt beveger seg fra introduksjon til vekststadier , salgstendensen kan akselerere På grunn av andreordens sikt kan prognosen raskt nærme seg uendelig eller fall til null, avhengig av om koeffisient c er positiv eller negativ. Denne metoden er derfor kun nyttig på kort sikt. Forespørselsdetaljer Formlene finner a, b og c for å passe en kurve til nøyaktig tre punkter. Du spesifiserer n i behandlingsalternativ 7a, antall datoperioder som akkumuleres i hvert av de tre punktene I dette eksemplet n 3 Derfor blir faktiske salgsdata for april til juni kombinert i første punkt. Q1 juli til september legges sammen for å skape Q2 , og oktober til desember sum til Q3 Kurven vil bli montert på de tre verdiene Q1, Q2 og Q3.Required sales history 3 n perioder for beregning av prognosen pluss antall tidsperioder som kreves for å evaluere prognosen ytelse PBF. Number av perioder for å inkludere behandlingsalternativ 7a 3 i dette eksemplet. Bruk de foregående 3 n månedene i tre måneders blokker. Q1 Apr - Jun 125 122 137 384.Q2 Jul - Sep 129 140 131 400.Q3 Okt - Des 114 119 137 370. Det neste trinnet innebærer c alculating de tre koeffisientene a, b og c som skal brukes i prognosen formel Y a bX cX 2. 1 Q1 en bX cX 2 hvor X 1 a b c. 2 Q2 en bX cX2 hvor X2 a 2b 4c. 3 Q3 en bX cX 2 hvor X 3 a 3b 9c. Solve de tre ligningene samtidig for å finne b, a og c. Subtrekke ligning 1 fra ligning 2 og løse for b. Substituer denne ligningen for b i ligning 3. 3 Q3 a 3 Q2 - Q1 - 3c c. Endelig erstatte disse ligningene for a og b til ligning 1. Q3 - 3 Q2 - Q1 Q2 - Q1 - 3c c Q1.c Q3 - Q2 Q1 - Q2 2.Den andre graden Tilnærmelsesmetode beregner a, b og c som følger. a Q3 - 3 Q2 - Q1 370 - 3 400 - 384 322.c Q3 - Q2 Q1 - Q2 2 370 - 400 384 - 400 2 -23.b Q2 - Q1 - 3c 400 - 384 - 3 -23 85.Ja en bX cX 2 322 85 X -23 X 2.Januar til mars prognose X 4. 322 340 - 368 3 294 3 98 per periode. April til juni prognose X 5. 322 425 - 575 3 57 333 eller 57 per periode. Juli til september prognose X 6. 322 510 - 828 3 1 33 eller 1 per periode. Oktober til desember X 7. 322 595 - 1127 3 -70.A 9 2 Simulert prognoseberegning. Oktober, november og desember 2004 salg. Q1 Jan - Mars 360.Q2 Apr - Jun 384.Q3 Jul - Sep 400.a 400 - 3 384 - 360 328.c 400 - 384 360 - 384 2 -4.b 384 - 360 - 3 -4 36. 328 36 4 -4 16 3 136.A 9 3 Prosent av nøyaktighetsberegning. POA 136 136 136 114 119 137 100 110 27.A 9 4 Gjennomsnittlig Absolutt Avviksberegning. MAD 136 - 114 136 - 119 136 - 137 3 13 33.A 10 Metode 8 - Fleksibel metode. Fleksibel metodeprosent over n måneder Tidligere ligner metode 1, prosent over fjorår Begge metodene multipliserer salgsdata fra en tidligere tidsperiode av en brukerdefinert faktor , så prosjektet dette resultatet inn i fremtiden. I Prosent Over Last Year-metoden er projeksjonen basert på data fra samme periode i fjor. Den fleksible metoden legger til rette for å spesifisere en annen periode enn samme periode i fjor til bruk som grunnlag for beregningene. Multiplikasjonsfaktor For eksempel spesifiser 1 15 i behandlingsalternativet 8b for å øke tidligere salgshistorikkdata med 15.Base periode For eksempel vil n 3 føre til at den første prognosen blir basert på salgsdata i Oktober 2005.Minimum salgshistorie Brukerens spesifiserte nummer o f perioder tilbake til baseperioden, pluss antall tidsperioder som kreves for å evaluere prognoseytelsen PBF. A 10 4 Middel Absolutt Avviksberegning. MAD 148 - 114 161 - 119 151 - 137 3 30.A 11 Metode 9 - Vektet Flytting Gjennomsnittlig. Vektet Flytende Gjennomsnittlig WMA-metode ligner Metode 4, Flytende Gjennomsnitt MA Med det Vektede Flytende Gjennomsnitt kan du tilordne ulik vekt til de historiske data Metoden beregner et veid gjennomsnitt av den siste salgshistorikken for å komme frem til en projeksjon for kort sikt Flere nyere data blir vanligvis tildelt større vekt enn eldre data, slik at WMA gir større respons på endringer i salgsnivået. Prognoseforstyrrelser og systematiske feil oppstår imidlertid fortsatt når produktsalgshistorikken viser sterk trend eller sesongmessige mønstre. Dette Metoden virker bedre for kortvarige prognoser for modne produkter enn for produkter i vekst - eller forfallsfasen av livssyklusen. n Antall perioder med salgshistorie som skal brukes i prognosen beregning For eksempel spesifiser n 3 i behandlingsalternativet 9a for å bruke de siste tre periodene som grunnlag for projeksjonen i neste tidsperiode. En stor verdi for n som 12 krever mer salgshistorikk. Det resulterer i en stabil prognose , men vil være sakte for å gjenkjenne endringer i salgsnivået. På den annen side vil en liten verdi for n som 3 reagere raskere på endringer i salgsnivå, men prognosen kan variere så mye at produksjonen ikke kan svare på Variasjonene. Vekten tilordnet hver av de historiske datoperiodene De tildelte vekter må total til 1 00 For eksempel når n 3 tilordner vekter på 0 6, 0 3 og 0 1, med de nyeste dataene som mottar størst vekt . Minst nødvendig salgshistorie n pluss antall tidsperioder som kreves for å evaluere prognosepåvirket PBF. MAD 133 5 - 114 121 7 - 119 118 7 - 137 3 13 5.A 12 Metode 10 - Lineær utjevning. Denne metoden ligner på Metode 9, Vektet Flytende Gjennomsnittlig WMA Hvordan Alltid, i stedet for å tilfeldigvis gi vekt til historiske data, brukes en formel til å tilordne vekter som avtar lineært og summen til 1 00 Metoden beregner deretter et veid gjennomsnitt av den siste salgshistorikken for å komme frem til en projeksjon på kort sikt. Som er sant for alle lineære bevegelige gjennomsnittlige prognostiseringsteknikker, oppstår prognoseforstyrrelser og systematiske feil når produktsalgshistorikken viser sterk trend eller sesongmessige mønstre. Denne metoden fungerer bedre for kortvarige prognoser for modne produkter i stedet for for produkter i vekst - eller forløpsfasen av livet syklus. n antall perioder med salgshistorie som skal brukes i prognoseberegningen Dette er angitt i behandlingsalternativet 10a For eksempel angi n 3 i behandlingsalternativet 10b for å bruke de siste tre periodene som grunnlag for projeksjonen i neste tidsperiode Systemet vil automatisk tildele vektene til de historiske dataene som avtar lineært og summen til 1 00 For eksempel når n 3, s ystem vil tildele vekter på 0 5, 0 3333 og 0 1, med de nyeste dataene som mottar størst vekt. Minimum krevende salgshistorie n pluss antall tidsperioder som kreves for å evaluere prognosepåvirkning PBF. A 12 1 Forecast Calculation. Antall perioder som skal inkluderes ved utjevning av gjennomsnittlig behandlingsalternativ 10a 3 i dette eksemplet. Ratio for en periode før 3 n 2 n 2 3 3 2 3 2 3 6 0 5.Ratio i to perioder før 2 n 2 n 2 2 3 2 3 2 2 6 0 3333.Ratio i tre perioder før 1 n 2 n 2 1 3 2 3 2 1 6 0 1666.Januærprognose 137 0 5 119 1 3 114 1 6 127 16 eller 127.Februari prognose 127 0 5 137 1 3 119 1 6 129.Marg prognose 129 0 5 127 1 3 137 1 6 129 666 eller 130.A 12 2 Simulert prognoseberegning. Oktober 2004 Salg 129 1 6 140 2 6 131 3 6 133 6666.November 2004 Salg 140 1 6 131 2 6 114 3 6 124. desember 2004 salg 131 1 6 114 2 6 119 3 6 119 3333.A 12 3 Prosent av nøyaktighetsberegning. POA 133 6666 124 119 3333 114 119 137 100 101 891.A 12 4 Gjennomsnittlig Absolutt Avviksberegning. MAD 133 6666 - 114 124 - 119 119 3333 - 137 3 14 1111.A 13 Metode 11 - Eksponentiell utjevning. Denne metoden ligner Metode 10, Linjær utjevning Ved lineær utjevning, tilordner systemet vekter til de historiske dataene som avtar lineært Ved eksponensiell utjevning , tilordner systemet vekter som eksponentielt forfall. Eksponensiell utjevningsprognosekvasjon er. Foreslå en tidligere faktisk salg 1 - en tidligere prognose. Prognosen er et veid gjennomsnitt av det faktiske salget fra forrige periode og prognosen fra foregående periode a er vekt brukt på det faktiske salget for forrige periode 1 - a er vekten på prognosen for foregående periode Gyldige verdier for et område fra 0 til 1, og faller vanligvis mellom 0 1 og 0 4 Summen av vektene er 1 00 a 1 - a 1.Du bør tildele en verdi for utjevningskonstanten, a Hvis du ikke tilordner verdier for utjevningskonstanten, beregner systemet en antatt verdi basert på antall perioder med salgshistorikk spesifisering d i prosesseringsalternativet 11a. a utjevningskonstanten som brukes til å beregne det glatte gjennomsnittet for det generelle nivået eller størrelsen på salget Gyldige verdier for et område fra 0 til 1.n rekkevidden av salgshistorikkdata for å inkludere i beregningene Generelt ett år av salgshistorikkdata er tilstrekkelig til å estimere det generelle salgsnivået For dette eksempelet ble en liten verdi for nn 3 valgt for å redusere manuelle beregninger som kreves for å verifisere resultatene Eksponensiell utjevning kan generere en prognose basert på så lite som en historisk datapunkt. Minimum påkrevd salgshistorie n pluss antall tidsperioder som kreves for å evaluere prognosepåvirkning PBF. A 13 1 Forecast Calculation. Number of periods for å inkludere i utjevning gjennomsnittlig prosesseringsalternativ 11a 3, og alfa faktorbehandling alternativ 11b tom i dette example. a faktor for de eldste salgsdataene 2 1 1 eller 1 når alpha er spesifisert. En faktor for 2. eldste salgsdata 2 1 2, eller alfa når alfa er spesifisert. En faktor for den tredje eldste salgsinformasjonen 2 1 3, eller alfa når alfa er spesifisert. En faktor for de siste salgsdataene 2 1 n, eller alfa når alfa er spesifisert. Norges Sm Gj. sn. oktober Faktisk 1 - en oktober Sm Gj. sn. 1 114 0 0 114.December Sm Gj. sn. november Aktuell 1 - a november Sm Gj. sn. 2 3 119 1 3 114 117 3333.January Forventet desember Faktisk 1 - a desember Sm Gj. sn. 2 4 137 2 4 117 3333 127 16665 eller 127.Februari Prognose Januar-prognose 127.Markeprognose Januarprognose 127.A 13 2 Simulert prognoseberegning. Juli 2004 Sm Gj. sn. 2 129 129. august Sm Gj. sn. 2 3 140 1 3 129 136 3333.September Sm Gj. sn. 2 4 131 2 4 136 3333 133 6666.October 2004 salg Sep Sm Avg 133 6666.August, 2004 Sm Gj. sn. 2 2 140 140.September Sm Gjennomsnittspris 2 3 131 1 3 140 134.October Sm Gj. sn. 2 4 114 2 4 134 124.November 2004 Salg Sep Sm Gj. sn. 124.September 2004 Sm Gj. sn. 2 2 131 131.October Sm Gj. sn. 2 3 114 1 3 131 119 6666.November Sm Gj. sn. 2 4 119 2 4 119 6666 119 3333.Desember 2004 Salg Sep Sm Avg 119 3333.A 13 3 Prosent av nøyaktighet Calcula POA 133 6666 124 119 3333 114 119 137 100 101 891.A 13 4 Gjennomsnittlig Absolutt Avviksberegning. MAD 133 6666 - 114 124 - 119 119 3333 - 137 3 14 1111.A 14 Metode 12 - Eksponentiell utjevning med trend og sesongmessighet . Denne metoden ligner metode 11, eksponensiell utjevning ved at et glatt gjennomsnitt beregnes. Metode 12 inneholder også et begrep i prognosekvasjonen for å beregne en jevn trend. Prognosen består av en glatt gjennomsnitt justert for en lineær trend. Når spesifisert i prosesseringsalternativet er prognosen også justert for sesongmessige forhold. Den utjevningskonstanten som brukes til å beregne det glatte gjennomsnittet for det generelle nivået eller størrelsen på salget. Gyldige verdier for alfaområdet fra 0 til 1.b utjevningskonstanten som benyttes ved beregning av glattet gjennomsnitt for trendkomponenten i prognosen Gyldige verdier for beta-område fra 0 til 1.Whh en sesongbasert indeks er brukt på forecast. a og b er uavhengig av hverandre. De trenger ikke å legge til 1 0.Min Imum kreves salgshistorie to år pluss antall tidsperioder som kreves for å evaluere prognoseprestansen PBF. Method 12 bruker to eksponensielle utjevningsligninger og ett enkelt gjennomsnitt for å beregne et glatt gjennomsnitt, en jevn trend og en enkel gjennomsnittlig sesongfaktor. A 14 1 Prognose Beregning A. Et eksponentielt glatt gjennomsnitt. MAD 122 81 - 114 133 14 - 119 135 33 - 137 3 8 2.A 15 Evaluering av Forecasts. You kan velge prognosemetoder for å generere så mange som tolv prognoser for hvert produkt. Hver prognose Metoden vil trolig skape en litt annen projeksjon Når tusenvis av produkter er forventet, er det upraktisk å ta en subjektiv beslutning om hvilke av prognosene som skal brukes i dine planer for hver av produktene. Systemet evaluerer automatisk ytelsen for hver av prognosemetoder som du velger, og for hver av produktene prognose Du kan velge mellom to ytelseskriterier, Mean Absolute Deviation MAD og Percent of Accur acy POA MAD er et mål for prognosefeil POA er et mål for prognosebasert Begge disse resultatevalueringsteknikkene krever faktiske salgshistorikdata for en brukerdefinert tidsperiode. Denne perioden med nyere historie kalles en holdoutperiode eller perioder som passer best til PBF. For å måle resultatene av en prognosemetode, bruk prognoseformlene for å simulere en prognose for historisk utholdelsesperiode. Det vil vanligvis være forskjeller mellom faktiske salgsdata og den simulerte prognosen for holdoutperioden. Når flere prognosemetoder blir valgt, vil denne samme prosessen forekommer for hver metode. Flere prognoser beregnes for utholdelsesperioden og sammenlignet med den kjente salgshistorikken for samme tidsperiode. Prognosemetoden som gir best mulig samsvar best mulig mellom prognosen og det faktiske salget i utholdningsperioden, anbefales til bruk i dine planer Denne anbefalingen er spesifikk for hvert produkt, og kan endres fra en prognose generasjon til ne xt. A 16 Mean Absolute Deviation MAD. MAD er gjennomsnittet eller gjennomsnittet av absoluttverdiene eller størrelsen av avvikene eller feilene mellom faktiske og prognose data. MAD er et mål på gjennomsnittlig størrelsesorden for feil som kan forventes, gitt en prognosemetode og data historie Fordi absolutt verdier brukes i beregningen, avbryter ikke positive feil ut negative feil Når man sammenligner flere prognostiseringsmetoder, har den med den minste MAD vist seg å være den mest pålitelige for det aktuelle produktet for den holdingsperioden. Når prognosen er upartisk og feil distribueres normalt, det er et enkelt matematisk forhold mellom MAD og to andre vanlige målefordeler, standardavvik og Mean Squared Error. A 16 1 Prosent av nøyaktighet POA. Percent of Accuracy POA er et mål for prognostisk bias Når prognosene er konsekvente for høyt, lagerbeholdninger akkumuleres og varekostnadene øker Når prognosene er konsekvent to lave, forbruker varebeholdningen og nedgangen i kundeservice s En prognose som er 10 enheter for lav, da 8 enheter for høy, deretter 2 enheter for høy, ville være en objektiv prognose. Den positive feilen på 10 er kansellert av negative feil på 8 og 2.Error Actual - Forecast. When et produkt kan lagres i lager og når prognosen er objektiv, kan en liten mengde sikkerhetslager brukes til å buffere feilene. I denne situasjonen er det ikke så viktig å eliminere prognosefeil som det er å generere objektive prognoser. Men i tjenesteytende næringer , vil ovennevnte situasjon bli sett på som tre feil. Tjenesten vil bli underbemannet i den første perioden, deretter overbemannet for de neste to perioder. I tjenestene er størrelsen på prognosefeil vanligvis viktigere enn det som er prognosen. Summen over holdingsperioden tillater positive feil å avbryte negative feil Når totalt salg av det totale salget overstiger total prognosen, er forholdet større enn 100 Selvfølgelig er det umulig å være mer enn 100 nøyaktige Når en prognose er unbias ed, POA-forholdet vil være 100 Derfor er det mer ønskelig å være 95 nøyaktige enn å være 110 nøyaktige. POA-kriteriene velger prognosemetoden som har et POA-forhold som er nærmest 100. Skriften på denne siden forbedrer innholdsnavigasjon, men gjør ikke endre innholdet på noen måte. Forecasting innebærer generering av et tall, sett med tall eller scenario som tilsvarer en fremtidig forekomst. Det er helt avgjørende for kort rekkevidde og langdistanseplanlegging. Per definisjon er en prognose basert på tidligere data , i motsetning til en prediksjon, som er mer subjektiv og basert på instinkt, gut føler, eller gjett. For eksempel gir kvelden nyhetene værmeldingen, ikke værvarselet. Uansett er betingelsene forutsigelse og prediksjon ofte brukt interchangeable. For eksempel , definisjoner av regresjon, en teknikk som noen ganger brukes i prognoser, sier generelt at dens formål er å forklare eller forutsi. Forutsetninger er basert på en rekke antagelser. Fortiden vil gjenta seg med andre ord , hva som har skjedd i fortiden, vil skje igjen i fremtiden. Som prognoshorisonten forkortes, øker prognosens nøyaktighet. For eksempel vil en prognose for i morgen være mer nøyaktig enn en prognose for neste måned, en prognose for neste måned vil være mer nøyaktig enn en prognose for neste år og en prognose for neste år vil være mer nøyaktig enn en prognose for ti år i fremtiden. Forutsetninger i sammenfallende er mer nøyaktig enn å anslå individuelle poster. Dette betyr at et selskap vil kunne prognose total etterspørsel over sin hele spekteret av produkter mer nøyaktig enn det vil være i stand til å prognostisere individuelle lagerbeholdningsenheter SKUer For eksempel kan General Motors mer nøyaktig anslå det totale antallet biler som trengs for neste år enn det totale antallet hvite Chevrolet Impalas med en viss opsjonspakke. Forecasts er sjelden nøyaktige Videre er prognosene nesten aldri helt nøyaktige Mens noen er svært nær, er få rett på pengene Derfor er det klokt å tilby et prognoseområde Hvis man skulle prognose en etterspørsel på 100 000 enheter for neste måned, er det ekstremt usannsynlig at etterspørselen vil være 100 000 nøyaktig. En prognose på 90 000 til 110 000 vil gi et mye større mål for planlegging. Williams J Stevenson lister en rekke egenskaper som er felles for en god prognose. Det bør fastslås en viss grad av nøyaktighet, slik at sammenligning kan gjøres til alternative prognoser. Tilsvarende bør prognosemetoden gi en god prognose dersom brukeren skal etablere noen grad av selvtillit. Tidlig en viss tid er nødvendig for å svare på prognosen, slik at prognoseperioden må tillate den tiden som er nødvendig for å gjøre endringer. Enkel å bruke og forstå brukere av prognosen må være trygge og komfortable å jobbe med. - Effektiv Kostnaden for å gjøre prognosen bør ikke oppveie fordelene som oppnås fra prognosen. Forekomstteknikker spenner fra det enkle til det ytterste y kompleks Disse teknikkene klassifiseres vanligvis som kvalitative eller kvantitative. KVALITATIVE TEKNIKER. Kvalitative prognostiseringsteknikker er generelt mer subjektive enn deres kvantitative motsvarigheter. Kvalitative teknikker er mer nyttige i de tidligere stadier av produktets livssyklus, når mindre fortiddata eksisterer for bruk i kvantitative metoder Kvalitative metoder inkluderer Delphi teknikken, Nominell Gruppe Teknikk NGT, Salgsstyrke meninger, utøvende meninger og markedsundersøkelser. DELPHI TECHNOLOGY. Delphi teknikken bruker et panel av eksperter til å produsere en prognose Hver ekspert blir bedt om å gi en prognose spesifikk til behovet etter hånden Etter at de første prognosene er gjort, leser hver ekspert hva hver annen ekspert skrev og er selvfølgelig påvirket av deres synspunkter. En etterfølgende prognose blir deretter laget av hver ekspert. Hver ekspert leser deretter igjen hva hver annen ekspert skrev og er igjen påvirket av oppfatningen av de andre. Denne prosessen gjentar seg til hver eksp er nær enighet om det nødvendige scenariet eller tallene. NOMINAL GROUP TECHNIQUE. Nominal Group Technique ligner på Delphi-teknikken ved at den bruker en gruppe av deltakere, vanligvis eksperter Etter at deltakere svarer på prognosespørsmål, rangerer de deres svar i rekkefølge av opplevd relativ betydning Derefter samles rangeringene og aggregeres. Til slutt bør gruppen nå enighet om prioriteringene av de rangerte problemene. SOM FØLGER OPINIONS. Salgspersonalet er ofte en god kilde til informasjon om fremtidig etterspørsel. Salgsleder kan be om innspill fra hver salgsperson og aggregat deres svar til en komposittprognose fra en salgsforsyning. Forsiktig bør utvises ved bruk av denne teknikken som selgerens medlemmer kanskje ikke kan skille mellom hva kundene sier og hva de egentlig gjør. Også hvis prognoser vil bli brukt til å etablere salgskvoter, kan salgsstyrken bli fristet til å gi lavere estimater. EXECUTIVE OPI NIONS. Sometimes overordnede nivåer møter og utvikler prognoser basert på deres kunnskaper om deres ansvarsområder Dette er noen ganger referert til som en jury av executive opinion. MARKET RESEARCH. In markedsundersøkelser, er forbrukerundersøkelser brukt til å etablere potensiell etterspørsel Slike markedsundersøkelser involverer vanligvis å bygge opp et spørreskjema som krever personlig, demografisk, økonomisk og markedsføringsinformasjon. Noen ganger samler markedsforskere personlig informasjon i butikk og kjøpesentre, hvor forbrukeren kan oppleve smak, føle, lukte og se et bestemt produkt. Forskeren må være forsiktig med at prøven av undersøkte personer er representativ for ønsket forbrukermål. KVANTITATIVE TEKNIKER. Kvantitative prognoseteknikker er generelt mer objektive enn deres kvalitative motparter. Kvantitative prognoser kan være tidsserier prognoser, dvs. projeksjon av fortiden i fremtiden eller prognoser basert på assosiative modeller dvs. basert på en eller flere forklarende variabler Tidsserier data kan ha underliggende atferd som må identifiseres av forecasteren I tillegg må prognosen identifisere årsakene til atferden Noen av disse atferdene kan være mønstre eller bare tilfeldige variasjoner. Blant mønstrene er trendene. Trends, som er langsiktige bevegelser opp eller ned i dataene. Sammenheng, som produserer kortsiktige variasjoner som vanligvis er relatert til tiden av året, måneden eller til og med en bestemt dag, som vitne til i detaljhandelsmarkedet til jul eller pigger i bankaktivitet på den første i måneden og på fredager. Cykler, som er wavelike variasjoner som varer mer enn et år, som vanligvis knyttes til økonomiske eller politiske forhold. Irregulære variasjoner som ikke reflekterer typisk oppførsel, som for eksempel ekstremvær eller en union strike. Random variasjoner, som omfatter alle ikke-typiske atferd ikke regnskapsført av de andre klassifiseringene. I løpet av tidsseriemodellene er det enkleste å se prognosen A na v e prognose bruker bare den faktiske etterspørselen etter den siste perioden som den forventede etterspørselen etter neste periode Dette antar selvsagt at fortiden vil gjenta. Det antas også at eventuelle trender, sesongmessige eller sykluser gjenspeiles i tidligere periode s etterspørsel eller eksisterer ikke Et eksempel på na prognoser er presentert i Tabell 1. Tabel 1 Na ve Forecasting. En annen enkel teknikk er bruk av gjennomsnittlig For å lage en prognose ved hjelp av gjennomsnitt, tar man bare gjennomsnittet av noen antall perioder av Tidligere data ved å oppsummere hver periode og dividere resultatet med antall perioder Denne teknikken har vist seg å være svært effektiv for prognoser med kort rekkevidde. Variasjoner i gjennomsnitt inkluderer glidende gjennomsnitt, vektet gjennomsnitt og vektet glidende gjennomsnitt. Et glidende gjennomsnitt tar et forhåndsbestemt antall perioder, summerer deres faktiske etterspørsel, og fordeler seg med antall perioder for å nå en prognose. For hver etterfølgende periode faller den eldste dataperioden og den siste periode er lagt til Forutsatt et tre måneders glidende gjennomsnitt og bruk av dataene fra tabell 1, ville man ganske enkelt legge til 45 januar, 60 februar og 72 mars og dele med tre for å komme frem til en prognose for 45 april til 60 72 177 3 59. For å komme frem til en prognose for mai, ville man slippe januar s etterspørsel fra ligningen og legge til etterspørselen fra april. Tabell 2 presenterer et eksempel på et tre måneders glidende gjennomsnittlig prognose. Tabel 2 Tre måneders flytende gjennomsnittlig prognose. Obligatorisk etterspørsel 000 sA vektet gjennomsnittet bruker en forhåndsbestemt vekt til hver måned med tidligere data, summerer de siste dataene fra hver periode og fordeler seg etter totalvektene. Hvis forforskeren justerer vektene slik at summen deres er lik 1, blir vektene multiplisert med faktisk etterspørsel av hver aktuell periode Resultatene blir deretter oppsummert for å oppnå en vektet prognose. Generelt, jo nyere dataene er jo høyere vekten, og jo eldre blir dataene jo mindre vekten. Bruke etterspørselseksemplet, et veid gjennomsnitt med vekt av 4 3 2 og 1 ville gi prognosen for juni som 60 1 72 2 58 3 40 4 53 8.Forecasters kan også bruke en kombinasjon av vektet gjennomsnitt og gjennomsnittlig gjennomsnittlig prognose. En veid gjennomsnittlig prognose gir vekt til et forhåndsbestemt antall av perioder med faktiske data og beregner prognosen på samme måte som beskrevet ovenfor. Som med alle flytende prognoser, da hver ny periode legges til, blir dataene fra den eldste perioden kassert. Tabell 3 viser en tre måneders vektet glidende gjennomsnittlig prognose ved å bruke vektene 5 3, og 2.Table 3 Tre månedersvektet Moving Average Forecast. Actual Demand 000 sA mer kompleks form av vektet glidende gjennomsnitt er eksponensiell utjevning, så oppkalt fordi vekten faller av eksponentielt som dataalderen Eksponensiell utjevning tar forrige periode s prognose og justerer det med en forhåndsbestemt utjevningskonstant, kalt alfa, verdien for alfa er mindre enn en multiplisert med forskjellen i forrige prognose og etterspørselen som faktisk oppstod I den tidligere estimerte perioden kalt prognosefeil eksponentiell utjevning uttrykkes formelt som sådan Ny prognose forrige prognose alfa faktisk etterspørsel tidligere prognose FFA F. Eksponensiell utjevning krever at prognoseren begynner prognosen i en siste periode og arbeider frem til perioden hvor en strøm prognose er nødvendig. En betydelig mengde tidligere data og en begynnelses - eller innledende prognose er også nødvendig. Den foreløpige prognosen kan være en faktisk prognose fra en tidligere periode, den faktiske etterspørselen fra en tidligere periode, eller det kan estimeres ved å averdere hele eller deler av Tidligere data Noen heuristikker eksisterer for å beregne en innledende prognose. For eksempel vil den heuristiske N 2 1 og en alfa av 5 gi en N av 3, noe som indikerer at brukeren vil gjennomsnittlig de første tre periodene av data for å få en innledende prognose. nøyaktigheten av den første prognosen er ikke kritisk dersom man bruker store mengder data, siden eksponensiell utjevning er selvkorrigerende Gitt enoug h-perioder med tidligere data vil eksponensiell utjevning til slutt gi nok korreksjoner for å kompensere for en rimelig unøyaktig innledende prognose. Ved å bruke dataene som brukes i andre eksempler, beregnes en innledende prognose på 50 og en alfa på 7, som en prognose for februar som en ny prognose februar 50 7 45 50 41 5.Neste prognosen for mars Ny prognose Mars 41 5 7 60 41 5 54 45 Denne prosessen fortsetter inntil prospektoren når den ønskede perioden I tabell 4 vil dette være for juni måned siden Den faktiske etterspørselen etter juni er ikke kjent. Begrepet 000 s. En utvidelse av eksponensiell utjevning kan brukes når tidsseriedata viser en lineær trend. Denne metoden er kjent av flere navn, dobbeltsjiktende trendjustert eksponensiell utjevningsprognose, inkludert trend FIT og Holt s modell Uten justering vil enkle eksponensielle utjevningsresultater forsinke trenden, det vil si prognosen vil alltid være lav hvis trenden øker, eller høy hvis trenden minker. Med denne modellen Ere er to utjevningskonstanter, og med å representere trendkomponenten. En forlengelse av Holt s Model, kalt Holt-Winter s Method, tar hensyn til både trend og sesongmessighet. Det er to versjoner, multiplikativ og additiv, med multiplikativet som den mest brukt i additivmodellen er sesongmessigheten uttrykt som en mengde som skal legges til eller subtraheres fra seriens gjennomsnitt. Den multiplikative modellen uttrykker sesongmessighet som en prosentandel kjent som sesongbaserte slektninger eller sesongindekser av gjennomsnitt eller trend. Disse blir deretter multiplisert gangerverdier i rekkefølge å innlemme sesongmessighet En relativ på 0 8 vil indikere etterspørsel som er 80 prosent av gjennomsnittet, mens 1 10 vil indikere etterspørsel som er 10 prosent over gjennomsnittet Detaljert informasjon om denne metoden finnes i de fleste operasjonshåndbok lærebøker eller en av et tall av bøker om prognoser. Sosiativ eller kausal teknikk innebærer identifisering av variabler som kan brukes til å forutsi anothe r variabel av interesse For eksempel kan renten brukes til å prognose etterspørselen etter hjemrefinansiering. Dette innebærer vanligvis bruk av lineær regresjon, hvor målet er å utvikle en ligning som oppsummerer effektene av de spådommer uavhengige variablene på den prognostiserte avhengige variabel Hvis prediktorvariabelen ble plottet, ville objektet være å oppnå en ligning av en rett linje som minimerer summen av de kvadratiske avvikene fra linjen med avvik som er avstanden fra hvert punkt til linjen. Ligningen vil vises som ya bx, hvor y er den forutsagte avhengige variabelen, x er uavhengig variabel for prediktor, b er linjens helling, og a er lik høyden på linjen ved y-interceptet. Når ligningen er bestemt, kan brukeren sette inn nåværende verdier for uavhengig variabel for prediktor for å komme frem til en prognosavhengig variabel. Hvis det er mer enn én prediktorvariabel eller om forholdet mellom prediktor og prognose er ikke lineær, vil enkel lineær regresjon være utilstrekkelig. For situasjoner med flere prediktorer, bør flere regresjon brukes, mens ikke-lineære forhold krever bruk av krøllet regresjon. EKONOMETRISK FORSKRIFT. Økonomiske metoder, for eksempel autoregressiv integrert bevegelighetsgod modell ARIMA , bruk komplekse matematiske ligninger for å vise tidligere forhold mellom etterspørsel og variabler som påvirker etterspørselen. En ligning er avledet og deretter testet og finjustert for å sikre at det er like pålitelig en representasjon av det tidligere forhold som mulig. Når dette er gjort, vil projiserte verdier av påvirkning variablene inntekt, priser etc er satt inn i ligningen for å lage en prognose. EVALUERENDE FORECASTS. Forecast nøyaktighet kan bestemmes ved å beregne bias, gjennomsnittlig absolutt avvik MAD, gjennomsnittlig kvadrat feil MSE, eller gjennomsnittlig absolutt prosent feil MAPE for prognose ved å bruke forskjellige verdier for alfa Bias er summen av prognosefeilene FE For eksponentiell smo othing eksempel over, ville beregningsforspillingen være 60 41 5 72 54 45 58 66 74 40 60 62 6 69. Hvis man antar at en lav bias indikerer en generell lavprognosefeil, kan man beregne bias for en rekke potensielle verdier av alfa og anta at den med lavest bias ville være den mest nøyaktige. Det må imidlertid være oppmerksomt ved at feilaktige prognoser kan gi lav bias hvis de pleier å være både over prognose og under prognose negative og positive. For eksempel over tre perioder som et firma kan bruke en bestemt verdi av alfa til over forventet med 75.000 enheter 75.000, prognostisert av 100.000 enheter 100.000, og deretter over forventning med 25.000 enheter 25.000, noe som gir en bias på null 75.000 100.000 25.000 0 Til sammenligning gir en annen alfa som overfører prognoser på 2.000 enheter, 1.000 enheter og 3.000 enheter vil resultere i en bias på 5.000 enheter. Hvis den normale etterspørselen var 100.000 enheter per periode, ville den første alfa gi prognoser som var ute med så mye som 100 prosent mens seien cond alpha ville være ute med maksimalt bare 3 prosent, selv om forspenningen i den første prognosen var null. Et sikrere mål for prognosens nøyaktighet er gjennomsnittlig absolutt avvik MAD For å beregne MAD, summerer forecasteren den absolutte verdien av prognosen feil og dividerer deretter med antall prognoser FE N Ved å ta absolutt verdien av prognosefeilene, unngås kompensasjon av positive og negative verdier. Dette betyr at både en overprognose på 50 og en under prognose på 50 er av med 50 Bruke dataene fra eksponentiell utjevning eksempel MAD kan beregnes som følger 60 41 5 72 54 45 58 66 74 40 60 62 4 16 35 Derfor er prospektoren av et gjennomsnitt på 16 35 enheter pr prognose Sammenlignet med resultatet av andre alfaer, vil prospekteren vite at alfa med laveste MAD gir den mest nøyaktige prognosen. Feilsøkingsfeil MSE kan også benyttes på samme måte MSE er summen av prognosefeilene kvadrert delt med N-1 FE N-1 Squaring fo omdirigeringsfeil eliminerer muligheten til å kompensere for negative tall, siden ingen av resultatene kan være negative. Ved bruk av de samme dataene som ovenfor, ville MSE være 18 5 17 55 8 74 20 62 3 383 94 Som med MAD, kan forecasteren sammenligne MSE av prognoser utledet ved hjelp av ulike verdier av alfa og antar alfa med laveste MSE gir den mest nøyaktige prognosen. Den gjennomsnittlige absolutte prosentfeil MAPE er gjennomsnittlig absolutt prosentfeil For å komme til MAPE må man ta summen av forholdene mellom prognosen feil og faktiske etterspørselstider 100 for å få prosentandelen og dividere etter N Nødvendig prognose Faktisk etterspørsel 100 N Ved å bruke dataene fra eksponentiell utjevningseksempel kan MAPE beregnes som følger 18 5 60 17 55 72 8 74 58 20 62 48 100 4 28 33 As with MAD and MSE, the lower the relative error the more accurate the forecast. It should be noted that in some cases the ability of the forecast to change quickly to respond to changes in data patterns is considered to be mo re important than accuracy Therefore, one s choice of forecasting method should reflect the relative balance of importance between accuracy and responsiveness, as determined by the forecaster. MAKING A FORECAST. William J Stevenson lists the following as the basic steps in the forecasting process. Determine the forecast s purpose Factors such as how and when the forecast will be used, the degree of accuracy needed, and the level of detail desired determine the cost time, money, employees that can be dedicated to the forecast and the type of forecasting method to be utilized. Establish a time horizon This occurs after one has determined the purpose of the forecast Longer-term forecasts require longer time horizons and vice versa Accuracy is again a consideration. Select a forecasting technique The technique selected depends upon the purpose of the forecast, the time horizon desired, and the allowed cost. Gather and analyze data The amount and type of data needed is governed by the forecast s purpose, the forecasting technique selected, and any cost considerations. Make the forecast. Monitor the forecast Evaluate the performance of the forecast and modify, if necessary. FURTHER READING. Finch, Byron J Operations Now Profitability, Processes, Performance 2 ed Boston McGraw-Hill Irwin, 2006.Green, William H Econometric Analysis 5 ed Upper Saddle River, NJ Prentice Hall, 2003.Joppe, Dr Marion The Nominal Group Technique The Research Process Available from. Stevenson, William J Operations Management 8 ed Boston McGraw-Hill Irwin, 2005.Also read article about Forecasting from Wikipedia.