ตรวจสอบ A 4 ปี ถัว เฉลี่ยเคลื่อนที่ คาดการณ์ สำหรับ ปี 2009

ตัวอย่างการคำนวณการพยากรณ์อากาศ A.1 วิธีการคำนวณพยากรณ์อากาศมีอยู่ 12 วิธีในการคำนวณการคาดการณ์ วิธีการเหล่านี้ส่วนใหญ่มีไว้สำหรับการควบคุมผู้ใช้ที่ จำกัด ตัวอย่างเช่นอาจมีการระบุน้ำหนักที่วางไว้ในข้อมูลทางประวัติศาสตร์ล่าสุดหรือช่วงวันที่ของข้อมูลประวัติที่ใช้ในการคำนวณ ตัวอย่างต่อไปนี้แสดงขั้นตอนการคำนวณสำหรับแต่ละวิธีการคาดการณ์ที่พร้อมใช้งานโดยให้ข้อมูลประวัติที่เหมือนกัน ตัวอย่างต่อไปนี้ใช้ข้อมูลการขายแบบเดียวกันสำหรับปีพ. ศ. 2547 และ 2548 เพื่อสร้างยอดขายในปี 2549 นอกเหนือจากการคาดการณ์แล้วตัวอย่างแต่ละตัวอย่างจะมีการคาดการณ์ปีพ. ศ. 2548 สำหรับระยะเวลาการระงับสามเดือน (ตัวเลือกการประมวลผล 19 3) ซึ่งใช้แล้วสำหรับเปอร์เซ็นต์ความถูกต้องและการคำนวณค่าเบี่ยงเบนสัมบูรณ์ (ค่าเฉลี่ยการเบี่ยงเบนสัมบูรณ์) (ยอดขายจริงเทียบกับการคาดการณ์แบบจำลอง) A.2 เกณฑ์การประเมินประสิทธิภาพพยากรณ์พยากรณ์ขึ้นอยู่กับตัวเลือกการประมวลผลของคุณและแนวโน้มและรูปแบบที่มีอยู่ในข้อมูลการขายวิธีการคาดการณ์บางอย่างจะทำงานได้ดีกว่าข้อมูลอื่นที่มีอยู่ในอดีต วิธีการพยากรณ์อากาศที่เหมาะสมสำหรับผลิตภัณฑ์หนึ่งอาจไม่เหมาะสมสำหรับผลิตภัณฑ์อื่น นอกจากนี้ยังไม่น่าเป็นไปได้ว่าวิธีการคาดการณ์ที่ให้ผลลัพธ์ที่ดีในขั้นตอนหนึ่งของวงจรชีวิตของผลิตภัณฑ์จะยังคงเหมาะสมตลอดทั้งวงจรชีวิต คุณสามารถเลือกระหว่างสองวิธีเพื่อประเมินประสิทธิภาพปัจจุบันของวิธีการคาดการณ์ ค่าเบี่ยงเบนสัมบูรณ์ (MAD) และเปอร์เซ็นต์ความถูกต้อง (POA) ทั้งสองวิธีการประเมินผลการปฏิบัติงานเหล่านี้ต้องใช้ข้อมูลการขายในอดีตสำหรับผู้ใช้ที่ระบุไว้ในช่วงเวลา ระยะเวลานี้เรียกว่าระยะเวลา holdout หรือช่วงเวลาที่เหมาะสม (PBF) ข้อมูลในช่วงนี้ใช้เป็นพื้นฐานสำหรับการแนะนำวิธีการคาดการณ์ที่จะใช้ในการทำประมาณการครั้งต่อไป คำแนะนำนี้มีให้เฉพาะสำหรับแต่ละผลิตภัณฑ์และอาจมีการเปลี่ยนแปลงจากรุ่นคาดการณ์หนึ่งไปเป็นรุ่นต่อ ๆ ไป ทั้งสองวิธีการประเมินผลการคาดการณ์จะแสดงในหน้าเว็บตามตัวอย่างของสิบสองวิธีการคาดการณ์ A.3 วิธีที่ 1 - เปอร์เซ็นต์ที่ระบุในปีที่ผ่านมาวิธีนี้จะคูณข้อมูลการขายจากปีที่แล้วโดยผู้ใช้ที่ระบุเช่น 1.10 สำหรับการเพิ่มขึ้น 10 ครั้งหรือ 0.97 สำหรับการลดลง 3 ครั้ง ประวัติการขายที่ต้องการ: หนึ่งปีสำหรับการคำนวณการคาดการณ์บวกจำนวนผู้ใช้ที่ระบุช่วงเวลาสำหรับการประเมินประสิทธิภาพการคาดการณ์ (ตัวเลือกการประมวลผล 19) A.4.1 ช่วงการคาดการณ์ของประมาณการประวัติการขายเพื่อใช้ในการคำนวณปัจจัยการเติบโต (ตัวเลือกการประมวลผล 2a) 3 ในตัวอย่างนี้ รวมสามเดือนสุดท้ายของปี 2548: 114 119 137 370 รวม 3 เดือนของปีก่อน 123 139 133 395 คำนวณตามปัจจัย 370395 0.9367 คำนวณการคาดการณ์ยอดขายในเดือนมกราคม 2548 128 0.9367 119.8036 หรือประมาณ 120 กุมภาพันธ์ 2548 ยอดขาย 117 0.9367 109.5939 หรือประมาณ 110 มีนาคม 2548 ยอดขาย 115 0.9367 107.7205 หรือประมาณ 108 A.4.2 การคำนวณพยากรณ์แบบจำลองรวม 3 เดือนของปี 2548 ก่อนระยะเวลาการระงับ (กรกฎาคมสิงหาคมกันยายน): 129 140 131 400 รวมสามเดือนสำหรับ ปีที่แล้ว: 141 128 118 387 ค่าที่คำนวณได้ 400387 1.033591731 คำนวณการคาดการณ์แบบจำลอง: ตุลาคม 2547 ยอดขาย 123 1.033591731 127.13178 พฤศจิกายน 2547 ยอดขาย 139 1.033591731 143.66925 ธันวาคม 2547 ยอดขาย 133 1.033591731 137.4677 A.4.3 เปอร์เซ็นต์ของการคำนวณความถูกต้อง POA (127.13178 143.66925 137.4677) (114 119 137) 100 408.26873 370 100 110.3429 A.4.4 การคำนวณค่าเบี่ยงเบนสัมบูรณ์เที่ยงตรงหมายถึง MAD (127.13178 - 114 143.66925 - 119 137.4677 - 137) 3 (13.13178 24.66925 0.4677) 3 12.75624 A.5 วิธีที่ 3 - ปกอนถึงปนี้วิธีการนี้ทําการคัดลอกขอมูลการขายจากปกอนไปจนถึงปหนา ประวัติการขายที่ต้องการ: หนึ่งปีสำหรับการคำนวณการคาดการณ์บวกจำนวนของช่วงเวลาที่ระบุไว้สำหรับการประเมินประสิทธิภาพการคาดการณ์ (ตัวเลือกการประมวลผล 19) A.6.1 การพยากรณ์การคาดการณ์จำนวนรอบที่จะรวมอยู่ในค่าเฉลี่ย (ตัวเลือกการประมวลผล 4a) 3 ในตัวอย่างนี้สำหรับแต่ละเดือนของการคาดการณ์โดยเฉลี่ยแล้วข้อมูลสามเดือนก่อนหน้า ประมาณการมกราคม: 114 119 137 370, 370 3 123.333 หรือ 123 การคาดการณ์ในเดือนกุมภาพันธ์: 119 137 123 379, 379 3 126.333 หรือ 126 รายงานประจำเดือนมีนาคม: 137 123 126 379, 386 3 128.667 หรือ 129 A.6.2 การคำนวณพยากรณ์จำลองคำนวณยอดขายในเดือนตุลาคม 2548 (129 (131,333 128.3333 121.3333) (114 119 137) 100 103.513 A.6.4 Mean Absolute (ค่าสัมบูรณ์ที่คำนวณได้) การคำนวณค่าเบี่ยงเบน MAD (133.3333 - 114 128.3333 - 119 121.3333 - 137) 3 14.7777 A.7 วิธีที่ 5 - การประมาณค่าเชิงเส้นเส้นประมาณเชิงเส้นคำนวณแนวโน้มตามจุดข้อมูลการขายสองจุด จุดที่สองกำหนดเส้นแนวโน้มตรงที่คาดการณ์ไว้ในอนาคต ใช้วิธีนี้ด้วยความระมัดระวังเนื่องจากการคาดการณ์ในระยะยาวจะใช้ประโยชน์จากการเปลี่ยนแปลงเพียงเล็กน้อยในสองจุดข้อมูล ประวัติการขายที่ต้องการ: จำนวนงวดที่จะรวมไว้ในการถดถอย (ตัวเลือกการประมวลผล 5a) บวก 1 บวกจำนวนช่วงเวลาสำหรับการประเมินประสิทธิภาพการคาดการณ์ (ตัวเลือกการประมวลผล 19) (ตัวประมวลผลการประมวลผล 6a) 3 ในตัวอย่างนี้สำหรับแต่ละเดือนของการคาดการณ์เพิ่มการเพิ่มหรือลดลงในช่วงเวลาที่ระบุก่อนช่วงเวลา holdout รอบระยะเวลาก่อนหน้า ค่าเฉลี่ยของช่วง 3 เดือนก่อนหน้า (114 119 137) 3 123.3333 สรุปช่วง 3 เดือนที่ผ่านมาโดยพิจารณาน้ำหนัก (114 1) (119 2) (137 3) 763 ความแตกต่างระหว่างค่า 763 - 123.3333 (1 2 3) 23 อัตราส่วน ( 12 22 32) - 2 3 14 - 12 2 มูลคา 1 ความแตกตางระหวางการทํางาน 232 11.5 คา 2 Average - value1 ratio 123.3333 - 11.5 2 100.3333 Forecast (1 n) value1 value2 4 11.5 100.3333 146.333 หรือ 146 Forecast 5 11.5 100.3333 157.8333 หรือ 158 Forecast 6 11.5 100.3333 169.3333 หรือ 169 A.8.2 การคำนวณพยากรณ์จำลองคำนวณยอดขายในเดือนตุลาคม 2547: เฉลี่ย 3 เดือนก่อนหน้า (129 140 131) 3 133.3333 สรุปช่วง 3 เดือนที่ผ่านมาโดยพิจารณาน้ำหนัก (129 1) (140 2) (131 3) 802 ความแตกต่างระหว่าง (1 22) 2 3 14 - 12 2 Value1 ความแตกต่างRatio 22 1 Value2 Average - value1 ratio 133.3333 - 1 2 131.3333 Forecast (1 n) value1 value2 4 1 131.3333 135.3333 November 2004 ขาย ค่าเฉลี่ยของช่วง 3 เดือนก่อนหน้า (140 131 114) 3 128.3333 สรุปช่วง 3 เดือนที่ผ่านมาโดยพิจารณาน้ำหนัก (140 1) (131 2) (114 3) 744 ความแตกต่างระหว่างค่า 744 - 128.3333 (1 2 3) -25.9999 มูลค่า 1 (131 114 119) 3 121.3333 สรุปผลการดำเนินงานในช่วง 3 เดือนที่ผ่านมาโดยพิจารณาน้ำหนัก (3) ค่าใช้จ่ายในการดำเนินงาน 131 1) (114 2) (119 3) 716 ความแตกตางระหวางคา 716 - 121.3333 (1 2 3) -11.9999 คาที่ 1 ความแตกตางระหวาง -11.99992 -5.9999 มูลคา 2 คาเฉลี่ย 121.3333 - (-5.9999) 2 133.3333 พยากรณ์ 4 (-5.9999 ) 133.3333 109.3333 A.8.3 ร้อยละของการคำนวณความถูกต้อง POA (135.33 102.33 109.33) (114 119 137) 100 93.78 A.8.4 การคำนวณค่าเบี่ยงเบนสัมบูรณ์ที่มีค่าเฉลี่ย MAD (135.33 - 114 102.33 - 119 109.33 - 137) 3 21.88 A.9 วิธีที่ 7 - ซีคอน d การประมาณค่าระดับการถดถอยเชิงเส้นกำหนดค่าสำหรับ a และ b ในสูตรการคาดการณ์ Y a bX โดยมีวัตถุประสงค์เพื่อให้ตรงกับข้อมูลประวัติการขาย การประมาณปริญญาที่สองคล้ายกัน อย่างไรก็ตามวิธีนี้กำหนดค่าสำหรับ a, b และ c ในสูตรการคาดการณ์ Y a bX cX2 โดยมีวัตถุประสงค์เพื่อปรับเส้นโค้งให้สอดคล้องกับข้อมูลประวัติการขาย วิธีนี้อาจเป็นประโยชน์เมื่อผลิตภัณฑ์อยู่ในช่วงการเปลี่ยนผ่านระหว่างขั้นตอนของวงจรชีวิต ตัวอย่างเช่นเมื่อผลิตภัณฑ์ใหม่ย้ายจากช่วงแนะนำสู่ช่วงการเติบโตแนวโน้มการขายอาจเพิ่มขึ้น เนื่องจากลำดับที่สองการคาดการณ์สามารถหาอินฟินิตี้ได้อย่างรวดเร็วหรือลดลงเป็นศูนย์ (ขึ้นอยู่กับว่าสัมประสิทธิ์ c เป็นบวกหรือลบ) ดังนั้นวิธีนี้มีประโยชน์ในระยะสั้นเท่านั้น ข้อกำหนดการคาดการณ์: สูตรจะพบ a, b และ c ให้พอดีกับเส้นโค้งให้ตรงกับสามจุด คุณระบุ n ในตัวเลือกการประมวลผล 7a จำนวนช่วงเวลาของข้อมูลที่จะสะสมลงในแต่ละจุดสามจุด ในตัวอย่างนี้ n 3 ดังนั้นข้อมูลการขายจริงสำหรับเดือนเมษายนถึงมิถุนายนจะรวมกันเป็นจุดแรก Q1 ตั้งแต่เดือนกรกฎาคมจนถึงเดือนกันยายนรวมกันเพื่อสร้างไตรมาสที่ 2 และเดือนตุลาคมถึงเดือนธันวาคมรวมเป็นไตรมาสที่ 3 เส้นโค้งจะพอดีกับสามค่า Q1, Q2 และ Q3 ประวัติการขายที่ต้องการ: 3 n งวดสำหรับการคำนวณการคาดการณ์บวกจำนวนช่วงเวลาที่จำเป็นสำหรับการประเมินผลการพยากรณ์ (PBF) จำนวนงวดที่จะรวม (ตัวเลือกการประมวลผล 7a) 3 ในตัวอย่างนี้ใช้เดือนที่แล้ว (3 n) เดือนในช่วงสามเดือน: Q1 (เม. ย. - มิ.ย. ) 125 122 137 384 Q2 (ก. ค. - ก. ย. ) 129 140 131 400 Q3 ต. ค. - ธ. ค. ) 114 119 137 370 ขั้นตอนต่อไปคือการคำนวณค่าสัมประสิทธิ์ทั้งสามแบบ a, b และ c เพื่อใช้ในสูตรคาดการณ์ Y a bX cX2 (1) Q1 a bX cX2 (โดยที่ X 1) abc (2) Q2 bx cX2 (where X 2) a 2b 4c (3) Q3 a bX cX2 (where X 3) a 3b 9c แก้สมการทั้งสามสมการหา b, a และ c: ลบสมการ (1) จากสมการ (2) (3) Q3 a 3 (Q2-Q1) - 3c c ท้ายแทนสมการเหล่านี้สำหรับ a และ b ให้เป็นสมการ (2) - (1) Q2 - Q1 b 3c (q2 - Q1) - 3c c Q1 c (Q3 - Q2) (Q1 - Q2) 2 วิธีประมาณค่าที่สองคำนวณ a, b และ c ดังนี้ 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 a bX cX2 322 85X (-23) X2 มกราคมถึงมีนาคมคาดการณ์ (X4): (322 340 - 368) 3 2943 98 ในช่วงเดือนเมษายนถึงมิถุนายน (X5): (322 425 - 575) 3 57.333 หรือ 57 ต่องวดตั้งแต่เดือนกรกฎาคมถึงกันยายน (X6): (322 510 - 828) 3 1.33 หรือ 1 ต่องวดตั้งแต่เดือนตุลาคมถึงธันวาคม (X7) (322 595 - 11273 -70 A.9.2 การคำนวณพยากรณ์แบบจำลองเดือนตุลาคมพฤศจิกายนและธันวาคม 2547 ยอดขาย: Q1 (ม. ค. - มี.ค. ) 360 Q2 (เม. ย. - มิ.ย. ) 384 Q3 (ก. ค. - ก. ย. ) 400 a 400 - 3 (384 - 360) 328 c (400 - 384) (360 - 384) 2 -4 ข (384 - 360) - 3 (-4) 36 328 36 4 (-4) 163 136 A.9.3 เปอร์เซ็นต์การคำนวณความถูกต้อง POA (136 136 136) (114 119 137) 100 110.27 A.9.4 การคำนวณค่าเบี่ยงเบนสัมบูรณ์ที่คำนวณได้ MAD (136 - 114 136 - 119 136 - 137) 3 13.33 A.10 วิธีที่ 8 - วิธีที่ยืดหยุ่นวิธีการที่ยืดหยุ่น (เปอร์เซ็นต์มากกว่า n เดือนก่อน) คล้ายกับวิธีการ 1 ร้อยละเมื่อปีที่แล้ว ทั้งสองวิธีคูณข้อมูลการขายจากช่วงเวลาก่อนหน้าโดยผู้ใช้ที่ระบุแล้วจะคาดการณ์ผลลัพธ์ในอนาคต ในวิธีคิดอัตราส่วนต่อปีที่ผ่านมาการประมาณการจะขึ้นอยู่กับข้อมูลจากช่วงเวลาเดียวกันของปีที่ผ่านมา วิธีการแบบยืดหยุ่นจะเพิ่มความสามารถในการระบุช่วงเวลาอื่นนอกเหนือจากช่วงเวลาเดียวกันของปีที่ผ่านมาเพื่อใช้เป็นเกณฑ์ในการคำนวณ คูณปัจจัย ตัวอย่างเช่นระบุ 1.15 ในตัวเลือกการประมวลผล 8b เพื่อเพิ่มข้อมูลประวัติการขายก่อนหน้านี้โดย 15. ระยะเวลาฐาน ตัวอย่างเช่น n 3 จะทำให้การคาดการณ์ครั้งแรกขึ้นอยู่กับข้อมูลการขายในเดือนตุลาคม 2548 ประวัติการขายขั้นต่ำ: ผู้ใช้ระบุจำนวนงวดย้อนกลับไปยังช่วงเวลาพื้นฐานบวกกับจำนวนช่วงเวลาที่จำเป็นสำหรับการประเมินผลการคาดการณ์ ( PBF) A.10.4 การคำนวณค่าเบี่ยงเบนสัมบูรณ์ที่ระดับความเชื่อมั่น MAD (148 - 114 161 - 119 151 - 137) 3 30 A.11 วิธีที่ 9 - ค่าเฉลี่ยถ่วงน้ำหนักวิธีการถัวเฉลี่ยถ่วงน้ำหนักเคลื่อนที่ (WMA) คล้ายกับวิธีที่ 4 ค่าเฉลี่ยเคลื่อนที่ (MA) อย่างไรก็ตามคุณสามารถกำหนดน้ำหนักการถ่วงน้ำหนักที่ไม่เท่ากันให้กับข้อมูลทางประวัติศาสตร์ได้โดยใช้ Weighted Moving Average วิธีคำนวณค่าเฉลี่ยถ่วงน้ำหนักของประวัติการขายล่าสุดเพื่อให้ได้ภาพที่ประมาณการในระยะสั้น ข้อมูลล่าสุดมักได้รับมอบหมายให้มีน้ำหนักมากกว่าข้อมูลที่เก่ากว่าดังนั้นจึงทำให้ WMA มีการตอบสนองต่อการเปลี่ยนแปลงระดับการขายมากขึ้น อย่างไรก็ตามแนวโน้มการคาดการณ์และข้อผิดพลาดอย่างเป็นระบบยังคงเกิดขึ้นเมื่อประวัติการขายของผลิตภัณฑ์แสดงแนวโน้มที่แข็งแกร่งหรือตามฤดูกาล วิธีนี้ใช้งานได้ดีกว่าสำหรับการคาดการณ์ในระยะสั้นของผลิตภัณฑ์ที่ครบกำหนดมากกว่าผลิตภัณฑ์ที่อยู่ในช่วงการเจริญเติบโตหรือเสื่อมสภาพของวงจรชีวิต n จำนวนระยะเวลาของประวัติการขายที่จะใช้ในการคำนวณคาดการณ์ ตัวอย่างเช่นระบุ n 3 ในตัวเลือกการประมวลผล 9a เพื่อใช้ช่วงเวลาสามช่วงล่าสุดเป็นเกณฑ์สำหรับการฉายในช่วงเวลาถัดไป ค่าที่มากสำหรับ n (เช่น 12) ต้องการประวัติการขายเพิ่มขึ้น ส่งผลให้มีการคาดการณ์ที่มั่นคง แต่จะช้าในการรับรู้ถึงการเปลี่ยนแปลงในระดับของยอดขาย ในทางกลับกันค่าเล็กน้อยสำหรับ n (เช่น 3) จะตอบสนองได้เร็วขึ้นเพื่อเลื่อนระดับการขาย แต่การคาดการณ์อาจผันผวนอย่างกว้างขวางเพื่อให้การผลิตไม่สามารถตอบสนองต่อรูปแบบต่างๆได้ น้ำหนักที่กำหนดให้กับแต่ละช่วงข้อมูลที่ผ่านมา น้ำหนักที่กำหนดต้องเป็น 1.00 ตัวอย่างเช่นเมื่อ n 3 ให้กำหนดน้ำหนักของ 0.6, 0.3 และ 0.1 โดยข้อมูลล่าสุดจะได้รับน้ำหนักมากที่สุด ประวัติการขายที่ต้องการขั้นต่ำ: n บวกจำนวนช่วงเวลาที่จำเป็นสำหรับการประเมินประสิทธิภาพการคาดการณ์ (PBF) MAD (133.5 - 114 121.7 - 119 118.7 - 137) 3 13.5 A.12 วิธีที่ 10 - การทำให้เรียบแบบ Linear วิธีนี้คล้ายกับวิธีที่ 9 Weighted Moving Average (WMA) อย่างไรก็ตามแทนที่จะใช้การกำหนดน้ำหนักโดยพลการให้กับข้อมูลทางประวัติศาสตร์สูตรจะใช้เพื่อกำหนดน้ำหนักที่ลดลงเป็นเชิงเส้นและรวมกันเป็น 1.00 วิธีนี้จะคำนวณถัวเฉลี่ยถ่วงน้ำหนักของประวัติการขายล่าสุดเพื่อให้ได้ภาพที่ฉายในระยะสั้น ตามที่เป็นจริงของเทคนิคการคาดการณ์การเคลื่อนไหวเชิงเส้นทั้งหมดคาดการณ์การคาดการณ์และข้อผิดพลาดอย่างเป็นระบบเกิดขึ้นเมื่อประวัติการขายของผลิตภัณฑ์แสดงแนวโน้มที่แข็งแกร่งหรือรูปแบบตามฤดูกาล วิธีนี้ใช้งานได้ดีกว่าสำหรับการคาดการณ์ในระยะสั้นของผลิตภัณฑ์ที่ครบกำหนดมากกว่าผลิตภัณฑ์ที่อยู่ในช่วงการเจริญเติบโตหรือเสื่อมสภาพของวงจรชีวิต n จำนวนระยะเวลาของประวัติการขายที่จะใช้ในการคำนวณคาดการณ์ ซึ่งระบุไว้ในตัวเลือกการประมวลผล 10a ตัวอย่างเช่นระบุ n 3 ในตัวเลือกการประมวลผล 10b เพื่อใช้ช่วงเวลาสามครั้งล่าสุดเป็นเกณฑ์สำหรับการฉายในช่วงเวลาถัดไป ระบบจะกำหนดน้ำหนักให้กับข้อมูลทางประวัติศาสตร์ที่ลดลงโดยอัตโนมัติและรวมเป็น 1.00 ตัวอย่างเช่นเมื่อ n 3 ระบบจะกำหนดน้ำหนักของ 0.5, 0.3333 และ 0.1 โดยข้อมูลล่าสุดจะได้รับน้ำหนักมากที่สุด ประวัติการขายที่ต้องการขั้นต่ำ: n บวกจำนวนช่วงเวลาที่จำเป็นสำหรับการประเมินประสิทธิภาพการคาดการณ์ (PBF) (ตัวประมวลผล 10a) 3 ในตัวอย่างนี้อัตราส่วนสำหรับระยะเวลาหนึ่งก่อน 3 (n2 n) 2 3 (32 3) 2 36 0.5 อัตราส่วนสองช่วงก่อนหน้า 2 (n2 n ) 2 2 (32 3) 2 26 0.3333 .. อัตราส่วนสามงวดก่อน 1 (n 2 n) 2 1 (32 3) 2 16 0.1666 .. พยากรณ์มกราคม: 137 0.5 119 13 114 16 127.16 หรือ 127 การคาดการณ์เดือนกุมภาพันธ์: 127 0.5 137 13 119 16 129 การคาดการณ์ของเดือนมีนาคม: 129 0.5 127 13 137 16 129.666 หรือ 130 A.12.2 การคำนวณพยากรณ์จำลองคำนวณยอดขายในเดือนตุลาคม 2547 129 16 140 26 131 36 133.6666 พฤศจิกายน 2547 ยอดขาย 140 16 131 26 114 36 124 ธันวาคม 2547 ขาย 131 16 114 26 119 36 119.3333 A.12.3 เปอร์เซ็นต์ของการคำนวณความถูกต้อง POA (133.6666 124 119.3333) (114 119 137) 100 101.891 A.12.4 การคำนวณค่าเบี่ยงเบนสัมบูรณ์เที่ยงตรงหมายถึง MAD (133.6666 - 114 124 - 119 119.3333 - 137) 3 14.1111 A.13 วิธีที่ 11 - วิธีการนี้มีความคล้ายคลึงกับวิธีที่ 10, Linear Smoothing ใน Linear Smoothing ระบบจะกำหนดน้ำหนักให้กับข้อมูลทางประวัติศาสตร์ที่ลดลงเป็นเส้นตรง ระบบจะกำหนดน้ำหนักที่สลายตัวแบบเลขชี้กำลัง สมการพยากรณ์ความเป็นไปได้คือ: พยากรณ์ (การขายจริงก่อนหน้านี้) (1 - a) พยากรณ์ก่อนหน้านี้การคาดการณ์คือค่าเฉลี่ยถ่วงน้ำหนักของยอดขายจริงจากช่วงก่อนหน้าและประมาณการจากช่วงก่อนหน้า a คือน้ำหนักที่ใช้กับยอดขายที่เกิดขึ้นจริงสำหรับงวดก่อนหน้า (1 - a) คือน้ำหนักที่ใช้กับการคาดการณ์ในช่วงก่อนหน้า ค่าที่ถูกต้องสำหรับช่วงตั้งแต่ 0 ถึง 1 และโดยปกติจะอยู่ระหว่าง 0.1 ถึง 0.4 ผลรวมของน้ำหนักคือ 1.00 a (1 - a) 1 คุณควรกำหนดค่าสำหรับค่าคงที่ที่ราบเรียบ a. ถ้าคุณไม่ได้กำหนดค่าสำหรับการปรับให้ราบเรียบระบบจะคำนวณค่าที่สันนิษฐานขึ้นอยู่กับจำนวนรอบระยะเวลาของประวัติการขายที่ระบุไว้ในตัวเลือกการประมวลผล 11a ค่าคงที่ที่ราบเรียบที่ใช้ในการคำนวณค่าเฉลี่ยที่เรียบสำหรับระดับทั่วไปหรือขนาดของยอดขาย ค่าที่ถูกต้องสำหรับช่วงตั้งแต่ 0 ถึง 1 n ช่วงข้อมูลประวัติการขายที่จะรวมไว้ในการคำนวณ โดยทั่วไปหนึ่งปีของข้อมูลประวัติการขายก็เพียงพอที่จะประมาณยอดขายโดยทั่วไป สำหรับตัวอย่างนี้ได้เลือกค่าเล็กน้อยสำหรับ n (n 3) เพื่อลดการคำนวณด้วยตนเองที่จำเป็นสำหรับการตรวจสอบผล การทำให้เรียบแบบเสี้ยว (Exponential smoothing) สามารถสร้างการคาดการณ์โดยอิงตามจุดข้อมูลทางประวัติศาสตร์เพียงอย่างเดียว ประวัติการขายที่ต้องการขั้นต่ำ: n บวกจำนวนช่วงเวลาที่จำเป็นสำหรับการประเมินประสิทธิภาพการคาดการณ์ (PBF) (ตัวประมวลผล 11a) 3 และปัจจัยอัลฟา (ตัวเลือกการประมวลผล 11b) ว่างไว้ในตัวอย่างนี้เป็นปัจจัยสำหรับข้อมูลการขายที่เก่าแก่ที่สุด 2 (11) หรือ 1 เมื่อระบุ alpha เป็นปัจจัยสำหรับ 2 ข้อมูลการขายที่เก่าแก่ที่สุด 2 (12) หรืออัลฟาเมื่อ alpha ระบุปัจจัยสำหรับข้อมูลการขายที่เก่าแก่ที่สุดอันดับที่ 3 3 หรือ alpha เมื่อ alpha ระบุปัจจัยสำหรับข้อมูลการขายล่าสุด 2 (1n) หรือ alpha เมื่อระบุ alpha พฤศจิกายน Sm เฉลี่ย a (เดือนตุลาคมที่เกิดขึ้นจริง) (1 - a) October Sm. เฉลี่ย 1 114 0 0 114 ธันวาคม Sm. เฉลี่ย a (November Actual) (1 - a) พฤศจิกายน Sm. เฉลี่ย 23 119 13 114 117.3333 มกราคมคาดการณ์ (ธันวาคมจริง) (1 - ก) ธันวาคม Sm เฉลี่ย 24 137 24 117.3333 127.16665 หรือ 127 February Forecast มกราคม Forecast 127 March Forecast มกราคม Forecast 127 A.13.2 การคำนวณพยากรณ์แบบจำลองกรกฎาคม 2547 Sm เฉลี่ย 22 129 129 สิงหาคม Sm. เฉลี่ย 23 140 13 129 136.3333 กันยายนกันยายน เฉลี่ย 24 131 24 136.3333 133.6666 ตุลาคม 2547 ยอดขายกันยายนกันยายนศ. เฉลี่ย 133.6666 สิงหาคม, 2547 Sm. เฉลี่ย 22 140 140 กันยายนกันยายน เฉลี่ย 23 131 13 140 134 ตุลาคม Sm. เฉลี่ย 24 114 24 134 124 พฤศจิกายน 2547 ขายกันยายนกันยายน เฉลี่ย 124 กันยายน 2547 Sm. เฉลี่ย 22 131 131 ตุลาคม Sm. เฉลี่ย 23 114 13 131 119.6666 พฤศจิกายนศ. เฉลี่ย 24 119 24 119.6666 119.3333 ยอดขายธันวาคม 2547 ก. ย. Sm. เฉลี่ย 119.3333 A.13.3 ร้อยละของการคำนวณความถูกต้อง POA (133.6666 124 119.3333) (114 119 137) 100 101.891 A.13.4 การคำนวณค่าเบี่ยงเบนสัมบูรณ์ที่มีค่าเฉลี่ย MAD (133.6666 - 114 124 - 119 119.3333 - 137) 3 14.1111 A.14 วิธีที่ 12 - การจัดแจงแบบเสียดสี (Exponential Smoothing) ด้วยเทรนด์และฤดูกาลวิธีนี้คล้ายคลึงกับวิธีที่ 11 Exponential Smoothing ที่คำนวณค่าเฉลี่ยที่ราบเรียบ อย่างไรก็ตามวิธีที่ 12 รวมถึงคำในสมการพยากรณ์เพื่อคำนวณแนวโน้มที่ราบรื่น การคาดการณ์ประกอบด้วยการปรับค่าเฉลี่ยที่ราบเรียบสำหรับแนวโน้มเชิงเส้น เมื่อระบุไว้ในตัวเลือกการประมวลผลการคาดการณ์จะได้รับการปรับตามฤดูกาลด้วยเช่นกัน ค่าคงที่ที่ราบเรียบที่ใช้ในการคำนวณค่าเฉลี่ยที่เรียบสำหรับระดับทั่วไปหรือขนาดของยอดขาย ค่าที่ถูกต้องสำหรับ alpha มีตั้งแต่ 0 ถึง 1 b ค่าคงที่ที่ราบเรียบที่ใช้ในการคำนวณค่าเฉลี่ยที่ราบเรียบสำหรับส่วนประกอบแนวโน้มของการคาดการณ์ ค่าที่ถูกต้องสำหรับช่วงเบต้าตั้งแต่ 0 ถึง 1 ไม่ว่าจะมีการใช้ดัชนีตามฤดูกาลกับการคาดการณ์ a และ b จะไม่ขึ้นกับแต่ละอื่น ๆ พวกเขาไม่ต้องเพิ่มเป็น 1.0 ประวัติการขายที่ต้องการขั้นต่ำ: สองปีบวกระยะเวลาที่จำเป็นสำหรับการประเมินประสิทธิภาพการคาดการณ์ (PBF) วิธีที่ 12 ใช้สมการราบเรียบแบบเอ็กซเรนแนนเชียลและค่าเฉลี่ยที่เรียบง่ายเพียงอย่างเดียวในการคำนวณหาค่าเฉลี่ยที่ราบเรียบแนวโน้มที่เรียบและค่าเฉลี่ยตามฤดูกาลที่เรียบง่าย A.14.1 การคำนวณพยากรณ์ A) ค่าเฉลี่ย MAD แบบเรียบ (122.81 - 114 133.14 - 119 135.33 - 137) 3 8.2 A.15 การประเมินการคาดการณ์คุณสามารถเลือกวิธีคาดการณ์เพื่อสร้างการคาดการณ์ได้ถึงสิบสองครั้งสำหรับแต่ละผลิตภัณฑ์ วิธีการคาดการณ์แต่ละวิธีอาจสร้างการฉายภาพที่แตกต่างกันเล็กน้อย เมื่อมีการคาดการณ์ผลิตภัณฑ์หลายพันรายการจะไม่เป็นไปได้ในการตัดสินใจอย่างเป็นอัตนัยเกี่ยวกับการคาดการณ์ใดในแผนงานของคุณสำหรับแต่ละผลิตภัณฑ์ ระบบประเมินประสิทธิภาพโดยอัตโนมัติสำหรับแต่ละวิธีคาดการณ์ที่คุณเลือกและสำหรับแต่ละผลิตภัณฑ์คาดการณ์ คุณสามารถเลือกระหว่างสองเกณฑ์ประสิทธิภาพ ได้แก่ Mean Absolute Deviation (MAD) และเปอร์เซ็นต์ความถูกต้อง (POA) MAD เป็นตัวชี้วัดข้อผิดพลาดในการคาดการณ์ POA เป็นตัววัดความลำเอียงของการคาดการณ์ เทคนิคการประเมินประสิทธิภาพทั้งสองแบบนี้ต้องการข้อมูลประวัติการขายที่แท้จริงสำหรับผู้ใช้ตามช่วงเวลาที่กำหนด ช่วงเวลาของประวัติล่าสุดนี้เรียกว่าระยะเวลาการระงับหรือช่วงเวลาที่เหมาะสม (PBF) หากต้องการวัดประสิทธิภาพของวิธีการคาดการณ์ให้ใช้สูตรคาดการณ์เพื่อจำลองการคาดการณ์สำหรับระยะเวลาการระงับชั่วคราวในอดีต โดยทั่วไปจะมีความแตกต่างระหว่างข้อมูลการขายที่เกิดขึ้นจริงกับการคาดการณ์แบบจำลองสำหรับระยะเวลาการระงับ เมื่อเลือกวิธีคาดการณ์หลายวิธีกระบวนการเดียวกันนี้จะเกิดขึ้นกับแต่ละวิธี คาดการณ์หลายรายการสำหรับระยะเวลาการระงับและเปรียบเทียบกับประวัติการขายที่รู้จักกันในช่วงเวลาเดียวกัน แนะนำให้ใช้วิธีการคาดการณ์ที่เหมาะสมที่สุดในการคาดการณ์และยอดขายจริงในช่วงระยะเวลาการระงับชั่วคราวเพื่อใช้ในแผนงานของคุณ ข้อเสนอแนะนี้มีไว้สำหรับแต่ละผลิตภัณฑ์โดยเฉพาะและอาจเปลี่ยนจากการคาดการณ์หนึ่งไปเป็นอีกรุ่นหนึ่ง A.16 ค่าเบี่ยงเบนสัมบูรณ์ (MAD) หมายถึงค่าเฉลี่ย (หรือค่าเฉลี่ย) ของค่าสัมบูรณ์ (หรือขนาด) ของความเบี่ยงเบน (หรือข้อผิดพลาด) ระหว่างข้อมูลจริงและข้อมูลที่คาดการณ์ MAD เป็นมาตรวัดขนาดเฉลี่ยของข้อผิดพลาดที่คาดว่าจะได้รับตามวิธีการคาดการณ์และประวัติข้อมูล เนื่องจากค่าสัมบูรณ์ถูกนำมาใช้ในการคำนวณข้อผิดพลาดในเชิงบวกไม่ได้เป็นการยกเลิกข้อผิดพลาดเชิงลบ เมื่อเปรียบเทียบวิธีการคาดการณ์หลายวิธีหนึ่งกับ MAD ที่เล็กที่สุดแสดงให้เห็นว่าน่าเชื่อถือที่สุดสำหรับผลิตภัณฑ์ดังกล่าวในช่วงที่มีการระงับ เมื่อมีการคาดการณ์ที่ไม่เป็นกลางและมีข้อผิดพลาดเกิดขึ้นตามปกติมีความสัมพันธ์ทางคณิตศาสตร์ที่เรียบง่ายระหว่าง MAD และสองค่านิยมทั่วไปของการแจกแจงส่วนเบี่ยงเบนมาตรฐานและ Mean Squared Error: A.16.1 เปอร์เซ็นต์ความถูกต้อง (POA) เปอร์เซ็นต์ความถูกต้อง (POA) คือ วัดความลำเอียงคาดการณ์ เมื่อการคาดการณ์สูงเกินไปอย่างต่อเนื่องสินค้าคงเหลือสะสมและต้นทุนสินค้าคงคลังเพิ่มขึ้น เมื่อการคาดการณ์เป็นไปอย่างต่อเนื่องสองขั้นต่ำสินค้าคงเหลือถูกบริโภคและการบริการลูกค้าลดลง การคาดการณ์ที่ต่ำกว่า 10 หน่วยจากนั้น 8 หน่วยที่สูงเกินไปจากนั้น 2 หน่วยที่สูงเกินไปจะเป็นการคาดการณ์ที่เป็นกลาง ข้อผิดพลาดในเชิงบวกที่ 10 จะถูกยกเลิกโดยข้อผิดพลาดเชิงลบที่ 8 และ 2 ข้อผิดพลาดที่เกิดขึ้นจริง - พยากรณ์เมื่อผลิตภัณฑ์สามารถเก็บไว้ในสินค้าคงคลังและเมื่อการคาดการณ์เป็นกลางจำนวนหุ้นที่ปลอดภัยจะถูกนำมาใช้เพื่อป้องกันข้อผิดพลาด ในสถานการณ์เช่นนี้การกำจัดข้อผิดพลาดในการคาดการณ์ไม่ได้เป็นเรื่องสำคัญเท่าที่ควรในการคาดการณ์ที่เป็นกลาง อย่างไรก็ตามในอุตสาหกรรมบริการสถานการณ์ข้างต้นจะถือเป็นข้อผิดพลาดสามประการ บริการนี้จะขาดแคลนในช่วงแรกและมีปริมาณเกินกว่าสองช่วงเวลา ในการให้บริการขนาดของข้อผิดพลาดในการคาดการณ์มักจะมีความสำคัญมากกว่าการคาดการณ์ ยอดรวมในช่วงการระงับช่วยให้ข้อผิดพลาดในเชิงบวกสามารถยกเลิกข้อผิดพลาดเชิงลบได้ เมื่อยอดขายรวมที่เกิดขึ้นจริงสูงกว่ายอดขายที่คาดการณ์ไว้อัตราส่วนดังกล่าวมีค่ามากกว่า 100 แน่นอนว่าเป็นไปไม่ได้ที่จะมีความแม่นยำมากกว่า 100 เมื่อการคาดการณ์ไม่เป็นกลางอัตราส่วน POA จะเท่ากับ 100 ดังนั้นจึงเป็นที่น่าพอใจมากขึ้นกว่าที่จะเป็น 95 ถูกต้องแม่นยำกว่าที่ถูกต้อง 110 เกณฑ์ POA เลือกวิธีการคาดการณ์ที่มีอัตราส่วน POA ใกล้เคียงกับ 100 การเขียนสคริปต์ในหน้านี้ช่วยเพิ่มการนำทางเนื้อหา แต่ไม่เปลี่ยนแปลงเนื้อหาใด ๆ ในทางใด ๆ เลือกคำตอบที่เลือก 9655 การประเมินคำตอบที่ถูกต้องตอบคำตอบที่เลือก 9655 คำตอบที่ถูกต้อง: วิธีการประเมินตรงกับที่แน่นอนตรงกับที่ต้องการตรงกับการแข่งขันทั้งหมดการแข่งขันที่แน่นอนตรงทั้งหมดการแข่งขันที่ถูกต้องตรงตามที่แน่นอนการแข่งขันที่ถูกต้องตรงทั้งหมดตรงกับที่แน่นอนการแข่งขันที่ถูกต้องตรงทั้งหมด 61623 คำถาม 36 0 จาก 5 คะแนนไฮไลต์ประจำวันในแซคราเมนโตในรอบสัปดาห์ที่ผ่านมา ล่าสุด) ได้แก่ 95, 102, 101, 96, 95, 90 และ 92 พัฒนาประมาณการสำหรับวันนี้โดยใช้ค่าเฉลี่ยถ่วงน้ำหนักที่ถ่วงน้ำหนักด้วย. 6 3 และ .1 ซึ่งมีการใช้น้ำหนักสูงสุดในข้อมูลล่าสุด ตอบคำตอบที่เลือก: 91 คำตอบที่ถูกต้อง: วิธีการประเมินตรงกับที่กำหนด ลงชื่อสมัครใช้เพื่อดูเวอร์ชันเต็ม 61623 คำถาม 37 5 ใน 5 คะแนนนี่คือข้อมูลจากช่วง 4 สัปดาห์ที่ผ่านมา: ใช้สมการของบรรทัดการถดถอยเพื่อคาดการณ์ยอดขายที่เพิ่มขึ้นเมื่อมีโฆษณาเป็นจำนวน 10 รายการคำตอบคำตอบที่เลือก: 230 คำตอบที่ถูกต้อง: วิธีการประเมินอย่างถูกต้อง การแข่งขัน 61623 คำถาม 38 5 จาก 5 คะแนนข้อมูลการขายต่อไปนี้มีให้สำหรับ 2003-2008 กำหนดค่าพยากรณ์เฉลี่ยถ่วงน้ำหนัก 4 ปีสำหรับปี 2552 โดยมีน้ำหนัก W1 0.1, W2 0.2, W3 0.2 และ W4 0.5 ตอบคำตอบที่เลือก: 21.1 คำตอบที่ถูกต้อง: วิธีการประเมินตรงทั้งหมด 61623 คำถาม 39 5 ใน 5 คะแนนให้ข้อมูลต่อไปนี้เกี่ยวกับจำนวนไอศครีมที่จำหน่ายในร้านไอศกรีมในท้องถิ่นเป็นระยะเวลา 6: คำนวณ 3 - คาเฉลี่ยเคลื่อนที่ระหวางงวด 6 ใชสองตําแหนงหลังจุดทศนิยม คำตอบที่เลือก: 246.67 คำตอบที่ถูกต้อง: วิธีการประเมินตรงกับที่แน่นอนตรงทั้งหมดตรงทั้งหมด 61623 คำถาม 40 5 จาก 5 คะแนนข้อมูลต่อไปนี้สรุปความต้องการในอดีตสำหรับผลิตภัณฑ์เดือนความต้องการจริง 20 มีนาคม 25 พฤษภาคม 40 มิถุนายน 35 กรกฎาคม 30 สิงหาคม 45 ถ้า ความต้องการที่คาดการณ์ไว้สำหรับเดือนมิถุนายนกรกฎาคมและสิงหาคมคือ 32, 38 และ 42 ตามลำดับ MAPD เขียนคำตอบของคุณเป็นรูปแบบทศนิยมและไม่เป็นเปอร์เซ็นต์ ตัวอย่างเช่นควรเขียน 15 ภาพตัวอย่างนี้มีส่วนเบลอโดยเจตนา ลงชื่อสมัครใช้เพื่อดูเวอร์ชันเต็ม เป็น 0.15 ใช้ตัวเลขสามหลักหลังจุดทศนิยม ตอบคำตอบที่เลือก 127 คำตอบที่ถูกต้อง: วิธีการประเมินตรงกับที่แน่นอนตรงทั้งหมดตรงทั้งหมดตรงทั้งหมดตรงกับที่แน่นอนตรงทั้งหมดตรงกับที่ตรงทั้งหมดตรงจุดสิ้นสุดของภาพตัวอย่าง ลงทะเบียนเพื่อเข้าถึงเอกสารส่วนที่เหลือ 3 การทำความเข้าใจเกี่ยวกับระดับและวิธีการพยากรณ์อากาศคุณสามารถสร้างการคาดการณ์รายละเอียด (รายการเดี่ยว) และการสรุป (สายผลิตภัณฑ์) ที่สะท้อนถึงรูปแบบความต้องการของผลิตภัณฑ์ ระบบวิเคราะห์ยอดขายในอดีตเพื่อคำนวณการคาดการณ์โดยใช้วิธีการคาดการณ์ 12 วิธี การคาดการณ์ประกอบด้วยข้อมูลรายละเอียดที่ระดับรายการและข้อมูลระดับสูงขึ้นเกี่ยวกับสาขาหรือ บริษัท โดยรวม 3.1 เกณฑ์การประเมินประสิทธิภาพการคาดการณ์ทั้งนี้ขึ้นอยู่กับการเลือกตัวเลือกการประมวลผลและแนวโน้มและรูปแบบในข้อมูลการขายวิธีการคาดการณ์บางอย่างทำได้ดีกว่าข้อมูลอื่นที่มีอยู่ในอดีต วิธีการพยากรณ์อากาศที่เหมาะสมสำหรับผลิตภัณฑ์หนึ่งอาจไม่เหมาะสมสำหรับผลิตภัณฑ์อื่น คุณอาจพบว่าวิธีการคาดการณ์ที่ให้ผลลัพธ์ที่ดีในขั้นตอนหนึ่งของวัฏจักรชีวิตของผลิตภัณฑ์ยังคงเหมาะสมตลอดทั้งวงจรชีวิต คุณสามารถเลือกระหว่างสองวิธีเพื่อประเมินประสิทธิภาพปัจจุบันของวิธีการคาดการณ์: เปอร์เซ็นต์ความถูกต้อง (POA) ค่าเบี่ยงเบนสัมบูรณ์ที่แท้จริง (MAD) ทั้งสองวิธีการประเมินผลการปฏิบัติงานเหล่านี้ต้องการข้อมูลการขายในอดีตสำหรับช่วงเวลาที่คุณระบุ ช่วงนี้เรียกว่าระยะเวลาการระงับหรือระยะเวลาที่เหมาะสมที่สุด ข้อมูลในช่วงนี้ใช้เป็นพื้นฐานในการแนะนำวิธีพยากรณ์ที่จะนำมาใช้ในการประมาณการต่อไป คำแนะนำนี้มีไว้สำหรับแต่ละผลิตภัณฑ์โดยเฉพาะและสามารถเปลี่ยนจากการคาดการณ์หนึ่งไปเป็นอีกรุ่นหนึ่ง 3.1.1 Best Fit ระบบแนะนำให้ใช้การคาดการณ์พอดีที่ดีที่สุดโดยใช้วิธีพยากรณ์ที่เลือกไว้กับประวัติคำสั่งขายที่ผ่านมาและเปรียบเทียบการจำลองการคาดการณ์กับประวัติที่เกิดขึ้นจริง เมื่อคุณสร้างการคาดการณ์พอดีที่ดีที่สุดระบบจะเปรียบเทียบประวัติการสั่งขายที่เกิดขึ้นจริงกับการคาดการณ์ในช่วงเวลาหนึ่ง ๆ และคำนวณว่าวิธีการคาดการณ์แต่ละวิธีคาดการณ์ยอดขายอย่างไร จากนั้นระบบจะแนะนำการคาดการณ์ที่ถูกต้องที่สุดให้เหมาะสมที่สุด ภาพนี้แสดงการคาดการณ์พอดีที่ดีที่สุด: รูปที่ 3-1 การคาดการณ์พอดีที่ดีที่สุดระบบจะใช้ขั้นตอนต่อไปนี้เพื่อกำหนดพอดีที่ดีที่สุด: ใช้แต่ละวิธีที่ระบุเพื่อจำลองการคาดการณ์สำหรับระยะเวลาการระงับ เปรียบเทียบยอดขายจริงกับการคาดการณ์แบบจำลองสำหรับระยะเวลาการระงับ คำนวณ POA หรือ MAD เพื่อกำหนดว่าวิธีการพยากรณ์ใดที่ตรงกับยอดขายจริงที่ผ่านมามากที่สุด ระบบใช้ POA หรือ MAD ตามตัวเลือกการประมวลผลที่คุณเลือก แนะนำการคาดการณ์พอดีที่ดีที่สุดโดย POA ที่ใกล้เคียงกับ 100 เปอร์เซ็นต์ (มากกว่าหรือต่ำกว่า) หรือ MAD ที่ใกล้เคียงกับศูนย์มากที่สุด 3.2 วิธีการพยากรณ์อากาศ JD Edwards EnterpriseOne Forecast Management ใช้วิธีการประมาณ 12 วิธีในการพยากรณ์ปริมาณและระบุว่าวิธีใดเหมาะสมที่สุดสำหรับสถานการณ์การคาดการณ์ หัวข้อนี้กล่าวถึง: วิธีที่ 1: ร้อยละเมื่อปีที่แล้ว วิธีที่ 2: คำนวณเปอร์เซ็นต์จากปีที่แล้ว วิธีที่ 3: ปีล่าสุดในปีนี้ วิธีที่ 4: การเคลื่อนที่เฉลี่ย วิธีที่ 5: เส้นประมาณ วิธีที่ 6: การถดถอยของสแควร์น้อยที่สุด วิธีที่ 7: การประมาณปริญญาที่สอง วิธีที่ 8: วิธีการแบบยืดหยุ่น วิธีที่ 9: ค่าเฉลี่ยถ่วงน้ำหนัก วิธีที่ 10: Linear Smoothing วิธีที่ 11: Smoothing แบบ Exponential วิธีที่ 12: การเรียบเนียนแบบเสแสร้งตามแนวโน้มและฤดูกาล ระบุวิธีการที่คุณต้องการใช้ในตัวเลือกการประมวลผลสำหรับโปรแกรม Forecast Generation (R34650) วิธีการเหล่านี้ส่วนใหญ่ให้การควบคุมที่ จำกัด ตัวอย่างเช่นคุณสามารถระบุน้ำหนักที่วางไว้ในข้อมูลทางประวัติศาสตร์ล่าสุดหรือช่วงวันที่ของข้อมูลประวัติที่ใช้ในการคำนวณได้ ตัวอย่างในคู่มือระบุขั้นตอนการคำนวณสำหรับแต่ละวิธีการคาดการณ์ที่พร้อมใช้งานโดยให้ข้อมูลประวัติที่เหมือนกัน ตัวอย่างวิธีการในส่วนคู่มือใช้หรือชุดข้อมูลทั้งหมดเหล่านี้ซึ่งเป็นข้อมูลที่ผ่านมาจากสองปีที่ผ่านมา ประมาณการที่คาดการณ์ไว้จะเข้าสู่ปีหน้า ข้อมูลประวัติการขายนี้มีเสถียรภาพกับการเพิ่มขึ้นของฤดูกาลในเดือนกรกฎาคมและธันวาคมเล็กน้อย รูปแบบนี้เป็นลักษณะของผลิตภัณฑ์สำหรับผู้ใหญ่ที่อาจใกล้หมดไป 3.2.1 วิธีที่ 1: ร้อยละเมื่อปีที่แล้ววิธีนี้ใช้สูตรเปอร์เซ็นต์เปอร์เซ็นต์ในปีที่ผ่านมาเพื่อคูณระยะเวลาการคาดการณ์โดยการเพิ่มหรือลดเปอร์เซ็นต์ที่ระบุ เมื่อต้องการคาดการณ์ความต้องการวิธีนี้ต้องการจำนวนรอบระยะเวลาที่เหมาะสมที่สุดและประวัติการขายหนึ่งปี วิธีนี้เป็นประโยชน์ในการคาดการณ์ความต้องการสินค้าตามฤดูกาลที่มีการเติบโตหรือลดลง 3.2.1.1 ตัวอย่าง: วิธีที่ 1: เปอร์เซ็นต์เมื่อปีที่แล้วเปอร์เซ็นต์ของสูตรปีที่แล้วคูณข้อมูลการขายจากปีที่แล้วโดยใช้ปัจจัยที่คุณระบุและคาดการณ์ผลลัพธ์ในปีถัดไป วิธีนี้อาจเป็นประโยชน์ในการจัดทำงบประมาณเพื่อจำลองผลกระทบของอัตราการเติบโตที่ระบุหรือเมื่อประวัติการขายมีองค์ประกอบตามฤดูกาลที่สำคัญ ข้อกำหนดการคาดการณ์: ปัจจัยการคูณ ตัวอย่างเช่นระบุ 110 ในตัวเลือกการประมวลผลเพื่อเพิ่มข้อมูลประวัติการขายปีก่อนหน้า 10 เปอร์เซ็นต์ ประวัติการขายที่ต้องการ: หนึ่งปีสำหรับการคำนวณการคาดการณ์บวกจำนวนของช่วงเวลาที่จำเป็นสำหรับการประเมินประสิทธิภาพการคาดการณ์ (ช่วงเวลาที่เหมาะสมที่สุด) ที่คุณระบุ ตารางนี้เป็นประวัติที่ใช้ในการคำนวณคาดการณ์: การคาดการณ์ในเดือนกุมภาพันธ์เท่ากับ 117 ครั้ง 1.1 128.7 ปัดเศษที่ 129 การคาดการณ์ของเดือนมีนาคมเท่ากับ 115 ครั้ง 1.1 126.5 ปัดเศษที่ 127 3.2.2 วิธีที่ 2: คำนวณเปอร์เซ็นต์จากปีที่แล้ววิธีนี้ใช้เปอร์เซ็นต์คำนวณ สูตรปีที่ผ่านมาเพื่อเปรียบเทียบยอดขายที่ผ่านมาของช่วงเวลาที่กำหนดกับยอดขายจากช่วงเดียวกันของปีที่แล้ว ระบบจะกำหนดเปอร์เซ็นต์เพิ่มหรือลดและคูณแต่ละช่วงเวลาตามเปอร์เซ็นต์เพื่อหาการคาดการณ์ เมื่อต้องการคาดการณ์ความต้องการวิธีนี้ต้องการจำนวนของช่วงเวลาของประวัติการสั่งขายรวมทั้งประวัติการขายหนึ่งปี วิธีนี้เป็นประโยชน์ในการคาดการณ์ความต้องการในระยะสั้นสำหรับสินค้าตามฤดูกาลที่มีการเติบโตหรือลดลง 3.2.2.1 ตัวอย่าง: วิธีที่ 2: ร้อยละที่คำนวณได้จากปีที่แล้วเปอร์เซ็นต์คำนวณจากสูตรปีที่แล้วคูณข้อมูลการขายจากปีที่แล้วโดยใช้ปัจจัยที่คำนวณโดยระบบแล้วจึงคำนวณผลลัพธ์ในปีถัดไป วิธีนี้อาจเป็นประโยชน์ในการคาดการณ์ผลกระทบของการขยายอัตราการเติบโตของผลิตภัณฑ์ล่าสุดในปีหน้าโดยยังคงรักษารูปแบบตามฤดูกาลที่มีอยู่ในประวัติการขาย ข้อกำหนดการคาดการณ์: ช่วงของประวัติการขายเพื่อใช้ในการคำนวณอัตราการเติบโต ตัวอย่างเช่นระบุ n เท่ากับ 4 ในตัวเลือกการประมวลผลเพื่อเปรียบเทียบประวัติการขายสำหรับสี่งวดล่าสุดกับช่วงเวลาเดียวกันของปีที่แล้ว ใช้อัตราส่วนที่คำนวณได้เพื่อทำประมาณการปีถัดไป ประวัติการขายที่ต้องการ: หนึ่งปีสำหรับการคำนวณการคาดการณ์บวกระยะเวลาที่จำเป็นสำหรับการประเมินผลการคาดการณ์ (ช่วงเวลาที่เหมาะที่สุด) ตารางนี้เป็นประวัติศาสตร์ที่ใช้ในการคำนวณคาดการณ์โดยให้ n เท่ากับ 4: กุมภาพันธ์เท่ากับ 117 เท่า 0.9766 114.26 ปัดเศษขึ้นเป็น 114 ครั้งประมาณการเดือนมีนาคมเท่ากับ 115 เท่า 0.9766 112.31 ปัดเศษเป็น 112 3.2.3 วิธีที่ 3: ปีล่าสุดถึงปีนี้วิธีนี้ใช้ ยอดขายปีที่ผ่านมาสำหรับการคาดการณ์ปีหน้า เมื่อต้องการคาดการณ์ความต้องการวิธีนี้ต้องการจำนวนรอบระยะเวลาที่เหมาะสมที่สุดรวมทั้งประวัติการสั่งขายหนึ่งปี วิธีนี้เป็นประโยชน์ในการคาดการณ์ความต้องการสำหรับผลิตภัณฑ์ผู้ใหญ่ที่มีระดับความต้องการหรือความต้องการตามฤดูกาลโดยไม่มีแนวโน้ม 3.2.3.1 ตัวอย่าง: วิธีที่ 3: ปีล่าสุดของปีนี้สูตรปีล่าสุดของปีนี้จะทำสำเนาข้อมูลการขายจากปีที่แล้วไปยังปีถัดไป วิธีนี้อาจเป็นประโยชน์ในการจัดทำงบประมาณเพื่อจำลองยอดขายในระดับปัจจุบัน ผลิตภัณฑ์ดังกล่าวเป็นผู้ใหญ่และไม่มีแนวโน้มในระยะยาว แต่อาจมีรูปแบบความต้องการตามฤดูกาลที่สำคัญ ข้อกำหนดการคาดการณ์: ไม่มี ประวัติการขายที่ต้องการ: หนึ่งปีสำหรับการคำนวณการคาดการณ์บวกระยะเวลาที่จำเป็นสำหรับการประเมินผลการคาดการณ์ (ช่วงเวลาที่เหมาะที่สุด) ตารางนี้เป็นประวัติศาสตร์ที่ใช้ในการคำนวณคาดการณ์: การคาดการณ์ในเดือนมกราคมเท่ากับเดือนมกราคมปีที่แล้วโดยมีค่าคาดการณ์ที่ 128 โดยคาดการณ์เดือนกุมภาพันธ์เท่ากับเดือนกุมภาพันธ์ของปีก่อนโดยมีค่าพยากรณ์เท่ากับ 117 เดือนมีนาคมคาดหมายเท่ากับเดือนมีนาคมของปีที่แล้วโดยมีค่าคาดการณ์ 115. 3.2.4 วิธีที่ 4: การเคลื่อนที่โดยเฉลี่ยวิธีการนี้ใช้สูตร Average Moving เฉลี่ยจำนวนงวดที่ระบุเพื่อแสดงช่วงถัดไป คุณควรคำนวณใหม่บ่อยครั้ง (รายเดือนหรืออย่างน้อยไตรมาส) เพื่อให้สอดคล้องกับระดับความต้องการที่เปลี่ยนแปลงไป เมื่อต้องการคาดการณ์ความต้องการวิธีนี้ต้องการจำนวนงวดที่พอดีกับจำนวนของช่วงเวลาของประวัติการสั่งขาย วิธีนี้เป็นประโยชน์ในการคาดการณ์ความต้องการสำหรับผลิตภัณฑ์ผู้ใหญ่โดยไม่มีแนวโน้ม 3.2.4.1 ตัวอย่าง: วิธีที่ 4: Moving Average Moving Average (MA) เป็นวิธีที่ได้รับความนิยมสำหรับการคำนวณหาค่าเฉลี่ยของยอดขายในช่วงระยะเวลาสั้น ๆ วิธีคาดการณ์ MA ล่าช้ากว่าแนวโน้ม การพยากรณ์ความลำเอียงและข้อผิดพลาดอย่างเป็นระบบเกิดขึ้นเมื่อประวัติการขายของผลิตภัณฑ์แสดงถึงแนวโน้มที่แข็งแกร่งหรือรูปแบบตามฤดูกาล วิธีนี้ใช้งานได้ดีสำหรับการคาดการณ์ในระยะสั้นของผลิตภัณฑ์ที่ครบถ้วนกว่าผลิตภัณฑ์ที่อยู่ในช่วงการเติบโตหรือเสื่อมสภาพของวงจรชีวิต ข้อกำหนดการคาดการณ์: n เท่ากับจำนวนรอบระยะเวลาของประวัติการขายที่จะใช้ในการคำนวณคาดการณ์ ตัวอย่างเช่นระบุ n 4 ในตัวเลือกการประมวลผลเพื่อใช้ช่วงสี่งวดล่าสุดเป็นเกณฑ์สำหรับการฉายในช่วงเวลาถัดไป ค่าที่มากสำหรับ n (เช่น 12) ต้องการประวัติการขายเพิ่มขึ้น ส่งผลให้มีการคาดการณ์ที่มั่นคง แต่ช้าในการรับรู้ถึงการเปลี่ยนแปลงในระดับของยอดขาย ตรงกันข้ามค่าเล็กน้อยสำหรับ n (เช่น 3) สามารถตอบสนองต่อการเปลี่ยนแปลงระดับการขายได้เร็วขึ้น แต่การคาดการณ์อาจผันผวนอย่างมากจนการผลิตไม่สามารถตอบสนองต่อรูปแบบต่างๆได้ ประวัติการขายที่ต้องการ: n บวกจำนวนช่วงเวลาที่จำเป็นสำหรับการประเมินประสิทธิภาพการคาดการณ์ (ช่วงเวลาที่เหมาะที่สุด) ตารางนี้เป็นประวัติที่ใช้ในการคำนวณการคาดการณ์: การคาดการณ์ในเดือนกุมภาพันธ์เท่ากับ 114 119 137 125 4 123.75 124 คำแนะนำมีนาคมเท่ากับ 119 137 125 124 4 126.25 ปัดเศษเป็น 126 3.2.5 วิธีที่ 5 วิธีเส้นตรง ใช้สูตร Linear Approximation เพื่อคำนวณแนวโน้มจากจำนวนรอบระยะเวลาของประวัติการสั่งขายและเพื่อคาดการณ์แนวโน้มนี้กับการคาดการณ์ คุณควรคำนวณแนวโน้มรายเดือนเพื่อตรวจสอบการเปลี่ยนแปลงของแนวโน้ม วิธีนี้ต้องใช้จำนวนงวดที่พอดีกับระยะเวลาการขายของใบสั่งขาย วิธีนี้เป็นประโยชน์ในการคาดการณ์ความต้องการผลิตภัณฑ์ใหม่ ๆ หรือผลิตภัณฑ์ที่มีแนวโน้มในเชิงบวกหรือเชิงลบอย่างสม่ำเสมอซึ่งไม่ได้เกิดจากความผันผวนตามฤดูกาล 3.2.5.1 ตัวอย่าง: วิธีที่ 5: เส้นประมาณเชิงเส้นเส้นประมาณเชิงเส้นคำนวณแนวโน้มที่ขึ้นอยู่กับจุดข้อมูลประวัติการขายสองจุด จุดที่สองกำหนดเส้นแนวโน้มตรงที่คาดการณ์ไว้ในอนาคต ใช้วิธีนี้ด้วยความระมัดระวังเนื่องจากการคาดการณ์ในระยะยาวจะใช้ประโยชน์จากการเปลี่ยนแปลงเพียงจุดข้อมูลสองจุด ข้อกำหนดการคาดการณ์: n เท่ากับจุดข้อมูลในประวัติการขายที่เปรียบเทียบกับจุดข้อมูลล่าสุดเพื่อระบุแนวโน้ม ตัวอย่างเช่นระบุ n 4 เพื่อใช้ความแตกต่างระหว่างเดือนธันวาคม (ข้อมูลล่าสุด) และสิงหาคม (สี่ช่วงก่อนเดือนธันวาคม) เป็นเกณฑ์ในการคำนวณแนวโน้ม ประวัติการขายที่ต้องการขั้นต่ำ: n บวก 1 บวกระยะเวลาที่จำเป็นสำหรับการประเมินผลการคาดการณ์ (ช่วงเวลาที่เหมาะที่สุด) ตารางนี้เป็นประวัติศาสตร์ที่ใช้ในการคำนวณคาดการณ์: การคาดการณ์มกราคมของเดือนธันวาคมของปีที่แล้ว 1 (Trend) ซึ่งเท่ากับ 137 (1 ครั้ง 2) 139. การคาดการณ์เดือนกุมภาพันธ์ของปีที่แล้ว 1 (Trend) ซึ่งเท่ากับ 137 (2 ครั้ง 2) 141 การคาดการณ์เดือนมีนาคมของปีที่แล้ว 1 (Trend) ซึ่งเท่ากับ 137 (3 ครั้ง 2) 143. 3.2.6 วิธีที่ 6: การถดถอยของสแควร์น้อยที่สุดวิธีการถดถอยต่ำสุด (LSR) ใช้สมการอธิบายความสัมพันธ์ระหว่างข้อมูลทางประวัติศาสตร์ และกาลเวลา LSR พอดีกับเส้นที่เลือกช่วงของข้อมูลเพื่อให้ผลรวมของสี่เหลี่ยมของความแตกต่างระหว่างจุดขายข้อมูลที่เกิดขึ้นจริงและสายการถดถอยจะลดลง การคาดการณ์คือการคาดการณ์ของเส้นตรงนี้ในอนาคต วิธีนี้ต้องใช้ประวัติข้อมูลการขายสำหรับรอบระยะเวลาที่แสดงด้วยจำนวนงวดที่พอดีกับจำนวนครั้งในอดีตที่ระบุ ข้อกำหนดขั้นต่ำคือจุดข้อมูลทางประวัติศาสตร์สองจุด วิธีนี้เป็นประโยชน์ในการคาดการณ์ความต้องการเมื่อมีแนวโน้มเชิงเส้นอยู่ในข้อมูล 3.2.6.1 ตัวอย่าง: วิธีที่ 6: การถดถอยต่ำสุดการถดถอยเชิงเส้นหรือการถดถอยต่ำสุด (LSR) เป็นวิธีที่ได้รับความนิยมมากที่สุดสำหรับการระบุแนวโน้มเชิงเส้นในข้อมูลการขายในอดีต วิธีการคำนวณค่าสำหรับ a และ b ที่จะใช้ในสูตร: สมการนี้อธิบายถึงเส้นตรงโดยที่ Y แทนยอดขายและ X หมายถึงเวลา การถดถอยเชิงเส้นช้าในการจดจำจุดหักเหและขั้นตอนการทำงานที่เปลี่ยนแปลงไปตามความต้องการ การถดถอยเชิงเส้นตรงกับเส้นตรงกับข้อมูลแม้ว่าข้อมูลจะเป็นแบบตามฤดูกาลหรืออธิบายได้ดีขึ้นโดยใช้เส้นโค้ง เมื่อข้อมูลประวัติการขายเป็นไปตามเส้นโค้งหรือมีรูปแบบฤดูกาลที่แข็งแกร่งคาดการณ์ความลำเอียงและข้อผิดพลาดที่เป็นระบบเกิดขึ้น ข้อกำหนดการคาดการณ์: n เท่ากับระยะเวลาของประวัติการขายที่จะใช้ในการคำนวณค่าสำหรับ a และ b ตัวอย่างเช่นระบุ n 4 เพื่อใช้ประวัติการเข้าชมตั้งแต่เดือนกันยายนถึงธันวาคมเป็นเกณฑ์ในการคำนวณ เมื่อมีข้อมูลจะมีการใช้ n ที่มีขนาดใหญ่กว่า (เช่น n 24) LSR กำหนดเส้นสำหรับจุดข้อมูลเพียงสองจุด สำหรับตัวอย่างนี้ค่าเล็ก ๆ สำหรับ n (n 4) ได้รับเลือกเพื่อลดการคำนวณด้วยตนเองที่จำเป็นต้องใช้เพื่อยืนยันผลลัพธ์ ประวัติการขายที่ต้องการขั้นต่ำ: n งวดบวกระยะเวลาที่จำเป็นสำหรับการประเมินผลการคาดการณ์ (ช่วงเวลาที่เหมาะที่สุด) ตารางนี้เป็นประวัติที่ใช้ในการคำนวณการคาดการณ์: การคาดการณ์ในเดือนมีนาคมเท่ากับ 119.5 (7 ครั้ง 2.3) 135.6 คูณเป็น 136. 3.2.7 วิธีที่ 7: การประมาณระดับที่สองในการคาดการณ์การคาดการณ์วิธีนี้ใช้สูตรประมาณที่สองเพื่อคำนวณเส้นโค้ง ซึ่งขึ้นอยู่กับจำนวนรอบระยะเวลาของประวัติการขาย วิธีนี้ต้องใช้ระยะเวลาที่เหมาะสมกับจำนวนครั้งของประวัติการสั่งขายครั้งที่สาม วิธีนี้ไม่เป็นประโยชน์ในการคาดการณ์ความต้องการระยะเวลานาน 3.2.7.1 ตัวอย่าง: วิธีที่ 7: การประมาณค่าระดับที่สองการถดถอยเชิงเส้นกำหนดค่าสำหรับ a และ b ในสูตรพยากรณ์ Ya b X โดยมีวัตถุประสงค์เพื่อให้ตรงกับข้อมูลประวัติการขาย แต่วิธีนี้กำหนดค่าสำหรับ a, b และ c ในสูตรการคาดการณ์นี้: Y a b X c X 2 วัตถุประสงค์ของวิธีนี้คือให้พอดีกับเส้นโค้งกับข้อมูลประวัติการขาย วิธีนี้เป็นประโยชน์เมื่อผลิตภัณฑ์อยู่ในช่วงการเปลี่ยนระหว่างรอบชีวิต ตัวอย่างเช่นเมื่อผลิตภัณฑ์ใหม่ย้ายจากช่วงแนะนำสู่ช่วงการเติบโตแนวโน้มการขายอาจเพิ่มขึ้น เนื่องจากลำดับที่สองการคาดการณ์สามารถหาอินฟินิตี้ได้อย่างรวดเร็วหรือลดลงเป็นศูนย์ (ขึ้นอยู่กับว่าสัมประสิทธิ์ c เป็นบวกหรือลบ) วิธีนี้มีประโยชน์ในระยะสั้นเท่านั้น ข้อกำหนดการคาดการณ์: สูตรหา a, b และ c ให้พอดีกับเส้นโค้งให้ตรงสามจุด คุณระบุ n จำนวนช่วงเวลาของข้อมูลที่จะสะสมลงในแต่ละจุดสามจุด ในตัวอย่างนี้ n 3. ข้อมูลการขายจริงสำหรับเดือนเมษายนถึงเดือนมิถุนายนรวมอยู่ในจุดแรก Q1 ตั้งแต่เดือนกรกฎาคมจนถึงเดือนกันยายนรวมกันเพื่อสร้างไตรมาสที่ 2 และเดือนตุลาคมถึงเดือนธันวาคมรวมเป็นไตรมาสที่ 3 เส้นโค้งจะพอดีกับสามค่า Q1, Q2 และ Q3 ประวัติการขายที่ต้องการ: 3 ครั้ง n งวดสำหรับการคำนวณการคาดการณ์บวกจำนวนช่วงเวลาที่จำเป็นสำหรับการประเมินผลการคาดการณ์ (ช่วงเวลาที่เหมาะสมที่สุด) ตารางนี้เป็นประวัติใช้ในการคำนวณคาดการณ์: Q0 (ม. ค. ) (ก. พ. ) (มี.ค. ) ไตรมาสที่ 1 (เม. ย. ) (มิ.ย. ) (มิ.ย. ) เท่ากับ 125 122 137 384 Q2 (ก. ค. ) (ก. ย. ) (ก. ย. ) เท่ากับ 140 129 131 400 Q3 (ต. ค. ) (พ. ย. ) (ธ. ค. ) ซึ่งเท่ากับ 114 119 137 370 ขั้นตอนต่อไปคือการคำนวณค่าสัมประสิทธิ์ทั้งสามแบบ a, b และ c เพื่อใช้ในสูตรพยากรณ์ Y ab X c X 2 Q1, Q2 และ Q3 จะถูกนำเสนอบนภาพกราฟฟิกซึ่งจะมีการวางแผนเวลาลงบนแกนแนวนอน Q1 หมายถึงยอดขายรวมในเดือนเมษายนพฤษภาคมและมิถุนายนและวางแผนไว้ที่ X 1 Q2 ตรงกับเดือนกรกฎาคมถึง 3 กันยายนตรงกับเดือนตุลาคมถึงธันวาคมและ Q4 หมายถึงเดือนมกราคมถึงเดือนมีนาคม ภาพนี้แสดงให้เห็นถึงการวางแผน Q1, Q2, Q3 และ Q4 สำหรับการประมาณระดับที่สอง: รูปที่ 3-2 การพล็อต Q1, Q2, Q3 และ Q4 สำหรับการประมาณค่าองศาที่สองสามสมการอธิบายจุดสามจุดบนกราฟ: (1) Q1 bX cX 2 ที่ X 1 (Q1 abc) (2) Q2 a bX cX 2 โดยที่ X 2 (Q 2 a 2 b 4 c) (3) Q 3 a bX c X 2 โดยที่ X 3 (Q 3 a 3b 9c) แก้สมการทั้งสาม เพื่อค้นหา b, a และ c: ลบสมการ 1 (1) จากสมการ 2 (2) และแก้ให้ b: (2) ndash (1) Q2 ndash Q1 b 3c b (Q2 ndash Q1) ndash 3c แทนสมการนี้ b สมการ (3): (3) Q3 a 3 (Q2 ndash Q1) ndash 3c 9c a Q3 ndash 3 (Q2 ndash Q1) สุดท้ายแทนสมการเหล่านี้สำหรับ a และ b เป็นสมการ (1): (1) Q3 ndash 2 วิธีการประมาณค่าที่สองคำนวณ a, b และ c ดังนี้ Q3 ndash 3 (Q2 ndash Q1) Q2 Q2 Q2 Q2 Q2 Q2 Q2 Q2 Q2 Q2 Q2 Q2 Q2 Q3 ) 370 ndash 3 (400 ndash 384) 370 ndash 3 (16) 322 b (Q2 ndash Q1) ndash3c (400 nda) sh 384) ndash (3 ครั้ง ndash23) 16 69 85 c (Q3 ndash Q2) (Q1 ndash Q2) 2 (370 ndash 400) (384 ndash 400) 2 ndash23 นี่คือการคํานวณการคาดประมาณองศาที่สอง: Y a bX cX 2 322 85X (ndash23) (X 2) เมื่อ X 4, Q4 322 340 ndash 368 294 การคาดการณ์เท่ากับ 294 3 98 ต่อระยะเวลา เมื่อ X 5, Q5 322 425 ndash 575 172. คาดการณ์เท่ากับ 172 3 58.33 รอบต่อนาทีเป็น 57 ต่องวด เมื่อ X 6, Q6 322 510 ndash 828 4. การคาดการณ์เท่ากับ 4 3 1.33 รอบต่อ 1 ต่อระยะเวลา นี่คือการคาดการณ์ในปีหน้าปีล่าสุดในปีนี้: 3.2.8 วิธีที่ 8: วิธีการยืดหยุ่นวิธีนี้ช่วยให้คุณสามารถเลือกจำนวนที่เหมาะสมที่สุดของช่วงเวลาของประวัติการสั่งขายที่เริ่ม n เดือนก่อนวันที่เริ่มคาดการณ์และ ใช้อัตราร้อยละเพิ่มหรือลดคูณปัจจัยที่จะปรับเปลี่ยนการคาดการณ์ วิธีนี้คล้ายกับวิธีที่ 1 ร้อยละเมื่อปีที่แล้วยกเว้นว่าคุณสามารถระบุจำนวนงวดที่คุณใช้เป็นฐานได้ ขึ้นอยู่กับสิ่งที่คุณเลือกเป็น n วิธีนี้ต้องใช้ระยะเวลาที่พอดีกับจำนวนข้อมูลการขายที่ระบุไว้ วิธีนี้เป็นประโยชน์ในการคาดการณ์ความต้องการแนวโน้มตามแผน 3.2.8.1 ตัวอย่าง: วิธีที่ 8: วิธีที่ยืดหยุ่นวิธีที่ยืดหยุ่น (เปอร์เซ็นต์มากกว่า n เดือนก่อน) คล้ายกับวิธีที่ 1 ร้อยละเมื่อปีที่แล้ว ทั้งสองวิธีคูณข้อมูลการขายจากช่วงเวลาก่อนหน้าโดยใช้ปัจจัยที่กำหนดโดยคุณจากนั้นจึงคาดการณ์ผลลัพธ์ดังกล่าวในอนาคต ในวิธีคิดอัตราส่วนต่อปีที่ผ่านมาการประมาณการจะขึ้นอยู่กับข้อมูลจากช่วงเวลาเดียวกันของปีที่ผ่านมา นอกจากนี้คุณยังสามารถใช้วิธีที่ยืดหยุ่นเพื่อระบุช่วงเวลานอกเหนือจากช่วงเดียวกันของปีที่ผ่านมาเพื่อใช้เป็นเกณฑ์ในการคำนวณ คูณปัจจัย ตัวอย่างเช่นระบุ 110 ในตัวเลือกการประมวลผลเพื่อเพิ่มข้อมูลประวัติการขายก่อนหน้านี้ 10 เปอร์เซ็นต์ ระยะฐาน ตัวอย่างเช่น n 4 เป็นสาเหตุให้การคาดการณ์ครั้งแรกขึ้นอยู่กับข้อมูลการขายในเดือนกันยายนของปีที่แล้ว ประวัติการขายที่ต้องการขั้นต่ำ: จำนวนงวดย้อนกลับไปยังช่วงเวลาพื้นฐานบวกกับจำนวนช่วงเวลาที่จำเป็นสำหรับการประเมินผลการคาดการณ์ (ช่วงเวลาที่เหมาะสมที่สุด) ตารางนี้เป็นประวัติศาสตร์ที่ใช้ในการคำนวณการคาดการณ์: 3.2.9 วิธีที่ 9: ค่าเฉลี่ยถ่วงน้ำหนักถ่วงน้ำหนักสูตรเฉลี่ยถ่วงน้ำหนักมีความคล้ายคลึงกับวิธีที่ 4 สูตรการเคลื่อนที่โดยเฉลี่ยเนื่องจากค่าเฉลี่ยของประวัติการขายในเดือนก่อน ๆ อย่างไรก็ตามด้วยสูตรนี้คุณสามารถกำหนดน้ำหนักสำหรับแต่ละงวดก่อนได้ วิธีนี้ต้องใช้จำนวนงวดที่เลือกรวมทั้งจำนวนงวดที่พอดีกับข้อมูลมากที่สุด คล้ายกับ Moving Average วิธีนี้ล่าช้าไปกว่าแนวโน้มความต้องการดังนั้นวิธีนี้จึงไม่แนะนำสำหรับผลิตภัณฑ์ที่มีแนวโน้มหรือฤดูกาลที่แข็งแกร่ง วิธีนี้เป็นประโยชน์ในการคาดการณ์ความต้องการสำหรับผลิตภัณฑ์ผู้ใหญ่ที่มีความต้องการอยู่ในระดับค่อนข้างมาก 3.2.9.1 ตัวอย่าง: วิธีที่ 9: ค่าเฉลี่ยถ่วงน้ำหนักถ่วงน้ำหนักวิธีเฉลี่ยถ่วงน้ำหนักเคลื่อนที่เฉลี่ย (WMA) คล้ายกับวิธีที่ 4 ค่าเฉลี่ยเคลื่อนที่ (MA) อย่างไรก็ตามคุณสามารถกำหนดน้ำหนักไม่เท่ากันให้กับข้อมูลที่ผ่านมาเมื่อใช้ WMA วิธีคำนวณค่าเฉลี่ยถ่วงน้ำหนักของประวัติการขายล่าสุดเพื่อให้ได้ภาพที่ประมาณการในระยะสั้น ข้อมูลล่าสุดมักได้รับมอบหมายให้มีน้ำหนักมากกว่าข้อมูลเก่าดังนั้น WMA จะตอบสนองต่อการเปลี่ยนแปลงระดับการขายมากขึ้น อย่างไรก็ตามคาดการณ์อคติและข้อผิดพลาดอย่างเป็นระบบเกิดขึ้นเมื่อประวัติการขายผลิตภัณฑ์แสดงแนวโน้มที่แข็งแกร่งหรือรูปแบบตามฤดูกาล วิธีนี้ใช้ได้ผลดีกับการคาดการณ์ในระยะสั้นของผลิตภัณฑ์ที่ครบถ้วนมากกว่าผลิตภัณฑ์ที่อยู่ในช่วงการเจริญเติบโตหรือเสื่อมสภาพของวงจรชีวิต จำนวนงวดของประวัติการขาย (n) ที่จะใช้ในการคำนวณคาดการณ์ ตัวอย่างเช่นระบุ n 4 ในตัวเลือกการประมวลผลเพื่อใช้ช่วงสี่งวดล่าสุดเป็นเกณฑ์สำหรับการฉายในช่วงเวลาถัดไป ค่าที่มากสำหรับ n (เช่น 12) ต้องการประวัติการขายเพิ่มขึ้น ค่าดังกล่าวส่งผลให้เกิดการคาดการณ์ที่มีเสถียรภาพ แต่ก็ช้าในการรับรู้ถึงการเปลี่ยนแปลงในระดับของยอดขาย ตรงกันข้ามค่าเล็กน้อยสำหรับ n (เช่น 3) ตอบสนองได้เร็วขึ้นเพื่อปรับระดับการขาย แต่การคาดการณ์อาจผันผวนอย่างกว้างขวางเพื่อให้การผลิตไม่สามารถตอบสนองต่อรูปแบบต่างๆได้ จำนวนงวดทั้งหมดสำหรับตัวเลือกการประมวลผล rdquo14 - ช่วงเวลาที่จะรวมกันไม่เกิน 12 เดือน น้ำหนักที่กำหนดให้กับแต่ละช่วงข้อมูลที่ผ่านมา น้ำหนักที่กำหนดให้ต้องรวม 1.00 ตัวอย่างเช่นเมื่อ n 4 ให้กำหนดน้ำหนักของ 0.50, 0.25, 0.15 และ 0.10 โดยข้อมูลล่าสุดที่ได้รับน้ำหนักมากที่สุด ประวัติการขายที่ต้องการขั้นต่ำ: n บวกจำนวนช่วงเวลาที่จำเป็นสำหรับการประเมินผลการคาดการณ์ (ช่วงเวลาที่เหมาะที่สุด) ตารางนี้เป็นประวัติที่ใช้ในการคำนวณการคาดการณ์: การคาดการณ์ในเดือนมกราคมเท่ากับ (131 ครั้ง 0.10) (114 ครั้ง 0.15) (119 ครั้ง 0.25) (137 ครั้ง 0.50) (0.10 0.15 0.25 0.50) 128.45 ปัดเศษขึ้นเป็น 128 การคาดการณ์เดือนกุมภาพันธ์เท่ากับ 114 ครั้ง 0.10) (119 ครั้ง 0.15) (137 ครั้ง 0.25) (128 ครั้ง 0.50) 1 127.5 ปัดเศษเป็น 128 การคาดการณ์เดือนมีนาคมเท่ากับ 119 ครั้ง 0.10 (137 ครั้ง 0.15) (128 ครั้ง 0.25) (128 ครั้ง 0.50) 1 128.45 128. 3.2.10 วิธีที่ 10: การทำให้เรียบแบบ Linear Smoothing วิธีนี้จะคำนวณค่าเฉลี่ยถ่วงน้ำหนักของข้อมูลการขายในอดีต ในการคำนวณวิธีนี้ใช้จำนวนงวดของประวัติการสั่งขาย (ตั้งแต่ 1 ถึง 12) ที่ระบุไว้ในตัวเลือกการประมวลผล ระบบใช้ความคืบหน้าทางคณิตศาสตร์เพื่อชั่งน้ำหนักข้อมูลในช่วงตั้งแต่แรก (น้ำหนักน้อยที่สุด) ไปจนถึงขั้นสุดท้าย (น้ำหนักมากที่สุด) จากนั้นระบบจะแสดงข้อมูลนี้ในแต่ละช่วงเวลาในการคาดการณ์ วิธีนี้ต้องใช้เดือนที่พอดีกับประวัติการสั่งขายสำหรับจำนวนงวดที่ระบุไว้ในตัวเลือกการประมวลผล 3.2.10.1 ตัวอย่าง: วิธีที่ 10: การทำให้เรียบแบบ Linear วิธีนี้คล้ายกับวิธีที่ 9, WMA อย่างไรก็ตามแทนที่จะใช้การกำหนดน้ำหนักโดยพลการให้กับข้อมูลทางประวัติศาสตร์สูตรจะใช้เพื่อกำหนดน้ำหนักที่ลดลงเป็นเชิงเส้นและรวมกันเป็น 1.00 วิธีนี้จะคำนวณถัวเฉลี่ยถ่วงน้ำหนักของประวัติการขายล่าสุดเพื่อให้ได้ภาพที่ฉายในระยะสั้น เช่นเดียวกับเทคนิคการคาดการณ์เชิงเส้นของการเคลื่อนที่เชิงเส้นทั้งหมดการพยากรณ์ความลำเอียงและข้อผิดพลาดอย่างเป็นระบบเกิดขึ้นเมื่อประวัติการขายของผลิตภัณฑ์แสดงแนวโน้มที่แข็งแกร่งหรือรูปแบบตามฤดูกาล วิธีนี้ใช้ได้ผลดีกับการคาดการณ์ในระยะสั้นของผลิตภัณฑ์ที่ครบถ้วนมากกว่าผลิตภัณฑ์ที่อยู่ในช่วงการเจริญเติบโตหรือเสื่อมสภาพของวงจรชีวิต n เท่ากับจำนวนรอบระยะเวลาของประวัติการขายที่จะใช้ในการคำนวณคาดการณ์ ตัวอย่างเช่นระบุ n เท่ากับ 4 ในตัวเลือกการประมวลผลเพื่อใช้สี่งวดล่าสุดเป็นเกณฑ์สำหรับการฉายในช่วงเวลาถัดไป ระบบจะกำหนดน้ำหนักให้กับข้อมูลทางประวัติศาสตร์ที่ลดลงเป็นเชิงเส้นและรวมกันเป็น 1.00 ตัวอย่างเช่นเมื่อ n เท่ากับ 4 ระบบจะกำหนดน้ำหนักของ 0.4, 0.3, 0.2 และ 0.1 โดยข้อมูลล่าสุดจะได้รับน้ำหนักมากที่สุด ประวัติการขายที่ต้องการขั้นต่ำ: n บวกจำนวนช่วงเวลาที่จำเป็นสำหรับการประเมินผลการคาดการณ์ (ช่วงเวลาที่เหมาะที่สุด) ตารางนี้เป็นประวัติที่ใช้ในการคำนวณการคาดการณ์: 3.2.11 วิธีที่ 11: การทำให้เรียบแบบสม่ำเสมอ (Exponential Smoothing) วิธีนี้จะคำนวณค่าเฉลี่ยที่ราบเรียบซึ่งเป็นค่าประมาณที่แสดงถึงยอดขายทั่วไปในช่วงเวลาที่ผ่านมา วิธีนี้ต้องใช้ประวัติข้อมูลการขายสำหรับช่วงเวลาที่แสดงด้วยจำนวนงวดที่พอดีกับจำนวนรอบของข้อมูลที่ผ่านมาที่ระบุไว้ ข้อกำหนดขั้นต่ำคือสองช่วงข้อมูลทางประวัติศาสตร์ วิธีนี้เป็นประโยชน์ในการคาดการณ์ความต้องการเมื่อไม่มีแนวโน้มเชิงเส้นอยู่ในข้อมูล 3.2.11.1 ตัวอย่าง: วิธีที่ 11: Smoothing แบบ Exponential วิธีนี้คล้ายกับ Method 10, Linear Smoothing ระบบ Linear Smoothing จะกำหนดน้ำหนักที่ลดลงตามข้อมูลเชิงเส้น ในระบบ Smoning แบบ Exponential ระบบจะกำหนดน้ำหนักที่สลายตัวตามจำนวนที่ระบุ สมการในการพยากรณ์ Exponential Smoothing คือ: อัลฟาพยากรณ์ (การขายจริงก่อนหน้า) (1 ndashal) (พยากรณ์ก่อนหน้านี้) การคาดการณ์คือค่าเฉลี่ยถ่วงน้ำหนักของยอดขายจริงจากช่วงก่อนหน้าและประมาณการจากช่วงก่อนหน้า Alpha คือน้ำหนักที่ใช้กับยอดขายที่เกิดขึ้นจริงในงวดก่อนหน้า (1 ndash alpha) คือน้ำหนักที่ใช้กับการคาดการณ์สำหรับงวดก่อนหน้า ค่าสำหรับอัลฟามีตั้งแต่ 0 ถึง 1 และมักจะตกอยู่ระหว่าง 0.1 ถึง 0.4 ผลรวมของน้ำหนักคือ 1.00 (alpha (1 ndash alpha) 1) คุณควรกำหนดค่าสำหรับค่าคงที่ที่ราบเรียบ alpha ถ้าคุณไม่ได้กำหนดค่าสำหรับการทำให้ราบเรียบค่าคงที่ระบบจะคำนวณค่าสันนิษฐานที่ขึ้นอยู่กับจำนวนรอบระยะเวลาของประวัติการขายที่ระบุไว้ในตัวเลือกการประมวลผล alpha เท่ากับค่าคงที่ที่ราบเรียบที่ใช้ในการคำนวณค่าเฉลี่ยที่ราบเรียบสำหรับระดับทั่วไปหรือขนาดของยอดขาย ค่าสำหรับช่วง alpha ตั้งแต่ 0 ถึง 1 n เท่ากับช่วงข้อมูลประวัติการขายที่จะรวมไว้ในการคำนวณ โดยทั่วไปหนึ่งปีของข้อมูลประวัติการขายจะเพียงพอที่จะประมาณยอดขายโดยทั่วไป สำหรับตัวอย่างนี้ค่าเล็ก ๆ สำหรับ n (n 4) ได้รับเลือกเพื่อลดการคำนวณด้วยตนเองที่จำเป็นต้องใช้เพื่อยืนยันผลลัพธ์ Exponential Smoothing สามารถสร้างการคาดการณ์ที่ขึ้นอยู่กับจุดข้อมูลทางประวัติศาสตร์เพียงอย่างเดียว ประวัติการขายที่ต้องการขั้นต่ำ: n บวกจำนวนช่วงเวลาที่จำเป็นสำหรับการประเมินผลการคาดการณ์ (ช่วงเวลาที่เหมาะที่สุด) ตารางนี้เป็นประวัติศาสตร์ที่ใช้ในการคำนวณการคาดการณ์: 3.2.12 วิธีที่ 12: การทำให้เรียบตามฤดูกาลที่มีแนวโน้มและฤดูกาลตามฤดูกาลวิธีนี้จะคำนวณแนวโน้มดัชนีฤดูกาลและค่าเฉลี่ยที่เรียบเรื่องโดยพลวัตจากประวัติการสั่งขาย ระบบจะใช้ประมาณการแนวโน้มการคาดการณ์และปรับค่าตามฤดูกาล วิธีนี้ต้องใช้จำนวนงวดที่พอดีกับข้อมูลการขายสูงสุดสองปีและเป็นประโยชน์สำหรับรายการที่มีทั้งแนวโน้มและฤดูกาลในการคาดการณ์ คุณสามารถป้อนปัจจัย alpha และ beta หรือให้ระบบคิดคำนวณได้ ปัจจัยแอลฟาและเบต้าคือค่าคงที่ที่ราบเรียบที่ระบบใช้ในการคำนวณหาค่าเฉลี่ยที่เรียบสำหรับระดับทั่วไปหรือขนาดของยอดขาย (alpha) และส่วนประกอบแนวโน้มของการคาดการณ์ (เบต้า) 3.2.12.1 ตัวอย่าง: วิธีที่ 12: การเรียบเนียนแบบเสแสร้งด้วยเทรนด์และฤดูกาลวิธีนี้คล้ายคลึงกับวิธีที่ 11 Exponential Smoothing โดยคำนวณค่าเฉลี่ยที่ราบเรียบ อย่างไรก็ตามวิธีที่ 12 รวมถึงคำในสมการพยากรณ์เพื่อคำนวณแนวโน้มที่ราบรื่น การคาดการณ์ประกอบด้วยค่าเฉลี่ยที่ราบรื่นที่ปรับตามแนวโน้มเชิงเส้น เมื่อระบุไว้ในตัวเลือกการประมวลผลการคาดการณ์จะได้รับการปรับตามฤดูกาลด้วยเช่นกัน อัลฟาเท่ากับค่าคงที่ที่ราบเรียบที่ใช้ในการคำนวณค่าเฉลี่ยที่เรียบสำหรับระดับทั่วไปหรือขนาดของยอดขาย ค่าสำหรับช่วงอัลฟ่าตั้งแต่ 0 ถึง 1. เบต้าเท่ากับค่าคงที่ที่ราบเรียบที่ใช้ในการคำนวณค่าเฉลี่ยที่ราบเรียบสำหรับองค์ประกอบแนวโน้มของการคาดการณ์ ค่าสำหรับช่วงเบต้าตั้งแต่ 0 ถึง 1 ไม่ว่าจะใช้ดัชนีตามฤดูกาลกับการคาดการณ์หรือไม่ อัลฟ่าและเบต้าเป็นอิสระจากกัน พวกเขาไม่ต้องรวมถึง 1.0 ประวัติการขายที่ต้องการขั้นต่ำ: หนึ่งปีบวกกับระยะเวลาที่จำเป็นในการประเมินประสิทธิภาพการคาดการณ์ (ช่วงเวลาที่เหมาะที่สุด) เมื่อมีข้อมูลทางประวัติศาสตร์สองปีหรือมากกว่านั้นระบบจะใช้ข้อมูลสองปีในการคำนวณ วิธีที่ 12 ใช้สมการการคำนวณสมรรถนะการคำนวณและค่าเฉลี่ยหนึ่งค่าเฉลี่ยที่เรียบง่ายในการคำนวณหาค่าเฉลี่ยที่ราบรื่นแนวโน้มเรียบและดัชนีตามฤดูกาลโดยเฉลี่ยที่เรียบง่าย ค่าเฉลี่ยของฤดูกาลที่เรียบง่าย: รูปที่ 3-3 ดัชนีเฉลี่ยฤดูกาลเฉลี่ย (Simple Average Seasonal Index) การคาดการณ์จะคำนวณโดยใช้สมการที่สาม: L คือความยาวของฤดูกาล (L เท่ากับ 12 เดือนหรือ 52 สัปดาห์) t คือช่วงเวลาปัจจุบัน m คือจำนวนช่วงเวลาในอนาคตของการคาดการณ์ S คือปัจจัยการปรับตามฤดูกาลแบบทวีคูณที่มีการจัดทำดัชนีไปยังช่วงเวลาที่เหมาะสม ตารางนี้แสดงประวัติที่ใช้ในการคำนวณคาดการณ์: ส่วนนี้จะให้ภาพรวมของการประเมินผลการคาดการณ์และกล่าวถึง: คุณสามารถเลือกวิธีคาดการณ์เพื่อสร้างการคาดการณ์ได้ถึง 12 รายการสำหรับแต่ละผลิตภัณฑ์ วิธีการคาดการณ์แต่ละวิธีอาจสร้างการฉายภาพที่แตกต่างกันเล็กน้อย เมื่อมีการคาดการณ์ผลิตภัณฑ์หลายพันรายการการตัดสินใจแบบอัตนัยจะเป็นไปไม่ได้ที่จะคาดการณ์ว่าจะใช้ในแผนสำหรับแต่ละผลิตภัณฑ์ The system automatically evaluates performance for each forecasting method that you select and for each product that you forecast. You can select between two performance criteria: MAD and POA. MAD เป็นตัวชี้วัดข้อผิดพลาดในการคาดการณ์ POA เป็นตัววัดความลำเอียงของการคาดการณ์ Both of these performance evaluation techniques require actual sales history data for a period specified by you. The period of recent history used for evaluation is called a holdout period or period of best fit. To measure the performance of a forecasting method, the system: Uses the forecast formulas to simulate a forecast for the historical holdout period. Makes a comparison between the actual sales data and the simulated forecast for the holdout period. When you select multiple forecast methods, this same process occurs for each method. Multiple forecasts are calculated for the holdout period and compared to the known sales history for that same period. The forecasting method that produces the best match (best fit) between the forecast and the actual sales during the holdout period is recommended for use in the plans. This recommendation is specific to each product and might change each time that you generate a forecast. 3.3.1 Mean Absolute Deviation Mean Absolute Deviation (MAD) is the mean (or average) of the absolute values (or magnitude) of the deviations (or errors) between actual and forecast data. MAD เป็นมาตรวัดขนาดเฉลี่ยของข้อผิดพลาดที่คาดว่าจะได้รับตามวิธีการคาดการณ์และประวัติข้อมูล เนื่องจากค่าสัมบูรณ์ถูกนำมาใช้ในการคำนวณข้อผิดพลาดในเชิงบวกไม่ได้เป็นการยกเลิกข้อผิดพลาดเชิงลบ When comparing several forecasting methods, the one with the smallest MAD is the most reliable for that product for that holdout period. When the forecast is unbiased and errors are normally distributed, a simple mathematical relationship exists between MAD and two other common measures of distribution, which are standard deviation and Mean Squared Error. For example: MAD (Sigma (Actual) ndash (Forecast)) n Standard Deviation, (sigma) cong 1.25 MAD Mean Squared Error cong ndashsigma2 This example indicates the calculation of MAD for two of the forecasting methods. This example assumes that you have specified in the processing option that the holdout period length (periods of best fit) is equal to five periods. 3.3.1.1 Method 1: Last Year to This Year This table is history used in the calculation of MAD, given Periods of Best Fit 5: Mean Absolute Deviation equals (2 1 20 10 14) 5 9.4. Based on these two choices, the Moving Average, n 4 method is recommended because it has the smaller MAD, 9.4, for the given holdout period. 3.3.2 Percent of Accuracy Percent of Accuracy (POA) is a measure of forecast bias. เมื่อการคาดการณ์สูงเกินไปอย่างต่อเนื่องสินค้าคงเหลือสะสมและต้นทุนสินค้าคงคลังเพิ่มขึ้น When forecasts are consistently too low, inventories are consumed and customer service declines. A forecast that is 10 units too low, then 8 units too high, then 2 units too high is an unbiased forecast. The positive error of 10 is canceled by negative errors of 8 and 2. (Error) (Actual) ndash (Forecast) When a product can be stored in inventory, and when the forecast is unbiased, a small amount of safety stock can be used to buffer the errors. In this situation, eliminating forecast errors is not as important as generating unbiased forecasts. However, in service industries, the previous situation is viewed as three errors. The service is understaffed in the first period, and then overstaffed for the next two periods. ในการให้บริการขนาดของข้อผิดพลาดในการคาดการณ์มักจะมีความสำคัญมากกว่าการคาดการณ์ POA (SigmaForecast sales during holdout period) (SigmaActual sales during holdout period) times 100 percent The summation over the holdout period enables positive errors to cancel negative errors. When the total of forecast sales exceeds the total of actual sales, the ratio is greater than 100 percent. Of course, the forecast cannot be more than 100 percent accurate. When a forecast is unbiased, the POA ratio is 100 percent. A 95 percent accuracy rate is more desirable than a 110 percent accurate rate. The POA criterion selects the forecasting method that has a POA ratio that is closest to 100 percent. This example indicates the calculation of POA for two forecasting methods. This example assumes that you have specified in the processing option that the holdout period length (periods of best fit) is equal to five periods. 3.3.2.1 Method 1: Last Year to This Year This table is history used in the calculation of MAD, given Periods of Best Fit 5: 3.4.2 Forecast Accuracy These statistical laws govern forecast accuracy: A long term forecast is less accurate than a short term forecast because the further into the future you project the forecast, the more variables can affect the forecast. A forecast for a product family tends to be more accurate than a forecast for individual members of the product family. Some errors cancel each other as the forecasts for individual items summarize into the group, thus creating a more accurate forecast. 3.4.3 Forecast Considerations You should not rely exclusively on past data to forecast future demands. These circumstances might affect the business, and require you to review and modify the forecast: New products that have no past data. Plans for future sales promotion. Changes in national and international politics. New laws and government regulations. Weather changes and natural disasters. Innovations from competition. You can use long term trend analysis to influence the design of the forecasts: Leading economic indicators. 3.4.4 Forecasting Process You use the Refresh Actuals program (R3465) to copy data from the Sales Order History File table (F42119), the Sales Order Detail File table (F4211), or both, into either the Forecast File table (F3460) or the Forecast Summary File table (F3400), depending on the kind of forecast that you plan to generate. Scripting on this page enhances content navigation, but does not change the content in any way. STRAYER MAT 540 QUANTITATIVE METHODS MIDTERM EXAM Assume that it takes a college student an average of 5 minutes to find a parking spot in the main parking lot. Assume also that this time is normally distributed with a standard deviation of 2 minutes. What time is exceeded by approximately 75 of the college students when trying to find a parking spot in the main parking lot The is the maximum amount a decision maker would pay for additional information. An automotive center keeps tracks of customer complaints received each week. The probability distribution for complaints can be represented as a table or a graph, both shown below. The random variable xi represents the number of complaints, and p(xi) is the probability of receiving xi complaints. What is the average number of complaints received per week Round your answer to two places after the decimal. A fair die is rolled 8 times. What is the probability that an even number (2,4, 6) will occur between 2 and 4 times Round your answer to four places after the decimal. A life insurance company wants to estimate their annual payouts. Assume that the probability distribution of the lifetimes of the participants is approximately a normal distribution with a mean of 68 years and a standard deviation of 4 years. What proportion of the plan recipients would receive payments beyond age 75 Round your answer to four places after the decimal. A loaf of bread is normally distributed with a mean of 22 oz and a standard deviation of 0. 5 oz. What is the probability that a loaf is larger than 21 oz Round your answer to four places after the decimal. The local operations manager for the IRS must decide whether to hire 1, 2, or 3 temporary workers. He estimates that net revenues will vary with how well taxpayers comply with the new tax code. If he thinks the chances of low, medium, and high compliance are 20, 30, and 50 respectively, what is the expected value of perfect information Round your answer to the nearest dollar. The local operations manager for the IRS must decide whether to hire 1, 2, or 3 temporary workers. He estimates that net revenues will vary with how well taxpayers comply with the new tax code. If he is conservative, how many new workers will he hire Given the following random number ranges and the following random number sequence: 62, 13, 25, 40, 86, 93, determine the average demand for the following distribution of demand. Daily highs in Sacramento for the past week (from least to most recent) were: 95, 102, 101, 96, 95, 90 and 92. Develop a forecast for today using a 2 day moving average. Consider the following annual sales data for 2001-2008. Calculate the correlation coefficient . Use four significant digits after the decimal. Daily highs in Sacramento for the past week (from least to most recent) were: 95, 102, 101, 96, 95, 90 and 92. Develop a forecast for today using a weighted moving average, with weights of . 6, . 3 and . 1, where the highest weights are applied to the most recent data. Given the following data, compute the MAD for the forecast. Given the following data on the number of pints of ice cream sold at a local ice cream store for a 6-period time frame: Compute a 3-period moving average for period 4. Use two places after the decimal. The following data summarizes the historical demand for a product. Use exponential smoothing with. . 2 and the smoothed forecast for July is 32. Determine the smoothed forecast for August. The following sales data are available for 2003-2008. Determine a 4-year weighted moving average forecast for 2009, where weights are W1 0. 1, W2 0. 2, W3 0. 2 and W4 0. 5. Robert wants to know if there is a relation between money spent on gambling and winnings. What is the coefficient of determination Use two significant places after the decimal. The following sales data are available for 2003-2008 : Calculate the absolute value of the average error. Use three significant digits after the decimal Tutorial Preview hellipmakes xxxxx than x incorrect inspections xx 0 736 xxxx False xxxxxxxx x A xxxxxxxx tree is x diagram consisting xx circles xxxxxxxx xxxxxx square xxxxxxxxxxx nodes, and xxxxxxxx Truehellip Mat540midterm. docx (23.77 KB) Preview: estimates xxxx the xxxxxx yield of xxxxx per acre xx distributed xx xxxxxxxxxxxxx estimated xxxxxxx price per xxxxxx is 16 xx What xx xxx expected xxxxx of the xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx 18of determination xx the xxxxxxxxxx xx the xxxxxxxxx in the xxxxxxxxxx variable that xxxxxxx from xxx xxxxxxxxxx variable xxxxxxxxxxxxxxxxxx dependent independent, dependent dependent, xxxxxxxxxxxxxxxxxxxxxxxxx independentQuestion 19Which xx the xxxxxxxxx xxxxxxxx values xx alpha would xxxxx exponential smoothing xx respond xxx xxxx slowly xx sudden changes xx forecast errorsAnswer xxxx 10 xxxx xxxxxxxxxx 20 xx absolute error xx a percentage xx demand xxxxxxxxxxxxxxxxxx xxxxxxxxxxxxxxxxxxxxxxxxx error Question xxxxxxxxxx the following xxxxx of sales xxxxxxx of xxx xxxxxxxxx characteristics xx exhibited by xxx data Trend only Trend xxxx seasonal Seasonal xxxxxxxxxx xx the xxxxxxxxxxxxx 22 is x category of xxxxxxxxxxx techniques xxxx xxxx historical xxxx to predict xxxxxx behavior Answer Qualitative xxxxxxxxxxxxxxxxxxxxxxxxx series Quantitative xxxxxxxxxxxxxxx xxxxxxxxxxxxxx is x linear regression xxxxx relating demand xx time xxxxxxxx xxxxxxxxxxxxx regression Forecast xxxxxxxxxxxxxx equationQuestion 24 In xxxxxxxxxxx smoothing, the xxxxxx alpha xx xx , xxx greater the xxxxxxxx to the xxxx recent xxxxxx xxxxxxxxxxxxx or xxxxxxxxx 25An automotive xxxxxx keeps tracks xx customer xxxxxxxxxx xxxxxxxx each xxxx The xxxxxxxxxxx distribution for xxxxxxxxxx can xx xxxxxxxxxxx as x table or x graph, both xxxxx below xx xxx random xxxxxxxx xi represents the xxxxxx of complaints, xxx p(xi) xx xxx probability xx receiving xi complaints xxxx is the xxxxxxx number xx xxxxxxxxxx received xxx week R ound xxxx answer to xxx places xxxxx xxx decimal xxxx 2 83Question xxx fair die xx rolled x xxxxx What xx - Additional Paypal Transaction Handling Fee (3.9 of Tutorial price 0.30) applicable