4 งวด เฉลี่ยเคลื่อนที่ คาดการณ์

การคาดการณ์การเคลื่อนที่โดยเฉลี่ยขณะที่คุณอาจคาดเดาเรากำลังมองหาวิธีการดั้งเดิมบางอย่างในการคาดการณ์ แต่หวังว่าอย่างน้อยการแนะนำอย่างคุ้มค่าสำหรับประเด็นด้านคอมพิวเตอร์บางอย่างที่เกี่ยวข้องกับการคาดการณ์ในสเปรดชีตในหลอดเลือดดำนี้เราจะดำเนินต่อไป เริ่มต้นที่จุดเริ่มต้นและเริ่มทำงานกับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่การคาดการณ์เฉลี่ยโดยเฉลี่ยทุกคนคุ้นเคยกับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่โดยไม่คำนึงถึงว่าพวกเขาเชื่อหรือไม่ว่าพวกเขาเป็นนักศึกษาวิทยาลัยทุกคนทำตลอดเวลาคิดถึงคะแนนการทดสอบของคุณในหลักสูตรที่คุณกำลังจะไป มีการทดสอบสี่ครั้งในระหว่างภาคการศึกษา Let s สมมติว่าคุณมี 85 คนในการทดสอบครั้งแรกคุณจะคาดการณ์อะไรสำหรับคะแนนทดสอบที่สองคุณคิดอย่างไรว่าครูของคุณจะคาดการณ์คะแนนทดสอบต่อไปคุณคิดว่าเพื่อนของคุณอาจคาดการณ์ได้ สำหรับคะแนนการทดสอบถัดไปคุณคิดว่าพ่อแม่ของคุณอาจคาดเดาคะแนนการทดสอบต่อไปของคุณได้โดยไม่ต้องพึ่งการทำร้ายทั้งหมดที่คุณอาจทำกับคุณ iends และพ่อแม่พวกเขาและครูของคุณมีแนวโน้มที่จะคาดหวังว่าคุณจะได้รับบางสิ่งบางอย่างในพื้นที่ของ 85 ที่คุณเพิ่งได้ดีตอนนี้สมมติว่าแม้จะมีการโปรโมตตัวเองให้กับเพื่อน ๆ ของคุณ และตัวเลขที่คุณสามารถศึกษาได้น้อยกว่าสำหรับการทดสอบที่สองและเพื่อให้คุณได้รับ 73. ตอนนี้สิ่งที่ทุกคนกังวลและไม่แยแสคาดว่าคุณจะได้รับในการทดสอบที่สามของคุณมีสองวิธีมีโอกาสมากสำหรับพวกเขาในการพัฒนาประมาณการโดยไม่คำนึงถึง ไม่ว่าพวกเขาจะแบ่งปันกับคุณพวกเขาอาจพูดกับตัวเองว่าผู้ชายคนนี้มักจะเป่าควันเกี่ยวกับสมาร์ทของเขาเขาจะได้รับอีก 73 ถ้าเขาโชคดีอาจเป็นพ่อแม่จะพยายามที่จะสนับสนุนมากขึ้นและพูดว่าดีดังนั้น ไกลคุณได้รับ 85 และ 73 ดังนั้นบางทีคุณควรจะคิดเกี่ยวกับการเกี่ยวกับ 85 73 2 79 ฉัน don t รู้บางทีถ้าคุณได้ปาร์ตี้น้อยและ weren t wagging วีเซิลทั่วสถานที่และถ้าคุณเริ่มต้นทำ มากขึ้นการศึกษาที่คุณจะได้รับคะแนนสูงกว่าทั้งสองประมาณการเหล่านี้เป็นจริง การคาดการณ์โดยเฉลี่ยของการเคลื่อนที่เป็นอันดับแรกอันดับแรกใช้เฉพาะคะแนนล่าสุดของคุณที่จะคาดการณ์ประสิทธิภาพในอนาคตของคุณซึ่งเรียกว่าการคาดการณ์ค่าเฉลี่ยโดยเฉลี่ยโดยใช้ข้อมูลระยะเวลาหนึ่งวินาทีนอกจากนี้ยังเป็นค่าเฉลี่ยเคลื่อนที่โดยใช้ข้อมูลสองช่วงข้อมูล ว่าคนเหล่านี้ทั้งหมด busting ในจิตใจที่ดีของคุณมีการจัดประเภทของ pissed คุณออกและคุณตัดสินใจที่จะทำดีในการทดสอบที่สามด้วยเหตุผลของคุณเองและจะนำคะแนนสูงกว่าในด้านหน้าของพันธมิตรของคุณคุณจะทดสอบและคะแนนของคุณเป็นจริง 89 ตอนนี้คุณมีการทดสอบครั้งสุดท้ายของภาคเรียนที่กำลังจะมาถึงและตามปกติแล้วคุณรู้สึกว่าจำเป็นที่จะต้องกระตุ้นให้ทุกคนคาดการณ์ว่าคุณจะทำอะไรในการทดสอบครั้งล่าสุดดีหวังว่าคุณจะได้เห็น รูปแบบขณะนี้เราหวังว่าคุณจะได้เห็นรูปแบบที่คุณเชื่อว่าเป็นสิ่งที่ถูกต้องที่สุดในขณะที่เราทำงานตอนนี้เรากลับไปที่ บริษัท ทำความสะอาดแห่งใหม่ซึ่งเริ่มต้นโดยน้องสาวที่ถูกแยกออกจากกันของคุณชื่อ Whistle ขณะที่เราทำงานคุณมีข้อมูลการขายที่ผ่านมา เราแสดงข้อมูลสำหรับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ 3 ช่วงโดยรายการสำหรับเซลล์ C6 ควรเป็นตอนนี้คุณสามารถคัดลอกสูตรเซลล์นี้ลงไปที่เซลล์อื่น ๆ C7 ถึง C11.Notice ค่าเฉลี่ยของการเคลื่อนย้าย มากกว่าข้อมูลทางประวัติศาสตร์ล่าสุด แต่ใช้เวลาสามช่วงล่าสุดสำหรับการคาดการณ์แต่ละครั้งนอกจากนี้คุณควรสังเกตด้วยว่าเราไม่จำเป็นต้องทำการคาดการณ์ในช่วงที่ผ่านมาเพื่อพัฒนาการคาดการณ์ล่าสุดของเราซึ่งแน่นอนว่าแตกต่างจาก exponential smoothing model I ve รวมการคาดการณ์ที่ผ่านมาเพราะเราจะใช้พวกเขาในหน้าเว็บถัดไปเพื่อวัดความถูกต้องของการทำนายตอนนี้ฉันต้องการนำเสนอผลลัพธ์ที่คล้ายคลึงกันสำหรับการคาดการณ์ค่าเฉลี่ยของช่วงเวลาสองช่วงการเคลื่อนไหวสำหรับ C5 ของเซลล์ควรเป็นตอนนี้ สามารถคัดลอกสูตรเซลล์นี้ลงไปที่เซลล์อื่น ๆ C6 ถึง C11.Notice ตอนนี้มีเพียงสองชิ้นล่าสุดของข้อมูลที่ผ่านมาที่ใช้สำหรับการคาดการณ์แต่ละครั้งที่ฉันได้รวมไว้ d การคาดการณ์ที่ผ่านมาเพื่อวัตถุประสงค์ในการอธิบายและเพื่อใช้ในภายหลังในการตรวจสอบการคาดการณ์สิ่งอื่น ๆ บางอย่างที่มีความสำคัญต่อการสังเกตสำหรับระยะเวลาการเคลื่อนที่เฉลี่ยของ m-m เท่านั้นค่าข้อมูล m ล่าสุดมีการใช้เพื่อทำให้การคาดการณ์ไม่มีอะไรที่จำเป็น สำหรับการคาดการณ์ค่าเฉลี่ยของระยะเวลา m-metric เมื่อทำการคาดการณ์ที่ผ่านมาสังเกตว่าการทำนายครั้งแรกเกิดขึ้นในช่วง m 1. ปัญหาเหล่านี้จะมีความสำคัญมากเมื่อเราพัฒนาโค้ดของเราการพัฒนาฟังก์ชัน Average Moving Average ตอนนี้เราจำเป็นต้องพัฒนาขึ้น รหัสสำหรับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ที่สามารถใช้ความยืดหยุ่นได้มากขึ้นโค้ดต่อไปนี้สังเกตว่าปัจจัยการผลิตเป็นจำนวนรอบระยะเวลาที่คุณต้องการใช้ในการคาดการณ์และอาร์เรย์ของค่าทางประวัติศาสตร์คุณสามารถจัดเก็บไว้ในสมุดงานที่คุณต้องการฟังก์ชั่น MovingAverage Historical, NumberOfPeriods เป็น Single Declaring และ initializing variables Dim Items เป็นตัวนับ Dim Variant เป็นจำนวนเต็ม Integer Dim เป็น Single Dim HistoricalSize As Integer Initializing variables Counter 1 Accumulation 0 การกำหนดขนาดของ Historical HistoricalSize. For Counter จำนวน 1 ต่อ NumberOfPeriods สะสมจำนวนที่เหมาะสมของค่าที่สังเกตก่อนหน้านี้สะสมสะสมข้อมูลประวัติ HistoricalSize - NumberOfPeriods Counter. MovingAverage การสะสม NumberOfPeriods รหัสจะอธิบายในชั้นเรียนคุณต้องการวางตำแหน่งฟังก์ชันในสเปรดชีตเพื่อให้ผลของการคำนวณปรากฏขึ้นในตำแหน่งที่ควร เมื่อคำนวณค่าเฉลี่ยเคลื่อนที่ในการทำงานการวางค่าเฉลี่ยในช่วงเวลากลางทำให้รู้สึกในตัวอย่างก่อนหน้านี้เราคำนวณค่าเฉลี่ยของช่วงเวลา 3 ครั้งแรกและวางไว้ข้างงวด 3 เราสามารถวางค่าเฉลี่ยใน ช่วงกลางของช่วงเวลาสามช่วงคือถัดจากช่วงเวลา 2 นี่ทำงานได้ดีกับช่วงเวลาแปลก ๆ แต่ไม่ค่อยดีเท่าช่วงเวลาที่แน่นอนดังนั้นเราจะวางค่าเฉลี่ยเคลื่อนที่ครั้งแรกเมื่อ M 4. ทางเทคนิค Moving ค่าเฉลี่ยจะลดลงที่ t 2 5, 3 5. เพื่อหลีกเลี่ยงปัญหานี้เราเรียบ MA s ใช้ M 2 ดังนั้นเราจึงเรียบค่าที่ราบรื่นถ้าเราเฉลี่ยจำนวนคู่ ms เราจำเป็นต้องเรียบค่าตารางต่อไปนี้จะแสดงผลลัพธ์โดยใช้ M 4.3 การทำความเข้าใจเกี่ยวกับระดับพยากรณ์และวิธีการคุณสามารถสร้างรายละเอียดการคาดการณ์รายการเดียวและการคาดการณ์สายผลิตภัณฑ์สรุปที่สะท้อนถึงรูปแบบความต้องการผลิตภัณฑ์ระบบจะวิเคราะห์ยอดขายในอดีตที่จะคำนวณ การคาดการณ์โดยใช้ 12 วิธีการคาดการณ์การคาดการณ์จะมีข้อมูลรายละเอียดในระดับรายการและข้อมูลระดับสูงขึ้นเกี่ยวกับสาขาหรือ บริษัท โดยรวม 3 1 เกณฑ์การประเมินประสิทธิภาพการพยากรณ์ผลการดำเนินการตามเกณฑ์การเลือกตัวเลือกการประมวลผลและแนวโน้มและรูปแบบใน ข้อมูลการขายบางวิธีคาดการณ์ดีกว่าข้อมูลอื่น ๆ สำหรับชุดข้อมูลในอดีตที่กำหนดวิธีการคาดการณ์ที่เหมาะสมสำหรับผลิตภัณฑ์หนึ่งอาจไม่เหมาะสมสำหรับผลิตภัณฑ์อื่นคุณอาจพบว่าเป็นวิธีการคาดการณ์ที่ให้ผลลัพธ์ที่ดีในช่วงชีวิตหนึ่งของผลิตภัณฑ์ รอบยังคงเหมาะสมตลอดวงจรชีวิตทั้งหมดคุณสามารถเลือกระหว่างสองวิธีเพื่อ evalua ประสิทธิภาพการทำงานปัจจุบันของวิธีการคาดการณ์เปอร์เซ็นต์ของความถูกต้อง POA. Mean การเบี่ยงเบนสัมบูรณ์ MAD ทั้งสองวิธีการประเมินผลการปฏิบัติงานเหล่านี้ต้องการข้อมูลการขายที่ผ่านมาสำหรับช่วงเวลาที่คุณระบุช่วงเวลานี้เรียกว่าระยะเวลา holdout หรือระยะเวลาที่เหมาะสมที่สุดข้อมูลใน ระยะเวลานี้ใช้เป็นพื้นฐานในการแนะนำวิธีการคาดการณ์ที่จะใช้ในการทำประมาณการต่อไปข้อเสนอแนะนี้มีความเฉพาะเจาะจงกับแต่ละผลิตภัณฑ์และสามารถเปลี่ยนจากการคาดการณ์หนึ่งไปอีก 3 1 1 Best Fit ระบบแนะนำให้เหมาะสมที่สุด คาดการณ์โดยใช้วิธีการคาดการณ์ที่เลือกไปยังประวัติการสั่งขายที่ผ่านมาและเปรียบเทียบการคาดการณ์การคาดการณ์กับประวัติที่เกิดขึ้นจริงเมื่อคุณสร้างการคาดการณ์พอดีที่ดีที่สุดระบบจะเปรียบเทียบประวัติการสั่งขายที่เกิดขึ้นจริงกับการคาดการณ์ในช่วงเวลาหนึ่งและคำนวณว่าการคาดการณ์แต่ละอย่างถูกต้อง วิธีการทำนายยอดขายจากนั้นระบบจะแนะนำการคาดการณ์ที่ถูกต้องที่สุดให้พอดีที่สุดภาพนี้แสดงให้เห็น s ที่ดีที่สุดพอดี forecasts. Figure 3-1 Best พอดี forecast. The ระบบใช้ลำดับขั้นตอนนี้เพื่อตรวจสอบแบบที่ดีที่สุดโดยใช้วิธีการที่ระบุแต่ละเพื่อจำลองการคาดการณ์สำหรับ holdout periodpare ยอดขายจริงการคาดการณ์จำลองสำหรับระยะ holdout คำนวณ POA หรือ MAD เพื่อพิจารณาว่าวิธีการคาดการณ์ใดที่ตรงกับยอดขายจริงมากที่สุดในอดีตระบบใช้ POA หรือ MAD ตามตัวเลือกการประมวลผลที่คุณเลือกขอแนะนำการคาดการณ์พอดีที่ดีที่สุดโดย POA ซึ่งใกล้เคียงกับ 100 เปอร์เซ็นต์มากกว่า หรือต่ำกว่าหรือ MAD ที่ใกล้เคียงกับศูนย์มากที่สุด 3 2 Forecasting Methods. JD Edwards EnterpriseOne Forecast Management ใช้วิธีการประมาณ 12 วิธีในการพยากรณ์ปริมาณและระบุว่าวิธีใดที่เหมาะสำหรับสถานการณ์พยากรณ์การณ์ส่วนนี้กล่าวคือวิธีที่ 1 ร้อยละเมื่อเทียบกับปีที่แล้ว วิธีที่ 2 คำนวณจากปีที่ผ่านมาวิธีการ 3 ปีที่ผ่านมาถึงปีนี้วิธีการ 4 ค่าเฉลี่ยเคลื่อนที่วิธีการ 5 วิธีการเชิงเส้นวิธีการ 6 การถดถอยต่ำสุดของขั้นตอนที่ 7 วิธีที่สอง e Approximation วิธีที่ 8 วิธีการแบบยืดหยุ่นวิธีที่ 9 ค่าเฉลี่ยถ่วงน้ำหนักที่มีอยู่วิธีที่ 10 วิธีการแบบ Linear Smoothing วิธีที่ 11 วิธีการ Smoothing แบบ Exponential วิธีที่ 12 การระบุด้วย Smoothing กับ Trend และ Seasonality ระบุวิธีการที่คุณต้องการใช้ในตัวเลือกการประมวลผลสำหรับโปรแกรม Forecast Generation R34650 วิธีการเหล่านี้ส่วนใหญ่ให้การควบคุมแบบ จำกัด ตัวอย่างเช่นน้ำหนักที่วางไว้ในข้อมูลที่ผ่านมาหรือช่วงวันที่ของข้อมูลประวัติที่ใช้ในการคำนวณสามารถระบุได้โดยคุณตัวอย่างในคู่มือระบุขั้นตอนการคำนวณสำหรับแต่ละ วิธีการพยากรณ์อากาศที่พร้อมใช้งานให้ข้อมูลทางประวัติศาสตร์ที่เหมือนกันตัวอย่างวิธีการในคู่มือการใช้งานส่วนหนึ่งหรือทั้งหมดของชุดข้อมูลเหล่านี้ซึ่งเป็นข้อมูลทางประวัติศาสตร์จากสองปีที่ผ่านมาการคาดการณ์การคาดการณ์จะเข้าสู่ปีหน้าข้อมูลประวัติการขายนี้มีเสถียรภาพ มีการเพิ่มขึ้นของฤดูกาลในเดือนกรกฎาคมและธันวาคมเล็กน้อยลักษณะนี้เป็นลักษณะของผลิตภัณฑ์ผู้ใหญ่ที่อาจใกล้หมดไป 3 2 1 วิธีที่ 1 เปอร์เซ็นต์เมื่อปีที่แล้ววิธีนี้ใช้สูตรเปอร์เซ็นต์ปีที่ผ่านมาคูณระยะเวลาคาดการณ์แต่ละช่วงโดยเพิ่มขึ้นหรือลดลงตามเปอร์เซ็นต์ที่กำหนดไว้สำหรับความต้องการในการคาดการณ์วิธีนี้ต้องการจำนวนรอบระยะเวลาที่เหมาะสมที่สุดรวมถึงประวัติการขายหนึ่งปี เป็นประโยชน์ในการคาดการณ์ความต้องการสินค้าตามฤดูกาลที่มีการเติบโตหรือลดลง 3 2 1 1 ตัวอย่างวิธีที่ 1 ร้อยละเมื่อเทียบกับปีที่แล้วเปอร์เซ็นต์ของสูตรปีที่ผ่านมาคูณกับยอดขายจากปีที่แล้วโดยปัจจัยที่คุณระบุแล้วจะให้ผลลัพธ์ที่มากกว่า ปีหน้าวิธีนี้อาจเป็นประโยชน์ในการจัดทำงบประมาณเพื่อจำลองผลกระทบของอัตราการเติบโตที่ระบุหรือเมื่อประวัติการขายมีองค์ประกอบตามฤดูกาลอย่างมากข้อกำหนดในการคูณปัจจัยการคูณตัวอย่างเช่นระบุ 110 ในตัวเลือกการประมวลผลเพื่อเพิ่มข้อมูลประวัติการขายของปีก่อนหน้า โดย 10 เปอร์เซ็นต์ประวัติการขายที่ต้องการหนึ่งปีสำหรับการคำนวณการคาดการณ์บวกจำนวนของช่วงเวลาที่จำเป็นสำหรับการประเมิน Foreca st ระยะเวลาการทำงานของแบบที่ดีที่สุดที่คุณระบุตารางนี้เป็นประวัติศาสตร์ที่ใช้ในการคาดการณ์การคำนวณการคาดการณ์ในเดือนกุมภาพันธ์เท่ากับ 117 1 1 128 7 ปัดเศษเป็น 129 การคาดการณ์ของตลาดเท่ากับ 115 1 1 126 5 ปัดเศษ 127.3 2 2 วิธีที่ 2 คำนวณเปอร์เซ็นต์มากกว่า ปีล่าสุดวิธีนี้ใช้สูตรคำนวณเปอร์เซ็นต์เมื่อปีที่แล้วเปรียบเทียบยอดขายที่ผ่านมาของงวดที่ระบุกับยอดขายจากงวดเดียวกันของปีที่ผ่านมาระบบจะกำหนดเปอร์เซ็นต์เพิ่มหรือลดแล้วคูณด้วยแต่ละช่วงเวลาตามเปอร์เซ็นต์เพื่อพิจารณา การคาดการณ์ความต้องการในการคาดการณ์วิธีนี้ต้องใช้จำนวนงวดของประวัติการสั่งขายรวมทั้งประวัติการขายหนึ่งปีวิธีนี้เป็นประโยชน์ในการคาดการณ์ความต้องการสินค้าในฤดูกาลที่มีการเติบโตหรือลดลง 3 2 2 1 ตัวอย่างวิธีที่ 2 ร้อยละที่คำนวณได้ เมื่อเทียบกับปีที่แล้วเปอร์เซ็นต์ที่คำนวณได้จากสูตรปีที่แล้วคูณข้อมูลการขายจากปีที่แล้วโดยใช้ปัจจัยที่คำนวณโดยระบบจากนั้นจะคำนวณผลลัพธ์สำหรับ ปีหน้าวิธีการนี้อาจเป็นประโยชน์ในการคาดการณ์ผลกระทบของการขยายอัตราการเติบโตล่าสุดสำหรับผลิตภัณฑ์ในปีถัดไปในขณะที่รักษารูปแบบตามฤดูกาลที่มีอยู่ในประวัติการขายข้อกำหนดของ Forecast ช่วงของประวัติการขายที่จะใช้ในการคำนวณอัตราของ การเจริญเติบโตตัวอย่างเช่นระบุ n เท่ากับ 4 ในตัวเลือกการประมวลผลเพื่อเปรียบเทียบประวัติการขายสำหรับงวด 4 งวดล่าสุดกับสี่ช่วงเวลาเดียวกันของปีก่อนใช้อัตราส่วนที่คำนวณได้เพื่อให้ประมาณการสำหรับปีถัดไปประวัติการขายที่ต้องการหนึ่งปีสำหรับ การคำนวณการคาดการณ์บวกจำนวนของช่วงเวลาที่จำเป็นสำหรับการประเมินระยะเวลาการคาดการณ์ของแบบที่ดีที่สุดตารางนี้เป็นประวัติศาสตร์ที่ใช้ในการคำนวณคาดการณ์ให้ n 4. การคาดการณ์ในเดือนกุมภาพันธ์เท่ากับ 117 0 9766 114 26 กลมถึง 114 คาดการณ์ตามคาดการณ์ เท่ากับ 115 0 9766 112 31 ปัดเศษเป็น 112.3 2 3 วิธีที่ 3 ปีที่แล้วในปีนี้วิธีนี้ใช้ยอดขายในปีที่แล้วสำหรับการคาดการณ์ในปีหน้าเพื่อคาดการณ์ความต้องการนี้ m ethod กำหนดให้มีระยะเวลาที่เหมาะสมมากที่สุดและมีประวัติการสั่งซื้อเป็นระยะเวลาหนึ่งปีวิธีนี้เป็นประโยชน์ในการคาดการณ์ความต้องการผลิตภัณฑ์ผู้ใหญ่ที่มีระดับความต้องการหรือความต้องการตามฤดูกาลโดยไม่มีแนวโน้ม 3 2 3 1 ตัวอย่างวิธีที่ 3 ปีที่แล้วถึงปีนี้ สูตรปีนี้จะทำสำเนาข้อมูลการขายจากปีก่อนหน้าไปจนถึงปีหน้าวิธีนี้อาจเป็นประโยชน์ในการจัดทำงบประมาณเพื่อจำลองยอดขายในระดับปัจจุบันผลิตภัณฑ์นี้มีอายุครบกำหนดและไม่มีแนวโน้มในระยะยาว แต่อาจเป็นไปได้ตามฤดูกาล มีอยู่ประวัติการขายหนึ่งปีสำหรับการคำนวณการคาดการณ์บวกจำนวนของช่วงเวลาที่จำเป็นสำหรับการประเมินช่วงเวลาประสิทธิภาพการคาดการณ์ของแบบที่ดีที่สุดตารางนี้เป็นประวัติศาสตร์ที่ใช้ในการคำนวณพยากรณ์อากาศมกราคมเท่ากับมกราคมของล่าสุด ปีโดยมีมูลค่าคาดการณ์เท่ากับ 128. การคาดการณ์ในเดือนกุมภาพันธ์เท่ากับเดือนกุมภาพันธ์ของปีก่อนมีมูลค่าคาดการณ์เท่ากับ 117 เดือนคาดว่าจะเท่ากับเดือนมีนาคมของปีที่ผ่านมาซึ่งมีมูลค่าคาดการณ์ 115.3 2 4 วิธีที่ 4 การเคลื่อนที่โดยเฉลี่ยวิธีการนี้ใช้สูตรเฉลี่ยเคลื่อนที่โดยเฉลี่ยจำนวนงวดที่ระบุในช่วงเวลาถัดไปคุณควรคำนวณใหม่เป็นประจำทุกเดือนหรืออย่างน้อยไตรมาสเพื่อให้สอดคล้องกับระดับความต้องการที่เปลี่ยนแปลงไป ต้องการจำนวนรอบระยะเวลาที่เหมาะสมที่สุดบวกกับจำนวนงวดของประวัติการสั่งขายคำแนะนำวิธีนี้เป็นประโยชน์ในการคาดการณ์ความต้องการสินค้าผู้ใหญ่โดยไม่มีแนวโน้ม 3 2 4 1 ตัวอย่างวิธีที่ 4 การเคลื่อนที่เฉลี่ยค่าเฉลี่ยค่าเฉลี่ยเป็นวิธีที่ได้รับความนิยมสำหรับค่าเฉลี่ย ผลของประวัติการขายล่าสุดในการพิจารณาการคาดการณ์ในระยะสั้นวิธีคาดการณ์ MA ล่าช้าหลังคาดการณ์แนวโน้มอคติและข้อผิดพลาดอย่างเป็นระบบเกิดขึ้นเมื่อประวัติการขายของผลิตภัณฑ์แสดงแนวโน้มที่แข็งแกร่งหรือรูปแบบตามฤดูกาลวิธีนี้ใช้ได้ดีกับการคาดการณ์ในระยะสั้นของผลิตภัณฑ์ที่ครบกำหนด ผลิตภัณฑ์ที่อยู่ในช่วงการเจริญเติบโตหรือล้าสมัยของวงจรชีวิตข้อมูลจำเพาะของ Forecast n เท่ากับจำนวนรอบระยะเวลาของประวัติการขาย o ใช้ในการคำนวณคาดการณ์ตัวอย่างเช่นระบุ n 4 ในตัวเลือกการประมวลผลเพื่อใช้ช่วง 4 งวดล่าสุดเป็นพื้นฐานสำหรับการประมาณการในช่วงเวลาถัดไปมูลค่าที่มีนัยสำคัญสำหรับ n เช่น 12 ต้องการประวัติการขายเพิ่มขึ้นส่งผลให้เกิด การคาดการณ์ที่มั่นคง แต่ช้ารับรู้การเปลี่ยนแปลงในระดับของยอดขายตรงกันข้ามค่าเล็กน้อยสำหรับ n เช่น 3 เร็วตอบสนองต่อการเปลี่ยนแปลงในระดับการขาย แต่การคาดการณ์อาจผันผวนอย่างกว้างขวางว่าการผลิตไม่สามารถตอบสนองต่อรูปแบบ ประวัติการขายที่ต้องการ n บวกกับจำนวนรอบระยะเวลาที่จำเป็นสำหรับการประเมินระยะเวลาการคาดการณ์ที่เหมาะสมที่สุดตารางนี้เป็นประวัติศาสตร์ที่ใช้ในการคำนวณคาดการณ์การคาดการณ์ในเดือนกุมภาพันธ์เท่ากับ 114 119 137 125 4 123 75 กลมถึง 124 คาดการณ์ตามคาดการณ์ของตลาด เท่ากับ 119 137 125 124 4 126 25 คูณเป็น 126.3 2 5 วิธีที่ 5 วิธีประมาณเส้นตรงวิธีการนี้ใช้สูตร Linear Approximation เพื่อคำนวณแนวโน้มจากจำนวนรอบระยะเวลาของประวัติการสั่งขายและโครงการ แนวโน้มนี้จะคาดการณ์คุณควรคำนวณแนวโน้มรายเดือนเพื่อตรวจสอบการเปลี่ยนแปลงแนวโน้มวิธีนี้ต้องใช้จำนวนรอบระยะเวลาที่เหมาะสมที่สุดรวมทั้งจำนวนของระยะเวลาที่กำหนดของประวัติการสั่งขายวิธีนี้เป็นประโยชน์ในการคาดการณ์ความต้องการสำหรับผลิตภัณฑ์หรือผลิตภัณฑ์ใหม่ แนวโน้มเชิงบวกหรือลบที่สอดคล้องกันซึ่งไม่ได้เกิดจากความผันผวนตามฤดูกาล 3 2 5 1 ตัวอย่างวิธีที่ 5 เส้นตรงประมาณเส้นประมาณประมาณคำนวณจุดเริ่มต้นของจุดข้อมูลการขายสองจุดจุดทั้งสองจุดนี้กำหนดเส้นแนวโน้มตรงที่คาดการณ์ไว้ อนาคตใช้วิธีนี้ด้วยความระมัดระวังเนื่องจากการคาดการณ์ในระยะยาวจะใช้ประโยชน์จากการเปลี่ยนแปลงเพียงเล็กน้อยในข้อมูลเพียงสองจุดข้อมูลจำเพาะ Forecast เท่ากับจุดข้อมูลในประวัติการขายที่เปรียบเทียบกับจุดข้อมูลล่าสุดเพื่อระบุแนวโน้มตัวอย่างเช่นระบุ n 4 เพื่อใช้ความแตกต่างระหว่างเดือนธันวาคมข้อมูลล่าสุดและสิงหาคมช่วงสี่ก่อนเดือนธันวาคมเป็นพื้นฐานสำหรับการคำนวณแนวโน้มความต้องการขั้นต่ำ ประวัติการขายของ n บวก 1 บวกระยะเวลาที่จำเป็นสำหรับการประเมินระยะเวลาการคาดการณ์ที่เหมาะสมที่สุดตารางนี้เป็นประวัติศาสตร์ที่ใช้ในการคำนวณคาดการณ์การคาดการณ์มกราคมมกราคมของปีที่ผ่านมา 1 แนวโน้มซึ่งเท่ากับ 137 1 2 139 การคาดการณ์เดือนกุมภาพันธ์ของปีที่แล้ว 1 แนวโน้มซึ่งเท่ากับ 137 2 2 141 การคาดการณ์ในเดือนธันวาคมของปีที่ผ่านมา 1 แนวโน้มซึ่งเท่ากับ 137 3 2 143.3 2 6 วิธีที่ 6 การถดถอยของเศษน้อยที่สุดวิธีการถดถอยต่ำสุด LSR มีสมการที่อธิบายเส้นตรง ความสัมพันธระหวางขอมูลการขายในอดีตและระยะเวลาที่ LSR สอดคลองกับเสนไปจนถึงชวงที่เลือกของขอมูลเพื่อใหผลรวมของความแตกตางระหวางจุดขายจริงกับสายถดถอยถูกลดลง เส้นตรงในอนาคตวิธีนี้ต้องใช้ประวัติข้อมูลการขายสำหรับช่วงเวลาที่แสดงด้วยจำนวนรอบบัญชีที่พอดีกับจำนวนข้อมูลที่ระบุไว้ในอดีต pe riods ความต้องการขั้นต่ำคือสองจุดข้อมูลทางประวัติศาสตร์วิธีนี้เป็นประโยชน์ในการคาดการณ์ความต้องการเมื่อมีแนวโน้มเชิงเส้นอยู่ในข้อมูล 3 2 6 1 ตัวอย่างวิธีที่ 6 การถดถอยต่ำสุดการถดถอยเชิงเส้นหรือการถดถอยต่ำสุด LSR เป็นวิธีที่ได้รับความนิยมมากที่สุด สำหรับการระบุแนวโน้มเชิงเส้นในข้อมูลการขายในอดีตวิธีคำนวณค่าสำหรับ a และ b ที่จะใช้ในสูตรสมการนี้อธิบายเส้นตรงโดยที่ Y แทนยอดขายและ X หมายถึงการถดถอยเชิงเส้นแบบช้าการรับรู้จุดหักเหและขั้นตอน การถดถอยเชิงเส้นตรงกับเส้นตรงกับข้อมูลแม้ในขณะที่ข้อมูลเป็นแบบตามฤดูกาลหรืออธิบายได้ดีขึ้นโดยใช้เส้นโค้งเมื่อข้อมูลประวัติการขายเป็นไปตามเส้นโค้งหรือมีรูปแบบตามฤดูกาลที่แข็งแกร่งคาดการณ์ความลำเอียงและข้อผิดพลาดของระบบเกิดขึ้นข้อกำหนดของ Forecast n เท่ากับช่วงเวลาของประวัติการขายที่จะใช้ในการคำนวณค่าสำหรับ a และ b ตัวอย่างเช่นระบุ n 4 เพื่อใช้ประวัติตั้งแต่เดือนกันยายนถึงธันวาคมในฐานะ พื้นฐานสำหรับการคำนวณเมื่อข้อมูลมีอยู่ n ที่มีขนาดใหญ่กว่า n 24 จะถูกใช้โดยทั่วไป LSR กำหนดเส้นสำหรับจุดข้อมูลสองจุดตัวอย่างเช่นค่าเล็ก ๆ สำหรับ nn 4 ถูกเลือกเพื่อลดการคำนวณด้วยตนเองที่มี ต้องใช้ในการคำนวณผลการพยากรณ์ต้องมีประวัติการขายที่สำคัญ n ช่วงเวลาบวกกับจำนวนรอบระยะเวลาที่จำเป็นสำหรับการประเมินระยะเวลาการคาดการณ์ที่เหมาะสมที่สุดตารางนี้เป็นประวัติศาสตร์ที่ใช้ในการคำนวณการคาดการณ์การคาดการณ์ของอุตสาหกรรมเท่ากับ 119 5 7 2 3 135 6 ปัดเศษเป็น 136.3 2 7 วิธีที่ 7 การประมาณระดับที่สองเมื่อต้องการประมาณค่าพยากรณ์วิธีนี้ใช้สูตรประมาณที่สองเพื่อคำนวณเส้นโค้งที่ขึ้นอยู่กับจำนวนงวดของประวัติการขายวิธีนี้ต้องการจำนวนรอบระยะเวลาที่เหมาะสมที่สุด บวกกับจำนวนรอบระยะเวลาของประวัติการสั่งซื้อครั้งที่สามวิธีนี้ไม่เป็นประโยชน์ในการคาดการณ์ความต้องการสำหรับระยะยาวระยะยาว 3 2 7 1 ตัวอย่างวิธีที่ 7 การประมาณระดับที่สองการถดถอยเชิงเส้นกำหนดค่า v alues ​​สำหรับ a และ b ในสูตรพยากรณ์ Y ab X โดยมีวัตถุประสงค์เพื่อให้เหมาะสมกับข้อมูลประวัติการขายการประมาณระดับที่สองคล้ายกัน แต่วิธีนี้กำหนดค่าสำหรับ a, b และ c ในสูตรคาดการณ์นี้ วัตถุประสงค์ของวิธีนี้คือการพอดีกับเส้นโค้งกับข้อมูลประวัติการขายวิธีนี้เป็นประโยชน์เมื่อผลิตภัณฑ์อยู่ระหว่างช่วงการเปลี่ยนแปลงระหว่างชีวิตตัวอย่างเช่นเมื่อผลิตภัณฑ์ใหม่ย้ายจากช่วงแนะนำสู่ช่วงการเติบโตแนวโน้มการขายอาจเพิ่มขึ้นเนื่องจาก ระยะที่สองคำสั่งคาดการณ์ได้อย่างรวดเร็วสามารถอินฟินิตี้หรือลดลงศูนย์ขึ้นอยู่กับว่าค่าสัมประสิทธิ์ c เป็นบวกหรือลบวิธีนี้จะเป็นประโยชน์เฉพาะในระยะสั้นข้อกำหนด ForScore สูตรหา a, b และ c ให้พอดีกับเส้นโค้ง ตรงจุดสามจุด n ระบุจำนวนช่วงเวลาของข้อมูลที่สะสมไว้ในแต่ละจุดในตัวอย่างนี้ n 3 ข้อมูลการขายจริงสำหรับเดือนเมษายนถึงมิถุนายนรวมอยู่ในจุดแรก Q1 กรกฎาคมถึง กันยายนจะรวมกันเพื่อสร้างไตรมาสที่ 2 และเดือนตุลาคมถึงเดือนธันวาคมถึง Q3 เส้นโค้งจะพอดีกับสามค่า Q1, Q2 และ Q3 ประวัติการขายที่ต้องการ 3 n รอบระยะเวลาสำหรับการคำนวณการคาดการณ์บวกจำนวนของช่วงเวลาที่จำเป็นสำหรับ การประเมินระยะเวลาการคาดการณ์ที่ดีที่สุดตารางนี้เป็นประวัติศาสตร์ที่ใช้ในการคำนวณคาดการณ์ Q0 ม. ค. ก. พ. มี.ค. q. เม. ย. พ. ค. มิ.ย. เท่ากับ 125 122 137 384.Q2 ก. ค. ส. ค. ส. ค. ซึ่งเท่ากับ 140 129 131 400.Q3 ต. ค. พ. ย. ธ. ค. ซึ่งเท่ากับ 114 119 137 370 ขั้นตอนต่อไปคือการคำนวณค่าสัมประสิทธิ์ทั้งสามแบบ a, b และ c ที่จะใช้ในสูตรพยากรณ์ Y ab X c X 2. Q1, Q2 และ Q3 แสดงอยู่บนภาพกราฟฟิกซึ่งเป็นเวลา วางบนแกนแนวนอน Q1 หมายถึงยอดขายรวมในเดือนเมษายนพฤษภาคมและมิถุนายนและวางแผนไว้ที่ X 1 Q2 ตรงกับเดือนกรกฎาคมถึง 3 กันยายนตรงกับเดือนตุลาคมถึงธันวาคมและ Q4 หมายถึงเดือนมกราคมถึงเดือนมีนาคมภาพนี้แสดงการวางแผน Q1, Q2 , Q3 และ Q4 เป็นวินาที ond องศาประมาณรูปที่ 3-2 พล็อต Q1, Q2, Q3 และ Q4 สำหรับการประมาณองศาที่สองสมการสามตัวอธิบายจุดสามจุดบนกราฟ 1 Q1 a bX cX 2 โดยที่ X 1 Q 1 a b c. 2 Q2 a bX cX 2 โดยที่ X 2 Q 2 a 2b 4 c 3 Q3 a bX cX 2 โดยที่ X 3 Q 3 a 3 b 9c สมการสมการทั้งสามสมการหาสูตร b และ a สมการสมการ 1 จากสมการ 2 2 และแก้ปัญหา b แทนสมการนี้ให้เป็นสมการที่ 3 3 Q3 a 3 Q2 Q1 3c 9c a Q3 3 Q2 Q1 สุดท้ายแทนสมการเหล่านี้สำหรับ a และ b เป็นสมการ 1. 1 Q3 3 Q2 Q1 Q2 Q1 3c c Q1.c Q3 Q2 Q1 Q2 2. วิธีการประมาณค่าระดับที่สอง คำนวณค่า a, b และ c ดังนี้ Q3 3 Q2 Q1 370 3 400 384 370 3 16 322.b Q2 Q1 3c 400 384 3 23 16 69 85.c Q3 Q2 Q1 Q2 2 370 400 384 400 2 23.This คือการคํานวณการประมาณค่าประมาณองศาที่สอง x 2 x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x 172 3 58 33 รอบต่อครั้งที่ 57 ต่องวดเมื่อ X 6, Q6 322 510 828 4 การคาดการณ์เท่ากับ 4 3 1 33 รอบต่อ 1 ต่องวดซึ่งเป็นประมาณการปีถัดไปปีสุดท้ายของปีนี้ 3 2 8 วิธีการ 8 วิธีที่ยืดหยุ่นวิธีนี้ช่วยให้คุณสามารถเลือกหมายเลขพอดีที่ดีที่สุดของต่อ iod ของประวัติการสั่งขายที่เริ่ม n เดือนก่อนวันที่เริ่มคาดการณ์และใช้เปอร์เซ็นต์เพิ่มหรือลดคูณปัจจัยที่จะปรับเปลี่ยนการคาดการณ์วิธีนี้คล้ายกับวิธีที่ 1 ร้อยละเมื่อปีที่แล้วยกเว้นที่คุณสามารถระบุ จำนวนรอบระยะเวลาที่คุณใช้เป็นฐานขึ้นอยู่กับสิ่งที่คุณเลือกเป็น n วิธีนี้ต้องใช้ระยะเวลาที่พอดีกับจำนวนข้อมูลการขายที่ระบุไว้วิธีนี้มีประโยชน์ในการคาดการณ์ความต้องการแนวโน้มตามแผน 3 2 8 1 ตัวอย่างวิธีที่ 8 วิธีที่ยืดหยุ่นวิธีการยืดหยุ่นร้อยละกว่า n เดือนก่อนมีลักษณะคล้ายกับวิธีที่ 1 ร้อยละเมื่อปีที่แล้วทั้งสองวิธีคูณยอดขายจากช่วงเวลาก่อนหน้าโดยใช้ปัจจัยที่กำหนดโดยคุณจากนั้นจึงคาดการณ์ผลลัพธ์ในอนาคต ในปีที่ผ่านมาวิธีการประมาณการขึ้นอยู่กับข้อมูลจากช่วงเวลาเดียวกันของปีก่อนนอกจากนี้คุณยังสามารถใช้วิธีการแบบยืดหยุ่นเพื่อระบุช่วงเวลานอกเหนือจากช่วงเวลาเดียวกันในลา ปีที่จะใช้เป็นพื้นฐานสำหรับการคำนวณปัจจัยการขยายตัวตัวอย่างเช่นระบุ 110 ในตัวเลือกการประมวลผลเพื่อเพิ่มข้อมูลประวัติการขายก่อนหน้านี้โดย 10 เปอร์เซ็นต์ระยะเวลาตามตัวอย่างเช่น n 4 ทำให้การคาดการณ์ครั้งแรกขึ้นอยู่กับข้อมูลการขาย ในเดือนกันยายนของปีที่แล้วประวัติการขายที่จำเป็นขั้นต่ำจำนวนงวดย้อนกลับไปยังช่วงเวลาฐานบวกกับจำนวนรอบระยะเวลาที่จำเป็นสำหรับการประเมินระยะเวลาการคาดการณ์ที่เหมาะสมที่สุดตารางนี้เป็นประวัติศาสตร์ที่ใช้ในการคำนวณคาดการณ์ 3 2 9 วิธีที่ 9 ค่าเฉลี่ยถ่วงน้ำหนักโดยเฉลี่ยสูตร Weighted Moving Average มีลักษณะคล้ายกับวิธีที่ 4 สูตร Moving Average เนื่องจากค่าเฉลี่ยของประวัติการขายในเดือนก่อนหน้าจะแสดงประวัติการขายของเดือนถัดไปอย่างไรก็ตามด้วยสูตรนี้คุณสามารถกำหนดน้ำหนักสำหรับแต่ละ ของงวดก่อนวิธีนี้ต้องใช้จำนวนงวดที่เลือกรวมทั้งจำนวนรอบระยะเวลาที่พอดีกับข้อมูลเช่นเดียวกับ Moving Average วิธีนี้ล่าช้ากว่าแนวโน้มความต้องการดังนั้น ไม่แนะนำสำหรับผลิตภัณฑ์ที่มีแนวโน้มสูงหรือเป็นฤดูกาลวิธีการนี้เป็นประโยชน์ในการคาดการณ์ความต้องการผลิตภัณฑ์สำหรับผู้ใหญ่ที่มีความต้องการอยู่ในระดับที่ค่อนข้างสูง 3 2 9 1 ตัวอย่างวิธีที่ 9 ค่าเฉลี่ยถ่วงน้ำหนักเฉลี่ยถ่วงน้ำหนัก WMA เฉลี่ยเคลื่อนที่คล้ายกับวิธีที่ 4 , Moving Average MA อย่างไรก็ตามคุณสามารถกำหนดน้ำหนักที่ไม่เท่ากันให้กับข้อมูลที่ผ่านมาเมื่อใช้ WMA วิธีคำนวณค่าเฉลี่ยถ่วงน้ำหนักของประวัติการขายล่าสุดที่จะมาถึงการฉายในระยะสั้นข้อมูลล่าสุดมักได้รับมอบหมายให้มีน้ำหนักมากกว่าข้อมูลที่เก่ากว่า, ดังนั้น WMA จะตอบสนองต่อการเปลี่ยนแปลงระดับการขายอย่างไรก็ตามคาดการณ์ความลำเอียงและข้อผิดพลาดอย่างเป็นระบบเกิดขึ้นเมื่อประวัติการขายของผลิตภัณฑ์แสดงถึงแนวโน้มที่แข็งแกร่งหรือตามฤดูกาลวิธีนี้ใช้ได้ดีกับการคาดการณ์ในระยะสั้นของผลิตภัณฑ์ที่เป็นผู้ใหญ่มากกว่าผลิตภัณฑ์ที่มีการเติบโตหรือล้าสมัย ขั้นตอนของวงจรชีวิตจำนวนรอบระยะเวลาของประวัติการขาย n เพื่อใช้ในการคำนวณคาดการณ์ตัวอย่างเช่นระบุ n 4 ใน proce ssing เพื่อใช้ช่วงสี่งวดล่าสุดเป็นพื้นฐานสำหรับการประมาณการในช่วงเวลาถัดไปมูลค่าขนาดใหญ่สำหรับ n เช่น 12 ต้องการประวัติการขายเพิ่มขึ้นค่าดังกล่าวส่งผลให้เกิดการคาดการณ์ที่มีเสถียรภาพ แต่จะช้าในการรับรู้ถึงการเปลี่ยนแปลงใน ระดับการขายตรงกันข้ามค่าเล็กน้อยสำหรับ n เช่น 3 ตอบสนองได้เร็วขึ้นเพื่อเลื่อนระดับการขาย แต่การคาดการณ์อาจผันผวนอย่างกว้างขวางว่าการผลิตไม่สามารถตอบสนองต่อรูปแบบต่างๆจำนวนรวมของระยะเวลาสำหรับตัวเลือกการประมวลผล 14 - ช่วงเวลาที่จะรวมไม่เกิน 12 เดือนน้ำหนักที่กำหนดให้กับแต่ละช่วงข้อมูลที่ผ่านมาน้ำหนักที่กำหนดจะต้องรวม 1 00 ตัวอย่างเช่นเมื่อ n 4 ให้กำหนดน้ำหนักของ 0 50, 0 25, 0 15 และ 0 10 กับข้อมูลล่าสุดที่ได้รับน้ำหนักที่ยิ่งใหญ่ที่สุดที่จำเป็นต้องใช้ประวัติการขาย n บวกจำนวนของช่วงเวลาที่จำเป็นสำหรับการประเมินระยะเวลาการคาดการณ์ของพอดีที่ดีที่สุดตารางนี้เป็นประวัติศาสตร์ที่ใช้ในการคำนวณคาดการณ์มกราคมมกราคม ast เท่ากับ 131 0 10 114 0 15 119 0 25 137 0 50 0 10 0 15 0 25 0 50 128 45 รอบต่อวัน 128. การคาดการณ์ในเดือนกุมภาพันธ์เท่ากับ 114 0 10 119 0 15 137 0 25 128 0 50 1 127 5 ปัดเศษเป็น 128 การคาดการณ์ในเดือนมีนาคมเท่ากับ 119 0 10 137 0 15 128 0 25 128 0 50 1 128 45 ปัดเศษเป็น 128.3 2 10 วิธีการ 10 การปรับ Linear Smoothing วิธีนี้จะคำนวณถัวเฉลี่ยถ่วงน้ำหนักของข้อมูลการขายในอดีตในการคำนวณวิธีนี้ใช้จำนวนงวด ประวัติการสั่งซื้อสินค้าตั้งแต่ 1 ถึง 12 ที่ระบุไว้ในตัวเลือกการประมวลผลระบบจะใช้วิธีการทางคณิตศาสตร์เพื่อชั่งน้ำหนักข้อมูลในช่วงตั้งแต่น้ำหนักแรกสุดไปจนถึงน้ำหนักสุดท้ายที่สุดจากนั้นระบบจะจัดทำข้อมูลนี้ในแต่ละช่วงเวลาในการคาดการณ์ method ต้องใช้พอดีกับเดือนรวมทั้งประวัติการสั่งขายสำหรับจำนวนรอบระยะเวลาที่ระบุไว้ในตัวเลือกการประมวลผล 3 2 10 1 ตัวอย่างวิธีการ 10 วิธีการแบบ Linear Smoothing วิธีนี้คล้ายกับวิธีที่ 9, WMA อย่างไรก็ตามแทนที่จะกำหนดโดยพลการ น้ำหนักข้อมูลทางประวัติศาสตร์สูตรจะใช้ เพื่อกำหนดน้ำหนักที่ลดลงเป็นเส้นตรงและรวมกันเป็น 1 00 วิธีคำนวณค่าเฉลี่ยถ่วงน้ำหนักของประวัติการขายล่าสุดที่จะมาถึงการฉายในระยะสั้นเช่นเดียวกับเทคนิคการคาดการณ์การเคลื่อนไหวเชิงเส้นทั้งหมดการพยากรณ์ความลำเอียงและข้อผิดพลาดที่เป็นระบบเกิดขึ้นเมื่อประวัติการขายผลิตภัณฑ์ มีแนวโน้มที่ดีหรือตามฤดูกาลวิธีนี้ใช้ได้ดีกับการคาดการณ์ในระยะสั้นของผลิตภัณฑ์ที่เป็นผู้ใหญ่มากกว่าผลิตภัณฑ์ที่อยู่ในช่วงการเจริญเติบโตหรือเสื่อมสภาพของวงจรชีวิต n เท่ากับจำนวนรอบระยะเวลาของประวัติการขายที่จะใช้ในการคำนวณคาดการณ์ตัวอย่างเช่นระบุ n เท่ากับ 4 ในตัวเลือกการประมวลผลเพื่อใช้ช่วงสี่งวดล่าสุดเป็นพื้นฐานสำหรับการฉายในช่วงเวลาถัดไประบบจะกำหนดน้ำหนักให้กับข้อมูลทางประวัติศาสตร์ที่ลดลงเป็นเชิงเส้นและรวมกันเป็น 1 00 ตัวอย่างเช่นเมื่อ n เท่ากับ 4 , ระบบจะกำหนดน้ำหนักของ 0 4, 0 3, 0 2 และ 0 1 โดยข้อมูลล่าสุดจะได้รับน้ำหนักที่มากที่สุด จำนวนของรอบระยะเวลาที่จำเป็นสำหรับการประเมินช่วงเวลาการคาดการณ์ที่เหมาะสมที่สุดตารางนี้เป็นประวัติศาสตร์ที่ใช้ในการคำนวณคาดการณ์ 3 2 11 วิธีที่ 11 การคำนวณความเรียบง่ายวิธีนี้ใช้คำนวณค่าเฉลี่ยที่ราบเรียบซึ่งเป็นค่าประมาณที่แสดง ระดับยอดขายทั่วไปในรอบระยะเวลาข้อมูลที่เลือกวิธีนี้ต้องใช้ประวัติข้อมูลการขายสำหรับช่วงเวลาที่แสดงด้วยจำนวนรอบบัญชีที่พอดีกับจำนวนงวดข้อมูลที่ผ่านมาซึ่งระบุไว้ข้อกำหนดขั้นต่ำคือช่วงข้อมูลทางประวัติศาสตร์สองงวด เป็นวิธีที่มีประโยชน์ในการคาดการณ์ความต้องการเมื่อไม่มีข้อมูลเชิงเส้น 3 2 11 1 ตัวอย่างวิธีที่ 11 การจัดแจงแบบละเอียด (Exponential Smoothing) วิธีนี้คล้ายคลึงกับวิธีที่ 10 การทำให้เรียบแบบ Linear Smoothing ในระบบ Linear Smoothing ระบบจะกำหนดน้ำหนักที่ลดลงตามข้อมูลเชิงเส้น ในระบบ Smonstooth Exponential Smoothing ระบบจะกำหนดค่าน้ำหนักที่สลายตัวแบบชี้แจงสมการการพยากรณ์แบบ Exponential Smoothing คือ. Forecast P ยอดขายที่เกิดขึ้นจริง 1 ประมาณการก่อนหน้านี้การคาดการณ์คือค่าเฉลี่ยถ่วงน้ำหนักของยอดขายจริงจากช่วงก่อนหน้าและประมาณการจากช่วงก่อนหน้าที่อัลฟ่าเป็นน้ำหนักที่ใช้กับยอดขายที่เกิดขึ้นจริงในงวดก่อนหน้า 1 เป็นน้ำหนักที่ใช้ to the forecast for the previous period Values for alpha range from 0 to 1 and usually fall between 0 1 and 0 4 The sum of the weights is 1 00 1 1.You should assign a value for the smoothing constant, alpha If you do not assign a value for the smoothing constant, the system calculates an assumed value that is based on the number of periods of sales history that is specified in the processing option. equals the smoothing constant that is used to calculate the smoothed average for the general level or magnitude of sales. Values for alpha range from 0 to 1.n equals the range of sales history data to include in the calculations. Generally, one year of sales history data is sufficient to estimate the general level of sales For this example, a small value for n n 4 was chosen to reduce the manual calculations that are required to verify the results Exponential Smoothing can generate a forecast that is based on as little as one historical data point. Minimum required sales history n plus the number of time periods that are required for evaluating the forecast performance periods of best fit. This table is history used in the forecast calculation.3 2 12 Method 12 Exponential Smoothing with Trend and Seasonality. This method calculates a trend, a seasonal index, and an exponentially smoothed average from the sales order history The system then applies a projection of the trend to the forecast and adjusts for the seasonal index. This method requires the number of periods best fit plus two years of sales data, and is useful for items that have both trend and seasonality in the forecast You can enter the alpha and beta factor, or have the system calculate them Alpha and beta factors are the smoothing constant that the system uses to calculate the smoothed average for the general level or magnitude of sales alpha and the trend component of the forecast beta.3 2 12 1 Example Method 12 Exponential Smoothing with Trend and Seasonality. This method is similar to Method 11, Exponential Smoothing, in that a smoothed average is calculated However, Method 12 also includes a term in the forecasting equation to calculate a smoothed trend The forecast is composed of a smoothed average that is adjusted for a linear trend When specified in the processing option, the forecast is also adjusted for seasonality. Alpha equals the smoothing constant that is used in calculating the smoothed average for the general level or magnitude of sales. Values for alpha range from 0 to 1.Beta equals the smoothing constant that is used in calculating the smoothed average for the trend component of the forecast. Values for beta range from 0 to 1.Whether a seasonal index is applied to the forecast. Alpha and beta are independent of on e another They do not have to sum to 1 0.Minimum required sales history One year plus the number of time periods that are required to evaluate the forecast performance periods of best fit When two or more years of historical data is available, the system uses two years of data in the calculations. Method 12 uses two Exponential Smoothing equations and one simple average to calculate a smoothed average, a smoothed trend, and a simple average seasonal index. An exponentially smoothed average. An exponentially smoothed trend. A simple average seasonal index. Figure 3-3 Simple Average Seasonal Index. The forecast is then calculated by using the results of the three equations. L is the length of seasonality L equals 12 months or 52 weeks. t is the current time period. m is the number of time periods into the future of the forecast. S is the multiplicative seasonal adjustment factor that is indexed to the appropriate time period. This table lists history used in the forecast calculation. This section pr ovides an overview of Forecast Evaluations and discusses. You can select forecasting methods to generate as many as 12 forecasts for each product Each forecasting method might create a slightly different projection When thousands of products are forecast, a subjective decision is impractical regarding which forecast to use in the plans for each product. The system automatically evaluates performance for each forecasting method that you select and for each product that you forecast You can select between two performance criteria MAD and POA MAD is a measure of forecast error POA is a measure of forecast bias 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 is a measure of the average magnitude of errors to expect, given a forecasting method and data history Because absolute values are used in the calculation, positive errors do not cancel out negative errors When comparing several forecasting methods, the one with the smallest MA D 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 Actual Forecast n. Standard Deviation, 1 25 MAD. Mean Squared Error 2.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 When forecast s are consistently too high, inventories accumulate and inventory costs rise 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 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 In services, the magnitude of forecast errors is usually more important than is forecast bias. POA Forecast sales during holdout period Actual sales during holdout period 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 fore cast, 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.