ถัว เฉลี่ยเคลื่อนที่ พยากรณ์ ละเอียด

ค่าเฉลี่ยค่าเฉลี่ยของข้อมูลชุดเวลา (การสังเกตระยะเว้นระยะเท่า ๆ กัน) จากช่วงเวลาต่อเนื่องหลายช่วง เรียกว่าย้ายเนื่องจากมีการคำนวณใหม่อย่างต่อเนื่องจากข้อมูลใหม่จะพร้อมใช้งานดำเนินการโดยการลดค่าที่เก่าสุดและเพิ่มมูลค่าล่าสุด ตัวอย่างเช่นค่าเฉลี่ยเคลื่อนที่ของยอดขายในหกเดือนอาจคำนวณได้โดยคำนวณยอดขายเฉลี่ยตั้งแต่เดือนมกราคมถึงเดือนมิถุนายนจากนั้นยอดขายโดยเฉลี่ยของเดือนกุมภาพันธ์ถึงเดือนกรกฎาคมถึงเดือนมีนาคมถึงเดือนสิงหาคมเป็นต้น ค่าเฉลี่ยเคลื่อนที่ (1) ลดผลกระทบของรูปแบบชั่วคราวของข้อมูล (2) ปรับปรุงพอดีข้อมูลให้เป็นเส้น (กระบวนการที่เรียกว่าการทำให้ราบเรียบ) เพื่อแสดงแนวโน้มข้อมูลให้ชัดเจนขึ้นและ (3) เน้นค่าใด ๆ เหนือหรือต่ำกว่า แนวโน้ม หากคุณกำลังคำนวณสิ่งที่มีความแปรปรวนสูงมากสิ่งที่ดีที่สุดที่คุณอาจทำได้คือคิดค่าเฉลี่ยเคลื่อนที่ ฉันต้องการทราบว่าค่าเฉลี่ยเคลื่อนที่เป็นข้อมูลอย่างไรดังนั้นฉันจึงมีความเข้าใจในวิธีที่เรากำลังทำอยู่ เมื่อคุณพยายามคิดตัวเลขที่เปลี่ยนแปลงบ่อยครั้งที่ดีที่สุดที่คุณสามารถทำได้คือคำนวณค่าเฉลี่ยเคลื่อนที่ การวิเคราะห์พยากรณ์เวลา (TSA) พยากรณ์การคาดการณ์เกี่ยวกับการสร้างตัวเลขชุดตัวเลขหรือภาพจำลองที่สอดคล้องกับเหตุการณ์ในอนาคต เป็นสิ่งสำคัญอย่างยิ่งในการวางแผนระยะสั้นและระยะยาว ตามคำนิยามการคาดการณ์จะขึ้นอยู่กับข้อมูลที่ผ่านมาซึ่งตรงข้ามกับการคาดการณ์ซึ่งเป็นเรื่องอัตนัยมากขึ้นและขึ้นอยู่กับสัญชาตญาณความรู้สึกของลำไส้หรือการคาดเดา ตัวอย่างเช่นข่าวช่วงเย็นจะให้สภาพอากาศ x0022forecastx0022 ไม่ใช่สภาพอากาศ x0022prediction. x0022 ไม่ว่าคำที่คาดการณ์และการคาดการณ์จะถูกนำมาใช้กันอย่างแพร่หลาย ตัวอย่างเช่นคำจำกัดความของเทคนิค regressionx2014a ที่บางครั้งใช้ในการพยากรณ์การณ์ทั่วไประบุว่าวัตถุประสงค์ของการอธิบายหรือ x0022predict. x0022 การคาดการณ์ขึ้นอยู่กับจำนวนข้อสมมติฐาน: อดีตจะทำซ้ำตัวเอง กล่าวอีกนัยหนึ่งสิ่งที่เกิดขึ้นในอดีตจะเกิดขึ้นอีกในอนาคต เมื่อช่วงเวลาคาดการณ์สั้นลงความแม่นยำในการคาดการณ์จะเพิ่มขึ้น ตัวอย่างเช่นการคาดการณ์ในวันพรุ่งนี้จะแม่นยำกว่าที่คาดการณ์ไว้สำหรับเดือนถัดไปการคาดการณ์ในเดือนหน้าจะแม่นยำกว่าที่คาดไว้สำหรับปีหน้าและคาดการณ์ในปีหน้าจะแม่นยำกว่าที่คาดไว้เป็นเวลา 10 ปีใน อนาคต. การคาดการณ์ในภาพรวมมีความแม่นยำมากกว่าการคาดการณ์แต่ละรายการ ซึ่งหมายความว่า บริษัท จะสามารถคาดการณ์ความต้องการทั้งหมดของผลิตภัณฑ์ทั้งหมดได้อย่างถูกต้องกว่าที่จะสามารถคาดการณ์หน่วยเก็บสต็อค (SKU) ได้ ตัวอย่างเช่นเจเนอรัลมอเตอร์สามารถคาดการณ์ได้อย่างถูกต้องมากขึ้นจำนวนรถยนต์ทั้งหมดที่จำเป็นสำหรับปีหน้ากว่าจำนวนรวมของ Chevrolet Impalas สีขาวพร้อมกับแพคเกจตัวเลือกบางอย่าง การคาดการณ์ไม่ค่อยถูกต้อง นอกจากนี้การคาดการณ์เกือบจะไม่ถูกต้องโดยสิ้นเชิง ในขณะที่บางรายใกล้เคียงกันอยู่ไม่มากนัก x0022 ในเงินนั้น x0022 ดังนั้นจึงควรที่จะเสนอการคาดการณ์ x0022range. x0022 หากคาดว่าจะมีการคาดการณ์ถึง 100,000 หน่วยในเดือนหน้าจะเป็นไปได้น้อยมากที่ความต้องการจะเท่ากับ 100,000 อย่างแน่นอน อย่างไรก็ตามการคาดการณ์ 90,000 ถึง 110,000 จะให้เป้าหมายที่ใหญ่กว่ามากสำหรับการวางแผน William J. Stevenson แสดงลักษณะเฉพาะที่ใช้กันทั่วไปในการคาดการณ์ที่ดี: Accuratex2014some ระดับความถูกต้องควรได้รับการระบุและระบุเพื่อให้สามารถเปรียบเทียบได้กับการคาดการณ์ทางเลือก Reliablex2014 วิธีการคาดการณ์ควรให้การคาดการณ์ที่ดีเสมอหากผู้ใช้มีความมั่นใจในระดับหนึ่ง Timelyx2014a ต้องใช้ระยะเวลาที่กำหนดเพื่อตอบสนองต่อการคาดการณ์ดังนั้นระยะเวลาพยากรณ์อากาศต้องอนุญาตให้ใช้เวลาที่จำเป็นในการเปลี่ยนแปลง การใช้งานที่เข้าใจได้ง่ายและมีความเข้าใจในการคาดการณ์จะต้องมีความมั่นใจและสะดวกสบายในการทำงาน ต้นทุนที่มีประสิทธิภาพ 2020 ค่าใช้จ่ายในการคาดการณ์ไม่ควรมากกว่าผลประโยชน์ที่ได้รับจากการคาดการณ์ เทคนิคการคาดการณ์ตั้งแต่ง่ายไปจนถึงซับซ้อนมาก เทคนิคเหล่านี้มักถูกจัดอยู่ในเชิงคุณภาพหรือเชิงปริมาณ เทคนิคการวัดผลเชิงคุณภาพโดยทั่วไปมีความเป็นอัตนัยมากกว่าคู่สัญญาเชิงปริมาณของพวกเขา เทคนิคเชิงคุณภาพเป็นประโยชน์มากขึ้นในขั้นตอนก่อนหน้าของวัฏจักรชีวิตผลิตภัณฑ์เมื่อมีข้อมูลที่ผ่านมาน้อยกว่าสำหรับใช้ในเชิงปริมาณ วิธีการเชิงคุณภาพ ได้แก่ เทคนิคเดลฟายเทคนิคกลุ่มที่กำหนด (NGT) ความคิดเห็นของพนักงานขายความคิดเห็นของผู้บริหารและการวิจัยตลาด เทคนิค DELPHI เทคนิค Delphi ใช้แผงผู้เชี่ยวชาญเพื่อสร้างการคาดการณ์ ผู้เชี่ยวชาญแต่ละคนจะถูกถามเพื่อให้การคาดการณ์เฉพาะเพื่อความต้องการในมือ หลังจากการคาดการณ์เริ่มต้นแล้วผู้เชี่ยวชาญแต่ละคนอ่านว่าผู้เชี่ยวชาญทุกคนเขียนอะไรและแน่นอนว่าได้รับอิทธิพลจากมุมมองของพวกเขา จากนั้นผู้เชี่ยวชาญด้านต่างๆจะทำการคาดการณ์ในภายหลัง ผู้เชี่ยวชาญแต่ละคนอ่านอีกครั้งที่ผู้เชี่ยวชาญทุกคนเขียนขึ้นและได้รับอิทธิพลอีกครั้งจากการรับรู้ของผู้อื่น กระบวนการนี้ซ้ำตัวเองจนกว่าผู้เชี่ยวชาญแต่ละคนจะได้รับข้อตกลงเกี่ยวกับภาพจำลองหรือตัวเลขที่จำเป็น เทคนิคกลุ่ม NOMINAL เทคนิคกลุ่มตัวอย่างคล้ายกับเทคนิค Delphi โดยใช้กลุ่มผู้เข้าร่วมซึ่งมักเป็นผู้เชี่ยวชาญ หลังจากที่ผู้เข้าร่วมตอบคำถามที่เกี่ยวข้องกับการคาดการณ์แล้วพวกเขาจะจัดอันดับการตอบสนองตามลำดับความสำคัญที่เกี่ยวข้อง จากนั้นจัดอันดับและรวบรวมข้อมูล ในที่สุดกลุ่มควรให้ข้อเสนอแนะเกี่ยวกับลำดับความสำคัญของประเด็นที่จัดอันดับ ความคิดเห็นของฝ่ายขาย พนักงานขายมักเป็นแหล่งข้อมูลที่ดีเกี่ยวกับความต้องการในอนาคต ผู้จัดการฝ่ายขายอาจขอข้อมูลจากแต่ละฝ่ายขายและรวบรวมคำตอบของพวกเขาไว้ในประมาณการของฝ่ายขาย ควรระมัดระวังเมื่อใช้เทคนิคนี้เนื่องจากสมาชิกในทีมขายอาจไม่สามารถแยกความแตกต่างระหว่างสิ่งที่ลูกค้าพูดและสิ่งที่พวกเขาทำ นอกจากนี้หากการคาดการณ์จะถูกใช้เพื่อสร้างโควต้าการขายพนักงานขายอาจถูกล่อลวงเพื่อให้การประมาณการที่ต่ำกว่า ความคิดเห็นของผู้บริหาร บางครั้งผู้บริหารระดับสูงจะได้พบและพัฒนาการคาดการณ์ตามความรู้ด้านความรับผิดชอบของตน นี่คือบางครั้งเรียกว่าคณะลูกขุนของความคิดเห็นของผู้บริหาร การวิจัยทางการตลาด. ในการวิจัยตลาดการสำรวจผู้บริโภคใช้เพื่อสร้างความต้องการที่มีศักยภาพ การวิจัยทางการตลาดดังกล่าวมักเกี่ยวข้องกับการสร้างแบบสอบถามที่เรียกร้องข้อมูลส่วนบุคคลข้อมูลประชากรเศรษฐกิจและการตลาด ในบางโอกาสนักวิจัยตลาดจะเก็บรวบรวมข้อมูลดังกล่าวด้วยตนเองที่ร้านค้าปลีกและห้างสรรพสินค้าซึ่งผู้บริโภคสามารถสัมผัสได้ถึง 20 กลิ่นรสชาติความรู้สึกกลิ่นและเฉพาะเจาะจงของผลิตภัณฑ์ ผู้วิจัยต้องระวังว่ากลุ่มตัวอย่างที่ทำการสำรวจเป็นตัวแทนของเป้าหมายผู้บริโภคที่ต้องการ เทคนิคเชิงปริมาณเทคนิคการพยากรณ์ปริมาณมากโดยทั่วไปมีจุดมุ่งหมายมากกว่าคู่สัญญาเชิงคุณภาพของพวกเขา การคาดการณ์เชิงปริมาณอาจเป็นการคาดการณ์เกี่ยวกับอนุกรมเวลา (เช่นการคาดการณ์ของอดีตในอนาคต) หรือการคาดการณ์ตามรูปแบบการเชื่อมโยง (เช่นขึ้นอยู่กับตัวแปรอธิบายอย่างน้อยหนึ่งตัวแปร) ข้อมูลชุดเวลาอาจมีพฤติกรรมพื้นฐานที่จำเป็นต้องระบุโดยผู้พยากรณ์ นอกจากนี้การคาดการณ์อาจต้องระบุสาเหตุของพฤติกรรม บางส่วนของพฤติกรรมเหล่านี้อาจเป็นรูปแบบหรือรูปแบบสุ่มเพียง รูปแบบต่างๆ ได้แก่ : แนวโน้มซึ่งเป็นข้อมูลในระยะยาว (ขึ้นหรือลง) ฤดูกาลซึ่งเป็นรูปแบบระยะสั้นที่มักเกี่ยวข้องกับช่วงเวลาของปีเดือนหรือแม้กระทั่งวันใดวันหนึ่งโดยมีรายได้จากการขายปลีกในวันคริสต์มาสหรือกิจกรรมทางการเงินของธนาคารในวันที่ 1 ของเดือนและวันศุกร์ วัฏจักรซึ่งมีรูปแบบที่ไม่เหมือนกันซึ่งยาวนานกว่าหนึ่งปีที่มักจะเชื่อมโยงกับสภาวะทางเศรษฐกิจหรือการเมือง รูปแบบที่ไม่สม่ำเสมอที่ไม่ได้สะท้อนถึงพฤติกรรมทั่วไปเช่นช่วงเวลาที่มีสภาพอากาศเลวร้ายหรือการประท้วงร่วมกัน รูปแบบที่สุ่มซึ่งรวมถึงพฤติกรรมที่ไม่เป็นแบบอย่างทั้งหมดที่ไม่ได้คิดโดยการจำแนกประเภทอื่น ๆ ในบรรดาแบบจำลองของซีรีส์เวลาที่ง่ายที่สุดคือการคาดการณ์ naxEFve การคาดการณ์ naxEFve ก็ใช้ความต้องการที่เกิดขึ้นจริงในช่วงที่ผ่านมาเนื่องจากความต้องการที่คาดการณ์ในช่วงต่อไป นี้แน่นอนทำให้สมมติฐานที่ว่าในอดีตจะทำซ้ำ นอกจากนี้ยังอนุมานว่าแนวโน้มใด ๆ ฤดูกาลหรือรอบจะสะท้อนให้เห็นในความต้องการของงวดก่อนหน้านี้หรือไม่อยู่ ตัวอย่างของการพยากรณ์ naxEFve แสดงไว้ในตารางที่ 1 ตารางที่ 1 การพยากรณ์ของ Naxefve อีกเทคนิคหนึ่งคือการใช้ค่าเฉลี่ย เพื่อให้การคาดการณ์โดยเฉลี่ยใช้เวลาเฉลี่ยโดยเฉลี่ยของช่วงเวลาของข้อมูลที่ผ่านมาโดยการสรุปแต่ละช่วงเวลาและหารผลตามจำนวนรอบระยะเวลา เทคนิคนี้ได้รับการพิสูจน์ว่ามีประสิทธิภาพมากสำหรับการคาดการณ์ในระยะสั้น ค่าเฉลี่ยของค่าเฉลี่ย ได้แก่ ค่าเฉลี่ยเคลื่อนที่ค่าถัวเฉลี่ยถ่วงน้ำหนักและค่าเฉลี่ยถ่วงน้ำหนักที่ถ่วงน้ำหนัก ค่าเฉลี่ยเคลื่อนที่จะใช้ระยะเวลาหนึ่งที่กำหนดเอาไว้รวมกับความต้องการที่แท้จริงและหารด้วยจำนวนรอบที่จะถึงการคาดการณ์ สำหรับรอบระยะเวลาที่ตามมาข้อมูลที่เก่าที่สุดจะลดลงและจะมีการเพิ่มช่วงเวลาล่าสุด สมมติว่าค่าเฉลี่ยเคลื่อนที่ 3 เดือนและใช้ข้อมูลจากตารางที่ 1 ให้เพิ่มเพียง 45 (มกราคม), 60 (กุมภาพันธ์) และ 72 (มีนาคม) และหารด้วยจำนวนสามรายการเพื่อคาดการณ์ในเดือนเมษายน: 45 60 72 177 x00F7 3 59 หากต้องการคาดการณ์ในเดือนพฤษภาคมจะทำให้ความต้องการของ Januaryx0027 ลดลงจากสมการและเพิ่มความต้องการในเดือนเมษายน ตารางที่ 2 แสดงตัวอย่างของการคาดการณ์การเคลื่อนไหวเฉลี่ย 3 เดือน ตารางที่ 2 พยากรณ์ความต้องการในการเคลื่อนที่โดยเฉลี่ย 3 เดือน (000x0027s) ค่าเฉลี่ยถ่วงน้ำหนักใช้น้ำหนักที่กำหนดไว้ล่วงหน้าสำหรับแต่ละเดือนของข้อมูลที่ผ่านมารวมข้อมูลที่ผ่านมาจากแต่ละช่วงเวลาและหารด้วยน้ำหนักทั้งหมด ถ้าเครื่องพยากรณ์ปรับน้ำหนักเพื่อให้ผลรวมของพวกเขาเท่ากับ 1 น้ำหนักจะถูกคูณด้วยความต้องการที่แท้จริงของแต่ละช่วงเวลา ผลลัพธ์จะสรุปเพื่อให้ได้การคาดการณ์ที่ถ่วงน้ำหนัก โดยปกติข้อมูลล่าสุดจะยิ่งมีน้ำหนักมากขึ้นและข้อมูลที่เก่ากว่าจะมีน้ำหนักน้อยลง ใช้ตัวอย่างความต้องการค่าเฉลี่ยถ่วงน้ำหนักโดยใช้น้ำหนักของ. 4 3. 2 และ. 1 จะให้อัตราการคาดการณ์สำหรับเดือนมิถุนายนเป็น: 60 (.1) 72 (.2) 58 (.3) 40 (.4) 53.8 ผู้พยากรณ์อาจใช้การคาดการณ์ค่าเฉลี่ยถ่วงน้ำหนักและค่าเฉลี่ยถ่วงน้ำหนัก . การคาดการณ์ค่าเฉลี่ยถ่วงน้ำหนักที่ถ่วงน้ำหนักกำหนดน้ำหนักให้เป็นจำนวนรอบของข้อมูลจริงตามที่กำหนดไว้และคำนวณการคาดการณ์ในลักษณะเดียวกับที่อธิบายข้างต้น เช่นเดียวกับการคาดการณ์การเคลื่อนที่ทั้งหมดเมื่อเพิ่มระยะเวลาใหม่ข้อมูลจากช่วงที่เก่าที่สุดจะถูกละทิ้ง ตารางที่ 3 แสดงการคาดการณ์ค่าเฉลี่ยถ่วงน้ำหนักย้อนหลัง 3 เดือนโดยใช้น้ำหนัก 3 และ .2 ตารางที่ 3 ความถ่วงน้ำหนักเฉลี่ยของการเคลื่อนไหวสามครั้ง 2013Month ความต้องการตามจริง (000x0027s) รูปแบบที่ซับซ้อนมากขึ้นของค่าเฉลี่ยเคลื่อนที่ถ่วงน้ำหนักเป็นแบบเลขแจงที่ราบเรียบเนื่องจากมีน้ำหนักมากเกินกว่าที่กำหนดไว้ การปรับแต่งแบบเสียดสีจะใช้การคาดการณ์ periodx0027s ก่อนหน้าและปรับค่าตามค่าคงที่ที่กำหนดไว้ล่วงหน้า x03AC (เรียกว่า alpha ค่าสำหรับ alpha น้อยกว่าหนึ่งอัน) คูณด้วยความแตกต่างในการคาดการณ์ก่อนหน้านี้และความต้องการที่เกิดขึ้นจริงในช่วงคาดการณ์ล่วงหน้า ข้อผิดพลาดในการคาดการณ์) การคาดการณ์ที่คาดการณ์ไว้ก่อนหน้านี้คาดการณ์ก่อนหน้านี้ FF x03AC (A x2212 F) การปรับให้เรียบแบบเสแสร้งต้องใช้ตัวพยากรณ์เวลาในการเริ่มต้นการคาดการณ์ในช่วงที่ผ่านมาและทำงานต่อไปจนถึงช่วงเวลาที่ปัจจุบัน จำเป็นต้องใช้ จำเป็นต้องมีข้อมูลจำนวนมากที่ผ่านมาและการเริ่มต้นหรือการคาดการณ์เบื้องต้น การคาดการณ์ครั้งแรกอาจเป็นการคาดการณ์ที่เกิดขึ้นจริงจากช่วงเวลาก่อนหน้าความต้องการที่แท้จริงของช่วงเวลาก่อนหน้าหรือสามารถประมาณได้โดยใช้ข้อมูลเฉลี่ยทั้งหมดหรือบางส่วนของข้อมูลที่ผ่านมา heuristics บางอย่างมีอยู่สำหรับการคำนวณการคาดการณ์เบื้องต้น ตัวอย่างเช่นค่า n (2 xF7 x03AC) x2212 1 และ alpha เท่ากับ. 5 จะให้ค่า N เท่ากับ 3 ซึ่งบ่งชี้ว่าผู้ใช้จะใช้ข้อมูลสามช่วงแรกในการคาดการณ์เบื้องต้น อย่างไรก็ตามความถูกต้องของการคาดการณ์ครั้งแรกไม่สำคัญหากใช้ข้อมูลจำนวนมากเนื่องจากการปรับให้เรียบเป็น x0022 การแก้ไขให้ถูกต้อง x0022 การระบุระยะเวลาที่เพียงพอของข้อมูลที่ผ่านมาการทำให้เรียบอย่างละเอียดในที่สุดจะทำการแก้ไขให้เพียงพอเพื่อชดเชยค่าเริ่มต้นที่ไม่ถูกต้อง พยากรณ์ การใช้ข้อมูลที่ใช้ในตัวอย่างอื่น ๆ การคาดการณ์เริ่มต้นที่ 50 และ alpha ของ. 7 การคาดการณ์ในเดือนกุมภาพันธ์จะคำนวณดังนี้: การคาดการณ์ใหม่ (กุมภาพันธ์) 50 .7 (45 x2212 50) 41.5 ต่อไปการคาดการณ์สำหรับเดือนมีนาคม : การคาดการณ์ใหม่ (มีนาคม) 41.5 .7 (60 x2212 41.5) 54.45 กระบวนการนี้จะดำเนินต่อไปจนกว่าผู้พยากรณ์ถึงระยะเวลาที่ต้องการ ในตารางที่ 4 นี้จะเป็นเดือนมิถุนายนเนื่องจากความต้องการที่แท้จริงสำหรับเดือนมิถุนายนไม่เป็นที่รู้จัก ความต้องการตามจริง (000x0027s) สามารถขยายการขยายความละเอียดแบบเสวนาได้เมื่อข้อมูลชุดเวลามีแนวโน้มเป็นเส้นตรง วิธีนี้เป็นที่รู้จักกันในชื่อหลายชื่อ: การปรับรูปลักษณ์ของการปรับรูปแบบเลขชี้กำลังแบบทวีคูณให้มีความเรียบเป็นสองเท่ารวมถึงแนวโน้ม (FIT) และแบบจำลอง Holtx0027s หากไม่มีการปรับค่าผลลัพธ์ที่เรียบง่ายชี้แจงจะล้าหลังแนวโน้มนั่นคือการคาดการณ์จะต่ำหากแนวโน้มเพิ่มขึ้นหรือสูงขึ้นหากแนวโน้มลดลง ด้วยรูปแบบนี้จะมีค่าคงที่สองค่าคือ x03AC และ x03B2 ที่มี x03B2 แทนองค์ประกอบของเทรนด์ การขยาย Holtx0027s Model เรียกว่า Holt-Winterx0027s Method คำนึงถึงแนวโน้มและฤดูกาล มีสองรูปแบบคือ multiplicative และ additive โดยใช้ multiplicative เป็นคำที่ใช้กันอย่างแพร่หลาย ในแบบจำลอง additive ฤดูกาลจะแสดงเป็นปริมาณที่จะเพิ่มหรือลบออกจากค่าเฉลี่ยชุด รูปแบบคูณหารเป็นตัวบ่งชี้ถึงฤดูกาลเป็นเปอร์เซ็นต์ที่รู้จักกันว่าเป็นญาติตามฤดูกาลหรือดัชนีตามฤดูกาล 2020 เฉลี่ย (หรือแนวโน้ม) ค่าเหล่านี้จะคูณด้วยค่าต่างๆเพื่อรวมฤดูกาล ญาติของ 0.8 จะระบุความต้องการที่เป็นร้อยละ 80 ของค่าเฉลี่ยในขณะที่ 1.10 จะบ่งบอกถึงความต้องการที่เป็น 10 เปอร์เซ็นต์สูงกว่าค่าเฉลี่ย ข้อมูลรายละเอียดเกี่ยวกับวิธีการนี้สามารถพบได้ในตำราการจัดการการดำเนินงานส่วนใหญ่หรือหนังสือเกี่ยวกับการพยากรณ์อากาศจำนวนหนึ่งเล่ม เทคนิคการเชื่อมโยงหรือสาเหตุที่เกี่ยวข้องกับการระบุตัวแปรที่สามารถใช้ในการคาดการณ์ตัวแปรอื่นที่น่าสนใจได้ ตัวอย่างเช่นอัตราดอกเบี้ยอาจถูกใช้เพื่อพยากรณ์ความต้องการในการรีไฟแนนซ์บ้าน โดยปกติการใช้การถดถอยเชิงเส้นนี้มีวัตถุประสงค์เพื่อพัฒนาสมการที่สรุปผลกระทบของตัวแปรทำนาย (อิสระ) ต่อตัวแปรที่คาดการณ์ (ขึ้นอยู่กับ) ถ้าตัวแปรพรรณาถูกวางแผนวัตถุจะได้รับสมการของเส้นตรงที่ลดผลรวมของการเบี่ยงเบนจากแนวเส้นตรง (มีส่วนเบี่ยงเบนเป็นระยะทางจากแต่ละจุดไปยังเส้น) สมการจะปรากฏเป็น: ya bx โดยที่ y เป็นตัวแปรที่ทำนาย (ขึ้นอยู่กับ), x เป็นตัวแปรพยากรณ์ (อิสระ), b คือความลาดเอียงของเส้นและ a เท่ากับความสูงของเส้นที่ y - ตัด เมื่อสมการกำหนดผู้ใช้สามารถแทรกค่าปัจจุบันสำหรับตัวแปร predictor (independent) เพื่อให้ได้ค่าพยากรณ์ (variable dependent) ถ้ามีตัวแปรทำนายมากกว่าหนึ่งตัวแปรหรือถ้าความสัมพันธ์ระหว่างตัวทำนายกับการคาดการณ์ไม่ใช่เชิงเส้นการถดถอยเชิงเส้นอย่างง่ายจะไม่เพียงพอ สำหรับสถานการณ์ที่มีตัวทำนายหลายตัวควรใช้การถดถอยพหุคูณในขณะที่ความสัมพันธ์ที่ไม่ใช่เชิงเส้นเรียกร้องให้ใช้การถดถอยแบบโค้ง การคาดการณ์ทางเศรษฐศาสตร์วิธีการทางเศรษฐมิติเช่นโมเดล ARIMA แบบอัตถดถอยเชิงบูรณาการใช้สมการทางคณิตศาสตร์ที่ซับซ้อนเพื่อแสดงความสัมพันธ์ระหว่างความต้องการกับตัวแปรที่มีอิทธิพลต่อความต้องการ สมการได้มาและผ่านการทดสอบและปรับแต่งเพื่อให้มั่นใจว่าน่าเชื่อถือในการแสดงถึงความสัมพันธ์ในอดีตที่เป็นไปได้ เมื่อเสร็จแล้วค่าที่คาดการณ์ไว้ของตัวแปรที่มีอิทธิพล (รายได้ราคา ฯลฯ ) จะถูกแทรกลงในสมการเพื่อคาดการณ์ การประเมินความคาดการณ์ความถูกต้องของการคาดการณ์สามารถคำนวณได้จากการคำนวณความลำเอียงค่าเบี่ยงเบนสัมบูรณ์ (MAD) ความคลาดเคลื่อนกำลังสองเฉลี่ย (MSE) หรือความคลาดเคลื่อนเปอร์เซ็นต์สัมบูรณ์ (MAPE) สำหรับการพยากรณ์โดยใช้ค่าอัลฟา อคติคือผลรวมของข้อผิดพลาดในการคาดการณ์ x2211 (FE) สำหรับตัวอย่างการทำให้เรียบแบบยกตัวอย่างเช่นข้างต้นการคำนวณจะเป็นดังนี้: (60 x2212 41.5) (72 x2212 54.45) (58 x2212 66.74) (40 x2212 60.62) 6.69 ถ้าสมมติว่าอคติต่ำแสดงข้อผิดพลาดในการคาดการณ์โดยรวมต่ำ คำนวณอคติสำหรับจำนวนค่าที่เป็นไปได้ของค่า alpha และสมมติว่าค่าที่มีค่าต่ำสุดจะเป็นค่าที่ถูกต้องที่สุด อย่างไรก็ตามความระมัดระวังในการคาดการณ์ที่ไม่ถูกต้องอย่างรุนแรงอาจส่งผลให้เกิดความลำเอียงต่ำหากมีแนวโน้มที่จะเป็นไปตามคาดการณ์และคาดการณ์ (เชิงลบและบวก) ตัวอย่างเช่น บริษัท สามารถใช้ค่า alpha ได้มากกว่า 75,000 หน่วย (x221275,000) ตามที่คาดการณ์ไว้โดย 100,000 หน่วย (100,000) และมากกว่าที่คาดการณ์ไว้ 25,000 หน่วย (x221225,000) ซึ่งจะให้ผลผลิต มีความลำเอียงเป็นศูนย์ (x221275,000 100,000 x2212 25,000 0) เมื่อเปรียบเทียบแล้วอัลฟาอื่น ๆ ที่มีการคาดการณ์ถึง 2,000 หน่วย 1,000 หน่วยและ 3,000 หน่วยจะส่งผลให้เกิดความลำเอียง 5,000 หน่วย หากความต้องการปกติคือ 100,000 หน่วยต่อระยะเวลาอัลฟาแรกจะให้ผลการคาดการณ์ที่ลดลงมากถึงร้อยละ 100 ในขณะที่อัลฟาที่สองจะปิดได้สูงสุด 3 เปอร์เซ็นต์แม้จะมีความลำเอียงในการคาดการณ์ครั้งแรกเป็นศูนย์ การวัดความแม่นยำของการคาดการณ์ที่ปลอดภัยกว่าคือค่าเบี่ยงเบนสัมบูรณ์ (Mean) เบี่ยงเบนสัมบูรณ์ (Mean) ในการคำนวณ MAD นักพยากรณ์จะสรุปค่าสัมบูรณ์ของข้อผิดพลาดในการคาดการณ์จากนั้นแบ่งตามจำนวนการคาดการณ์ (x2211 FE x00F7 N) โดยการใช้ค่าสัมบูรณ์ของข้อผิดพลาดในการคาดการณ์การหลีกเลี่ยงค่าบวกและลบ ซึ่งหมายความว่าทั้งการคาดการณ์ 50 และการคาดการณ์ 50 จะลดลง 50 โดยใช้ข้อมูลจากตัวอย่างการทำให้เรียบตัวอย่างเช่น MAD สามารถคำนวณได้ดังนี้ (60 x2212 41.5 72 x2212 54.45 58 x2212 66.74 40 x2212 60.62) x00F7 4 16.35 ดังนั้นพยากรณ์จะปิดเฉลี่ย 16.35 หน่วยต่อการคาดการณ์ เมื่อเทียบกับผลของ alphas อื่นผู้พยากรณ์จะทราบว่าอัลฟาที่มี MAD ต่ำสุดจะให้ผลการพยากรณ์ที่แม่นยำที่สุด ข้อผิดพลาดของค่าความผิดพลาดเฉลี่ย (MSE) สามารถใช้ในรูปแบบเดียวกัน MSE คือผลรวมของข้อผิดพลาดในการคาดการณ์หารด้วย N-1 (x2211 (FE)) x00F7 (N-1) การ จำกัด ข้อผิดพลาดในการคาดการณ์จะช่วยลดความเป็นไปได้ในการหักลบตัวเลขเนื่องจากไม่มีผลใด ๆ ที่เป็นค่าลบ การใช้ข้อมูลเดียวกันกับข้างต้น MSE จะเป็น: (18.5) (17.55) (x22128.74) (x221220.62) x00F7 3 383.94 เช่นเดียวกับ MAD นักพยากรณ์อาจเปรียบเทียบ MSE ของการคาดการณ์ที่ได้จากการใช้ค่าต่างๆของ alpha และ สมมติว่า alpha ที่มี MSE ต่ำสุดจะให้ผลการพยากรณ์ที่แม่นยำที่สุด ข้อผิดพลาดเปอร์เซ็นต์เปอร์เซ็นต์สัมบูรณ์ (MAPE) หมายถึงเปอร์เซ็นต์ข้อผิดพลาดเปอร์เซ็นต์โดยเฉลี่ย เพื่อให้ได้ MAPE ต้องใช้อัตราส่วนระหว่างข้อผิดพลาดในการคาดการณ์กับความต้องการจริง 100 (เพื่อให้ได้เปอร์เซ็นต์) และหารด้วย N (x2211 ความต้องการจริง x2212 คาดการณ์ x00F7 ความต้องการตามจริง) xD7 100 x00F7 N. การใช้ข้อมูลจาก (18.560 17.5572 8.7458 20.6248) xD7 100 x00F7 4 28.33 เช่นเดียวกับ MAD และ MSE ค่าความผิดพลาดที่สัมพันธ์กับค่าพยากรณ์จะน้อยกว่า ควรสังเกตว่าในบางกรณีความสามารถในการคาดการณ์การเปลี่ยนแปลงอย่างรวดเร็วเพื่อตอบสนองต่อการเปลี่ยนแปลงรูปแบบข้อมูลถือว่ามีความสำคัญมากกว่าความถูกต้อง ดังนั้นการเลือกวิธีการพยากรณ์อากาศแบบ onex0027s ควรสะท้อนความสมดุลระหว่างความสำคัญระหว่างความถูกต้องและการตอบสนองตามที่นักพยากรณ์คาดการณ์ไว้ การคาดการณ์ William J. Stevenson แสดงรายการต่อไปนี้เป็นขั้นตอนพื้นฐานในกระบวนการคาดการณ์: พิจารณาวัตถุประสงค์ forecastx0027s ปัจจัยต่างๆเช่นวิธีการและเวลาในการคาดการณ์ระดับความถูกต้องที่ต้องการและระดับรายละเอียดที่ต้องการจะเป็นตัวกำหนดต้นทุน (เวลาเงินพนักงาน) ที่สามารถทุ่มเทให้กับการคาดการณ์และประเภทของวิธีการคาดการณ์ที่จะใช้ . กำหนดเส้นขอบฟ้าเวลา เหตุการณ์นี้เกิดขึ้นหลังจากที่ได้กำหนดวัตถุประสงค์ของการคาดการณ์แล้ว การคาดการณ์ในระยะยาวต้องใช้เวลานานขึ้นและในทางกลับกัน ความถูกต้องอีกครั้งคือการพิจารณา เลือกเทคนิคการคาดการณ์ เทคนิคที่เลือกขึ้นอยู่กับวัตถุประสงค์ของการพยากรณ์ความต้องการของเส้นขอบเวลาและค่าใช้จ่ายที่อนุญาต รวบรวมและวิเคราะห์ข้อมูล ปริมาณและชนิดของข้อมูลที่จำเป็นต้องอยู่ภายใต้การคาดการณ์ของเป้าหมายที่คาดการณ์ไว้เทคนิคการคาดการณ์ที่เลือกและการพิจารณาค่าใช้จ่ายใด ๆ คาดการณ์ ตรวจสอบการคาดการณ์ ประเมินประสิทธิภาพของการคาดการณ์และปรับเปลี่ยนหากจำเป็น อ่านต่อ: Finch, Byron J. Operations Now: การทำกำไรกระบวนการต่างๆประสิทธิภาพ 2 ed. Boston: McGraw-Hill Irwin, 2006. Green, William H. การวิเคราะห์ทางเศรษฐมิติ. 5 เอ็ด Upper Saddle River, NJ: Prentice Hall, 2003. Joppe, Dr. Marion x0022 เทคนิคกลุ่ม Nominal. x0022 กระบวนการวิจัย มีตั้งแต่ x003C ryerson. ca Stevenson, William J. Operations Management 8 ed. บอสตัน: McGraw-Hill Irwin, 2005. อ่านบทความเกี่ยวกับการคาดการณ์จากวิกิพีเดียคำจำกัดความในแบบจำลองถ่วงน้ำหนักถ่วงน้ำหนัก (ยุทธศาสตร์การพยากรณ์ที่ 14) ทุกๆค่าทางประวัติศาสตร์จะถูกถ่วงน้ำหนักด้วยปัจจัยจากกลุ่มการถ่วงน้ำหนักในรูปแบบการคาดการณ์ที่ไม่แปรปรวน สูตรสำหรับค่าเฉลี่ยถ่วงน้ำหนักแบบถ่วงน้ำหนักโมเดลเฉลี่ยถ่วงน้ำหนักที่ถ่วงน้ำหนักช่วยให้คุณสามารถวัดข้อมูลประวัติที่ผ่านมาได้หนักกว่าข้อมูลที่เก่ากว่าเมื่อพิจารณาค่าเฉลี่ย คุณทำเช่นนี้หากข้อมูลล่าสุดเป็นข้อมูลเพิ่มเติมเกี่ยวกับความต้องการในอนาคตที่จะมากกว่าข้อมูลที่เก่ากว่า ดังนั้นระบบสามารถตอบสนองต่อการเปลี่ยนแปลงของระดับได้อย่างรวดเร็ว ความถูกต้องของแบบจำลองนี้ขึ้นอยู่กับการเลือกปัจจัยการถ่วงน้ำหนัก ถ้ารูปแบบชุดเวลาเป็นแบบเปลี่ยนแปลงคุณต้องปรับปัจจัยการถ่วงน้ำหนัก เมื่อสร้างกลุ่มการถ่วงน้ำหนักคุณจะป้อนค่าน้ำหนักเป็นเปอร์เซ็นต์ ผลรวมของปัจจัยการถ่วงน้ำหนักไม่จำเป็นต้องเป็น 100 ไม่มีการคาดการณ์ล่วงหน้าใด ๆ ถูกคำนวณด้วยกลยุทธ์การคาดการณ์นี้ 3 การทำความเข้าใจเกี่ยวกับระดับและวิธีการพยากรณ์คุณสามารถสร้างการคาดการณ์รายละเอียด (รายการเดี่ยว) และการสรุป (สายผลิตภัณฑ์) ที่สะท้อนถึง รูปแบบความต้องการผลิตภัณฑ์ 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 เมื่อคุณสร้างการคาดการณ์พอดีที่ดีที่สุดระบบจะเปรียบเทียบประวัติการสั่งขายที่เกิดขึ้นจริงกับการคาดการณ์ในช่วงเวลาที่เฉพาะเจาะจงและคำนวณว่าวิธีการคาดการณ์แต่ละวิธีคาดการณ์ยอดขายอย่างไร จากนั้นระบบจะแนะนำการคาดการณ์ที่ถูกต้องที่สุดให้เหมาะสมที่สุด ภาพนี้แสดงการคาดการณ์พอดีที่ดีที่สุด: รูปที่ 3-1 การคาดการณ์พอดีที่ดีที่สุดระบบจะใช้ขั้นตอนต่อไปนี้เพื่อกำหนดพอดีที่ดีที่สุด: ใช้แต่ละวิธีที่ระบุเพื่อจำลองการคาดการณ์สำหรับระยะเวลาการระงับ เปรียบเทียบยอดขายจริงกับการคาดการณ์แบบจำลองสำหรับระยะเวลาการระงับ คำนวณ POA หรือ MAD เพื่อกำหนดวิธีการพยากรณ์ที่ใกล้เคียงกับยอดขายจริงที่ผ่านมา 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 มวนถึง 127 3.2.2 วิธีที่ 2: คำนวณเปอร์เซ็นต์จากปีที่แล้ววิธีนี้ใช้เปอร์เซ็นต์คำนวณ สูตรปีที่ผ่านมาเพื่อเปรียบเทียบยอดขายที่ผ่านมาของช่วงเวลาที่กำหนดกับยอดขายจากช่วงเดียวกันของปีที่แล้ว ระบบจะกำหนดเปอร์เซ็นต์เพิ่มหรือลดและคูณแต่ละช่วงเวลาตามเปอร์เซ็นต์เพื่อหาการคาดการณ์ เมื่อต้องการคาดการณ์ความต้องการวิธีนี้ต้องการจำนวนของช่วงเวลาของประวัติการสั่งขายรวมทั้งประวัติการขายหนึ่งปี วิธีนี้เป็นประโยชน์ในการคาดการณ์ความต้องการในระยะสั้นสำหรับสินค้าตามฤดูกาลที่มีการเติบโตหรือลดลง 3.2.2.1 ตัวอย่าง: วิธีที่ 2: คำนวณเปอร์เซ็นต์จากปีที่แล้วเปอร์เซ็นต์ที่คำนวณจากสูตรปีที่แล้วคูณข้อมูลการขายจากปีที่แล้วโดยใช้ปัจจัยที่คำนวณโดยระบบแล้วจึงคำนวณผลลัพธ์ในปีถัดไป วิธีนี้อาจเป็นประโยชน์ในการคาดการณ์ผลกระทบของการขยายอัตราการเติบโตของผลิตภัณฑ์ล่าสุดในปีหน้าโดยยังคงรักษารูปแบบตามฤดูกาลที่มีอยู่ในประวัติการขาย ข้อกำหนดการคาดการณ์: ช่วงของประวัติการขายเพื่อใช้ในการคำนวณอัตราการเติบโต ตัวอย่างเช่นระบุ n เท่ากับ 4 ในตัวเลือกการประมวลผลเพื่อเปรียบเทียบประวัติการขายสำหรับสี่งวดล่าสุดกับช่วงเวลาเดียวกันของปีที่แล้ว ใช้อัตราส่วนที่คำนวณได้เพื่อทำประมาณการปีถัดไป ประวัติการขายที่ต้องการ: หนึ่งปีสำหรับการคำนวณการคาดการณ์และจำนวนงวดที่จำเป็นสำหรับการประเมินประสิทธิภาพการคาดการณ์ (ระยะเวลาที่เหมาะที่สุด) 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 แต่การคาดการณ์อาจผันผวนอย่างกว้างขวางซึ่งการผลิตไม่สามารถตอบสนองต่อรูปแบบต่างๆได้ 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 Example: Method 5: Linear Approximation Linear Approximation calculates a trend that is based upon two sales history data points. จุดที่สองกำหนดเส้นแนวโน้มตรงที่คาดการณ์ไว้ในอนาคต Use this method with caution because long range forecasts are leveraged by small changes in just two data points. Forecast specifications: n equals the data point in sales history that is compared to the most recent data point to identify a trend. For example, specify n 4 to use the difference between December (most recent data) and August (four periods before December) as the basis for calculating the trend. Minimum required sales history: n plus 1 plus the number of time periods that are required for evaluating the forecast performance (periods of best fit). This table is history used in the forecast calculation: January forecast December of past year 1 (Trend) which equals 137 (1 times 2) 139. February forecast December of past year 1 (Trend) which equals 137 (2 times 2) 141. March forecast December of past year 1 (Trend) which equals 137 (3 times 2) 143. 3.2.6 Method 6: Least Squares Regression The Least Squares Regression (LSR) method derives an equation describing a straight line relationship between the historical sales data and the passage of time. LSR fits a line to the selected range of data so that the sum of the squares of the differences between the actual sales data points and the regression line are minimized. The forecast is a projection of this straight line into the future. This method requires sales data history for the period that is represented by the number of periods best fit plus the specified number of historical data periods. The minimum requirement is two historical data points. This method is useful to forecast demand when a linear trend is in the data. 3.2.6.1 Example: Method 6: Least Squares Regression Linear Regression, or Least Squares Regression (LSR), is the most popular method for identifying a linear trend in historical sales data. The method calculates the values for a and b to be used in the formula: This equation describes a straight line, where Y represents sales and X represents time. Linear regression is slow to recognize turning points and step function shifts in demand. Linear regression fits a straight line to the data, even when the data is seasonal or better described by a curve. When sales history data follows a curve or has a strong seasonal pattern, forecast bias and systematic errors occur. Forecast specifications: n equals the periods of sales history that will be used in calculating the values for a and b. For example, specify n 4 to use the history from September through December as the basis for the calculations. When data is available, a larger n (such as n 24) would ordinarily be used. LSR defines a line for as few as two data points. For this example, a small value for n (n 4) was chosen to reduce the manual calculations that are required to verify the results. Minimum required sales history: n periods 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: March forecast equals 119.5 (7 times 2.3) 135.6 rounded to 136. 3.2.7 Method 7: Second Degree Approximation To project the forecast, this method uses the Second Degree Approximation formula to plot a curve that is based on the number of periods of sales history. This method requires the number of periods best fit plus the number of periods of sales order history times three. This method is not useful to forecast demand for a long-term period. 3.2.7.1 Example: Method 7: Second Degree Approximation Linear Regression determines values for a and b in the forecast formula Y a b X with the objective of fitting a straight line to the sales history data. Second Degree Approximation is similar, but this method determines values for a, b, and c in the this forecast formula: Y a b X c X 2 The objective of this method is to fit a curve to the sales history data. This method is useful when a product is in the transition between life cycle stages. For example, when a new product moves from introduction to growth stages, the sales trend might accelerate. เนื่องจากลำดับที่สองการคาดการณ์สามารถหาอินฟินิตี้ได้อย่างรวดเร็วหรือลดลงเป็นศูนย์ (ขึ้นอยู่กับว่าสัมประสิทธิ์ c เป็นบวกหรือลบ) This method is useful only in the short term. Forecast specifications: the formula find a, b, and c to fit a curve to exactly three points. You specify n, the number of time periods of data to accumulate into each of the three points. In this example, n 3. Actual sales data for April through June is combined into the first point, Q1. ตั้งแต่เดือนกรกฎาคมถึงเดือนกันยายนรวมกันเพื่อสร้างไตรมาสที่ 2 และเดือนตุลาคมถึงเดือนธันวาคมรวมเป็นไตรมาสที่ 3 The curve is fitted to the three values Q1, Q2, and Q3. Required sales history: 3 times n periods for calculating the forecast 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: Q0 (Jan) (Feb) (Mar) Q1 (Apr) (May) (Jun) which equals 125 122 137 384 Q2 (Jul) (Aug) (Sep) which equals 140 129 131 400 Q3 (Oct) (Nov) (Dec) which equals 114 119 137 370 The next step involves calculating the three coefficients a, b, and c to be used in the forecasting formula Y a b X c X 2 . Q1, Q2, and Q3 are presented on the graphic, where time is plotted on the horizontal axis. Q1 represents total historical sales for April, May, and June and is plotted at X 1 Q2 corresponds to July through September Q3 corresponds to October through December and Q4 represents January through March. This graphic illustrates the plotting of Q1, Q2, Q3, and Q4 for second degree approximation: Figure 3-2 Plotting Q1, Q2, Q3, and Q4 for second degree approximation Three equations describe the three points on the graph: (1) Q1 a bX cX 2 where X 1(Q1 a b c) (2) Q2 a bX cX 2 where X 2(Q2 a 2b 4c) (3) Q3 a bX cX 2 where X 3(Q3 a 3b 9c) Solve the three equations simultaneously to find b, a, and c: Subtract equation 1 (1) from equation 2 (2) and solve for b: (2) ndash (1) Q2 ndash Q1 b 3c b (Q2 ndash Q1) ndash 3c Substitute this equation for b into equation (3): (3) Q3 a 3(Q2 ndash Q1) ndash 3c 9c a Q3 ndash 3(Q2 ndash Q1) Finally, substitute these equations for a and b into equation (1): (1)Q3 ndash 3(Q2 ndash Q1) (Q2 ndash Q1) ndash 3c c Q1 c (Q3 ndash Q2) (Q1 ndash Q2) 2 The Second Degree Approximation method calculates a, b, and c as follows: a Q3 ndash 3(Q2 ndash Q1) 370 ndash 3(400 ndash 384) 370 ndash 3(16) 322 b (Q2 ndash Q1) ndash3c (400 nda sh 384) ndash (3 times ndash23) 16 69 85 c (Q3 ndash Q2) (Q1 ndash Q2) 2 (370 ndash 400) (384 ndash 400) 2 ndash23 This is a calculation of second degree approximation forecast: Y a bX cX 2 322 85X (ndash23) (X 2 ) When X 4, Q4 322 340 ndash 368 294. The forecast equals 294 3 98 per period. When X 5, Q5 322 425 ndash 575 172. The forecast equals 172 3 58.33 rounded to 57 per period. When X 6, Q6 322 510 ndash 828 4. The forecast equals 4 3 1.33 rounded to 1 per period. This is the forecast for next year, Last Year to This Year: 3.2.8 Method 8: Flexible Method This method enables you to select the best fit number of periods of sales order history that starts n months before the forecast start date, and to apply a percentage increase or decrease multiplication factor with which to modify the forecast. This method is similar to Method 1, Percent Over Last Year, except that you can specify the number of periods that you use as the base. Depending on what you select as n, this method requires periods best fit plus the number of periods of sales data that is indicated. This method is useful to forecast demand for a planned trend. 3.2.8.1 Example: Method 8: Flexible Method The Flexible Method (Percent Over n Months Prior) is similar to Method 1, Percent Over Last Year. Both methods multiply sales data from a previous time period by a factor specified by you, and then project that result into the future. ในวิธีคิดอัตราส่วนต่อปีที่ผ่านมาการประมาณการจะขึ้นอยู่กับข้อมูลจากช่วงเวลาเดียวกันของปีที่ผ่านมา You can also use the Flexible Method to specify a time period, other than the same period in the last year, to use as the basis for the calculations. คูณปัจจัย For example, specify 110 in the processing option to increase previous sales history data by 10 percent. Base period. For example, n 4 causes the first forecast to be based on sales data in September of last year. Minimum required sales history: the number of periods back to the base period plus the number of time periods that is required for evaluating the forecast performance (periods of best fit). This table is history used in the forecast calculation: 3.2.9 Method 9: Weighted Moving Average The Weighted Moving Average formula is similar to Method 4, Moving Average formula, because it averages the previous months sales history to project the next months sales history. However, with this formula you can assign weights for each of the prior periods. This method requires the number of weighted periods selected plus the number of periods best fit data. Similar to Moving Average, this method lags behind demand trends, so this method is not recommended for products with strong trends or seasonality. This method is useful to forecast demand for mature products with demand that is relatively level. 3.2.9.1 Example: Method 9: Weighted Moving Average The Weighted Moving Average (WMA) method is similar to Method 4, Moving Average (MA). However, you can assign unequal weights to the historical data when using WMA. วิธีคำนวณค่าเฉลี่ยถ่วงน้ำหนักของประวัติการขายล่าสุดเพื่อให้ได้ภาพที่ประมาณการในระยะสั้น More recent data is usually assigned a greater weight than older data, so WMA is more responsive to shifts in the level of sales. However, forecast bias and systematic errors occur when the product sales history exhibits strong trends or seasonal patterns. This method works better for short range forecasts of mature products than for products in the growth or obsolescence stages of the life cycle. The number of periods of sales history (n) to use in the forecast calculation. For example, specify n 4 in the processing option to use the most recent four periods as the basis for the projection into the next time period. ค่าที่มากสำหรับ n (เช่น 12) ต้องการประวัติการขายเพิ่มขึ้น Such a value results in a stable forecast, but it is slow to recognize shifts in the level of sales. Conversely, a small value for n (such as 3) responds more quickly to shifts in the level of sales, but the forecast might fluctuate so widely that production cannot respond to the variations. The total number of periods for the processing option rdquo14 - periods to includerdquo should not exceed 12 months. The weight that is assigned to each of the historical data periods. The assigned weights must total 1.00. For example, when n 4, assign weights of 0.50, 0.25, 0.15, and 0.10 with the most recent data receiving the greatest weight. Minimum required sales history: n plus the number of time periods that are required for evaluating the forecast performance (periods of best fit). This table is history used in the forecast calculation: January forecast equals (131 times 0.10) (114 times 0.15) (119 times 0.25) (137 times 0.50) (0.10 0.15 0.25 0.50) 128.45 rounded to 128. February forecast equals (114 times 0.10) (119 times 0.15) (137 times 0.25) (128 times 0.50) 1 127.5 rounded to 128. March forecast equals (119 times 0.10) (137 times 0.15) (128 times 0.25) (128 times 0.50) 1 128.45 rounded to 128. 3.2.10 Method 10: Linear Smoothing This method calculates a weighted average of past sales data. In the calculation, this method uses the number of periods of sales order history (from 1 to 12) that is indicated in the processing option. The system uses a mathematical progression to weigh data in the range from the first (least weight) to the final (most weight). Then the system projects this information to each period in the forecast. This method requires the months best fit plus the sales order history for the number of periods that are specified in the processing option. 3.2.10.1 Example: Method 10: Linear Smoothing This method is similar to Method 9, WMA. อย่างไรก็ตามแทนที่จะใช้การกำหนดน้ำหนักโดยพลการให้กับข้อมูลทางประวัติศาสตร์สูตรจะใช้เพื่อกำหนดน้ำหนักที่ลดลงเป็นเชิงเส้นและรวมกันเป็น 1.00 วิธีนี้จะคำนวณถัวเฉลี่ยถ่วงน้ำหนักของประวัติการขายล่าสุดเพื่อให้ได้ภาพที่ฉายในระยะสั้น Like all linear moving average forecasting techniques, forecast bias and systematic errors occur when the product sales history exhibits strong trend or seasonal patterns. This method works better for short range forecasts of mature products than for products in the growth or obsolescence stages of the life cycle. n equals the number of periods of sales history to use in the forecast calculation. For example, specify n equals 4 in the processing option to use the most recent four periods as the basis for the projection into the next time period. The system automatically assigns the weights to the historical data that decline linearly and sum to 1.00. For example, when n equals 4, the system assigns weights of 0.4, 0.3, 0.2, and 0.1, with the most recent data receiving the greatest weight. Minimum required sales history: n plus the number of time periods that are required for evaluating the forecast performance (periods of best fit). This table is history used in the forecast calculation: 3.2.11 Method 11: Exponential Smoothing This method calculates a smoothed average, which becomes an estimate representing the general level of sales over the selected historical data periods. This method requires sales data history for the time period that is represented by the number of periods best fit plus the number of historical data periods that are specified. The minimum requirement is two historical data periods. This method is useful to forecast demand when no linear trend is in the data. 3.2.11.1 Example: Method 11: Exponential Smoothing This method is similar to Method 10, Linear Smoothing. In Linear Smoothing, the system assigns weights that decline linearly to the historical data. In Exponential Smoothing, the system assigns weights that exponentially decay. The equation for Exponential Smoothing forecasting is: Forecast alpha (Previous Actual Sales) (1 ndashalpha) (Previous Forecast) The forecast is a weighted average of the actual sales from the previous period and the forecast from the previous period. Alpha is the weight that is applied to the actual sales for the previous period. (1 ndash alpha) is the weight that is applied to the forecast for the previous period. Values for alpha range from 0 to 1 and usually fall between 0.1 and 0.4. The sum of the weights is 1.00 (alpha (1 ndash alpha) 1). You should assign a value for the smoothing constant, alpha. If you do not assign a value for the smoothing constant, the system calculates an assumed value that is based on the number of periods of sales history that is specified in the processing option. alpha equals the smoothing constant that is used to calculate the smoothed average for the general level or magnitude of sales. Values for alpha range from 0 to 1. n equals the range of sales history data to include in the calculations. Generally, one year of sales history data is sufficient to estimate the general level of sales. For this example, a small value for n (n 4) was chosen to reduce the manual calculations that are required to verify the results. Exponential Smoothing can generate a forecast that is based on as little as one historical data point. Minimum required sales history: n plus the number of time periods that are required for evaluating the forecast performance (periods of best fit). This table is history used in the forecast calculation: 3.2.12 Method 12: Exponential Smoothing with Trend and Seasonality This method calculates a trend, a seasonal index, and an exponentially smoothed average from the sales order history. The system then applies a projection of the trend to the forecast and adjusts for the seasonal index. This method requires the number of periods best fit plus two years of sales data, and is useful for items that have both trend and seasonality in the forecast. You can enter the alpha and beta factor, or have the system calculate them. Alpha and beta factors are the smoothing constant that the system uses to calculate the smoothed average for the general level or magnitude of sales (alpha) and the trend component of the forecast (beta). 3.2.12.1 Example: Method 12: Exponential Smoothing with Trend and Seasonality This method is similar to Method 11, Exponential Smoothing, in that a smoothed average is calculated. อย่างไรก็ตามวิธีที่ 12 รวมถึงคำในสมการพยากรณ์เพื่อคำนวณแนวโน้มที่ราบรื่น The forecast is composed of a smoothed average that is adjusted for a linear trend. เมื่อระบุไว้ในตัวเลือกการประมวลผลการคาดการณ์จะได้รับการปรับตามฤดูกาลด้วยเช่นกัน Alpha equals the smoothing constant that is used in calculating the smoothed average for the general level or magnitude of sales. Values for alpha range from 0 to 1. Beta equals the smoothing constant that is used in calculating the smoothed average for the trend component of the forecast. Values for beta range from 0 to 1. Whether a seasonal index is applied to the forecast. Alpha and beta are independent of one another. They do not have to sum to 1.0. Minimum required sales history: One year plus the number of time periods that are required to evaluate the forecast performance (periods of best fit). When two or more years of historical data is available, the system uses two years of data in the calculations. Method 12 uses two Exponential Smoothing equations and one simple average to calculate a smoothed average, a smoothed trend, and a simple average seasonal index. An exponentially smoothed average: An exponentially smoothed trend: A simple average seasonal index: Figure 3-3 Simple Average Seasonal Index The forecast is then calculated by using the results of the three equations: L is the length of seasonality (L equals 12 months or 52 weeks). t is the current time period. m is the number of time periods into the future of the forecast. S is the multiplicative seasonal adjustment factor that is indexed to the appropriate time period. This table lists history used in the forecast calculation: This section provides an overview of Forecast Evaluations and discusses: You can select forecasting methods to generate as many as 12 forecasts for each product. Each forecasting method might create a slightly different projection. When thousands of products are forecast, a subjective decision is impractical regarding which forecast to use in the plans for each product. The system automatically evaluates performance for each forecasting method that you select and for each product that you forecast. You can select between two performance criteria: MAD and POA. 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. การเขียนสคริปต์ในหน้านี้ช่วยเพิ่มการนำทางเนื้อหา แต่ไม่เปลี่ยนแปลงเนื้อหาในลักษณะใด ๆ