تحديد توقعات المتوسط المتحرك المرجح لمدة 4 سنوات لعام 2009

الإجابة الإجابة المحددة 9655 تقييم الإجابة الصحيحة الإجابة الإجابة المحددة. 9655 الجواب الصحيح: طريقة التقييم المطابقة التامة التطابق التام المطابقة المتطابقة التطابق التام المطابقة المتطابقة التطابق التام المطابقة المتطابقة التطابق التام المطابقة التامة التطابق التام المطابقة التامة 61623 السؤال 36 0 من 5 نقاط الارتفاع اليومي في ساكرامنتو للأسبوع الماضي (من الأقل إلى وآخرها): 95، 102، 101، 96، 95، 90 و 92. وضع توقعات اليوم باستخدام المتوسط ​​المتحرك المرجح، مع أوزان .6. 3 و .1، حيث يتم تطبيق أعلى الأوزان على أحدث البيانات. الإجابة الإجابة المحددة: 91 الإجابة الصحيحة: طريقة التقييم مطابقة تامة تحتوي هذه المعاينة على أقسام غير واضحة عمدا. الاشتراك لعرض النسخة الكاملة. 61623 السؤال 37 5 من 5 نقاط هذه هي البيانات من ال 4 أسابيع الماضية: استخدم معادلة خط الانحدار للتنبؤ بزيادة المبيعات عندما يكون عدد الإعلانات 10. الإجابة الجواب المحدد: 230 الإجابة الصحيحة: طريقة التقييم بالضبط المباراة 61623 السؤال 38 5 من 5 نقاط تتوفر بيانات المبيعات التالية للفترة 2003-2008. تحديد توقعات المتوسط ​​المتحرك المرجح لمدة 4 سنوات لعام 2009، حيث الأوزان هي W1 0.1، W2 0.2، W3 0.2 و W4 0.5. الإجابة الإجابة المحددة: 21.1 الإجابة الصحيحة: طريقة التقييم مطابقة تامة 61623 السؤال 39 5 من 5 نقاط نظرا للبيانات التالية عن عدد مكعبات الآيس كريم التي تباع في متجر الآيس كريم المحلي لمدة 6 فترات زمنية: حساب 3 المتوسط ​​المتحرك للبيرود للفترة 6. استخدم مكانين بعد العشرية. الإجابة الإجابة المحددة: 246.67 الإجابة الصحيحة: طريقة التقييم المطابقة التامة التطابق التام المطابقة التامة 61623 السؤال 40 5 من 5 نقاط تلخص البيانات التالية الطلب التاريخي على المنتج الشهر الفعلي الطلب مارس 20 أبريل 25 مايو 40 يونيو 35 يوليو 30 أغسطس 45 إف فإن الطلب المتوقع في يونيو ويوليو وأغسطس هو 32 و 38 و 42 على التوالي، ما هو مابد اكتب إجابتك في شكل عشري وليس في النسب المئوية. على سبيل المثال، 15 يجب أن تكون مكتوبة هذه المعاينة قد عمدا عدم وضوح الأقسام. الاشتراك لعرض النسخة الكاملة. 0.15. استخدام ثلاثة أرقام كبيرة بعد العشرية. الإجابة الإجابة المحددة. 127 الإجابة الصحيحة: طريقة التقييم المطابقة التامة المطابقة التامة المطابقة التامة المطابقة التامة المطابقة التامة المطابقة التامة هذه هي نهاية المعاينة. الاشتراك في الوصول إلى بقية الوثيقة. أمثلة حساب التوقعات أ. 1 طرق حساب التوقعات تتوفر اثنتا عشرة طريقة لحساب التوقعات. معظم هذه الأساليب توفر مراقبة محدودة للمستخدم. على سبيل المثال، قد يتم تحديد الوزن الذي تم وضعه على البيانات التاريخية الحديثة أو النطاق الزمني للبيانات التاريخية المستخدمة في الحسابات. وتظهر الأمثلة التالية طريقة الحساب لكل طريقة من أساليب التنبؤ المتاحة، بالنظر إلى مجموعة متطابقة من البيانات التاريخية. وتستخدم الأمثلة التالية نفس بيانات المبيعات لعامي 2004 و 2005 لإنتاج توقعات مبيعات عام 2006. بالإضافة إلى حساب التنبؤات، يتضمن كل مثال توقعات عام 2005 المحاكية لفترة استبقاء مدتها ثلاثة أشهر (خيار المعالجة 19 3) والتي تستخدم بعد ذلك لنسبة الدقة ومتوسط ​​حسابات الانحراف المطلق (المبيعات الفعلية مقارنة بالتوقعات المحاكية). 2.A معايير تقييم الأداء المتوقعة اعتمادا على اختيارك لخيارات المعالجة وعلى الاتجاهات والأنماط الموجودة في بيانات المبيعات، فإن بعض أساليب التنبؤ ستؤدي أداء أفضل من غيرها بالنسبة لمجموعة بيانات تاريخية معينة. قد لا تكون طريقة التنبؤ المناسبة لمنتج واحد مناسبة لمنتج آخر. ومن غير المرجح أيضا أن تظل طريقة التنبؤ التي توفر نتائج جيدة في مرحلة واحدة من دورة حياة المنتجات ملائمة طوال دورة الحياة بأكملها. يمكنك الاختيار بين طريقتين لتقييم الأداء الحالي لطرق التنبؤ. وهي تعني الانحراف المطلق (ماد) ونسبة الدقة (بوا). يتطلب كل من أساليب تقييم الأداء هذه بيانات مبيعات تاريخية لمستخدم محدد الفترة الزمنية. وتسمى هذه الفترة من الزمن فترة الاستيعاب أو الفترات المناسبة على أفضل وجه (بف). وتستخدم البيانات في هذه الفترة كأساس لتوصية أي من أساليب التنبؤ التي ستستخدم في وضع توقعات التوقعات التالية. هذه التوصية خاصة بكل منتج، وقد تتغير من جيل واحد إلى آخر. وتظهر طرائق تقييم أداء التنبؤات في الصفحات التالية لأمثلة أساليب التنبؤ الإثني عشر. A.3 الطريقة 1 - النسبة المئوية المحددة خلال العام الماضي تضاعف هذه الطريقة بيانات المبيعات عن السنة السابقة بواسطة عامل محدد للمستخدم على سبيل المثال، 1.10 لزيادة 10، أو 0.97 ل 3 انخفاض. تاريخ المبيعات المطلوب: سنة واحدة لحساب التوقعات بالإضافة إلى العدد المحدد من الفترات الزمنية لتقييم أداء التنبؤ (خيار المعالجة 19). A.4.1 حساب حساب التنبؤ من تاريخ المبيعات لاستخدامها في حساب عامل النمو (خيار المعالجة 2 أ) 3 في هذا المثال. مجموع الأشهر الثلاثة الأخيرة من عام 2005: 114 119 137 370 مجموع نفس الأشهر الثلاثة من العام السابق: 123 139 133 395 العامل المحسوب 370395 0.9367 حساب التوقعات: يناير 2005 المبيعات 128 0.9367 119.8036 أو حوالي 120 فبراير 2005 المبيعات 117 0.9367 109.5939 أو حوالي 110 مارس 2005 المبيعات 115 0.9367 107.7205 أو حوالي 108 A.4.2 حساب التوقعات المحسوبة بلغ ثلاثة أشهر من عام 2005 قبل فترة الاستحواذ (يوليو وأغسطس وسبتمبر): 129 140 131 400 اجمالي نفس الأشهر الثلاثة السنة السابقة: 141 128 118 387 المحسوب عامل 400387 1.033591731 حساب توقعات المحاكاة: أكتوبر 2004 المبيعات 123 1.033591731 127.13178 نوفمبر 2004 المبيعات 139 1.033591731 143.66925 ديسمبر 2004 المبيعات 133 1.033591731 137.4677 A.4.3 النسبة المئوية لحساب دقة الحساب (127.13178 143.66925 137.4677) (114 119 137) 100 408.26873 370 100 110.3429 A.4.4 حساب الانحراف المطلق (127.13178 - 114 143.66925 - 119 137.4677- 137) 3 (13.13178 24.66925 0.4677) 3 12.75624 A.5 الطريقة الثالثة - السنة الماضية لهذا العام تقوم هذه الطريقة بنسخ بيانات المبيعات من السنة السابقة إلى السنة التالية. تاريخ المبيعات المطلوب: سنة واحدة لحساب التوقعات بالإضافة إلى عدد الفترات الزمنية المحددة لتقييم أداء التنبؤ (خيار المعالجة 19). A.6.1 حساب التنبؤ عدد الفترات التي يتعين إدراجها في المتوسط ​​(خيار المعالجة 4 أ) 3 في هذا المثال بالنسبة لكل شهر من التوقعات، متوسط ​​بيانات الأشهر الثلاثة السابقة. توقعات كانون الثاني / يناير: 114 119 137 370، 370 3 123.333 أو 123 توقعات شباط / فبراير: 119 137 123 379، 379 3 126.333 أو توقعات 126 آذار / مارس: 137 123 126 379، 386 3 128.667 أو 129 ألف -6-2 حساب التوقعات المحاكاة مبيعات تشرين الأول / أكتوبر 2005 (129 140 131) 3 133.3333 تشرين الثاني / نوفمبر 2005 المبيعات (140 131 114) 3 128.3333 كانون الأول / ديسمبر 2005 المبيعات (131 114 119) 3 121.3333 ألف -6.3 النسبة المئوية لحساب حساب الدقة (133.3333 128.3333 121.3333) (114 119 137) 100 103.513 ألف -6.4 المتوسط ​​المطلق حساب الانحراف (133.3333 - 114 128.3333 - 119 121.3333 - 137) 3 14.7777 A.7 الطريقة 5 - التقريب الخطي يحسب التقريب الخطي اتجاها يستند إلى نقطتي بيانات تاريخ المبيعات. وتحدد هاتان النقطتان خط اتجاه مستقيمي متوقع في المستقبل. استخدم هذه الطريقة بحذر، حيث أن التوقعات طويلة المدى تستفيد من التغييرات الصغيرة في نقطتي بيانات فقط. تاريخ المبيعات المطلوب: عدد الفترات التي يجب تضمينها في الانحدار (خيار المعالجة 5 أ)، بالإضافة إلى 1 عدد الفترات الزمنية لتقييم أداء التنبؤ (خيار المعالجة 19). A.8.1 حساب التنبؤ عدد الفترات التي يجب تضمينها في الانحدار (خيار المعالجة 6 أ) 3 في هذا المثال بالنسبة لكل شهر من التوقعات، أضف الزيادة أو النقصان خلال الفترات المحددة قبل فترة الاستبقاء في الفترة السابقة. متوسط ​​األشهر الثالثة السابقة) 114 119 137 (3 123.3333 ملخص األشهر الثالثة السابقة مع األخذ في االعتبار) 114 1 () 119 2 () 137 3 (763 الفرق بين القيم 763 - 123.3333) 1 2 3 (23 النسبة) 12 22 32) - 2 3 14 - 12 2 القيمة 1 الفرق الفارق 232 11.5 القيمة 2 المتوسط ​​- القيمة 1 123.3333 - 11.5 2 100.3333 التوقعات (1) القيمة 1 القيمة 2 4 11.5 100.3333 146.333 أو 146 التوقعات 5 11.5 100.3333 157.8333 أو 158 التوقعات 6 11.5 100.3333 169.3333 أو 169 A.8.2 حساب التوقعات المحاكية مبيعات أكتوبر / تشرين الأول 2004: متوسط ​​الأشهر الثلاثة السابقة (129 140 131) 3 133.3333 ملخص الأشهر الثلاثة السابقة مع اعتبار الوزن (129 1) (140 2) (131 3) 802 الفرق بين (1 2 3) 2 نسبة (12 22 32) - 2 3 14 - 12 2 القيمة 1 الفرق 22 22 1 القيمة 2 المتوسط ​​- القيمة 1 133.3333 - 1 2 131.3333 التوقعات (1) القيمة 1 القيمة 2 4 1 131.3333 135.3333 نوفمبر 2004 مبيعات متوسط ​​األشهر الثالثة السابقة) 140 131 114 (3 128.3333 ملخص األشهر الثالثة السابقة مع اعتبار الوزن) 140 1 () 131 2 () 114 3 (744 الفرق بين القيم 744 - 128.3333) 1 2 3 (-25.9999 القيمة 1) الفرق - الفوائد -25.99992 -12.9999 القيمة 2 المتوسط ​​- القيمة 1 128.3333 - (-12.9999) 2 154.3333 التوقعات 4 -12.9999 154.3333 102.3333 ديسمبر 2004 المبيعات متوسط ​​الأشهر الثلاثة السابقة (131 114 119) 3 121.3333 ملخص الأشهر الثلاثة السابقة مع اعتبار الوزن ( 131 1) (114 2) (119 3) 716 الفرق بين القيم 716 - 121.3333 (1 2 3) -11.9999 القيمة 1 الفرق الفارق -11.99992 -5.9999 القيمة 2 متوسط ​​- القيمة 1 121.3333 - (-5.9999) 2 133.3333 توقعات 4 (-5.9999 ) 133.3333 109.3333 A.8.3 النسبة المئوية لحساب تكلفة الشراء (135.33 102.33 109.33) (114 119 137) 100 93.78 A.8.4 حساب الانحراف المطلق (135.33 - 114 102.33 - 119 109.33 - 137) 3 21.88 A.9 الطريقة 7 - الشركة السعودية d درجة التقريب يحدد الانحدار الخطي القيمتين a و b في صيغة التنبؤ Y a بكس بهدف تركيب خط مستقيم على بيانات تاريخ المبيعات. الدرجة الثانية تقريب مماثل. ومع ذلك، تحدد هذه الطريقة قيم a و b و c في صيغة التنبؤ Y بكس cX2 بهدف تركيب منحنى على بيانات سجل المبيعات. قد تكون هذه الطريقة مفيدة عندما يكون المنتج في مرحلة الانتقال بين مراحل دورة حياة. على سبيل المثال، عندما يتحرك منتج جديد من مرحلة مقدمة إلى مراحل النمو، قد يتسارع اتجاه المبيعات. بسبب مصطلح الترتيب الثاني، يمكن التنبؤ بسرعة الاقتراب اللانهاية أو انخفاض إلى الصفر (اعتمادا على ما إذا كان معامل ج إيجابي أو سلبي). ولذلك، فإن هذه الطريقة مفيدة فقط على المدى القصير. مواصفات التوقعات: الصيغ تجد a، b، c لتتناسب مع منحنى إلى ثلاث نقاط بالضبط. يمكنك تحديد n في خيار المعالجة 7a، وعدد الفترات الزمنية للبيانات لتتراكم في كل من النقاط الثلاث. في هذا المثال n 3. لذلك، يتم دمج بيانات المبيعات الفعلية للفترة من أبريل إلى يونيو في النقطة الأولى، Q1. يوليو إلى سبتمبر تضاف معا لخلق Q2، وأكتوبر خلال ديسمبر المبلغ إلى Q3. سيتم تركيب المنحنى على القيم الثلاثة Q1 و Q2 و Q3. تاريخ المبيعات المطلوب: 3 n فترات لحساب التوقعات بالإضافة إلى عدد الفترات الزمنية المطلوبة لتقييم أداء التنبؤات (بف). عدد الفترات المراد تضمينها (الخيار 7 أ) 3 في هذا المثال استخدم الأشهر السابقة (3 n) في فدرات ثلاثة أشهر: Q1 (أبريل - يونيو) 125 122 137 384 Q2 (يوليو - سبتمبر) 129 140 131 400 Q3 ( أوكت - ديك) 114 119 137 370 تتضمن الخطوة التالية حساب المعاملات الثلاثة a و b و c التي سيتم استخدامها في صيغة التنبؤ Y بكس cX2 (1) Q1 a بكس cX2 (حيث X 1) أبك (2) Q2 (x 2) ب 2 c 3 (2) 4 ب 4 (3) Q3 بكس c2 (3) 3b 9c حل المعادلات الثلاث في وقت واحد لإيجاد b و a و c: طرح المعادلة (1) من المعادلة (2) (2) - (1) Q2 - Q1 b 3c استبدال هذه المعادلة ل b في المعادلة (3) (3) Q3 a 3 (Q2 - Q1) - 3c c وأخيرا، استبدل هذه المعادلات ل a و b إلى المعادلة (1) Q3 - 3 (Q2 - Q1) (Q2 - Q1) - 3c c Q1 c (Q3 - Q2) 2 طريقة تقريب الدرجة الثانية تحسب a و b و c على النحو التالي: Q3 - 3 (الربع الثاني - الربع الأول) 370 - 3 (400 - 384) 322 ج (الربع الثالث - الربع الثاني) 2 (370 - 400) (384 - 400) 2 -23 ب (Q2 - Q1) - 3c (400 - 384) - (3 -23) 85 Y a بكس cX2 322 85X (-23) X2 كانون الثاني (يناير) توقعات مارس (X4): (322 340 - 368) 3 2943 98 (322 425 - 575) 3 57.333 أو 57 في الفترة من تموز / يوليه إلى أيلول / سبتمبر (X6): (322 510 - 828) 3 1.33 أو 1 في الفترة من تشرين الأول / أكتوبر إلى كانون الأول / ديسمبر (X7) (322) 595 - 11273 -70 A.9.2 حساب التوقعات المحاكاة مبيعات شهر أكتوبر ونوفمبر وديسمبر 2004: الربع الأول (يناير - مارس) 360 Q2 (أبريل - يونيو) 384 الربع الثالث (يوليو - سبتمبر) 400 400 - 3 (384 - 360) 328 ج (400 - 384) (360 - 384) 2 -4 ب (384 - 360) - 3 (-4) 36 328 36 4 (-4) 163 136 ألف - 9 - 3 النسبة المئوية لحساب حساب الدقة (136 136 136) (114 119 137) 100 110.27 A.9.4 حساب الانحراف المطلق المتوسط ​​(136 - 114 136 - 119 136 - 137) 3 13.33 ألف - 10 الطريقة 8 - الطريقة المرنة إن الطريقة المرنة (النسبة المئوية خلال الأشهر السابقة) مماثلة للطريقة 1، النسبة المئوية عن العام الماضي. كلتا الطريقتين تضاعف بيانات المبيعات من فترة زمنية سابقة من قبل المستخدم المحدد عامل، ثم مشروع تلك النتيجة في المستقبل. في طريقة النسبة المئوية خلال العام الماضي، يستند الإسقاط إلى بيانات من نفس الفترة الزمنية في العام السابق. ويضيف الأسلوب المرن القدرة على تحديد فترة زمنية غير الفترة نفسها من العام الماضي لاستخدامها كأساس للحسابات. عامل الضرب. على سبيل المثال، حدد 1.15 في خيار المعالجة 8b لزيادة بيانات سجل المبيعات السابقة بمقدار 15. فترة الأساس. على سبيل المثال، سيؤدي n 3 إلى أن تستند التوقعات الأولى إلى بيانات المبيعات في أكتوبر / تشرين الأول 2005. الحد الأدنى من تاريخ المبيعات: يحدد المستخدم عدد الفترات التي تعود إلى فترة الأساس، بالإضافة إلى عدد الفترات الزمنية المطلوبة لتقييم أداء التوقعات ( PBF). A.10.4 متوسط ​​حساب الانحراف المطلق درهم (148 - 114 161 - 119 151 - 137) 3 30 A.11 الطريقة 9 - المتوسط ​​المتحرك المتوسط ​​يشبه أسلوب المتوسط ​​المتحرك المتوسط ​​(ويم) الطريقة 4، المتوسط ​​المتحرك (ما). ومع ذلك، مع المتوسط ​​المتحرك المرجح يمكنك تعيين الأوزان غير المتساوية إلى البيانات التاريخية. وتحسب الطريقة المتوسط ​​المرجح لتاريخ المبيعات الأخير للوصول إلى إسقاط على المدى القصير. عادة ما يتم تعيين بيانات أكثر حداثة وزنا أكبر من البيانات القديمة، لذلك هذا يجعل وما أكثر استجابة للتحولات في مستوى المبيعات. ومع ذلك، لا يزال التحيز التنبؤي والأخطاء المنهجية تحدث عندما يظهر تاريخ مبيعات المنتجات اتجاها قويا أو أنماطا موسمية. هذا الأسلوب يعمل بشكل أفضل للتنبؤات قصيرة المدى من المنتجات الناضجة بدلا من المنتجات في مراحل النمو أو التقادم من دورة الحياة. n عدد الفترات من تاريخ المبيعات لاستخدامها في حساب التوقعات. على سبيل المثال، حدد n 3 في خيار المعالجة 9a لاستخدام أحدث ثلاث فترات كأساس للتوقعات في الفترة الزمنية التالية. قيمة كبيرة ل n (مثل 12) يتطلب المزيد من المبيعات التاريخ. فإنه يؤدي إلى توقعات مستقرة، ولكن سيكون بطيئا في التعرف على التحولات في مستوى المبيعات. من ناحية أخرى، قيمة صغيرة ل n (مثل 3) سوف تستجيب أسرع للتحولات في مستوى المبيعات، ولكن التوقعات قد تتقلب على نطاق واسع بحيث أن الإنتاج لا يمكن أن تستجيب لهذه الاختلافات. الوزن المخصص لكل فترة من فترات البيانات التاريخية. يجب أن يبلغ إجمالي الأوزان المخصصة 1.00. على سبيل المثال، عندما n 3، تعيين أوزان 0،6 و 0،3 و 0،1، مع أحدث البيانات تلقي أكبر وزن. الحد الأدنى المطلوب لسجل المبيعات: n بالإضافة إلى عدد الفترات الزمنية المطلوبة لتقييم أداء التنبؤات (بف). (133.5 - 114 121.7 - 119 118.7 - 137) 3 13.5 A.12 الطريقة 10 - التمهيد الخطي تشبه هذه الطريقة الطريقة 9، المتوسط ​​المتحرك المرجح (وما). ومع ذلك، بدلا من تعيين تعسفي للأوزان للبيانات التاريخية، يتم استخدام صيغة لتعيين الأوزان التي تنخفض خطيا ويجمع إلى 1.00. ثم تحسب الطريقة المتوسط ​​المرجح لتاريخ المبيعات الأخير للتوصل إلى إسقاط على المدى القصير. وكما هو الحال بالنسبة لجميع تقنيات التنبؤ المتوسط ​​المتحرك الخطي، يحدث التحيز المتوقع والأخطاء المنهجية عندما يظهر سجل مبيعات المنتجات اتجاها قويا أو أنماطا موسمية. هذا الأسلوب يعمل بشكل أفضل للتنبؤات قصيرة المدى من المنتجات الناضجة بدلا من المنتجات في مراحل النمو أو التقادم من دورة الحياة. n عدد الفترات من تاريخ المبيعات لاستخدامها في حساب التوقعات. وهذا محدد في خيار المعالجة 10 أ. على سبيل المثال، حدد n 3 في خيار المعالجة 10b لاستخدام أحدث ثلاث فترات كأساس للتوقعات في الفترة الزمنية التالية. سيقوم النظام تلقائيا بتعيين الأوزان إلى البيانات التاريخية التي تنخفض خطيا ويجمع إلى 1.00. على سبيل المثال، عندما n 3، سيقوم النظام بتعيين أوزان 0.5، 0.3333، 0.1، مع أحدث البيانات التي تتلقى أكبر وزن. الحد الأدنى المطلوب لسجل المبيعات: n بالإضافة إلى عدد الفترات الزمنية المطلوبة لتقييم أداء التنبؤات (بف). A.12.1 حساب التنبؤ عدد الفترات التي يجب تضمينها في متوسط ​​التمهيد (خيار المعالجة 10 أ) 3 في هذا المثال النسبة لفترة واحدة قبل 3 (n2 n) 2 3 (32 3) 2 36 0.5 نسبة لفترتين قبل 2 (n2 n ) 2 2 (32 3) 2 26 0.3333 .. نسبة ثلاث فترات قبل 1 (n2 n) 2 1 (32 3) 2 16 0.1666 .. توقعات يناير: 137 0.5 119 13 114 16 127.16 أو 127 توقعات فبراير: 127 0.5 137 13 119 16 129 توقعات آذار / مارس: 129 0.5 127 13 137 16 129.666 أو 130 ألف-12-2 حساب التوقعات المحاكاة مبيعات تشرين الأول / أكتوبر 2004 129 16 140 26 131 36 133.6666 تشرين الثاني / نوفمبر 2004 المبيعات 140 16 131 26 114 36 124 كانون الأول / ديسمبر 2004 المبيعات 131 16 114 26 119 36 119.3333 A.12.3 النسبة المئوية لحساب حساب الدقة (133.6666 124 119.3333) (114 119 137) 100 101.891 A.12.4 متوسط ​​حساب الانحراف المطلق (133.6666 - 114 124 - 119 119.3333 - 137) 3 14.1111 A.13 الطريقة 11 - التجانس الأسي تشبه هذه الطريقة الطريقة 10، التنعيم الخطي. في الخطي تمهيد النظام يعين الأوزان إلى البيانات التاريخية التي تنخفض خطيا. في التجانس الأسي، يعين النظام الأوزان التي تسوس أضعافا مضاعفة. معادلة التنبؤ بالتمهيد الأسي هي: التوقعات (المبيعات الفعلية السابقة) (1 - a) التوقعات السابقة التوقعات هي المتوسط ​​المرجح للمبيعات الفعلية من الفترة السابقة والتوقعات من الفترة السابقة. a هو الوزن المطبق على المبيعات الفعلية للفترة السابقة. (1-a) هو الوزن المطبق على توقعات الفترة السابقة. القيم الصالحة لنطاق من 0 إلى 1، وعادة ما تقع بين 0.1 و 0.4. مجموع الأوزان هو 1.00. a (1 - a) 1 يجب أن تعين قيمة ثابت التمهيد، a. إذا لم تقم بتعيين قيم ثابتة التجانس، يقوم النظام بحساب قيمة مفترضة استنادا إلى عدد فترات سجل المبيعات المحددة في خيار المعالجة 11a. وهو ثابت التمهيد المستخدم في حساب المتوسط ​​الميسر للمستوى العام أو حجم المبيعات. القيم الصالحة لنطاق من 0 إلى 1. n نطاق بيانات سجل المبيعات لتضمينها في الحسابات. عموما سنة واحدة من بيانات تاريخ المبيعات غير كافية لتقدير المستوى العام للمبيعات. على سبيل المثال، تم اختيار قيمة صغيرة ل n (n 3) من أجل تقليل الحسابات اليدوية المطلوبة للتحقق من النتائج. ويمكن أن يؤدي التمهيد الأسي إلى توليد توقعات تستند إلى أقل من نقطة بيانات تاريخية واحدة. الحد الأدنى المطلوب لسجل المبيعات: n بالإضافة إلى عدد الفترات الزمنية المطلوبة لتقييم أداء التنبؤات (بف). ألف - 13 - 1 حساب التنبؤ عدد الفترات المراد إدراجها في متوسط ​​التمهيد (الخيار 11 أ) 3 و عامل ألفا (خيار المعالجة 11 ب) فارغا في هذا المثال عاملا لأقدم بيانات المبيعات 2 (11) أو 1 عند تحديد ألفا (12) أو ألفا عندما يتم تحديد ألفا عاملا ل 3 أقدم بيانات المبيعات 2 (13) أو ألفا عندما يتم تحديد ألفا عاملا لأحدث بيانات المبيعات 2 (1n) ، أو ألفا عندما يتم تحديد ألفا نوفمبر سم. متوسط أ (أكتوبر الفعلي) (1 - أ) أكتوبر سم. متوسط 1 114 0 0 114 ديسمبر سم. متوسط أ (نوفمبر الفعلي) (1 - أ) نوفمبر سم. متوسط 23 119 13 114 117.3333 كانون الثاني / يناير التوقعات (كانون الأول / ديسمبر الفعلي) (1 - أ) كانون الأول / ديسمبر سم. متوسط 24 137 24 117.3333 127.16665 أو 127 توقعات شباط / فبراير توقعات كانون الثاني / يناير 127 توقعات آذار / مارس توقعات كانون الثاني / يناير 127 ألف-13-2 حساب التوقعات المحاكاة تموز / يوليه 2004. متوسط 22 129 129 أوغست سم. متوسط 23 140 13 129 136.3333 سيبتمبر سم. متوسط 24 131 24 136.3333 133.6666 أكتوبر، 2004 مبيعات سيب سم. متوسط 133.6666 أوغست، 2004 سم. متوسط 22 140 140 سيبتمبر سم. متوسط 23 131 13 140 134 أكتوبر سم. متوسط 24 114 24 134 124 نوفمبر، 2004 المبيعات سيب سم. متوسط 124 سبتمبر 2004 سم. متوسط 22 131 131 أكتوبر سم. متوسط 23 114 13 131 119.6666 نوفمبر سم. متوسط 24 119 24 119.6666 119.3333 ديسمبر 2004 مبيعات سيب سم. متوسط 119.3333 A.13.3 النسبة المئوية لحساب حساب الدقة (133.6666 124 119.3333) (114 119 137) 100 101.891 A.13.4 متوسط ​​حساب الانحراف المطلق (133.6666 - 114 124 - 119 119.3333 - 137) 3 14.1111 A.14 الطريقة 12 - التماسك الأسي مع الاتجاه والموسمية هذا الأسلوب مشابه لطريقة 11، الأسي تمهيد في أن يتم حساب متوسط ​​سلسة. ومع ذلك، تتضمن الطريقة 12 أيضا مصطلحا في معادلة التنبؤ لحساب اتجاه سلس. وتتكون التنبؤات من سلسة متوسطة تم تعديلها لاتجاه خطي. عندما يتم تحديده في خيار المعالجة، يتم تعديل التوقعات أيضا للموسمية. وهو ثابت التمهيد المستخدم في حساب المتوسط ​​الميسر للمستوى العام أو حجم المبيعات. القيم الصالحة لمدى ألفا تتراوح بين 0 و 1. b ثابت التمهيد المستخدم في حساب المتوسط ​​الميسر لعنصر الاتجاه للتنبؤ. القيم الصالحة للنطاق بيتا من 0 إلى 1. ما إذا كان المؤشر الموسمي يتم تطبيقه على التوقعات a و b مستقلان عن بعضهما البعض. ليس لديهم لإضافة إلى 1.0. الحد الأدنى المطلوب من تاريخ المبيعات: عامين بالإضافة إلى عدد الفترات الزمنية المطلوبة لتقييم أداء التنبؤات (بف). تستخدم الطريقة 12 معادلتين أسيتين للتمهيد ومتوسط ​​بسيط واحد لحساب المتوسط ​​السلس، واتجاه سلس، ومتوسط ​​عامل موسمي بسيط. A.14.1 حساب التنبؤ A) متوسط ​​ممسود أضعافا مطردا (122.81 - 114 133.14 - 119 135.33 - 137) 3 8.2 A.15 تقييم التنبؤات يمكنك اختيار أساليب التنبؤ لتوليد ما يصل إلى اثني عشر تنبؤا لكل منتج. ومن المحتمل أن تؤدي كل طريقة للتنبؤ إلى إسقاط مختلف قليلا. عندما يتم توقع الآلاف من المنتجات، فمن غير العملي لاتخاذ قرار شخصي بشأن أي من التوقعات لاستخدامها في خططك لكل من المنتجات. يقوم النظام تلقائيا بتقييم الأداء لكل من طرق التنبؤ التي تحددها، ولكل من توقعات المنتجات. يمكنك الاختيار بين معيارين للأداء، يعني الانحراف المطلق (ماد) ونسبة الدقة (بوا). ماد هو مقياس لخطأ التنبؤ. بوا هو مقياس للتحيز المتوقع. يتطلب كل من تقنيات تقييم الأداء هذه بيانات تاريخ المبيعات الفعلية لمستخدم محدد الفترة الزمنية. وتسمى هذه الفترة من التاريخ الحديث فترة الانتظار أو الفترات الأنسب (بف). ولقياس أداء طريقة التنبؤ، استخدم الصيغ المتوقعة لمحاكاة توقعات لفترة الاستحقاق التاريخية. وستكون هناك عادة اختلافات بين بيانات المبيعات الفعلية والتوقعات المحاكية لفترة الاستبعاد. عند اختيار طرق التنبؤ متعددة، تحدث هذه العملية نفسها لكل طريقة. يتم احتساب توقعات متعددة لفترة الاستحواذ، وبالمقارنة مع تاريخ المبيعات المعروفة لنفس الفترة من الزمن. ويوصى باستخدام طريقة التنبؤ التي تنتج أفضل مطابقة (أفضل ملاءمة) بين التوقعات والمبيعات الفعلية خلال فترة الاستبعاد لاستخدامها في خططك. هذه التوصية خاصة بكل منتج، وقد تتغير من جيل واحد إلى آخر. ألف - 16 الانحراف المطلق (ماد) هو المتوسط ​​(أو المتوسط) للقيم المطلقة (أو الحجم) للانحرافات (أو الأخطاء) بين البيانات الفعلية والمتوقعة. ماد هو مقياس لمتوسط ​​حجم الأخطاء المتوقع، نظرا لطريقة التنبؤ وتاريخ البيانات. ولأن القيم المطلقة تستخدم في الحساب، فإن الأخطاء الإيجابية لا تلغي الأخطاء السلبية. عند مقارنة عدة طرق التنبؤ، واحدة مع أصغر درهم أظهرت أن تكون الأكثر موثوقية لهذا المنتج لفترة تلك الانتظار. وعندما تكون التنبؤات غير متحيزة وتوزع الأخطاء عادة، توجد علاقة رياضية بسيطة بين تدبيرين عاديين ومقياسين آخرين للتوزيع والانحراف المعياري ومتوسط ​​الخطأ المربعة: A.16.1 نسبة الدقة (بوا) نسبة الدقة (بوا) هي وهو مقياس للتحيز المتوقع. وعندما تكون التوقعات مرتفعة جدا، تتراكم المخزونات وتزداد تكاليف الحصر. وعندما تكون التنبؤات منخفضة باستمرار، تستهلك المخزونات وتنخفض خدمة العملاء. توقعات أن 10 وحدات منخفضة جدا، ثم 8 وحدات مرتفعة جدا، ثم 2 وحدة عالية جدا، سيكون توقعات غير متحيزة. يتم إلغاء الخطأ الإيجابي من 10 من قبل أخطاء سلبية من 8 و 2. خطأ الفعلي - توقعات عندما يمكن تخزين المنتج في المخزون، وعندما توقعات غير منحازة، يمكن استخدام كمية صغيرة من مخزون السلامة لتخفيف الأخطاء. في هذه الحالة، ليس من المهم جدا للقضاء على أخطاء التنبؤ كما هو لتوليد توقعات غير منحازة. ولكن في الصناعات الخدمية، فإن الحالة المذكورة أعلاه سوف ينظر إليها على أنها ثلاثة أخطاء. وستعاني هذه الخدمة من نقص في عدد الموظفين في الفترة الأولى، ثم ستزداد أعداد الموظفين في الفترتين التاليتين. وفي الخدمات، يكون حجم أخطاء التنبؤ عادة أكثر أهمية مما هو متوقع. ويتيح الجمع خلال فترة الاستبعاد أخطاء إيجابية لإلغاء الأخطاء السلبية. عندما يتجاوز إجمالي المبيعات الفعلية مجموع المبيعات المتوقعة، ونسبة أكبر من 100. وبطبيعة الحال، فإنه من المستحيل أن يكون أكثر من 100 دقيقة. عندما تكون التوقعات غير منحازة، فإن نسبة بوا ستكون 100. ولذلك، فمن المستحسن أن تكون 95 دقيقة من أن تكون دقيقة 110. تحدد معايير بوا طريقة التنبؤ التي لديها نسبة بوا الأقرب إلى 100. يؤدي البرنامج النصي في هذه الصفحة إلى تحسين التنقل في المحتوى، ولكنه لا يغير المحتوى بأي شكل من الأشكال (3). فهم مستويات وأساليب التنبؤ يمكنك إنشاء توقعات تفصيلية (عنصر واحد) وتوقعات (خط الانتاج) التي تعكس أنماط الطلب على المنتجات. ويقوم النظام بتحليل المبيعات السابقة لحساب التنبؤات باستخدام 12 طريقة للتنبؤ. وتشمل التوقعات معلومات تفصيلية على مستوى البند ومعلومات أعلى مستوى عن فرع أو الشركة ككل. 3.1 معايير تقييم أداء التوقعات اعتمادا على اختيار خيارات المعالجة وعلى الاتجاهات والأنماط في بيانات المبيعات، فإن بعض أساليب التنبؤ تؤدي أداء أفضل من غيرها بالنسبة لمجموعة بيانات تاريخية معينة. قد لا تكون طريقة التنبؤ المناسبة لمنتج واحد مناسبة لمنتج آخر. قد تجد أن طريقة التنبؤ التي توفر نتائج جيدة في مرحلة واحدة من دورة حياة المنتج لا تزال مناسبة طوال دورة الحياة بأكملها. يمكنك الاختيار بين طريقتين لتقييم الأداء الحالي لطرق التنبؤ: النسبة المئوية للدقة (بوا). متوسط ​​الانحراف المطلق (درهم). تتطلب كل من طرق تقييم الأداء هذه بيانات مبيعات سابقة لفترة تحددها. وتسمى هذه الفترة فترة الانتظار أو فترة من أفضل ملاءمة. وتستخدم البيانات في هذه الفترة كأساس للتوصية باستخدام طريقة التنبؤ في وضع توقعات التوقعات التالية. هذه التوصية خاصة بكل منتج ويمكن أن تتغير من جيل واحد إلى آخر. 3.1.1 أفضل ملاءمة يوصى النظام بأفضل توقعات مناسبة من خلال تطبيق أساليب التنبؤ المحددة على تاريخ طلب المبيعات السابق ومقارنة محاكاة التنبؤ بالتاريخ الفعلي. عندما تقوم بتوليد توقعات أفضل مناسبة، يقارن النظام تواريخ أوامر المبيعات الفعلية للتنبؤات لفترة زمنية محددة ويحسب مدى دقة كل طريقة تنبؤ مختلفة توقعت المبيعات. ثم يوصي النظام التنبؤ الأكثر دقة كما الأنسب. ويوضح هذا الرسم البياني أفضل التنبؤات: الشكل 3-1 أفضل التنبؤات المناسبة يستخدم النظام هذا التسلسل من الخطوات لتحديد أفضل ملاءمة: استخدم كل طريقة محددة لمحاكاة توقعات لفترة الاستبقاء. قارن المبيعات الفعلية بالتنبؤات المحاكية لفترة الاستبعاد. احسب بوا أو ماد لتحديد طريقة التنبؤ التي تتطابق بشكل وثيق مع المبيعات الفعلية السابقة. يستخدم النظام إما بوا أو درهم، استنادا إلى خيارات المعالجة التي تحددها. التوصية بتوقعات أفضل من قبل بوا التي هي الأقرب إلى 100 في المئة (أكثر أو أقل) أو درهم الذي هو الأقرب إلى الصفر. 3.2 طرق التنبؤ جد إدواردز إنتربريسون إدارة التنبؤات تستخدم 12 طريقة للتنبؤ الكمي وتشير إلى الطريقة التي توفر أفضل ملاءمة لحالة التنبؤ. يناقش هذا القسم: الطريقة 1: النسبة المئوية عن العام الماضي. الطريقة الثانية: النسبة المئوية المحسوبة خلال العام الماضي. الطريقة الثالثة: السنة الماضية لهذا العام. الطريقة الرابعة: المتوسط ​​المتحرك. الطريقة 5: التقريب الخطي. الطريقة 6: أقل المربعات الانحدار. الطريقة 7: الدرجة الثانية التقريب. الطريقة الثامنة: الطريقة المرنة. الطريقة التاسعة: المتوسط ​​المتحرك المرجح. طريقة 10: خطي تجانس. طريقة 11: الأسي تمهيد. طريقة 12: الأسي تمهيد مع الاتجاه والموسمية. حدد الطريقة التي تريد استخدامها في خيارات المعالجة لبرنامج توليد التوقعات (R34650). معظم هذه الطرق توفر رقابة محدودة. على سبيل المثال، يمكن تحديد الوزن الذي تم وضعه على البيانات التاريخية الحديثة أو النطاق الزمني للبيانات التاريخية المستخدمة في الحسابات من قبلك. وتشير الأمثلة الواردة في الدليل إلى طريقة الحساب لكل طريقة من طرق التنبؤ المتاحة، بالنظر إلى مجموعة متطابقة من البيانات التاريخية. تستخدم أمثلة الطريقة في الدليل جزءا أو كل مجموعات البيانات هذه، وهي بيانات تاريخية من العامين الماضيين. وتذهب التوقعات المتوقعة إلى العام المقبل. هذه البيانات تاريخ المبيعات مستقرة مع الزيادات الموسمية الصغيرة في شهري يوليو وديسمبر. هذا النمط هو سمة من المنتجات الناضجة التي قد تقترب من التقادم. 3.2.1 الطريقة 1: النسبة المئوية في السنة الماضية تستخدم هذه الطريقة صيغة النسبة المئوية خلال السنة الماضية لمضاعفة كل فترة توقع بنسبة الزيادة أو النقصان المحددة المئوية. للتنبؤ الطلب، وهذا الأسلوب يتطلب عدد من فترات لأفضل صالح بالإضافة إلى سنة واحدة من تاريخ المبيعات. هذه الطريقة مفيدة للتنبؤ بالطلب على الأصناف الموسمية مع النمو أو الانخفاض. 3.2.1.1 مثال: الطريقة الأولى: النسبة المئوية خلال السنة الماضية تضاعف صيغة النسبة المئوية من صيغة العام الماضي بيانات المبيعات عن العام السابق بعامل تحدده ثم المشاريع التي ينتج عنها العام التالي. قد تكون هذه الطريقة مفيدة في وضع الميزانيات لمحاكاة تأثير معدل نمو محدد أو عندما يكون تاريخ المبيعات مكونا موسميا هاما. مواصفات التنبؤ: عامل الضرب. على سبيل المثال، حدد 110 في خيار المعالجة لزيادة بيانات سجل مبيعات السنوات السابقة بنسبة 10٪. سجل المبيعات المطلوب: سنة واحدة لحساب التوقعات، بالإضافة إلى عدد الفترات الزمنية المطلوبة لتقييم أداء التنبؤ (فترات أفضل ملاءمة) التي تحددها. هذا الجدول هو التاريخ المستخدم في حساب التنبؤات: توقعات فبراير تساوي 117 مرة 1.1 128.7 مقربة إلى 129. توقعات مارس تساوي 115 مرة 1.1 126.5 مقربة إلى 127. 3.2.2 الطريقة 2: النسبة المئوية المحسوبة خلال السنة الماضية تستخدم هذه الطريقة النسبة المحسوبة صيغة العام الماضي لمقارنة المبيعات السابقة لفترات محددة للمبيعات من نفس الفترات من العام السابق. ويحدد النظام نسبة مئوية من الزيادة أو النقصان، ثم يضاعف كل فترة حسب النسبة المئوية لتحديد التوقعات. للتنبؤ الطلب، وهذا الأسلوب يتطلب عدد من فترات من تاريخ النظام المبيعات بالإضافة إلى سنة واحدة من تاريخ المبيعات. وهذه الطريقة مفيدة للتنبؤ بالطلب على المدى القصير على الأصناف الموسمية مع النمو أو الانخفاض. 3.2.2.1 مثال: الطريقة الثانية: النسبة المئوية المحسوبة خلال السنة الماضية النسبة المئوية المحسوبة خلال صيغة السنة الماضية تضاعف بيانات المبيعات عن السنة السابقة بعامل يتم حسابه من قبل النظام، ومن ثم يقوم بتشغيل تلك النتيجة للعام التالي. قد يكون هذا الأسلوب مفيدا في إسقاط تأثير توسيع معدل النمو الأخير للمنتج في العام المقبل مع الحفاظ على نمط موسمي موجود في تاريخ المبيعات. مواصفات التوقعات: مجموعة من تاريخ المبيعات لاستخدامها في حساب معدل النمو. على سبيل المثال، حدد n يساوي 4 في خيار المعالجة لمقارنة سجل المبيعات للفترات الأربع الأخيرة بتلك الفترات الأربع نفسها من العام السابق. استخدام نسبة المحسوبة لجعل الإسقاط للعام المقبل. تاريخ المبيعات المطلوب: سنة واحدة لحساب التوقعات بالإضافة إلى عدد الفترات الزمنية المطلوبة لتقييم أداء التنبؤات (فترات أفضل ملاءمة). هذا الجدول هو التاريخ المستخدم في حساب التوقعات، نظرا ن 4: توقعات فبراير يساوي 117 مرة 0.9766 114.26 مقربة إلى 114. توقعات مارس يساوي 115 مرة 0.9766 112.31 مقربة إلى 112. 3.2.3 الطريقة 3: السنة الماضية لهذا العام يستخدم هذا الأسلوب مبيعات العام الماضي للسنوات المقبلة المتوقع. للتنبؤ الطلب، وهذا الأسلوب يتطلب عدد من فترات أفضل تناسب بالإضافة إلى سنة واحدة من تاريخ النظام المبيعات. هذه الطريقة مفيدة للتنبؤ بالطلب على المنتجات الناضجة مع الطلب على مستوى أو الطلب الموسمي دون اتجاه. 3.2.3.1 مثال: الطريقة الثالثة: السنة الماضية إلى السنة الحالية تقوم صيغة السنة الماضية لهذا العام بنسخ بيانات المبيعات من السنة السابقة إلى السنة التالية. قد تكون هذه الطريقة مفيدة في إعداد الميزانية لمحاكاة المبيعات على المستوى الحالي. المنتج ناضج وليس له أي اتجاه على المدى الطويل، ولكن قد يكون هناك نمط الطلب الموسمي كبير. مواصفات التوقعات: لا شيء. تاريخ المبيعات المطلوب: سنة واحدة لحساب التوقعات بالإضافة إلى عدد الفترات الزمنية المطلوبة لتقييم أداء التنبؤات (فترات أفضل ملاءمة). هذا الجدول هو التاريخ المستخدم في حساب التوقعات: توقعات يناير تساوي يناير من العام الماضي مع قيمة توقعات 128. توقعات فبراير تساوي فبراير من العام الماضي مع قيمة التوقعات 117. توقعات مارس تساوي مارس من العام الماضي مع قيمة التنبؤ 115-4-2-4 الطريقة 4: المتوسط ​​المتحرك تستخدم هذه الطريقة صيغة المتوسط ​​المتحرك لمتوسط ​​العدد المحدد للفترات لعرض الفترة التالية. يجب عليك إعادة حسابها في كثير من الأحيان (شهريا أو على الأقل ربع سنوي) لتعكس تغيير مستوى الطلب. للتنبؤ الطلب، وهذا الأسلوب يتطلب عدد من فترات أفضل تناسب بالإضافة إلى عدد من فترات من تاريخ النظام المبيعات. هذه الطريقة مفيدة للتنبؤ الطلب على المنتجات الناضجة دون الاتجاه. 3.2.4.1 مثال: الطريقة 4: متوسط ​​متوسط ​​الحركة المتحرك (ما) هو طريقة شعبية لتحديد متوسط ​​تاريخ المبيعات الأخير لتحديد إسقاط على المدى القصير. طريقة التنبؤ ما تتخلف عن الاتجاهات. يحدث التحيز التنبؤي والأخطاء المنهجية عندما يظهر تاريخ مبيعات المنتجات اتجاها قويا أو أنماطا موسمية. هذا الأسلوب يعمل بشكل أفضل للتنبؤات قصيرة المدى من المنتجات الناضجة من المنتجات التي هي في مراحل النمو أو التقادم من دورة الحياة. مواصفات التنبؤ: n يساوي عدد الفترات من تاريخ المبيعات لاستخدامها في حساب التوقعات. على سبيل المثال، حدد n 4 في خيار المعالجة لاستخدام أحدث أربع فترات كأساس للتوقعات في الفترة الزمنية التالية. قيمة كبيرة ل n (مثل 12) يتطلب المزيد من المبيعات التاريخ. فإنه يؤدي إلى توقعات مستقرة، ولكن بطيئة في الاعتراف التحولات في مستوى المبيعات. على العكس من ذلك، فإن قيمة صغيرة ل n (مثل 3) هي أسرع للرد على التحولات في مستوى المبيعات، ولكن التوقعات قد تتقلب على نطاق واسع بحيث أن الإنتاج لا يمكن أن تستجيب لهذه الاختلافات. سجل المبيعات المطلوب: n بالإضافة إلى عدد الفترات الزمنية المطلوبة لتقييم أداء التوقعات (فترات تناسب أفضل). هذا الجدول هو التاريخ المستخدم في حساب التوقعات: توقعات فبراير تساوي (114 119 137 125) 4 123.75 مقربة إلى 124. توقعات مارس تساوي (119 137 125 124) 4 126.25 مقربة إلى 126. 3.2.5 الطريقة 5: تقريب خطي هذه الطريقة يستخدم صيغة التقريب الخطي لحساب اتجاه من عدد الفترات من تاريخ أمر المبيعات ولعرض هذا الاتجاه إلى التوقعات. يجب عليك إعادة حساب الاتجاه الشهري للكشف عن التغيرات في الاتجاهات. يتطلب هذا الأسلوب عدد الفترات من أفضل تناسب بالإضافة إلى عدد من فترات محددة من تاريخ أمر المبيعات. وهذه الطريقة مفيدة للتنبؤ بالطلب على منتجات جديدة أو منتجات ذات اتجاهات إيجابية أو سلبية متسقة لا ترجع إلى التقلبات الموسمية. 3.2.5.1 مثال: الطريقة 5: تقريب خطي يحسب التقريب الخطي اتجاه يستند إلى نقطتي بيانات تاريخ المبيعات. وتحدد هاتان النقطتان خط اتجاه مستقيمي متوقع في المستقبل. استخدم هذه الطريقة بحذر لأن التوقعات طويلة المدى تستفيد من التغييرات الصغيرة في نقطتي بيانات فقط. مواصفات التنبؤ: n يساوي نقطة البيانات في تاريخ المبيعات الذي يقارن إلى أحدث نقطة البيانات لتحديد الاتجاه. على سبيل المثال، حدد n 4 لاستخدام الفرق بين ديسمبر (أحدث البيانات) وأغسطس (أربع فترات قبل ديسمبر) كأساس لحساب الاتجاه. الحد الأدنى المطلوب لسجل المبيعات: n زائد 1 بالإضافة إلى عدد الفترات الزمنية المطلوبة لتقييم أداء التنبؤات (الفترات الأكثر ملائمة). هذا الجدول هو التاريخ المستخدم في حساب التوقعات: توقعات كانون الثاني / يناير من العام الماضي 1 (الاتجاه) التي تساوي 137 (1 مرة 2) 139. توقعات شباط / فبراير من العام الماضي 1 (الاتجاه) التي تساوي 137 (2 مرة 2) 141. توقعات آذار / مارس من العام الماضي 1 (الاتجاه) تساوي 137 (3 مرات 2) 143. 3.2.6 الطريقة 6: انحدار المربعات الصغرى تستمد طريقة انحدار المربعات الصغرى (لسر) معادلة تصف علاقة خط مستقيم بين بيانات المبيعات التاريخية و مرور الوقت. لسر يناسب خط إلى مجموعة مختارة من البيانات بحيث يتم تقليل مجموع مربعات الاختلافات بين نقاط بيانات المبيعات الفعلية وخط الانحدار. التوقعات هي توقعات هذا الخط المستقيم في المستقبل. تتطلب هذه الطريقة تاريخ بيانات المبيعات للفترة التي يمثلها عدد الفترات الأكثر ملاءمة بالإضافة إلى العدد المحدد لفترات البيانات التاريخية. الحد الأدنى المطلوب هو نقطتي بيانات تاريخيتين. هذه الطريقة مفيدة للتنبؤ بالطلب عند وجود اتجاه خطي في البيانات. 3.2.6.1 مثال: الطريقة 6: انحدار المربعات الصغرى الانحدار الخطي، أو انحدار المربعات الصغرى (لسر)، هي الطريقة الأكثر شعبية لتحديد اتجاه خطي في بيانات المبيعات التاريخية. وتحسب الطريقة القيمتين a و b المطلوب استخدامها في الصيغة: تصف هذه المعادلة خطا مستقيما، حيث تمثل Y المبيعات وتمثل X الوقت. الانحدار الخطي بطيء في التعرف على نقاط التحول والتحولات وظيفة خطوة في الطلب. الانحدار الخطي يناسب خط مستقيم على البيانات، حتى عندما تكون البيانات موسمية أو أفضل وصفها منحنى. عندما تتبع بيانات تاريخ المبيعات منحنى أو لديها نمط موسمي قوي، يحدث التحيز المتوقع والأخطاء المنهجية. مواصفات التوقعات: n تساوي فترات تاريخ المبيعات التي سيتم استخدامها في حساب قيم a و b. على سبيل المثال، حدد n 4 لاستخدام السجل من سبتمبر إلى ديسمبر كأساس للحسابات. وعندما تكون البيانات متاحة، عادة ما تستخدم أكبر n (مثل n 24). يحدد لسر خطا لعدد قليل من نقطتي بيانات. على سبيل المثال، تم اختيار قيمة صغيرة ل n (n 4) لتقليل الحسابات اليدوية المطلوبة للتحقق من النتائج. الحد الأدنى المطلوب من تاريخ المبيعات: عدد الفترات الزمنية بالإضافة إلى عدد الفترات الزمنية المطلوبة لتقييم أداء التوقعات (الفترات الأكثر ملائمة). هذا الجدول هو التاريخ المستخدم في حساب التنبؤات: توقعات مارس تساوي 119.5 (7 مرات 2.3) 135.6 مقربة إلى 136. 3.2.7 الطريقة 7: الدرجة الثانية التقريب لعرض التوقعات، يستخدم هذا الأسلوب صيغة تقريب الدرجة الثانية لرسم منحنى التي تقوم على عدد من فترات من تاريخ المبيعات. يتطلب هذا الأسلوب عدد من فترات أفضل تناسب بالإضافة إلى عدد من فترات من أجل ترتيب المبيعات مرات ثلاثة. هذه الطريقة ليست مفيدة للتنبؤ بالطلب على المدى الطويل. 3.2.7.1 مثال: الطريقة 7: الدرجة الثانية التقريب يحدد الانحدار الخطي القيم ل a و b في صيغة التنبؤ Y a b X بهدف تركيب خط مستقيم على بيانات تاريخ المبيعات. الدرجة الثانية تقريب، ولكن هذه الطريقة تحدد القيم ل a و b و c في صيغة التنبؤ هذه: Y a b x c X 2 الهدف من هذا الأسلوب هو ملاءمة منحنى لبيانات تاريخ المبيعات. هذه الطريقة مفيدة عندما يكون المنتج في مرحلة الانتقال بين مراحل دورة الحياة. على سبيل المثال، عندما يتحرك منتج جديد من مرحلة مقدمة إلى مراحل النمو، قد يتسارع اتجاه المبيعات. بسبب مصطلح الترتيب الثاني، يمكن التنبؤ بسرعة الاقتراب اللانهاية أو انخفاض إلى الصفر (اعتمادا على ما إذا كان معامل ج إيجابي أو سلبي). هذه الطريقة مفيدة فقط على المدى القصير. مواصفات التنبؤ: الصيغة تجد a، b، و c لتناسب منحنى إلى بالضبط ثلاث نقاط. يمكنك تحديد n، وعدد الفترات الزمنية للبيانات لتتراكم في كل من النقاط الثلاث. في هذا المثال، n 3. يتم دمج بيانات المبيعات الفعلية للفترة من أبريل إلى يونيو في النقطة الأولى، Q1. يوليو إلى سبتمبر تضاف معا لخلق Q2، وأكتوبر خلال ديسمبر المبلغ إلى Q3. تم تركيب المنحنى على القيم الثلاثة Q1 و Q2 و Q3. تاريخ المبيعات المطلوب: 3 مرات n فترات لحساب التوقعات بالإضافة إلى عدد الفترات الزمنية المطلوبة لتقييم أداء التنبؤ (فترات من أفضل تناسب). هذا الجدول هو التاريخ المستخدم في حساب التوقعات: Q0 (يناير) (فبراير) (مارس) Q1 (أبريل) (مايو) (يونيو) الذي يساوي 125 122 137 384 Q2 (يوليو) (أغسطس) (سبتمبر) الذي يساوي 140 129 131 400 Q3 (أكتوبر) (نوفمبر) (ديسمبر) الذي يساوي 114 119 137 370 تتضمن الخطوة التالية حساب المعاملات الثلاثة a و b و c لاستخدامها في صيغة التنبؤ Y أب x c X 2. يتم عرض Q1 و Q2 و Q3 على الرسم البياني، حيث يتم رسم الوقت على المحور الأفقي. Q1 يمثل إجمالي المبيعات التاريخية لشهر أبريل ومايو ويونيو ويتم رسمها في X 1 Q2 يتوافق مع يوليو حتى سبتمبر Q3 يتوافق من أكتوبر حتى ديسمبر و Q4 يمثل يناير حتى مارس. ويوضح هذا الرسم تخطيطات Q1 و Q2 و Q3 و Q4 للحصول على تقريب من الدرجة الثانية: الشكل 3-2 التآمر Q1 و Q2 و Q3 و Q4 للحصول على تقريب من الدرجة الثانية ثلاث معادلات تصف النقاط الثلاث على الرسم البياني: (1) Q1 بكس سك 2 حيث X 1 (Q1 أبك) (2) Q2 a بكس سك 2 حيث X 2 (Q2 a 2b 4c) (3) Q3 a بكس سك 2 حيث X 3 (Q3 a 3b 9c) حل المعادلات الثلاث في وقت واحد (1) من المعادلة 2 (2) وحل b: (2) نداش (1) Q2 نداش Q1 b 3c b (Q2 نداش Q1) ندش 3c استبدال هذه المعادلة ل (3) Q3 3 (Q2 نداش Q1) نداش 3C 9C Q3 نداش 3 (Q2 نداش Q1) وأخيرا، استبدل هذه المعادلتين ب و ب في المعادلة (1): (1) Q3 نداش (Q2 نداش Q1) (Q2 نداش Q1) نداش 3c ج Q1 ج (Q3 نداش Q2) (Q1 نداش Q2) 2 طريقة التقريب من الدرجة الثانية تحسب a و b و c على النحو التالي: Q3 نداش 3 (Q2 نداش Q1 ) 370 ندش 3 (400 ندش 384) 370 ندش 3 (16) 322 ب (Q2 نداش Q1) ndash3c (400 ندا ش 384) نداش (3 مرات ndash23) 16 69 85 ج (Q3 نداش Q2) (Q1 نداش Q2) 2 (370 نداش 400) (384 نداش 400) 2 ndash23 هذا هو حساب من الدرجة الثانية تقدير تقريبي: Y بكس سك 2 322 85X (ndash23) (X 2) عندما يكون X 4، Q4 322 340 ندش 368 294. تبلغ التوقعات 294 3 98 لكل فترة. عندما يكون X 5، Q5 322 425 نداش 575 172. وتقدر التوقعات 172 3 58.33 مقربة إلى 57 لكل فترة. عندما X 6، Q6 322 510 نداش 828 4. توقعات يساوي 4 3 1.33 تقريب إلى 1 في الفترة. هذا هو التوقعات للعام المقبل، السنة الماضية إلى هذا العام: 3.2.8 الطريقة 8: طريقة مرنة تمكنك هذه الطريقة لتحديد أفضل عدد مناسب من فترات من تاريخ النظام المبيعات التي تبدأ قبل أشهر من تاريخ بدء التنبؤ، وإلى تطبيق عامل زيادة أو نقصان في النسبة المئوية لتعديل التوقعات. هذه الطريقة مشابهة الأسلوب 1، النسبة المئوية خلال العام الماضي، إلا أنه يمكنك تحديد عدد الفترات التي تستخدمها كقاعدة. اعتمادا على ما تحدده n، تتطلب هذه الطريقة فترات تناسب أفضل بالإضافة إلى عدد فترات بيانات المبيعات المشار إليها. وهذه الطريقة مفيدة للتنبؤ بالطلب على الاتجاه المخطط. 3.2.8.1 مثال: الطريقة 8: الطريقة المرنة الأسلوب المرن (النسبة المئوية خلال الأشهر السابقة) يشبه الأسلوب 1، النسبة المئوية خلال العام الماضي. كلتا الطريقتين تضاعف بيانات المبيعات من فترة زمنية سابقة بعامل محدد من قبلك، ومن ثم عرض هذه النتيجة في المستقبل. في طريقة النسبة المئوية خلال العام الماضي، يستند الإسقاط إلى بيانات من نفس الفترة الزمنية في العام السابق. يمكنك أيضا استخدام طريقة مرنة لتحديد فترة زمنية، بخلاف نفس الفترة من العام الماضي، لاستخدامها كأساس للحسابات. عامل الضرب. على سبيل المثال، حدد 110 في خيار المعالجة لزيادة بيانات سجل المبيعات السابقة بنسبة 10٪. فترة الأساس. علی سبیل المثال، یسبب الرقم 4 التنبؤ الأول علی أساس بیانات المبیعات في شھر سبتمبر من العام الماضي. الحد الأدنى المطلوب من تاريخ المبيعات: عدد الفترات التي تعود إلى فترة الأساس بالإضافة إلى عدد الفترات الزمنية المطلوبة لتقييم أداء التوقعات (فترات أفضل ملاءمة). هذا الجدول هو التاريخ المستخدم في حساب التوقعات: 3.2.9 الطريقة 9: المتوسط ​​المتحرك المتوسط ​​يشبه متوسط ​​المتوسط ​​المتحرك المتوسط ​​الصيغة 4، صيغة المتوسط ​​المتحرك، لأنه متوسط ​​سجل مبيعات الأشهر السابقة لعرض تاريخ مبيعات الأشهر التالية. ومع ذلك، مع هذه الصيغة يمكنك تعيين الأوزان لكل من الفترات السابقة. تتطلب هذه الطريقة عدد الفترات المرجحة المختارة بالإضافة إلى عدد الفترات التي تناسب البيانات. على غرار المتوسط ​​المتحرك، هذه الطريقة متخلفة عن اتجاهات الطلب، لذلك لا يوصى باستخدام هذه الطريقة للمنتجات ذات الاتجاهات القوية أو الموسمية. هذا الأسلوب هو مفيد للتنبؤ الطلب على المنتجات الناضجة مع الطلب الذي هو مستوى نسبيا. 3.2.9.1 مثال: الطريقة 9: المتوسط ​​المتحرك المتوسط ​​يشبه أسلوب المتوسط ​​المتحرك المتوسط ​​(ويم) الطريقة 4، المتوسط ​​المتحرك (ما). ومع ذلك، يمكنك تعيين أوزان غير متكافئة للبيانات التاريخية عند استخدام وما. وتحسب الطريقة المتوسط ​​المرجح لتاريخ المبيعات الأخير للوصول إلى إسقاط على المدى القصير. عادة ما يتم تعيين بيانات أكثر حداثة وزنا أكبر من البيانات القديمة، لذلك وما هو أكثر استجابة للتحولات في مستوى المبيعات. ومع ذلك، يحدث التحيز التنبؤي والأخطاء المنهجية عندما يظهر تاريخ مبيعات المنتجات اتجاهات قوية أو أنماط موسمية. هذا الأسلوب يعمل بشكل أفضل للتنبؤات قصيرة المدى من المنتجات الناضجة من المنتجات في مراحل النمو أو التقادم من دورة الحياة. عدد الفترات من تاريخ المبيعات (ن) لاستخدامها في حساب التوقعات. على سبيل المثال، حدد n 4 في خيار المعالجة لاستخدام أحدث أربع فترات كأساس للتوقعات في الفترة الزمنية التالية. قيمة كبيرة ل n (مثل 12) يتطلب المزيد من المبيعات التاريخ. هذه القيمة تؤدي إلى توقعات مستقرة، ولكن بطيئة الاعتراف التحولات في مستوى المبيعات. وعلى العكس من ذلك، فإن قيمة صغيرة ل n (مثل 3) تستجيب بسرعة أكبر للتحولات في مستوى المبيعات، ولكن التوقعات قد تتقلب على نطاق واسع بحيث لا يمكن للإنتاج أن يستجيب للتغيرات. يجب ألا يتجاوز العدد الإجمالي للفترات لخيار المعالجة rdquo14 - الفترات المرسلة إلى إينلوديدردو 12 شهرا. الوزن الذي تم تعيينه لكل من فترات البيانات التاريخية. يجب أن تكون الأوزان المخصصة 1.00. على سبيل المثال، عندما ن 4، تعيين أوزان 0.50، 0.25، 0.15، 0.10 مع أحدث البيانات التي تتلقى أكبر قدر من الوزن. الحد الأدنى المطلوب لسجل المبيعات: n بالإضافة إلى عدد الفترات الزمنية المطلوبة لتقييم أداء التوقعات (فترات أفضل ملاءمة). هذا الجدول هو التاريخ المستخدم في حساب التنبؤات: توقعات يناير تساوي (131 مرة 0.10) (114 مرة 0.15) (119 مرة 0.25) (137 مرة 0.50) (0.10 0.15 0.25 0.50) 128.45 مقربة إلى 128. توقعات فبراير تساوي (114 مرة 0.12) (119 مرة 0.15) (137 مرة 0.25) (128 مرة 0.50) 1 127.5 مقربة إلى 128. توقعات مارس تساوي (119 مرة 0.10) (137 مرة 0.15) (128 مرة 0.25) (128 مرة 0.50) 1 128.45 128. 10-2-10 الطريقة 10: التجانس الخطي تحسب هذه الطريقة المتوسط ​​المرجح لبيانات المبيعات السابقة. في الحساب، يستخدم هذا الأسلوب عدد فترات تاريخ طلب المبيعات (من 1 إلى 12) المشار إليه في خيار المعالجة. يستخدم النظام تطور رياضي ل وزن البيانات في نطاق من الأول (أقل الوزن) إلى النهائي (معظم الوزن). ثم يقوم النظام بتطوير هذه المعلومات لكل فترة في التوقعات. تتطلب هذه الطريقة أشهر مناسبة بالإضافة إلى سجل أوامر المبيعات لعدد الفترات المحددة في خيار المعالجة. 3.2.10.1 مثال: الطريقة 10: تمهيد خطي تشبه هذه الطريقة الطريقة 9، وما. ومع ذلك، بدلا من تعيين تعسفي للأوزان للبيانات التاريخية، يتم استخدام صيغة لتعيين الأوزان التي تنخفض خطيا ويجمع إلى 1.00. ثم تحسب الطريقة المتوسط ​​المرجح لتاريخ المبيعات الأخير للتوصل إلى إسقاط على المدى القصير. ومثل جميع تقنيات التنبؤ المتوسط ​​المتحرك الخطي، فإن التحيز المتوقع والأخطاء المنهجية تحدث عندما يظهر تاريخ مبيعات المنتجات اتجاها قويا أو أنماطا موسمية. هذا الأسلوب يعمل بشكل أفضل للتنبؤات قصيرة المدى من المنتجات الناضجة من المنتجات في مراحل النمو أو التقادم من دورة الحياة. n يساوي عدد فترات تاريخ المبيعات لاستخدامها في حساب التوقعات. على سبيل المثال، حدد n يساوي 4 في خيار المعالجة لاستخدام أحدث أربع فترات كأساس للتوقعات في الفترة الزمنية التالية. يقوم النظام تلقائيا بتعيين أوزان البيانات التاريخية التي تنخفض خطيا وتجمع إلى 1.00. على سبيل المثال، عندما يساوي n 4، يعين النظام أوزان 0،4 و 0،3 و 0،2 و 0،1، مع تلقي أحدث البيانات أكبر وزن. الحد الأدنى المطلوب لسجل المبيعات: n بالإضافة إلى عدد الفترات الزمنية المطلوبة لتقييم أداء التوقعات (فترات أفضل ملاءمة). هذا الجدول هو التاريخ المستخدم في حساب التوقعات: 3.2.11 الطريقة 11: التماسك الأسي تحسب هذه الطريقة متوسطا سلسا، والذي يصبح تقديرا يمثل المستوى العام للمبيعات خلال فترات البيانات التاريخية المختارة. تتطلب هذه الطريقة تاريخ بيانات المبيعات للفترة الزمنية التي يمثلها عدد الفترات التي تناسبها بشكل أفضل بالإضافة إلى عدد فترات البيانات التاريخية المحددة. والشرط الأدنى هو فترتان للبيانات التاريخية. هذه الطريقة مفيدة للتنبؤ بالطلب عند عدم وجود اتجاه خطي في البيانات. 3.2.11.1 مثال: الطريقة 11: تمهيد الأسي يشبه هذا الأسلوب الطريقة 10، التمهيد الخطي. في التنعيم الخطي، يعين النظام الأوزان التي تنخفض خطيا إلى البيانات التاريخية. في التماسك الأسي، يعين النظام الأوزان التي تسوس بشكل كبير. معادلة التنبؤ الأسي المستمر: التنبؤ ألفا (المبيعات الفعلية السابقة) (1 ندشالفا) (التوقعات السابقة) التوقعات هي المتوسط ​​المرجح للمبيعات الفعلية من الفترة السابقة والتوقعات من الفترة السابقة. ألفا هو الوزن الذي يتم تطبيقه على المبيعات الفعلية للفترة السابقة. (1 ندش ألفا) هو الوزن الذي يتم تطبيقه على التوقعات للفترة السابقة. تتراوح قيم ألفا من 0 إلى 1 وتتراوح عادة بين 0.1 و 0.4. مجموع الأوزان هو 1.00 (ألفا (1 نداش ألفا) 1). يجب تعيين قيمة ثابت ثابت، ألفا. إذا لم تقم بتعيين قيمة ثابت التمهيد، يقوم النظام بحساب قيمة مفترضة تستند إلى عدد فترات سجل المبيعات المحددة في خيار المعالجة. ألفا يساوي ثابت التجانس الذي يستخدم لحساب المتوسط ​​المنعم للمستوى العام أو حجم المبيعات. قيم نطاق ألفا من 0 إلى 1. n تساوي نطاق بيانات سجل المبيعات لتضمينها في الحسابات. عموما، سنة واحدة من بيانات تاريخ المبيعات كافية لتقدير المستوى العام للمبيعات. على سبيل المثال، تم اختيار قيمة صغيرة ل n (n 4) لتقليل الحسابات اليدوية المطلوبة للتحقق من النتائج. ويمكن أن يؤدي التمهيد الأسي إلى توليد توقعات تستند إلى نقطة بيانات تاريخية واحدة فقط. الحد الأدنى المطلوب لسجل المبيعات: n بالإضافة إلى عدد الفترات الزمنية المطلوبة لتقييم أداء التوقعات (فترات أفضل ملاءمة). هذا الجدول هو التاريخ المستخدم في حساب التوقعات: 3.2.12 الطريقة 12: التماسك الأسي مع الاتجاه والموسمية تحسب هذه الطريقة اتجاه، ومؤشر موسمية، ومتوسط ​​ممتع أضعافا مضاعفة من تاريخ أمر المبيعات. ويطبق النظام بعد ذلك إسقاطا للاتجاه نحو التنبؤات ويعدل للمؤشر الموسمي. وتتطلب هذه الطريقة عدد الفترات التي تناسب على نحو أفضل بالإضافة إلى بيانات مبيعات لمدة سنتين، وهي مفيدة للبنود التي لها اتجاه وموسمية في التنبؤات. يمكنك إدخال عامل ألفا وبيتا، أو لديك نظام حساب لهم. عاملا ألفا وبيتا هما ثابت التجانس الذي يستخدمه النظام لحساب المتوسط ​​المنعم للمستوى العام أو حجم المبيعات (ألفا) وعنصر الاتجاه للتنبؤ (بيتا). 3.2.12.1 مثال: الطريقة 12: تمهيد الأسي مع الاتجاه والموسمية هذا الأسلوب مشابه لطريقة 11، الأسي تمهيد، في أن يتم حساب متوسط ​​سلسة. ومع ذلك، تتضمن الطريقة 12 أيضا مصطلحا في معادلة التنبؤ لحساب اتجاه سلس. وتتكون التوقعات من متوسط ​​سلس يتم تعديله لاتجاه خطي. عندما يتم تحديده في خيار المعالجة، يتم تعديل التوقعات أيضا للموسمية. يساوي ألفا ثابت التجانس الذي يستخدم في حساب المتوسط ​​الملمس للمستوى العام أو حجم المبيعات. قيم نطاق ألفا من 0 إلى 1. يساوي بيتا ثابت التجانس المستخدم في حساب المتوسط ​​الميسر لعنصر الاتجاه للتنبؤ. قيم نطاق بيتا من 0 إلى 1. ما إذا كان يتم تطبيق مؤشر موسمية على التوقعات. ألفا وبيتا مستقلة عن بعضها البعض. ليس لديهم ما يصل إلى 1.0. الحد الأدنى المطلوب من تاريخ المبيعات: سنة واحدة بالإضافة إلى عدد الفترات الزمنية المطلوبة لتقييم أداء التوقعات (فترات أفضل ملاءمة). وعندما يتوفر عامان أو أكثر من البيانات التاريخية، يستخدم النظام سنتين من البيانات في الحسابات. تستخدم الطريقة 12 معادلتين أسيتين سموثينغ ومتوسط ​​بسيط واحد لحساب المتوسط ​​السلس، واتجاه سلس، ومؤشر موسمية متوسط ​​بسيط. متوسط ​​متوسط ​​موحد بسيط: مؤشر متوسط ​​بسيط للموسم: الشكل 3-3 مؤشر متوسط ​​موحد بسيط يتم حساب التوقعات باستخدام نتائج المعادلات الثلاث: L هو طول الموسمية (L يساوي 12 شهرا أو 52 أسبوعا). t هي الفترة الزمنية الحالية. م هو عدد الفترات الزمنية في مستقبل التوقعات. S هو عامل التعديل الموسمية المضاعف الذي يتم فهرسته إلى الفترة الزمنية المناسبة. يسرد هذا الجدول التاريخ المستخدم في حساب التوقعات: يقدم هذا القسم لمحة عامة عن تقييمات التوقعات ويناقش: يمكنك اختيار أساليب التنبؤ لتوليد ما يصل إلى 12 توقعات لكل منتج. وقد تخلق كل طريقة للتنبؤ إسقاطا مختلفا قليلا. 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. ماد هو مقياس لخطأ التنبؤ. بوا هو مقياس للتحيز المتوقع. 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. ماد هو مقياس لمتوسط ​​حجم الأخطاء المتوقع، نظرا لطريقة التنبؤ وتاريخ البيانات. ولأن القيم المطلقة تستخدم في الحساب، فإن الأخطاء الإيجابية لا تلغي الأخطاء السلبية. 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. وعندما تكون التوقعات مرتفعة جدا، تتراكم المخزونات وتزداد تكاليف الحصر. 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. وفي الخدمات، يكون حجم أخطاء التنبؤ عادة أكثر أهمية مما هو متوقع. 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.