Mean Absoluttavvik Moving Average

Merket med gjennomsnittlig absolutt avvik I forrige uke8217s Forecast Forecast Friday post diskuterte vi bevegelige gjennomsnittlige prognosemetoder, både enkle og vektede. Når en tidsserie er stasjonær, det vil si, viser ingen merkbar trend eller sesongmessighet og er kun gjenstand for tilfeldigheten av hverdagen, og deretter beveger gjennomsnittlige metoder eller til og med et enkelt gjennomsnitt av hele serien til bruk for å forutse de neste par perioder. Men de fleste tidsseriene er alt annet enn stasjonære: Detaljhandel har trend, sesongmessige og sykliske elementer, mens offentlige tjenester har trend og sesongmessige komponenter som påvirker bruken av strøm og varme. Derfor kan bevegelige gjennomsnittlige prognosemetoder gi mindre enn ønskelige resultater. Videre er de siste salgstallene vanligvis mer indikative for fremtidig salg, så det er ofte behov for å få et prognosesystem som legger større vekt på nyere observasjoner. Oppgi eksponensiell utjevning. I motsetning til å flytte gjennomsnittlige modeller, som bruker et fast antall av de nyeste verdiene i tidsseriene for utjevning og prognoser, inkorporerer eksponensiell utjevning alle verdier tidsserier, plasserer den tyngste vekten på gjeldende data og vekt på eldre observasjoner som minsker eksponentielt over tid. På grunn av vekten på alle tidligere perioder i datasettet, er den eksponensielle utjevningsmodellen rekursiv. Når en tidsserie ikke viser sterk eller merkbar årstid eller trend, kan den enkleste formen for eksponensiell utjevning enkelt eksponensiell utjevning brukes. Formelen for enkelt eksponensiell utjevning er: I denne ligningen representerer t1 prognosen for perioden t 1 Y t er den aktuelle verdien av den aktuelle perioden, t t er prognosen for den aktuelle perioden, t og er utjevningskonstanten. eller alfa, et tall mellom 0 og 1. Alpha er vekten du tilordner den siste observasjonen i tidsserien. I hovedsak baserer du din prognose for neste periode på den faktiske verdien for denne perioden, og verdien du prognostiserte for denne perioden, som igjen var basert på prognoser for perioder før det. Let8217s antar at du har vært i virksomhet i 10 uker og vil prognose salg for 11. uke. Salg for de første 10 ukene er: Fra ligningen ovenfor vet du at for å komme opp med en prognose for uke 11, trenger du prognostiserte verdier for uker 10, 9 og helt ned til uke 1. Du vet også den uka 1 har ingen forutgående periode, så det kan ikke prognose. Og du må bestemme utjevningskonstanten, eller alfa, for å bruke for prognosene dine. Bestemme den første prognosen Det første trinnet i å bygge din eksponentielle utjevningsmodell er å generere en prognoseverdi for den første perioden i tidsseriene. Den vanligste praksisen er å sette den forventede verdien av uke 1 lik den faktiske verdien 200, som vi vil gjøre i vårt eksempel. En annen tilnærming ville være at hvis du har tidligere salgsdata til dette, men ikke bruker det i konstruksjonen av modellen, kan du ta et gjennomsnitt av et par umiddelbart tidligere perioder og bruke det som prognosen. Hvordan du bestemmer din innledende prognose er subjektiv. Hvor stor skal alfa være Dette er også en dom, og å finne riktig alfa er underlagt forsøk og feil. Generelt, hvis tidsserien din er veldig stabil, er en liten hensiktsmessig. Visuell inspeksjon av salget ditt på en graf er også nyttig når du prøver å finne en alfa til å begynne med. Hvorfor er størrelsen på viktige Fordi jo nærmere er 1, jo mer vekt som tildeles den siste verdien ved å bestemme prognosen din, desto raskere vil prognosen din tilpasse seg mønstre i tidsseriene og mindre utjevning som oppstår. På samme måte er jo nærmere 0, jo mer vekt som er lagt på tidligere observasjoner ved å bestemme prognosen, jo langsommere blir prognosen din tilpasset mønstre i tidsseriene, og jo mer utjevning som oppstår. Let8217s visuelt inspiserer 10 ukers salg: Eksponensiell utjevningsprosess Salget virker litt tynt, oscillerende mellom 200 og 235. Let8217s starter med en alfa på 0,5. Det gir oss følgende tabell: Legg merke til hvordan, selv om prognosene dine aren8217t er nøyaktige, når din faktiske verdi for en bestemt uke er høyere enn hva du hadde forventet (uker 2 til og med 5), for eksempel prognosene dine for hver av de følgende ukene ( uker 3 til 6) justeres oppad når dine faktiske verdier er lavere enn din prognose (f. eks. uker 6, 8, 9 og 10), justeres prognosene dine for neste uke nedover. Vær også oppmerksom på at når du flytter til senere perioder, spiller dine tidligere prognoser mindre og mindre en rolle i dine senere prognoser, ettersom deres vekt reduseres eksponentielt. Bare ved å se på tabellen ovenfor vet du at prognosen for uke 11 vil være lavere enn 220,8, din prognose for uke 10: Så, basert på vår alfa og vårt tidligere salg, er vårt beste gjetning at salget i uke 11 blir 215,4. Ta en titt på diagrammet av faktiske versus forventede salg i uker 1-10: Legg merke til at det prognostiserte salget er jevnere enn det faktiske, og du kan se hvordan den forventede salgslinjen justerer seg til pigger og dips i den faktiske salgstidsserien. Hva om vi hadde brukt en mindre eller større alfa We8217ll demonstrere ved å bruke både en alfa på .30 og en av .70. Det gir oss følgende tabell og graf: Ved å bruke en alfa på 0,70, slutter vi med den laveste MAD av de tre konstantene. Husk at dømme påliteligheten av prognoser isn8217t alltid om å minimere MAD. MAD er jo et gjennomsnitt av avvik. Legg merke til hvor dramatisk de absolutte avvikene for hver av alfaene endres fra uke til uke. Prognoser kan være mer pålitelige ved hjelp av en alfa som produserer en høyere MAD, men har mindre varians blant sine individuelle avvik. Grenser for eksponentiell utjevning Eksponentiell utjevning er ikke beregnet for langsiktig prognose. Vanligvis er det vant til å forutsi en eller to, men sjelden mer enn tre perioder fremover. Også, hvis det er en plutselig drastisk endring i salget eller verdiene, og tidsserien fortsetter på det nye nivået, vil algoritmen være sakte for å hente den plutselige endringen. Derfor vil det bli større prognosefeil. I slike situasjoner vil det være best å ignorere tidligere perioder før endringen, og begynne eksponensiell utjevningsprosess med det nye nivået. Til slutt diskuterte dette innlegget enkelt eksponensiell utjevning, som brukes når det ikke er merkbar sesongmessighet eller trend i dataene. Når det er en merkbar trend eller sesongmessig mønster i dataene, vil enkelt eksponensiell utjevning gi signifikant prognosefeil. Dobbel eksponensiell utjevning er nødvendig her for å justere for disse mønstrene. Vi vil dekke dobbelt eksponensiell utjevning i neste uke8217s Forecast Forecast Friday post. En av de enkleste, mest vanlige tidsseriene forecasting teknikker er den av glidende gjennomsnitt. Flytte gjennomsnittlige metoder kommer til nytte hvis alt du har er flere på hinanden følgende perioder av variabelen (for eksempel salg, nye sparekontoer åpnet, workshopdeltakere, etc.) du forbereder, og ingen andre data for å forutsi hva neste period8217s verdi vil være. Ofte, ved å bruke de siste månedene av salget for å forutsi den kommende måneden, er 8217s salg bedre enn unaided estimater. Imidlertid kan bevegelige gjennomsnittlige metoder ha alvorlige prognosefeil hvis det brukes uforsiktig. Flytte gjennomsnitt: Metoden I hovedsak prøver glidende gjennomsnitt å estimere neste period8217s verdi ved å gjennomsnittlig verdien av de siste par perioder umiddelbart før. Let8217s sier at du har vært i virksomhet i tre måneder, januar til mars, og ønsket å prognose April8217s salg. Salget ditt for de siste tre månedene ser slik ut: Den enkleste tilnærmingen ville være å ta gjennomsnittet fra januar til mars og bruke det til å estimere salg av april8217: 129 134 122 3 128 333 På grunnlag av salget fra januar til mars, Du forutser at salget i april vil være 128 333. Når April8217s faktiske salg kommer inn, vil du da beregne prognosen for mai, denne gangen bruker februar til april. Du må være i samsvar med antall perioder du bruker til å flytte gjennomsnittlig prognose. Antall perioder du bruker i dine gjennomsnittlige prognoser er vilkårlige. Du kan bare bruke to perioder, eller fem eller seks perioder uansett hva du ønsker å generere prognosene dine. Tilnærmingen ovenfor er et enkelt bevegelige gjennomsnitt. Noen ganger kan nyere salg i måneder8217 være sterkere påvirkning av det kommende month8217s salg, så du vil gi de nærmere månedene mer vekt i prognosemodellen din. Dette er et vektet glidende gjennomsnitt. Og akkurat som antall perioder, er vektene du tildeler, rent vilkårlig. Let8217s sier at du ønsket å gi March8217s salg 50 vekt, februar8217s 30 vekt og januar8217s 20. Deretter vil prognosen for april være 127,000 (122,50) (134,30) (129,20) 127. Begrensninger av bevegelige gjennomsnittsmetoder Flytende gjennomsnitt regnes som en 8220smoothing8221 prognose teknikk. Fordi du8217 tar et gjennomsnitt over tid, myker du (eller utjevner) virkningen av uregelmessige hendelser i dataene. Som et resultat kan effektene av sesongmessighet, konjunktursykluser og andre tilfeldige hendelser dramatisk øke prognosen feil. Ta en titt på en full år8217s verdi av data, og sammenlign et 3-års glidende gjennomsnitt og et 5-års glidende gjennomsnitt: Legg merke til at i dette tilfellet at jeg ikke lagde prognoser, men heller sentrert de bevegelige gjennomsnittene. Det første tre måneders glidende gjennomsnittet er for februar, og det er gjennomsnittlig januar, februar og mars. Jeg gjorde også lignende for 5-måneders gjennomsnittet. Nå ser du på følgende diagram: Hva ser du Er ikke tremåneders glidende gjennomsnittsserien mye jevnere enn den faktiske salgsserien Og hva med femmåneders glidende gjennomsnitt It8217s jevnere. Derfor, jo flere perioder du bruker i glidende gjennomsnitt, jo jevnere din tidsserie. Derfor, for prognoser, kan et enkelt glidende gjennomsnitt ikke være den mest nøyaktige metoden. Flytte gjennomsnittlige metoder viser seg å være ganske verdifulle når man prøver å trekke ut sesongmessige, uregelmessige og sykliske komponenter i en tidsserie for mer avanserte prognosemetoder, som regresjon og ARIMA, og bruken av bevegelige gjennomsnittsverdier ved dekomponering av en tidsserie vil bli adressert senere i serien. Bestemme nøyaktigheten til en flytende gjennomsnittsmodell Vanligvis vil du ha en prognosemetode som har minst feil mellom faktiske og forventede resultater. En av de vanligste målene for prognose nøyaktighet er gjennomsnittlig absolutt avvik (MAD). I denne tilnærmingen tar du den absolutte verdien av forskjellen mellom period8217s faktiske og forventede verdier (avviket) for hver periode i tidsseriene som du genererte en prognose for. Så gjennomsnittlig de absolutt avvik, og du får et mål på MAD. MAD kan være nyttig når du bestemmer deg for antall perioder du gjennomsnittlig, og eller hvor mye vekt du legger på hver periode. Vanligvis velger du den som resulterer i laveste MAD. Here8217 er et eksempel på hvordan MAD beregnes: MAD er bare gjennomsnittet på 8, 1 og 3. Flytte gjennomsnitt: Recap Når du bruker bevegelige gjennomsnitt for prognoser, husk: Flytte gjennomsnitt kan være enkelt eller vektet Antall perioder du bruker til din gjennomsnittlig og eventuelle vekter du tildeler hver, er strengt vilkårlig. Flytende gjennomsnitt utjevner uregelmessige mønstre i tidsseriedata, jo større antall perioder som brukes for hvert datapunkt, desto større utjevningseffekt. På grunn av utjevning, prognose neste måned8217s salg basert på siste månedene8217s salg kan resultere i store avvik på grunn av sesongmessige, sykliske og uregelmessige mønstre i dataene og Utjevningskapasiteten til en bevegelig gjennomsnittlig metode kan være nyttig ved å dekomponere en tidsserie for mer avanserte prognosemetoder. Neste uke: Eksponensiell utjevning I neste uke8217s Forecast Forecast Friday. Vi vil diskutere eksponensielle utjevningsmetoder, og du vil se at de kan være langt bedre enn å flytte gjennomsnittlige prognosemetoder. Fortsatt don8217t vet hvorfor våre prognose fredag ​​innlegg vises på torsdag Finn ut på: tinyurl26cm6ma La nye innlegg komme til deg KategorierHvordan du kan beregne gjennomsnittlig absolutt avvik (MAD) hjelp vennligst. Siden mai 2005 har kjøpschefen på et varehus benyttet et 4-års glidende gjennomsnitt for å prognose salget i kommende måneder. Salgsdata for månedene januar til juli er gitt i tabellen. Vis mer Siden mai 2005 har kjøpschefen på et varehus benyttet et 4-års glidende gjennomsnitt for å prognostisere salget i kommende måneder. Salgsdata for månedene januar til juli er gitt i tabellen under. Beregn gjennomsnittlig absolutt avvik (MAD) for fire-års glidende gjennomsnittlige prognoser. Forventningsverdiene beregnes med en nøyaktighet på to desimaltall. Angi MAD som hele tall ved avrunding. Varselberegningseksempler A.1 Varselberegningsmetoder Tolv beregningsmetode for prognoser er tilgjengelige. De fleste av disse metodene sørger for begrenset brukerkontroll. For eksempel kan vekten plassert på nyere historiske data eller datoperioden for historiske data som brukes i beregningene, spesifiseres. Følgende eksempler viser beregningsmetoden for hver av de tilgjengelige prognosemetoder, gitt et identisk sett med historiske data. Følgende eksempler bruker de samme salgsdataene fra 2004 og 2005 for å produsere en salgsprognose fra 2006. I tillegg til prognoseberegningen inneholder hvert eksempel en simulert 2005-prognose for en tre måneders holdoutperiode (behandlingsalternativ 19 3) som deretter brukes til prosent av nøyaktighet og gjennomsnittlige absoluttavviksberegninger (faktisk salg sammenlignet med simulert prognose). A.2-prognoser for prestasjonsvurderingskriterier Avhengig av valg av behandlingsalternativer og trender og mønstre som finnes i salgsdata, vil enkelte prognosemetoder utføre bedre enn andre for et gitt historisk datasett. En prognosemetode som passer for ett produkt, kan ikke være aktuelt for et annet produkt. Det er også usannsynlig at en prognosemetode som gir gode resultater på et stadie av produktets livssyklus, forblir passende gjennom hele livssyklusen. Du kan velge mellom to metoder for å evaluere den nåværende ytelsen til prognosemetodene. Disse er gjennomsnittlig absolutt avvik (MAD) og prosentandel av nøyaktighet (POA). Begge disse resultatevalueringsmetodene krever historiske salgsdata for en spesifisert tidsperiode. Denne tidsperioden kalles en holdoutperiode eller perioder som passer best (PBF). Dataene i denne perioden brukes som grunnlag for å anbefale hvilke av prognosemetoder som skal brukes til å lage neste prognoseprojeksjon. Denne anbefalingen er spesifikk for hvert produkt, og kan endres fra en prognose generasjon til den neste. De to prognosevalueringsmetodene er demonstrert på sidene som følger eksemplene på de tolv prognosemetodene. A.3 Metode 1 - Spesifisert prosent over siste år Denne metoden multipliserer salgsdata fra forrige år med en brukerdefinert faktor for eksempel 1,10 for en 10 økning, eller 0,97 for en 3 reduksjon. Nødvendig salgshistorie: Ett år for beregning av prognosen pluss brukerens spesifiserte antall tidsperioder for vurdering av prognoseytelse (behandlingsalternativ 19). A.4.1 Varselberegning Område for salgshistorie som skal benyttes ved beregning av vekstfaktor (behandlingsalternativ 2a) 3 i dette eksemplet. Sum de tre siste månedene 2005: 114 119 137 370 Sum samme tre måneder for året før: 123 139 133 395 Den beregnede faktoren 370395 0,9367 Beregn prognosene: januar 2005 salg 128 0,9367 119,8036 eller ca 120 februar 2005 salg 117 0,9367 109,5939 eller ca. 110 mars 2005 salg 115 0,9367 107,7205 eller ca 108 A.4.2 Simulert prognoseberegning Summen av de tre månedene 2005 før utholdelsesperioden (juli, august, september): 129 140 131 400 Sum samme tre måneder for forrige år: 141 128 118 387 Beregnet faktor 400387 1.033591731 Beregn simulert prognose: oktober 2004 salg 123 1.033591731 127.13178 november 2004 salg 139 1.033591731 143.66925 desember 2004 salg 133 1.033591731 137.4677 A.4.3 Prosent av nøyaktighetsberegning POA (127.13178 143.66925 137.4677) (114 119 137) 100 408.26873 370 100 110.3429 A.4.4 Middel Absolutt Avviksberegning MAD (127.13178 - 114 143.66925 - 119 137.4677-137) 3 (13.13178 24.66925 0.4677) 3 12.75624 A.5 Metode 3 - Året i år Dette metoden kopierer salgsdata fra foregående år til neste år. Nødvendig salgshistorie: Ett år for beregning av prognosen pluss antall tidsperioder som er angitt for å vurdere prognoseytelsen (behandlingsalternativ 19). A.6.1 Varselberegning Antall perioder som skal inkluderes i gjennomsnittet (behandlingsalternativ 4a) 3 i dette eksemplet For hver måned av prognosen, gjennomsnitt de tre foregående månedene. Januar prognose: 114 119 137 370, 370 3 123 333 eller 123 februar prognose: 119 137 123 379, 379 3 126 333 eller 126 Mars prognose: 137 123 126 379, 386 3 128 677 eller 129 A.6.2 Simulert prognoseberegning Oktober 2005 salg 140 131) 3 133 33333 November 2005 salg (140 131 114) 3 128 33333 Desember 2005 salg (131 114 119) 3 121 33333 A.6.3 Prosent av nøyaktighetsberegning POA (133.3333 128.3333 121.3333) (114 119 137) 100 103.513 A.6.4 Middel Absolutt Avviksberegning MAD (133.3333 - 114 128.3333 - 119 121.3333 - 137) 3 14.7777 A.7 Metode 5 - Lineær tilnærming Lineær tilnærming beregner en trend basert på to salgshistorikk datapunkter. Disse to punktene definerer en rett trendlinje som projiseres inn i fremtiden. Bruk denne metoden med forsiktighet, da langdistanseprognosene utløses av små endringer på bare to datapunkter. Nødvendig salgshistorie: Antall perioder som skal inkluderes i regresjon (behandlingsalternativ 5a), pluss 1 pluss antall tidsperioder for vurdering av prognoseytelse (behandlingsalternativ 19). A.8.1 Varselberegning Antall perioder som skal inkludere i regresjon (behandlingsalternativ 6a) 3 i dette eksemplet For hver måned av prognosen, legg til økningen eller reduksjonen i de angitte perioder før holdout perioden forrige periode. Gjennomsnitt for de foregående tre månedene (114 119 137) 3 123.3333 Sammendrag av de foregående tre månedene med vekt (114 1) (119 2) (137 3) 763 Forskjellen mellom verdiene 763 - 123.3333 (1 2 3) 23 Forhold 12 22 32) - 2 3 14 - 12 2 Verdi1 DifferenceRatio 232 11,5 Verdi2 Gjennomsnitt - verdi1-forhold 123.3333 - 11.5 2 100.3333 Prognose (1 n) verdi1 verdi2 4 11.5 100.3333 146.333 eller 146 Varsel 5 11.5 100.3333 157.8333 eller 158 Varsel 6 11.5 100.3333 169.3333 eller 169 A.8.2 Simulert prognoseberegning oktober 2004 Salg: Gjennomsnitt for de foregående tre månedene (129 140 131) 3 133 33333 Sammendrag av de foregående tre månedene med vekt (129 1) (140 2) (131 3) 802 Forskjellen mellom verdier 802 - 133.3333 (1 2 3) 2 Forhold (12 22 32) - 2 3 14 - 12 2 Verdi1 DifferenceRatio 22 1 Verdi2 Gjennomsnittlig verdi1-verdi 133.3333 - 1 2 131.3333 Prognose (1 n) verdi1 verdi2 4 1 131.3333 135.3333 November 2004 salg Gjennomsnitt for de foregående tre månedene (140 131 114) 3 128 3333 Sammendrag av de foregående tre månedene med vekt (140 1) (131 2) (114 3) 744 Forskjell mellom verdiene 744 - 128 3333 (1 2 3) -25,9999 Verdi1 DifferenceRatio -25.99992 -12.9999 Verdi2 Gjennomsnittlig verdi1-forhold 128.3333 - (-12.9999) 2 154.3333 Varsel 4 -12.9999 154.3333 102.3333 Desember 2004 salg Gjennomsnitt for de foregående tre månedene (131 114 119) 3 121.3333 Sammendrag av de foregående tre månedene med vekt (vekt) 131 1) (114 2) (119 3) 716 Forskjellen mellom verdiene 716 - 121.3333 (1 2 3) -11.9999 Verdi1 DifferenceRatio -11.99992 -5.9999 Verdi2 Gjennomsnittlig verdi1-verdi 121.3333 - (-5.9999) 2 133.3333 Værvarsel 4 (-5.9999 ) 133.3333 109.3333 A.8.3 Prosent av nøyaktighetsberegning POA (135.33 102.33 109.33) (114 119 137) 100 93.78 A.8.4 Gjennomsnittlig Absolutt Avviksberegning MAD (135,33 - 114 102,33 - 119 109,33 - 137) 3 21,88 A.9 Metode 7 - secon d Gradert tilnærming Linjær regresjon bestemmer verdier for a og b i prognoseformelen Y a bX med sikte på å tilpasse en rett linje til salgshistorikkdataene. Second Degree Approximation er lik. Denne metoden bestemmer imidlertid verdiene for a, b og c i prognoseformelen Y a bX cX2 med sikte på å tilpasse en kurve til salgshistorikkdataene. Denne metoden kan være nyttig når et produkt er i overgangen mellom stadier av en livssyklus. For eksempel, når et nytt produkt flytter fra introduksjon til vekststadier, kan salgstrenden akselerere. På grunn av den andre ordreperioden kan prognosen raskt nærme seg uendelig eller slippe til null (avhengig av om koeffisient c er positiv eller negativ). Derfor er denne metoden bare nyttig på kort sikt. Prognose spesifikasjoner: Formlene finner a, b og c for å passe en kurve til nøyaktig tre punkter. Du spesifiserer n i behandlingsalternativet 7a, hvor mange tidsperioder dataene skal samles inn i hver av de tre punktene. I dette eksemplet n 3. Derfor blir faktiske salgsdata for april til juni kombinert med første punkt, Q1. Juli til september legges sammen for å skape Q2, og oktober til desember sum til Q3. Kurven vil bli montert på de tre verdiene Q1, Q2 og Q3. Nødvendig salgshistorie: 3 n perioder for beregning av prognosen pluss antall tidsperioder som kreves for å vurdere prognoseytelsen (PBF). Antall perioder som skal inkluderes (behandlingsalternativ 7a) 3 i dette eksemplet Bruk de forrige (3 n) månedene i tre måneders blokker: Q1 (apr - juni) 125 122 137 384 Q2 (jul - september) 129 140 131 400 Q3 Okt - des) 114 119 137 370 Det neste trinnet omfatter å beregne de tre koeffisientene a, b og c som skal brukes i prognoseformelen Y a bX cX2 (1) Q1 en bX cX2 (hvor X1) abc (2) Q2 en bX cX2 (hvor X 2) en 2b 4c (3) Q3 en bX cX2 (hvor X 3) en 3b 9c Løs de tre ligningene samtidig for å finne b, a og c: Trekk likning (1) fra ligning (2) og løs for b (2) - (1) Q2 - Q1 b 3c Erstatt denne ligningen for b til ligning (3) (3) Q3 a 3 (Q2 - Q1) - 3c c Til slutt erstatte disse ligningene for a og b til ligning (1) Q3 - 3 (Q2 - Q1) (q2 - Q1) - 3c c Q1c (Q3 - Q2) (Q1 - Q2) 2 Den andre gradstilnærmelsesmetoden beregner a, b og c som følger: en Q3 - 3 (Q2 - Q1) 370-3 (400 - 384) 322 c (Q3 - Q2) (Q1 - Q2) 2 (370-400) (384-400) 2 -23 b (Q2 - Q1) - 3c (400 - 384) - (3-23) 85 Y a bX cX2 322 85X (-23) X2 Januar til marsvarsel (X4): (322 340 - 368) 3 2943 98 per periode april til juni prognose (X5): (322 425 - 575) 3 57 333 eller 57 per periode Juli til september prognose (X6): (322 510 - 828) 3 1,33 eller 1 per periode oktober til desember (X7) 595 - 11273 -70 A.9.2 Simulert prognoseberegning oktober, november og desember 2004 salg: Q1 (jan - mar) 360 Q2 (apr - juni) 384 Q3 (jul - september) 400 til 400-3 (384 - 360) 328 c (400 - 384) (360 - 384) 2 -4 b (384 - 360) - 3 (-4) 36 328 36 4 (-4) 163 136 A.9.3 Prosent av nøyaktighetsberegning POA (136 136 136) (114 119 137) 100 110,27 A.9.4 Gjennomsnittlig Absolutt Avviksberegning MAD (136 - 114 136 - 119 136 - 137) 3 13.33 A.10 Metode 8 - Fleksibel metode Den fleksible metoden (Prosent over en måned før) 1, prosent over fjoråret. Begge metodene multipliserer salgsdata fra en tidligere tidsperiode av en brukerdefinert faktor, og deretter prosjektet det resultatet inn i fremtiden. I prosentandelen over siste årsmetoden er projeksjonen basert på data fra samme tidsperiode året før. Den fleksible metoden legger til rette for å angi en annen tidsperiode enn samme periode i fjor som skal brukes som grunnlag for beregningene. Multiplikasjonsfaktor. For eksempel angi 1,15 i behandlingsalternativet 8b for å øke tidligere salgshistorikkdata med 15. Baseperiode. For eksempel vil n 3 føre til at den første prognosen baseres på salgsdata i oktober 2005. Minste salgshistorie: Brukeren spesifiserte antall perioder tilbake til basisperioden, pluss antall tidsperioder som kreves for å evaluere prognoseprestansen ( PBF). A.10.4 Gjennomsnittlig Absolutt Avviksberegning MAD (148 - 114 161 - 119 151 - 137) 3 30 A.11 Metode 9 - Vektet Flytende Gjennomsnitt Vektet Flytende Gjennomsnittlig (WMA) - metode ligner Metode 4, Flytende Gjennomsnitt (MA). Imidlertid kan med vektet flytende gjennomsnitt gi ulik vekt til de historiske dataene. Metoden beregner et veid gjennomsnitt av den siste salgshistorikken for å komme frem til en projeksjon på kort sikt. Nyere data blir vanligvis tildelt større vekt enn eldre data, så dette gjør WMA mer lydhør overfor endringer i salgsnivået. Imidlertid oppstår prognoseforstyrrelser og systematiske feil når produktsalgshistorikken viser sterk trend eller sesongmessige mønstre. Denne metoden fungerer bedre for korte prognoser for modne produkter enn for produkter i vekst - eller forløpsfasen av livssyklusen. n Antall perioder med salgshistorie som skal brukes i prognoseberegningen. For eksempel angi n 3 i behandlingsalternativet 9a for å bruke de siste tre periodene som grunnlag for projeksjonen inn i neste tidsperiode. En stor verdi for n (som 12) krever mer salgshistorikk. Det resulterer i en stabil prognose, men vil være sakte for å gjenkjenne endringer i salgsnivået. På den annen side vil en liten verdi for n (som 3) reagere raskere på endringer i salgsnivået, men prognosen kan variere så mye at produksjonen ikke kan svare på variasjonene. Vekten tilordnet hver av de historiske datoperiodene. De tildelte vekter må total til 1,00. For eksempel, når n 3, tilordner vekter på 0,6, 0,3 og 0,1, med de nyeste dataene som mottar den største vekten. Minimumskrav til salgshistorie: n pluss antall tidsperioder som kreves for å evaluere prognoseytelsen (PBF). MAD (133,5 - 114 121,7 - 119 118,7 - 137) 3 13,5 A.12 Metode 10 - Linjær utjevning Denne metoden ligner metode 9, vektet flytende gjennomsnitt (WMA). Imidlertid, i stedet for å tilfeldigvis gi vekt til historiske data, brukes en formel til å tildele vekter som avtar lineært og summen til 1,00. Metoden beregner deretter et veid gjennomsnitt av den siste salgshistorikken for å komme frem til en projeksjon på kort sikt. Som det gjelder for alle lineære bevegelige gjennomsnittlige prognoseteknikker, oppstår prognoseforstyrrelser og systematiske feil når produktsalgshistorikken viser sterk trend eller sesongmessige mønstre. Denne metoden fungerer bedre for korte prognoser for modne produkter enn for produkter i vekst - eller forløpsfasen av livssyklusen. n Antall perioder med salgshistorie som skal brukes i prognoseberegningen. Dette er angitt i behandlingsalternativet 10a. For eksempel angi n 3 i behandlingsalternativet 10b for å bruke de siste tre periodene som grunnlag for projeksjonen i neste tidsperiode. Systemet vil automatisk tildele vektene til de historiske dataene som avtar lineært og summen til 1,00. For eksempel, når n 3, vil systemet tildele vekter på 0,5, 0,3333 og 0,1, med de nyeste dataene som mottar den største vekten. Minimumskrav til salgshistorie: n pluss antall tidsperioder som kreves for å evaluere prognoseytelsen (PBF). A.12.1 Varselberegning Antall perioder som skal inkluderes i utjevnings gjennomsnitt (prosesseringsalternativ 10a) 3 i dette eksemplet Forhold for en periode før 3 (n2 n) 2 3 (32 3) 2 36 0,5 Forhold for to perioder før 2 (n2 n ) 2 2 (32 3) 2 26 0.3333 .. Forhold for tre perioder før 1 (n2 n) 2 1 (32 3) 2 16 0.1666 .. Januar prognose: 137 0,5 119 13 114 16 127,16 eller 127 februar prognose: 127 0,5 137 13 119 16 129 Mars prognose: 129 0,5 127 13 137 16 129 666 eller 130 A.12.2 Simulert prognoseberegning oktober 2004 salg 129 16 140 26 131 36 133 66666 november 2004 salg 140 16 131 26 114 36 124 desember 2004 salg 131 16 114 26 119 36 119.3333 A.12.3 Prosent av nøyaktighetsberegning POA (133.6666 124 119.3333) (114 119 137) 100 101.891 A.12.4 Gjennomsnittlig Absolutt Avviksberegning MAD (133.6666 - 114 124 - 119 119.3333 - 137) 3 14.1111 A.13 Metode 11 - Eksponensiell utjevning Denne metoden ligner metode 10, lineær utjevning. Ved lineær utjevning tilordner systemet vekten til de historiske dataene som avtar lineært. Ved eksponensiell utjevning tilordner systemet vekt som eksponentielt forfall. Eksponensiell utjevningsprognosering er: Prognose a (Tidligere faktisk salg) (1-a) Tidligere prognose Prognosen er et veid gjennomsnitt av det faktiske salget fra forrige periode og prognosen fra forrige periode. a er vekten på det faktiske salget for den foregående perioden. (1-a) er vekten på prognosen for foregående periode. Gyldige verdier for et område fra 0 til 1, og faller vanligvis mellom 0,1 og 0,4. Summen av vekter er 1,00. a (1 - a) 1 Du bør tilordne en verdi for utjevningskonstanten, a. Hvis du ikke tilordner verdier for utjevningskonstanten, beregner systemet en antatt verdi basert på antall perioder med salgshistorikk som er angitt i behandlingsalternativet 11a. en utjevningskonstanten som brukes til å beregne det glatte gjennomsnittet for det generelle nivået eller størrelsen på salget. Gyldige verdier for et område fra 0 til 1. n rekke salgshistorikkdata som skal inkluderes i beregningene. Vanligvis er et år med salgshistorikkdata tilstrekkelig til å anslå det generelle salgsnivået. For dette eksempelet ble en liten verdi for n (n 3) valgt for å redusere manuelle beregninger som kreves for å verifisere resultatene. Eksponensiell utjevning kan generere en prognose basert på så lite som et historisk datapunkt. Minimumskrav til salgshistorie: n pluss antall tidsperioder som kreves for å evaluere prognoseytelsen (PBF). A.13.1 Varselberegning Antall perioder som skal inkluderes i utjevnings gjennomsnitt (prosesseringsalternativ 11a) 3 og alfafaktor (behandlingsalternativ 11b) tom i dette eksemplet en faktor for eldste salgsdata 2 (11) eller 1 når alfa er spesifisert en faktor for 2. eldste salgsinformasjon 2 (12) eller alfa når alfa er spesifisert en faktor for 3. eldste salgsdata 2 (13), eller alfa når alfa er spesifisert en faktor for de siste salgsdataene 2 (1n) , eller alfa når alfa er spesifisert November Sm. Nr. a (oktober faktisk) (1 - a) oktober sm. Nr. 1 114 0 0 114 desember Sm. Nr. a (november faktisk) (1 - a) november sm. Nr. 23 119 13 114 117.3333 januar Værvarsel a (desember faktisk) (1 - a) desember sm. Nr. 24 137 24 117.3333 127.16665 eller 127 februar Værvarsel januar Værvarsel 127 Mars Forecast januar Værvarsel 127 A.13.2 Simulert prognoseberegning juli 2004 Sm. Nr. 22 129 129 august Sm. Nr. 23 140 13 129 136.3333 september sm. Nr. 24 131 24 136.3333 133.6666 Oktober, 2004 salg Sep Sm. Nr. 133.6666 august 2004 Sm. Nr. 22 140 140 september Sm. Nr. 23 131 13 140 134 oktober Sm. Nr. 24 114 24 134 124 november, 2004 salg sep sm. Nr. 124 september 2004 Sm. Nr. 22 131 131 Sm. Nr. 23 114 13 131 119.6666 November Sm. Nr. 24 119 24 119.6666 119.3333 Desember 2004 salg Sep Sm. Nr. 119.3333 A.13.3 Prosent av nøyaktighetsberegning POA (133.6666 124 119.3333) (114 119 137) 100 101.891 A.13.4 Gjennomsnittlig Absolutt Avviksberegning MAD (133.6666 - 114 124 - 119 119.3333 - 137) 3 14.1111 A.14 Metode 12 - Eksponensiell utjevning med trend og sesongmessighet Denne metoden ligner metode 11, eksponentiell utjevning ved at et glatt gjennomsnitt beregnes. Metode 12 inneholder imidlertid også en term i prognosekvasjonen for å beregne en glatt trend. Prognosen består av en glatt gjennomsnitt som er justert for en lineær trend. Når spesifisert i behandlingsalternativet, er prognosen også justert for sesongmessig. en utjevningskonstanten som brukes til å beregne det glatte gjennomsnittet for det generelle nivået eller størrelsen på salget. Gyldige verdier for alfaområdet fra 0 til 1. b utjevningskonstanten som brukes til å beregne det glatte gjennomsnittet for trendkomponenten i prognosen. Gyldige verdier for beta rekkevidde fra 0 til 1. Om en sesongbasert indeks er brukt på prognosen a og b er uavhengig av hverandre. De trenger ikke å legge til 1,0. Minst nødvendig salgshistorie: to år pluss antall tidsperioder som kreves for å evaluere prognoseytelsen (PBF). Metode 12 bruker to eksponensielle utjevningsligninger og ett enkelt gjennomsnitt for å beregne et glatt gjennomsnitt, en jevn trend og en enkel gjennomsnittlig sesongfaktor. A.14.1 Varselberegning A) Et eksponentielt glatt gjennomsnitt MAD (122,81 - 114 133,14 - 119 135,33 - 137) 3 8.2 A.15 Evaluering av prognosene Du kan velge prognosemetoder for å generere så mange som tolv prognoser for hvert produkt. Hver prognosemetode vil trolig skape en litt annen projeksjon. Når det regnes med tusenvis av produkter, er det upraktisk å ta en subjektiv beslutning om hvilke av prognosene som skal brukes i dine planer for hver av produktene. Systemet evaluerer automatisk ytelsen for hvert av prognosemetoder du velger, og for hvert av produktene prognose. Du kan velge mellom to ytelseskriterier, gjennomsnittlig avvik (MAD) og prosentandel av nøyaktighet (POA). MAD er et mål på prognosefeil. POA er et mål på prognoseforspenning. Begge disse ytelsesevalueringsteknikkene krever faktiske salgshistorikkdata for en brukerdefinert tidsperiode. Denne perioden med nyere historie kalles en holdout periode eller perioder som passer best (PBF). For å måle resultatene av en prognosemetode, bruk prognosemålingene for å simulere en prognose for den historiske holdoutperioden. Det vil vanligvis være forskjeller mellom faktiske salgsdata og den simulerte prognosen for holdoutperioden. Når flere prognosemetoder er valgt, oppstår denne samme prosessen for hver metode. Flere prognoser beregnes for holdoutperioden, og sammenlignet med den kjente salgshistorikken for samme tidsperiode. Prognosemetoden som gir den beste kampen (best egnet) mellom prognosen og det faktiske salget i holdoutperioden, anbefales for bruk i dine planer. Denne anbefalingen er spesifikk for hvert produkt, og kan endres fra en prognose generasjon til den neste. A.16 Mean Absolute Deviation (MAD) MAD er gjennomsnittet (eller gjennomsnittet) av absoluttverdiene (eller størrelsen) av avvikene (eller feilene) mellom faktiske og prognose data. MAD er et mål på den gjennomsnittlige størrelsen på feilene som kan forventes, gitt en prognosemetode og datahistorie. Fordi absoluttverdier brukes i beregningen, avbryter ikke positive feil ut negative feil. Når man sammenligner flere prognosemetoder, har den med den minste MAD vist seg å være den mest pålitelige for det aktuelle produktet i den perioden. Når prognosen er upartisk og feil distribueres normalt, er det et enkelt matematisk forhold mellom MAD og to andre vanlige målefordeler, standardavvik og gjennomsnittlig kvadratfeil: A.16.1 Prosent av nøyaktighet (POA) Prosent av nøyaktighet (POA) er et mål på prognoseforstyrrelser. Når prognosene er konsekvent for høye, samles varebeholdninger og lagerkostnadene øker. Når prognosene er konsekvent to lave, forbruker varebeholdningen og kundeservicen avtar. En prognose som er 10 enheter for lav, da 8 enheter for høye, deretter 2 enheter for høye, ville være en objektiv prognose. Den positive feilen på 10 er avbrutt med negative feil på 8 og 2. Feil Aktuell - Prognose Når et produkt kan lagres i lagerbeholdning, og når prognosen er objektiv, kan en liten mengde sikkerhetslager brukes til å buffere feilene. I denne situasjonen er det ikke så viktig å eliminere prognosefeil som det er å generere objektive prognoser. Men i tjenesteytende næringer vil ovennevnte situasjon bli sett på som tre feil. Tjenesten ville være underbemannet i den første perioden, deretter overbemannet for de neste to perioder. I tjenester er størrelsen på prognosefeil vanligvis viktigere enn det som er prognostisk forspenning. Summen over holdoutperioden tillater positive feil å avbryte negative feil. Når summen av det faktiske salget overstiger summen av prognosen, er forholdet større enn 100. Det er selvfølgelig umulig å være mer enn 100 nøyaktige. Når en prognose er objektiv, vil POA-forholdet være 100. Derfor er det mer ønskelig å være 95 nøyaktig enn å være 110 nøyaktig. POA-kriteriene velger prognosemetoden som har et POA-forhold nærmest 100. Skripting på denne siden forbedrer innholdsnavigasjonen, men endrer ikke innholdet på noen måte. I siste uke8217s Forecast Forecast Friday post diskuterte vi bevegelige gjennomsnittlige prognosemetoder, begge enkle og vektet. Når en tidsserie er stasjonær, det vil si, viser ingen merkbar trend eller sesongmessighet og er kun gjenstand for tilfeldigheten av hverdagen, og deretter beveger gjennomsnittlige metoder eller til og med et enkelt gjennomsnitt av hele serien til bruk for å forutse de neste par perioder. Men de fleste tidsseriene er alt annet enn stasjonære: Detaljhandel har trend, sesongmessige og sykliske elementer, mens offentlige tjenester har trend og sesongmessige komponenter som påvirker bruken av strøm og varme. Derfor kan bevegelige gjennomsnittlige prognosemetoder gi mindre enn ønskelige resultater. Videre er de siste salgstallene vanligvis mer indikative for fremtidig salg, så det er ofte behov for å få et prognosesystem som legger større vekt på nyere observasjoner. Oppgi eksponensiell utjevning. I motsetning til å flytte gjennomsnittlige modeller, som bruker et fast antall av de nyeste verdiene i tidsserier for utjevning og prognoser, inkorporerer eksponensiell utjevning alle verdier tidsserier, plasserer den tyngste vekten på gjeldende data og vekter på eldre observasjoner som minsker eksponentielt over tid. På grunn av vekten på alle tidligere perioder i datasettet, er den eksponensielle utjevningsmodellen rekursiv. Når en tidsserie ikke viser sterk eller merkbar årstid eller trend, kan den enkleste formen for eksponensiell utjevning enkelt eksponensiell utjevning brukes. Formelen for enkelt eksponensiell utjevning er: I denne ligningen representerer t1 prognosen for perioden t 1 Y t er den aktuelle verdien av den aktuelle perioden, t t er prognosen for den aktuelle perioden, t og er utjevningskonstanten. eller alfa, et tall mellom 0 og 1. Alpha er vekten du tilordner den siste observasjonen i tidsserien. I hovedsak baserer du din prognose for neste periode på den faktiske verdien for denne perioden, og verdien du prognostiserte for denne perioden, som igjen var basert på prognoser for perioder før det. Let8217s antar at du har vært i virksomhet i 10 uker og vil prognose salg for 11. uke. Salg for de første 10 ukene er: Fra ligningen ovenfor vet du at for å komme opp med en prognose for uke 11, trenger du prognostiserte verdier for uker 10, 9 og helt ned til uke 1. Du vet også den uka 1 har ingen forutgående periode, så det kan ikke prognose. Og du må bestemme utjevningskonstanten, eller alfa, for å bruke for prognosene dine. Bestemme den første prognosen Det første trinnet i å bygge din eksponentielle utjevningsmodell er å generere en prognoseverdi for den første perioden i tidsseriene. Den vanligste praksisen er å sette den forventede verdien av uke 1 lik den faktiske verdien 200, som vi vil gjøre i vårt eksempel. En annen tilnærming ville være at hvis du har tidligere salgsdata til dette, men ikke bruker det i konstruksjonen av modellen, kan du ta et gjennomsnitt av et par umiddelbart tidligere perioder og bruke det som prognosen. Hvordan du bestemmer din innledende prognose er subjektiv. Hvor stor skal alfa være Dette er også en dom, og å finne riktig alfa er underlagt forsøk og feil. Generelt, hvis tidsserien din er veldig stabil, er en liten hensiktsmessig. Visuell inspeksjon av salget ditt på en graf er også nyttig når du prøver å finne en alfa til å begynne med. Hvorfor er størrelsen på viktige Fordi jo nærmere er 1, jo mer vekt som tildeles den nyeste verdien ved å bestemme prognosen din, desto raskere vil prognosen din tilpasse seg mønstre i tidsseriene og mindre utjevning som oppstår. På samme måte er jo nærmere 0, jo mer vekt som er lagt på tidligere observasjoner ved å bestemme prognosen, jo langsommere blir prognosen din tilpasset mønstre i tidsseriene, og jo mer utjevning som oppstår. Let8217s visuelt inspiserer 10 ukers salg: Den eksponensielle utjevningsprosessen Salget virker litt tynt, oscillerende mellom 200 og 235. Let8217s starter med en alfa på 0,5. Det gir oss følgende tabell: Legg merke til hvordan, selv om prognosene dine aren8217t er nøyaktige, når din faktiske verdi for en bestemt uke er høyere enn hva du hadde forventet (uker 2 til og med 5), for eksempel prognosene dine for hver av de følgende ukene ( uker 3 til 6) justeres oppad når dine faktiske verdier er lavere enn din prognose (f. eks. uker 6, 8, 9 og 10), justeres prognosene dine for neste uke nedover. Vær også oppmerksom på at når du flytter til senere perioder, spiller dine tidligere prognoser mindre og mindre en rolle i dine senere prognoser, ettersom deres vekt reduseres eksponentielt. Bare ved å se på tabellen ovenfor vet du at prognosen for uke 11 vil være lavere enn 220,8, din prognose for uke 10: Så, basert på vår alfa og vårt tidligere salg, er vårt beste gjetning at salget i uke 11 blir 215,4. Ta en titt på diagrammet av faktiske versus forventede salg i uke 1-10: Legg merke til at det prognostiserte salget er jevnere enn det faktiske, og du kan se hvordan den forventede salgslinjen justerer seg til pigger og dips i den faktiske salgstidsserien. Hva om vi hadde brukt en mindre eller større alfa We8217ll demonstrere ved å bruke både en alfa på .30 og en av .70. Det gir oss følgende tabell og graf: Ved å bruke en alfa på 0,70, slutter vi med den laveste MAD av de tre konstantene. Husk at dømme påliteligheten av prognoser isn8217t alltid om å minimere MAD. MAD er jo et gjennomsnitt av avvik. Legg merke til hvor dramatisk de absolutte avvikene for hver av alfaene endres fra uke til uke. Prognoser kan være mer pålitelige ved hjelp av en alfa som produserer en høyere MAD, men har mindre varians blant sine individuelle avvik. Grenser for eksponentiell utjevning Eksponentiell utjevning er ikke beregnet for langsiktig prognose. Vanligvis er det vant til å forutsi en eller to, men sjelden mer enn tre perioder fremover. Også, hvis det er en plutselig drastisk endring i salget eller verdiene, og tidsserien fortsetter på det nye nivået, vil algoritmen være sakte for å hente den plutselige forandringen. Derfor vil det bli større prognosefeil. I slike situasjoner vil det være best å ignorere tidligere perioder før endringen, og begynne eksponensiell utjevningsprosess med det nye nivået. Til slutt diskuterte dette innlegget enkelt eksponensiell utjevning, som brukes når det ikke er merkbar sesongmessighet eller trend i dataene. Når det er en merkbar trend eller sesongmessig mønster i dataene, vil enkelt eksponensiell utjevning gi signifikant prognosefeil. Dobbel eksponensiell utjevning er nødvendig her for å justere for disse mønstrene. Vi vil dekke dobbelt eksponensiell utjevning i neste uke8217s Forecast Forecast Friday post. Følg dette: Postnavigasjon Legg igjen et svar Avbryt svar Metoder som eksponensiell utjevning brukes av et par grunner: 1) De er enkle å beregne og raske 2) De er enkle å forstå som de er enkle Den store nedgangen er: 1) De bryter mot forutsetningene som modelleprosessen er basert på der residualene fra modellen er normalt uavhengig identisk distribuert (NIID). Dette betyr at disse modellene don8217t bryr seg om å modellere dataene da de bare prøver å passe på dataene basert på å minimere noen statistikk. For eksempel, hvis det er en outlier, vil de bli skjev av verdien og prognosen. 2) Du kan ikke ta med årsaksvariabler som pris, kampanje, helligdager, hendelser, 8220fixed effects8221 osv. Det er gode poeng du gjør. Outliers er alltid et problem, og dataene er alltid skitne og krever justeringer under de omstendighetene. I min erfaring, er kortsiktige prognoseteknikker som eksponensiell utjevning ofte brukt bare for prediksjon 8211 sier å bestemme hvor mange enheter av materialer som skal kjøpes neste uke. De fleste ganger bruker brukerne ikke nødvendigvis hva som kjører prognosen de bare vil vite hvordan de skal planlegge for perioden eller to forut. Når de bryr seg om årsaksfaktorer, er det fordi nye endringer i drift, markedsføring eller andre funksjoner blir implementert, noe som vil påvirke fremtiden i tidsseriene og prognosene de genererer. Ofte blir kausalvariabler en faktor i langsiktig prognose, eller på mikronivå-prediktive modeller som blir innlemmet i prognosemodeller. Hver metode har sitt sted. Mange beslutningstakere kombinerer prognosemetoder for å komme fram til en endelig sammensatt prognose, som inkorporerer kvalitative vurderinger gjennom hele. Dine observasjoner gjør en ting helt klart: Modeller skal brukes til å hjelpe 8211 ikke erstatte 8211 beslutningsprosessen. På slutten av dagen, folk 8211 ikke modeller 8211 gjør avgjørelsene. Hvordan ville du prognose mer enn en periode fremover gitt at formelen for yt1 krever både den faktiske og prognosen verdien av yt You8217ve har lett funnet ut at eksponensiell utjevning vil gi samme prognose for andre, tredje og fjerde (og fremover) perioder fremover , som det gjorde den første perioden fremover. Som du kan se, er eksponensiell utjevning bare beregnet for kortsiktig prognose. Dette er en god grunn til at du må ha god intuisjon om virksomheten 8217 operasjoner, og bruk disse prognosene for å hjelpe 8211, men ikke erstatte 8211 din beslutningsprosess. Det er noen tilnærminger du kan prøve, alle subjektive og ikke helt tilfredsstillende. Du kan generere prognosen for periode t1 ved hjelp av eksponensiell utjevning, og antar at den faktiske vil være den samme som i periode t eller et bevegelige (eller veidende bevegelige) gjennomsnitt av perioder t, t-1 og t-2. Da ville du 8220guesstimate8221 en prognose for periode t2 ved hjelp av eksponensiell utjevning. Og du vil gjenta prosessen for prognoseperioden t3, t4 osv. Du kan også avstemme dine medarbeiderne om hvor de tror det faktiske salget for perioder t1, t2 og t3 vil være basert på deres erfaring. Deretter bruker du sine estimater, bruker dem som aktualer, og sammenligner dem med eksponensiell utjevning. Problemet i begge disse eksemplene er at du genererer prognoser basert på prognoser. Dermed er potensialet for prognosefeil høyt. Men så lenge antagelsene dine er i tråd med dine forretningsmessige forhold og daglige realiteter, og så lenge du bruker den eksponensielle utjevningsteknikken for kortsiktig prognose, kan det fortsatt gi verdifull planlegging. Lesere, vil du dele tankene dine om hva Brian kan gjøre her You8217re mer enn velkommen til å veie i. Det finnes mange teknikker som kan brukes til å oppnå målet om prognoser. Eksponensiell utjevning er en av de beste teknikkene som brukes når salgstallene viser noen relevans for fremtidig salg der det blir vektsalder.