3 개월 이동 평균 수요 예측

OR 노트는 운영 연구 분야의 광범위한 주제에 해당하는 주제에 대한 일련의 소개 노트입니다. 또는 제국 대학에서 제공하는 입문 OR 과정에서 원래 사용되었습니다. 이제 모든 학생들과 선생님은 OR에 관심있는 OR에 관심이 있습니다. OR-Notes에서 사용할 수있는 주제의 전체 목록은 여기에서 찾을 수 있습니다. 사례를 포스팅합니다. 1996 년 UG 시험을 포스팅 예를 들어 보겠습니다. 지난 5 개월 동안의 제품 수요가 아래에 나와 있습니다 . 월별 수요 예측을 생성하려면 2 개월 이동 평균을 사용합니다. 6. 월간 수요 예측에 대한 예측을 생성하기 위해 평활화 상수를 0으로 적용하여 지수 평활화를 적용합니다. 이 두 예측 중 어느 것이 당신을 선호합니까? 2 개월에서 5 개월까지의 2 개월 이동 평균은 다음과 같이 주어진다. 6 개월 예측은 그 달 이전의 이동 평균 즉, 5 개월 동안의 이동 평균이다. 2350. 지수 평활과 평활화 적용 0의 상수 9 우리가 얻는다. 6 개월 동안의 예측이 5 개월 째 평균값이다. 5,293. 두 예측을 비교하기 위해 평균 제곱 편차 MSD를 계산한다. 우리가 이것을한다면 우리는 이동 평균에 대한 것을 발견 할 수있다. MSD 15 - 19 18 - 23 21 - 24 3 16 67. 평활 상수가 0 인 지수 평활 평균의 경우 9.MSD 13 - 17 16 60 - 19 18 76 - 23 22 58 - 24 4 10 44. 전반적으로 기 지수 평활화가 MSD가 낮아 예측을 1 개월 앞당기는 것 같습니다. 따라서 지수 스무딩으로 생성 된 2386의 예측을 선호합니다. 예 : 1994 년 UG 시험을 보냅니다. 아래 표는 새로운 애프터 셰 이브 지난 7 개월 동안의 상점에서. 2 개월에서 7 개월 동안 2 개월 이동 평균을 계산합니다. 8 월에 수요 예측이 어떻게됩니까? 0 1의 평활 상수를 적용하여 지수 평활화를 적용하여 8 달에 대한 수요가 있습니다. 8 달에 대한 두 가지 예상 중 어느 것이 요요 고객이 선호하는 이유는 무엇입니까? 가게 주인은 고객이 다른 브랜드의 애프터 쉐이브로 전환하고 있다고 생각합니다. 이 전환 동작을 모델링하는 방법과이 전환의 발생 여부를 확인하는 데 필요한 데이터를 나타냅니다. 평균 월 2에서 7까지의 평균은 다음에 의해 주어진다. 8 개월에 대한 예측은 그 달 이전의 이동 평균, 즉 7 개월 이동 평균보다 이전 일 것이다. 7 46. 지수 평활과 평활화 상수를 0 1로 적용한다. 우리가 소수 수요를 가질 수 없기 때문에 달 8에 대한 예측이 7 월 7 일 평균에 불과합니다. 두 예측을 비교하기 위해 평균 제곱 편차 MSD를 계산합니다. 우리가 이것을한다면 이동 평균에 해당합니다. 0의 평활 상수를 가진 기하 급수적으로 평활화 된 평균의 경우 1. 전반적으로 우리는 2 달 이동 평균이 더 낮은 MSD를 가졌으므로 한 달 앞서서 가장 좋은 예측을주는 것으로 보입니다. 따라서 우리는 예측을 선호합니다. 2 개월 이동 평균에 의해 생성 된 f 46을 사용합니다. 전환을 조사하기 위해 Markov 프로세스 모델을 사용해야합니다. 여기서 국가 브랜드와 우리는 조사에서 초기 상태 정보 및 고객 전환 확률이 필요합니다. 모델을 실행해야합니다. 역사적인 데이터를 통해 모델과 역사적 행동 사이에 적합한 지 확인합니다. 1992 년 UG 시험 사례를 보냅니다. 아래 표는 지난 9 개월 동안 상점에서 면도칼의 특정 브랜드에 대한 수요를 보여줍니다. 3 개월에서 9 개월 동안의 평균 월간 수요에 대한 귀하의 예측은 어떨까요? 10 달에 대한 수요 예측을 도출하기 위해 평활 상수 0 3을 적용하여 지수 평활화를 적용하십시오. 10 개월에 대한 두 가지 예측 중 어느 것을 선호합니까? 이유는 무엇입니까? 3 개월에서 9 개월까지의 3 개월 이동 평균은 다음과 같습니다. 10 월의 예측은 그 달 이전의 이동 평균 즉, 9 개월 이동 평균입니다. 9 20 33. 우리가 가질 수없는만큼의 fractional demand 10 월에 대한 예측은 20입니다. 평활화 상수 0 3을 적용하여 지수 평활화를 적용합니다. 10 월의 예측과 마찬가지로 9 개월의 평균은 M 9 18 57 19이므로 분수 요구를 가질 수 없습니다. 두 가지 예측을 비교합니다. 평균 제곱 편차 MSD를 계산합니다. 이동 평균과 0의 평활 상수를 사용하여 기하 급수적으로 평준화 된 평균을 구합니다. 3. 전반적으로 우리는 3 개월 이동 평균이 한 달 전의 가장 좋은 예측은 MSD가 낮아짐에 따라 예측됩니다. 그러므로 우리는 3 개월 이동 평균에 의해 산출 된 20의 예측을 선호합니다. 예를 들면 1991 년 UG 시험을 보냅니다. 아래 표는 특정 팩스 기계에 대한 수요를 보여줍니다. 지난 12 개월 동안 각 백화점을 계산합니다. 4 개월에서 12 개월 동안 4 개월 이동 평균을 계산합니다. 13 개월 동안 수요에 대한 예측은 어떻게됩니까? 0의 평활 상수를 사용하여 지수 평활화를 적용합니다. 2 13 개월 동안의 수요에 대한 예측. 13 개월에 대한 두 가지 예측 중 무엇을 선호합니까? 왜 위의 계산에서 고려되지 않은 다른 요소가 13 일에 팩스 기계에 대한 수요에 영향을 미칠 수 있습니다. 4 ~ 12 개월 평균은 다음과 같이 주어진다. m 4 23 19 15 12 4 17 25 m 5 27 23 19 15 4 21 m 6 30 27 23 19 4 24 75 m 7 32 30 27 23 4 28 m 8 33 32 30 27 4 30 5 m 9 37 33 32 30 4 33 m 10 41 37 33 32 4 35 75 m 11 49 41 37 33 4 40 m 12 58 49 41 37 4 46 25 월 13 일 예측치는 12 개월 전의 이동 평균. 12 월 25 일. 25. 우리가 부분 수요를 가질 수 없으므로 13 개월 예측은 46입니다. 지수 평활과 0의 평활 계수를 적용합니다. 두 번째 예측을 비교하기 위해 평균 제곱 편차 MSD를 계산합니다. 우리가 이것을 수행한다면 우리는 평균 이동 평균 그리고 평활화 상수가 0 인 기하 급수적으로 평준화 된 평균에 대해 2. 전반적으로 우리는 4 개월 이동 평균이 더 낮은 MSD를 가졌으므로 한 달 앞서서 가장 좋은 예측을 제공하는 것으로 보입니다. 따라서 우리는 46 개월의 예측을 선호합니다 4 개월 이동 평균에 의해 생산. 계절 수요. 가격 변경, 이 브랜드와 다른 브랜드 모두 일반 경제 상황. 새로운 기술. 예제 1989 UG 시험을 캐스팅. 아래 테이블은 부서에서 전자 레인지의 특정 브랜드에 대 한 수요를 보여줍니다. 지난 12 개월 동안의 각각의 매장에 대한 수요 예측을 유도하기 위해 0 7의 스무딩 상수를 사용하여 지수 평활화를 적용합니다. 13 개월 만에 수요 예측을 유도합니다. 13 개월 동안의 두 가지 예측 중 어느 것이 당신이 선호하고 왜 그런가요? 이제는 최소 6 회의 관찰이있을 때까지 6 개월 이동 평균을 계산할 수 없습니다. 즉, 6 개월 후부터 평균을 계산할 수 있습니다. 우리는 가지고있다. 6 34 32 30 29 31 27 6 30 50.m 7 36 34 32 30 29 31 6 32 00.m 8 35 36 34 32 30 29 6 32 67.m 9 37 35 36 34 32 30 6 34 00.m 10 39 37 35 36 34 32 6 35 50.m 11 40 39 37 35 36 34 6 36 83.m 12 42 40 39 37 35 36 6 38 17. 13 개월 예측은 12 개월 전의 이동 평균. 즉 월 평균 이동 평균 12 m 38. 17. 우리는 부분 수요를 가질 수 없으므로 13 일 예측은 38입니다. 평활 상수 0을 사용하여 지수 평활을 적용합니다 .7 예측 수준과 방법 이해. 제품 수요 패턴을 반영한 세부 단일 항목 예측 및 요약 제품 라인 예측을 생성 할 수 있습니다. 시스템은 과거 판매를 분석하여 12 가지 예측 방법을 사용하여 예측을 계산합니다. 예측에는 품목 수준의 세부 정보와 지사 또는 회사에 대한 상위 정보가 포함됩니다 전체적으로 보았습니다 .3 1 성능 평가 기준을 예측했습니다. 처리 옵션의 선택과 경향 및 패턴에 따라 다릅니다. 판매 데이터, 일부 예측 방법은 주어진 과거 데이터 세트에 대해 다른 것보다 잘 수행됩니다. 한 제품에 적합한 예측 방법이 다른 제품에 적합하지 않을 수 있습니다. 제품의 한 단계에서 좋은 결과를 제공하는 예측 방법 라이프 사이클은 전체 수명주기 동안 적절하게 유지됩니다. 예측 방법의 현재 성능을 평가하는 두 가지 방법 중 하나를 선택할 수 있습니다. 정확도 POA. Mean 절대 편차 MAD의 두 가지 방법이 있습니다. 이러한 성능 평가 방법 중 두 가지 모두 이 기간을 보류 기간 또는 최 적합 기간이라고합니다. 이 기간의 데이터는 다음 예측 예측을 수행 할 때 사용할 예측 방법을 권장하기위한 기준으로 사용됩니다. 이 권장 사항은 각 제품에만 적용되며 하나의 예측에서 변경할 수 있습니다 세대를 다음 세대에 적용하여 최적의 예측을 추천합니다 .3 1 1 Best Fit. 과거 판매 주문 내역에 대한 방법 ecasting 및 예측 내역과 실제 내역 비교 가장 적합한 예측을 생성 할 때 시스템은 실제 판매 주문 내역을 특정 기간 동안 예측과 비교하고 각기 다른 예측 방법이 판매를 예측 한 정확도를 계산합니다. 시스템은 가장 정확한 예측을 가장 적합한 것으로 권장합니다. 이 그래픽은 최적 예측을 보여줍니다. 그림 3-1 최적 예측. 이 시스템은 이러한 일련의 단계를 사용하여 최적의 결과를 결정합니다. 각 지정된 방법을 사용하여 홀드 아웃 기간 예측을 시뮬레이트합니다 보류 기간에 대한 시뮬레이션 된 예측에 대한 실제 매출. POA 또는 MAD를 계산하여 예측 방법이 과거 실제 판매와 가장 근접하게 일치하는지 확인합니다. 시스템은 사용자가 선택한 처리 옵션에 따라 POA 또는 MAD를 사용합니다. POA가 100 %에 가장 가깝거나 그 이하인 MAD 또는 0에 가장 가까운 MAD에 따라 예측합니다 .2 예측 방법. JD E 보너스 EnterpriseOne Forecast Management는 양적 예측을 위해 12 가지 방법을 사용하며 예측 상황에 가장 적합한 방법을 제시합니다. 이 섹션에서 설명합니다. 방법 1 : 지난 해. 방법 2 : 작년 대비 계산 된 백분율. 방법 3 : 올해 마지막 해. 방법 4 이동 평균. 방법 5 선형 근사. 방법 6 최소 자승 회귀. 방법 7 2 차 근사법. 방법 8 유연한 방법. 방법 9 가중 이동 평균. 방법 10 선형 스무딩. 방법 11 지수 스무딩. 방법 12 트랜드 및 지수 스무딩 계절성. 예보 생성 프로그램 R34650의 처리 옵션에서 사용하려는 방법을 지정하십시오. 대부분의 방법은 제한된 제어를 제공합니다. 예를 들어 최근 기록 데이터에 대한 가중치 또는 계산에 사용 된 기록 데이터의 날짜 범위 이 가이드의 예는 사용 가능한 각 예측에 대한 계산 절차를 나타냅니다 방법에 대해 설명합니다. 가이드의 메소드 예제는 지난 2 년의 과거 데이터 인이 데이터 세트의 일부 또는 전부를 사용합니다. 예측 예측은 내년으로 진행됩니다. 이 판매 내역 데이터는 작은 7 월과 12 월의 계절적 증가이 패턴은 노화에 접근 할 수있는 성숙한 제품의 특징입니다 .3 1 1 방법 1 지난 해 대비 %.이 방법은 지난 해 대비 백분율 수식을 사용하여 각 예측 기간에 지정된 비율 증가분을 곱하거나 수요를 예측하기 위해이 방법을 사용하면 가장 적합한 기간에 판매 기간 수와 1 년의 판매 내역이 필요합니다. 이 방법은 성장 또는 감소하는 계절 품목 수요를 예측하는 데 유용합니다. 3 방법 1 1 작년 대비 백분율. 작년 대비 백분율 수식은 전년도의 판매 데이터를 지정한 요인으로 곱한 다음 그 결과를 내년에 재 계산합니다. 이 방법은 다음과 같은 경우에 예산 편성에 유용 할 수 있습니다. 지정된 성장률의 영향을 시뮬레이션하거나 영업 내역이 계절별로 중요한 구성 요소를 시뮬레이션 할 때 사용합니다. 포 캐스트 사양 배수 계수 예를 들어 처리 옵션에 110을 지정하여 이전 연도의 판매 내역 데이터를 10 % 증가시킵니다. 필요한 판매 내역 1 년 예측 및 지정한 최적의 예측 실적 기간을 평가하는 데 필요한 기간 수를 더한 것입니다. 이 표는 예측 계산에 사용 된 기록입니다 .2 월 예측은 117 1 1 128 7이 129로 반올림 됨. 예측 은 115와 같습니다. 127 1 2 126 2 반올림 한 127.3 2 2 방법 2 작년 대비 계산 된 백분율. 이 방법은 작년 대비 계산 된 백분율을 사용하여 지정된 기간의 과거 매출을 전년도 같은 기간의 매출액과 비교합니다. 비율을 늘리거나 줄인 다음 각 기간에 백분율을 곱하여 예측을 결정합니다. 수요를 예측하기 위해이 방법에는 판매 주문 기간 수 + 판매 내역 1 년이 방법은 성장 또는 감소와 함께 계절별 품목에 대한 단기 수요를 예측하는 데 유용합니다. 3 2 2 1 예제 방법 2 작년 대비 계산 된 백분율. 작년 대비 계산 된 백분율 수식은 전년도의 판매 데이터에 시스템에서 계산 한 계수를 곱한 다음 내년에 그 결과를 계획합니다. 이 방법은 제품의 최근 성장률을 내년으로 연장하는 영향을 예측하는 데 유용 할 수 있습니다 포 캐스트 사양 성장률 계산에 사용할 판매 내역의 범위 예를 들어 처리 옵션에서 n을 4로 지정하면 최근 4 기간의 판매 내역을 동일한 옵션과 비교할 수 있습니다 전년도의 4 기간 계산 된 비율을 사용하여 다음 연도에 대한 예측을 작성하십시오. 필수 판매 내역 예측 계산에 1 년을 더한 마력 이 표는 예측 계산에 사용 된 히스토리입니다. 4.February 예측은 117와 같습니다. 9766 114 114는 114로 반올림되었습니다. 예측은 115와 같음 9766 112 예측은 예측 정확도를 계산하는 데 필요한 기간입니다. 31 112.3 2 3 방법 3 지난 해를 올해로. 이 방법은 지난 해의 예측을 다음 해의 예측에 사용합니다. 예측 수요를 위해서는이 방법에 가장 적합한 기간 수와 1 년의 판매 주문 내역이 필요합니다. 이 방법 수준 요구 또는 계절 수요가있는 성숙한 제품에 대한 수요를 추세없이 예측하는 데 유용합니다. 3 2 3 1 예제 방법 3 올해의 마지막 해. 올해의 작년은 전년의 판매 데이터를 다음 해로 복사합니다. 방법은 현재 수준에서 판매를 시뮬레이션하는 예산 책정에 유용 할 수 있습니다. 제품이 성숙하고 장기적으로 추세가 없지만 상당한 계절적 수요 패턴이 존재할 수 있습니다. 매장 사양 없음. 필요한 판매 내역 c 예측에 더해서 가장 적합한 예측 실적 기간을 평가하는 데 필요한 기간 수를 더한 것입니다. 이 표는 예측 계산에 사용 된 기록입니다. 1 월 예측은 128의 예측 값으로 작년의 1 월과 동일합니다 .2 월 예측은 2 월과 같습니다. 작년 예측치는 115.3입니다. 예측치는 115.3입니다. 4 4 방법 4 이동 평균. 이 방법은 이동 평균 수식을 사용하여 지정된 기간 수를 평균하여 다음 기간을 계획합니다. 요구 사항을 예측하기 위해 매월 가장 적합한 기간 수와 판매 주문 내역 수를 더한 값을 요구합니다. 이 방법은 성숙한 제품에 대한 수요를 예측하는 데 유용합니다. trend.3 2 4 1 예제 방법 4 이동 평균. 이동 평균 MA는 최근 매출 기록의 결과를 평균하여 프로젝트를 결정하는 일반적 방법입니다 n 단기간에 MA 예측 방법이 뒤처집니다. 제품 판매 내역이 강한 경향 또는 계절 패턴을 보일 때 예측 편향과 체계적 오류가 발생합니다. 이 방법은 성숙 제품의 단거리 예측에 대해 성장 또는 노후화 된 제품보다 더 효과적입니다 예측 계산에서 사용할 영업 내역의 수와 같습니다. 예를 들어 처리 옵션에 n 4를 지정하면 가장 최근의 4 개의 기간을 다음에 투영하기위한 기준으로 사용합니다 기간 12와 같은 n의 큰 값은 더 많은 판매 내역을 필요로합니다. 안정된 예측을 가져 오지만 판매 수준의 변화를 인식하는 것은 느립니다. 반대로, 3과 같은 n의 작은 값은 수준의 변동에 더 빨리 응답합니다 판매량은 매우 다양하지만 예측치가 너무 크게 변동하여 생산량이 변동에 대응할 수 없습니다. 필요한 판매 내역과 평가에 필요한 기간 수 이 테이블은 예측 계산에 사용 된 히스토리입니다 .2 월 예측은 114 119 137 125 4 123 75는 124로 반올림됩니다. 예측 예측은 119 137 125 124 4 126으로 반올림되어 126.3 2 5 방법 5 선형 근사값. 이 방법은 선형 근사 공식을 사용하여 판매 주문 내역 기간 수에서 추세를 계산하고이 추세를 예측에 투영합니다. 추세의 변화를 감지하기 위해 추세를 월별로 다시 계산해야합니다. 이 방법을 사용하려면 마침표 이 방법은 계절적 변동으로 인한 것이 아닌 일관된 긍정적 또는 부정적 경향이있는 제품 또는 신제품에 대한 수요를 예측하는 데 유용합니다. 예제 방법 5 선형 근사법. 선형 근사값은 두 개의 판매 이력 데이터 포인트를 기반으로 한 추세를 계산합니다. 이 두 점은 향후 투영 될 직선 추세선을 정의합니다. 이 meth 예를 들어, n 4를 지정하여 n 4를 지정하면 영업일의 데이터 포인트가 최신 데이터 포인트와 비교되어 추세를 식별 할 수 있습니다. 가장 최근의 12 월 데이터와 12 월 이전의 8 월 4 일 사이의 차이가 추세를 계산하는 기준으로 사용됩니다. 최소 요구 판매 내역에 1을 더한 가장 적합한 예측 실적 기간을 평가하는 데 필요한 기간 수를 더한 것입니다. 이 표는 1 월 예측 1 월 1 일 예측 137 1 2 139. 2 월 예측 12 월 과거 1 년 동향 137 2 2 141. 지난 해 12 월 예측 1 동향 137 3 2 143.3 2 6 방법 6 최소 자승 회귀. 최소 자승 회귀 LSR 방법은 과거 판매 데이터와 판매 건 사이의 직선 관계를 설명하는 방정식을 도출합니다 e LSR은 실제 판매 데이터 포인트와 회귀선 간의 차이의 제곱의 합이 최소화되도록 선택한 데이터 범위에 선을 맞 춥니 다. 예측은 미래에 대한이 직선의 투영입니다. 이 방법 가장 적합한 기간 수와 지정된 기록 데이터 기간 수로 표시되는 기간 동안 판매 데이터 기록이 필요합니다. 최소 요구 사항은 2 개의 기록 데이터 포인트입니다. 이 방법은 선형 추세가 데이터에있을 때 수요를 예측하는 데 유용합니다 .3 2 6 1 예제 방법 6 최소 자승 회귀. 선형 회귀 또는 최소 자승 회귀 LSR은 과거 판매 데이터의 선형 추세를 식별하는 가장 보편적 인 방법입니다. 이 방법은 수식에 사용되는 a 및 b 값을 계산합니다. 방정식은 직선을 나타냅니다. 여기서 Y는 매출을 나타내고 X는 시간을 나타냅니다. 선형 회귀는 전환점 및 단계 함수 변경을 인식하는 것이 느립니다. 선형 회귀는 데이터가 계절적이거나 더 나은 곡선으로 묘사 된 경우에도 데이터에 대한 가벼운 선을 생성합니다. 판매 이력 데이터가 커브를 따르거나 계절 패턴이 강할 때 예측 편향과 체계적인 오류가 발생합니다. 예측 사양 n은 판매 이력의 기간과 동일합니다. 예를 들어, 9 월에서 12 월까지의 기록을 계산의 기초로 사용하려면 n 4를 지정합니다. 데이터가 사용 가능할 때 n 24와 같이 더 큰 n이 일반적으로 사용됩니다. LSR은 선을 정의합니다 적은 수의 데이터 포인트 2 개이 예제에서는 결과를 확인하는 데 필요한 수동 계산을 줄이기 위해 nn 4에 대한 작은 값을 선택했습니다. 최소 요구 판매 내역에는 기간을 더한 값과 이 표는 예측 계산에 사용 된 기록입니다. 예측 수치는 119 5 7 2 3 135 6으로 반올림되어 136.3 2 7 방법 7 2 차 근사값입니다. 예측에서이 방법은 2 차 정도 근사 공식을 사용하여 판매 내역 기간 수에 따라 곡선을 그립니다. 이 방법은 가장 적합한 기간 수와 판매 주문 기간 수 3을 더한 값을 필요로합니다. 이 방법은 장기간 수요를 예측하는 데 유용합니다. 3 2 7 1 예제 방법 7 2 차항 근사법. 선형 회귀는 판매 이력 데이터에 직선을 맞추는 목적으로 예측 수식 Y ab X에서 a와 b의 값을 결정합니다 2 차 근사값은 비슷하지만이 방법은이 예측 공식에서 a, b 및 c 값을 결정합니다. 이 방법의 목적은 판매 이력 데이터에 곡선을 맞추는 것입니다. 이 방법은 제품이 전환 중에있을 때 유용합니다 수명주기 단계 사이 예를 들어, 신제품이 도입 단계에서 성장 단계로 이동하면 판매 추세가 가속 될 수 있습니다. 2 차 용어로 인해 예측은 신속히 무한대로 접근하거나 0으로 떨어집니다 o 계수 c가 양수인지 음수인지에 따라 달라집니다. 이 방법은 단기간에만 유용합니다. 포 캐스트 사양에서는 a, b 및 c를 찾아 곡선을 정확하게 3 점에 맞 춥니 다. n, 데이터의 기간 수를 지정합니다 3 개의 각 지점에 누적됩니다. 이 예에서 n 3 4 월에서 6 월까지의 실제 판매 데이터가 첫 번째 지점으로 합쳐지며 7 월 1 일부터 9 월 1 일까지 합쳐져 Q2가 작성되고 10 월에서 12 월까지 합계가 Q3으로 합산됩니다. 3 개의 값 Q1, Q2 및 Q3에 대해 계산합니다. 필요한 판매 내역 예측을 계산하는 데 3 n 개의 기간과 가장 적합한 예측 성과 기간을 평가하는 데 필요한 기간 수를 더한 것입니다. 이 표는 예측 계산에 사용 된 기록입니다. Q0 1 월 2 월 Mar. Q1 4 월 5 월 6 월 125 122 137 384.Q2 7 월 8 월 9 일 같음 140 129 131 400.Q3 11 월 11 월 12 월 114 119 137 370과 같습니다. 다음 단계는 3 개의 계수 a, b, 및에서 사용되는 c 예측 공식 Y ab X c X 2.Q1, Q2 및 Q3은 그래픽에 표시되며 시간은 가로축에 표시됩니다. Q1은 4 월, 5 월 및 6 월의 총 판매 내역을 나타내며 X1에 플롯됩니다. Q2는 7 월부터 9 월까지 Q3은 10 월에서 12 월까지, Q4는 1 월부터 3 월까지를 나타냅니다. 이 그래픽은 2 차 근사에 대한 Q1, Q2, Q3 및 Q4의 플롯을 보여줍니다. 그림 3-2 초당 Q1, Q2, Q3 및 Q4를 그립니다 세 개의 방정식은 그래프의 세 점을 설명합니다. 1 Q1 a bX cX 2 여기서 X 1 Q1 a b c. 2 Q2 a bX cX 2 여기서, X2 Q2 a 2b 4c. 3 Q3 a bX cX 2 여기서 X3 Q3 a 3b 9c. b, a, c를 찾기 위해 3 개의 방정식을 동시에 풀다. 방정식 2 2에서 방정식 11을 뺀 후 b에 대해 풀다. 방정식 3에 b를 대입한다. 3 Q3 a 3 Q2 Q1 3c 9 c a Q3 3 Q2 Q1. 마지막으로, a와 b를 다음의 방정식으로 대체하십시오. 1 Q3 3 Q2 Q1 Q2 Q1 3c c Q1.c Q3 Q2 Q1 Q2 2. 2 차 근사법 다음과 같이 a, b, c를 계산합니다. a Q3 3 Q2 Q1 370 3 400 384 370 3 16 322.b Q2 Q1 3c 400 384 3 23 16 69 85 c Q3 Q2 Q1 Q2 2 370 400 384 400 2 23 Y bX cX 2 322 85X 23 X 2.When X 4, Q 4 322 340 368 294 일기 예보는 294 3 98입니다. X 5, Q 5 322 425 575 172 예측은 같음 172 3 58 33 일주일에 57로 반올림 됨. X 6, Q6 322 510 828 4 일기 예보가 4 3 1 33 일 때 1로 반올림 됨. 내년의 올해 예측, 올해의 지난 해 3 2 8 방법 8 유연한 방법. 이 방법을 사용하면 가장 적합한 적합 수를 선택할 수 있습니다. 예상 시작일 n 개월 전에 시작하는 판매 주문 내역 요율 및 예측을 수정하는 비율 증가 또는 감소 배율 적용이 방법은 방법 1, 지난 연도 대비 백분율과 비슷합니다. 기본으로 사용하는 기간 수입니다. n으로 선택하는 것에 따라이 방법을 사용하면 마침표와 판매 데이터 기간 수를 함께 표시해야합니다. 이 방법은 계획된 추세에 대한 수요를 예측하는 데 유용합니다. 1 예제 방법 8 유연한 방법. 유연한 방법 n 개월 전의 비율은 방법 1, 지난 연도 대비 백분율과 비슷합니다. 두 방법 모두 이전 기간의 판매 데이터를 사용자가 지정한 비율로 곱한 다음 해당 결과를 미래에 투영합니다 작년 대비 백분율 방법에서 프로젝션은 전년도 같은 기간의 데이터를 기반으로합니다. 또한 유연한 방법을 사용하여 라에서 같은 기간 이외의 기간을 지정할 수도 있습니다 예를 들어 처리 옵션에 110을 지정하여 이전 판매 내역 데이터를 10 % 늘리십시오. 기 간 기간 예를 들어, n 4는 판매 데이터를 기반으로 한 첫 번째 예측을 발생시킵니다 작년 9 월. 최소 요구 판매 내역 기본 기간으로 되돌아온 기간 수에 가장 적합한 예측 실적 기간을 평가하는 데 필요한 기간 수를 더한 기간입니다. 이 표는 예측 계산에 사용 된 기록입니다. 9 방법 9 가중 이동 평균. 가중 이동 평균 수식은 이전 달의 판매 내역을 평균하여 다음 달 판매 내역을 예측하기 때문에 방법 4, 이동 평균 수식과 유사합니다. 그러나이 수식을 사용하면 각 수 이 방법을 사용하려면 선택한 가중 기간 수와 가장 적합한 기간 수를 더해야합니다. 이동 평균과 비슷하게이 방법은 수요 동향에 비해 뒤떨어져 있으므로 방법은 강한 경향이나 계절성이있는 제품에는 권장되지 않습니다. 이 방법은 상대적으로 수준이 높은 성숙한 제품에 대한 수요를 예측하는 데 유용합니다. 예제 방법 9 가중 이동 평균. 가중 이동 평균 WMA 방법은 방법 4와 유사합니다 , 이동 평균 MA 그러나 WMA를 사용하는 경우 과거 데이터에 다른 가중치를 할당 할 수 있습니다. 이 방법은 단기간의 예측에 도달하기 위해 최근 판매 기록의 가중 평균을 계산합니다. 최근 데이터는 일반적으로 이전 데이터보다 더 큰 가중치가 지정되며, 따라서 WMA는 판매 수준의 변화에보다 민감합니다. 그러나 제품 판매 내역이 강한 경향 또는 계절 패턴을 나타낼 경우 예측 편향과 체계적 오류가 발생합니다. 이 방법은 성숙 제품의 단거리 예측에서 성장 또는 노후화 된 제품보다 효과적입니다 수명주기의 단계. 예측 계산에서 사용하는 판매 내역의 기간 수. 예를 들어, proce에 n을 4로 지정하십시오 가장 최근의 4 개 기간을 다음 기간으로의 투영을위한 기초로 사용하는 ssing 옵션 12와 같은 n의 큰 값은 더 많은 판매 이력을 필요로합니다. 이러한 값은 안정적인 예측을 가져 오지만, 반대로 매출액의 변화에보다 신속하게 반응하는 n과 같은 작은 값은 생산량이 변동에 반응 할 수 없을 정도로 광범위하게 변동될 수 있습니다. 처리 옵션 14의 총 기간 수 - 포함 할 기간은 12 개월을 넘지 않아야합니다. 각 과거 데이터 기간에 할당 된 가중치. 할당 된 가중치는 총 1 00이어야합니다. 예를 들어, n 4 일 때 0, 50, 0, 15 및 0의 가중치를 할당합니다 가장 큰 가중치를받는 최신 데이터가 포함 된 10 개. 최소 필수 영업 내역과 최적 예측 기간을 평가하는 데 필요한 기간 수를 더한 값입니다. 이 테이블은 예측 계산에 사용 된 기록입니다. 1 월 forec ast는 131 0 10 114 0 15 119 0 25 137 0 50 0 10 0 15 0 25 0 50 128 45는 128로 반올림 됨. 2 월 예측은 114 0 10 119 0 15 137 0 25 128 0 50 1 127 5는 128로 반올림 됨. 3 월 예측은 119 0 10 137 0 15 128 0 25 128 0 50 1 128 45 128.3 2로 반올림 됨 10 방법 10 선형 평탄화. 이 방법은 과거 판매 데이터의 가중 평균을 계산합니다. 계산에서이 방법은 처리 옵션에 표시된 1에서 12까지의 판매 주문 내역 시스템은 수학적 진행을 사용하여 첫 번째 최소 가중치에서 최다 가중치까지의 범위의 데이터를 계량합니다. 그런 다음 시스템은이 정보를 예측의 각 기간에 투영합니다. 방법에는 처리 옵션에 지정된 기간 수에 대한 월간 최다 적합도와 판매 주문 내역이 필요합니다. 3 2 10 1 예제 방법 10 선형 평활화. 이 방법은 방법 9, WMA와 유사합니다. 그러나 임의로 지정하는 대신 과거 데이터의 가중치, 수식이 사용됩니다. 선형으로 감소하는 가중치를 할당하고 100으로 합계합니다. 그런 다음 방법은 단기간의 예측에 도달하기 위해 최근 판매 내역의 가중 평균을 계산합니다. 모든 선형 이동 평균 예측 기술과 마찬가지로 예측 바이어스 및 체계적 오류는 제품 판매 내역 강한 경향 또는 계절 패턴을 나타냅니다. 이 방법은 수명주기의 성장 또는 노후화 단계의 제품보다 성숙한 제품의 단거리 예측에 더 효과적입니다. n은 예측 계산에 사용할 판매 내역의 수와 같습니다. 예를 들어, n은 처리 옵션에서 4와 동일하여 가장 최근의 4 개의 기간을 다음 기간으로의 투영을위한 기준으로 사용합니다. 시스템은 선형으로 감소하는 기록 데이터에 가중치를 자동으로 할당하고 1 00을 가산합니다. 예를 들어, n이 4 일 때 , 시스템은 0 4, 0 3, 0 2 및 0 1의 가중치를 할당하고 가장 최근의 데이터는 가장 큰 가중치를받습니다. 최소 필수 판매 내역 np lus the number of time periods that are required for evaluating the forecast performance periods of best fit. This table is history used in the forecast calculation.3 2 11 Method 11 Exponential Smoothing. This method calculates a smoothed average, which becomes an estimate representing the general level of sales over the selected historical data periods. This method requires sales data history for the time period that is represented by the number of periods best fit plus the number of historical data periods that are specified The minimum requirement is two historical data periods This method is useful to forecast demand when no linear trend is in the data.3 2 11 1 Example Method 11 Exponential Smoothing. This method is similar to Method 10, Linear Smoothing In Linear Smoothing, the system assigns weights that decline linearly to the historical data In Exponential Smoothing, the system assigns weights that exponentially decay The equation for Exponential Smoothing forecasting is. Forecast P revious Actual Sales 1 Previous Forecast. The forecast is a weighted average of the actual sales from the previous period and the forecast from the previous period Alpha is the weight that is applied to the actual sales for the previous period 1 is the weight that is applied to the forecast for the previous period Values for alpha range from 0 to 1 and usually fall between 0 1 and 0 4 The sum of the weights is 1 00 1 1.You should assign a value for the smoothing constant, alpha If you do not assign a value for the smoothing constant, the system calculates an assumed value that is based on the number of periods of sales history that is specified in the processing option. equals the smoothing constant that is used to calculate the smoothed average for the general level or magnitude of sales. Values for alpha range from 0 to 1.n equals the range of sales history data to include in the calculations. Generally, one year of sales history data is sufficient to estimate the general level of sales For this example, a small value for n n 4 was chosen to reduce the manual calculations that are required to verify the results Exponential Smoothing can generate a forecast that is based on as little as one historical data point. Minimum required sales history n plus the number of time periods that are required for evaluating the forecast performance periods of best fit. This table is history used in the forecast calculation.3 2 12 Method 12 Exponential Smoothing with Trend and Seasonality. This method calculates a trend, a seasonal index, and an exponentially smoothed average from the sales order history The system then applies a projection of the trend to the forecast and adjusts for the seasonal index. This method requires the number of periods best fit plus two years of sales data, and is useful for items that have both trend and seasonality in the forecast You can enter the alpha and beta factor, or have the system calculate them Alpha and beta factors are the smoothing constant that the system uses to calculate the smoothed average for the general level or magnitude of sales alpha and the trend component of the forecast beta.3 2 12 1 Example Method 12 Exponential Smoothing with Trend and Seasonality. This method is similar to Method 11, Exponential Smoothing, in that a smoothed average is calculated However, Method 12 also includes a term in the forecasting equation to calculate a smoothed trend The forecast is composed of a smoothed average that is adjusted for a linear trend When specified in the processing option, the forecast is also adjusted for seasonality. Alpha equals the smoothing constant that is used in calculating the smoothed average for the general level or magnitude of sales. Values for alpha range from 0 to 1.Beta equals the smoothing constant that is used in calculating the smoothed average for the trend component of the forecast. Values for beta range from 0 to 1.Whether a seasonal index is applied to the forecast. Alpha and beta are independent of on e another They do not have to sum to 1 0.Minimum required sales history One year plus the number of time periods that are required to evaluate the forecast performance periods of best fit When two or more years of historical data is available, the system uses two years of data in the calculations. Method 12 uses two Exponential Smoothing equations and one simple average to calculate a smoothed average, a smoothed trend, and a simple average seasonal index. An exponentially smoothed average. An exponentially smoothed trend. A simple average seasonal index. Figure 3-3 Simple Average Seasonal Index. The forecast is then calculated by using the results of the three equations. L is the length of seasonality L equals 12 months or 52 weeks. t is the current time period. m is the number of time periods into the future of the forecast. S is the multiplicative seasonal adjustment factor that is indexed to the appropriate time period. This table lists history used in the forecast calculation. This section pr ovides an overview of Forecast Evaluations and discusses. You can select forecasting methods to generate as many as 12 forecasts for each product Each forecasting method might create a slightly different projection When thousands of products are forecast, a subjective decision is impractical regarding which forecast to use in the plans for each product. The system automatically evaluates performance for each forecasting method that you select and for each product that you forecast You can select between two performance criteria MAD and POA MAD is a measure of forecast error POA is a measure of forecast bias Both of these performance evaluation techniques require actual sales history data for a period specified by you The period of recent history used for evaluation is called a holdout period or period of best fit. To measure the performance of a forecasting method, the system. Uses the forecast formulas to simulate a forecast for the historical holdout period. Makes a comparison between the actual sales data and the simulated forecast for the holdout period. When you select multiple forecast methods, this same process occurs for each method Multiple forecasts are calculated for the holdout period and compared to the known sales history for that same period The forecasting method that produces the best match best fit between the forecast and the actual sales during the holdout period is recommended for use in the plans This recommendation is specific to each product and might change each time that you generate a forecast.3 3 1 Mean Absolute Deviation. Mean Absolute Deviation MAD is the mean or average of the absolute values or magnitude of the deviations or errors between actual and forecast data MAD is a measure of the average magnitude of errors to expect, given a forecasting method and data history Because absolute values are used in the calculation, positive errors do not cancel out negative errors When comparing several forecasting methods, the one with the smallest MA D is the most reliable for that product for that holdout period When the forecast is unbiased and errors are normally distributed, a simple mathematical relationship exists between MAD and two other common measures of distribution, which are standard deviation and Mean Squared Error For example. MAD Actual Forecast n. Standard Deviation, 1 25 MAD. Mean Squared Error 2.This example indicates the calculation of MAD for two of the forecasting methods This example assumes that you have specified in the processing option that the holdout period length periods of best fit is equal to five periods.3 3 1 1 Method 1 Last Year to This Year. This table is history used in the calculation of MAD, given Periods of Best Fit 5.Mean Absolute Deviation equals 2 1 20 10 14 5 9 4.Based on these two choices, the Moving Average, n 4 method is recommended because it has the smaller MAD, 9 4, for the given holdout period.3 3 2 Percent of Accuracy. Percent of Accuracy POA is a measure of forecast bias When forecast s are consistently too high, inventories accumulate and inventory costs rise When forecasts are consistently too low, inventories are consumed and customer service declines A forecast that is 10 units too low, then 8 units too high, then 2 units too high is an unbiased forecast The positive error of 10 is canceled by negative errors of 8 and 2. Error Actual Forecast. When a product can be stored in inventory, and when the forecast is unbiased, a small amount of safety stock can be used to buffer the errors In this situation, eliminating forecast errors is not as important as generating unbiased forecasts However, in service industries, the previous situation is viewed as three errors The service is understaffed in the first period, and then overstaffed for the next two periods In services, the magnitude of forecast errors is usually more important than is forecast bias. POA Forecast sales during holdout period Actual sales during holdout period 100 percent. The summation over the holdout period enables positive errors to cancel negative errors When the total of forecast sales exceeds the total of actual sales, the ratio is greater than 100 percent Of course, the forecast cannot be more than 100 percent accurate When a forecast is unbiased, the POA ratio is 100 percent A 95 percent accuracy rate is more desirable than a 110 percent accurate rate The POA criterion selects the forecasting method that has a POA ratio that is closest to 100 percent. This example indicates the calculation of POA for two forecasting methods This example assumes that you have specified in the processing option that the holdout period length periods of best fit is equal to five periods.3 3 2 1 Method 1 Last Year to This Year. This table is history used in the calculation of MAD, given Periods of Best Fit 5.3 4 2 Forecast Accuracy. These statistical laws govern forecast accuracy. A long term forecast is less accurate than a short term forecast because the further into the future you project the fore cast, the more variables can affect the forecast. A forecast for a product family tends to be more accurate than a forecast for individual members of the product family. Some errors cancel each other as the forecasts for individual items summarize into the group, thus creating a more accurate forecast.3 4 3 Forecast Considerations. You should not rely exclusively on past data to forecast future demands These circumstances might affect the business, and require you to review and modify the forecast. New products that have no past data. Plans for future sales promotion. Changes in national and international politics. New laws and government regulations. Weather changes and natural disasters. Innovations from competition. You can use long term trend analysis to influence the design of the forecasts. Leading economic indicators.3 4 4 Forecasting Process. You use the Refresh Actuals program R3465 to copy data from the Sales Order History File table F42119 , the Sales Order Detail File table F4211 , or both, into either the Forecast File table F3460 or the Forecast Summary File table F3400 , depending on the kind of forecast that you plan to generate. Scripting on this page enhances content navigation, but does not change the content in any way. Moving Average Forecasting. Introduction As you might guess we are looking at some of the most primitive approaches to forecasting But hopefully these are at least a worthwhile introduction to some of the computing issues related to implementing forecasts in spreadsheets. In this vein we will continue by starting at the beginning and start working with Moving Average forecasts. Moving Average Forecasts Everyone is familiar with moving average forecasts regardless of whether they believe they are All college students do them all the time Think about your test scores in a course where you are going to have four tests during the semester Let s assume you got an 85 on your first test. What would you predict for your second test score. What do you think your teacher would predict for your next test score. What do you think your friends might predict for your next test score. What do you think your parents might predict for your next test score. Regardless of all the blabbing you might do to your friends and parents, they and your teacher are very likely to expect you to get something in the area of the 85 you just got. Well, now let s assume that in spite of your self-promotion to your friends, you over-estimate yourself and figure you can study less for the second test and so you get a 73.Now what are all of the concerned and unconcerned going to anticipate you will get on your third test There are two very likely approaches for them to develop an estimate regardless of whether they will share it with you. They may say to themselves, This guy is always blowing smoke about his smarts He s going to get another 73 if he s lucky. Maybe the parents will try to be more supportive and say, Well, so far you ve gotten an 85 and a 73, so maybe you s hould figure on getting about a 85 73 2 79 I don t know, maybe if you did less partying and weren t wagging the weasel all over the place and if you started doing a lot more studying you could get a higher score. Both of these estimates are actually moving average forecasts. The first is using only your most recent score to forecast your future performance This is called a moving average forecast using one period of data. The second is also a moving average forecast but using two periods of data. Let s assume that all these people busting on your great mind have sort of pissed you off and you decide to do well on the third test for your own reasons and to put a higher score in front of your allies You take the test and your score is actually an 89 Everyone, including yourself, is impressed. So now you have the final test of the semester coming up and as usual you feel the need to goad everyone into making their predictions about how you ll do on the last test Well, hopefully you see the pat tern. Now, hopefully you can see the pattern Which do you believe is the most accurate. Whistle While We Work Now we return to our new cleaning company started by your estranged half sister called Whistle While We Work You have some past sales data represented by the following section from a spreadsheet We first present the data for a three period moving average forecast. The entry for cell C6 should be. Now you can copy this cell formula down to the other cells C7 through C11.Notice how the average moves over the most recent historical data but uses exactly the three most recent periods available for each prediction You should also notice that we don t really need to make the predictions for the past periods in order to develop our most recent prediction This is definitely different from the exponential smoothing model I ve included the past predictions because we will use them in the next web page to measure prediction validity. Now I want to present the analogous results for a two period moving average forecast. The entry for cell C5 should be. Now you can copy this cell formula down to the other cells C6 through C11.Notice how now only the two most recent pieces of historical data are used for each prediction Again I have included the past predictions for illustrative purposes and for later use in forecast validation. Some other things that are of importance to notice. For an m-period moving average forecast only the m most recent data values are used to make the prediction Nothing else is necessary. For an m-period moving average forecast, when making past predictions , notice that the first prediction occurs in period m 1.Both of these issues will be very significant when we develop our code. Developing the Moving Average Function Now we need to develop the code for the moving average forecast that can be used more flexibly The code follows Notice that the inputs are for the number of periods you want to use in the forecast and the array of historical values You can stor e it in whatever workbook you want. Function MovingAverage Historical, NumberOfPeriods As Single Declaring and initializing variables Dim Item As Variant Dim Counter As Integer Dim Accumulation As Single Dim HistoricalSize As Integer. 변수 초기화 중 카운터 1 누계 0. 기록 배열 크기 HistoricalSize. For 카운터 1 For NumberOfPeriods. 가장 최근에 이전에 관측 된 값 중 적절한 수를 누적합니다. 누적 누적 기록 이력 - 크기 누적 횟수 카운터. 이동중 누적 누적 누적 횟수입니다. 코드가 클래스로 설명됩니다. 계산 결과가 필요한 위치에 표시되도록 스프레드 시트에 함수를 배치하려고합니다. 다음과 같이하십시오.