Gleitender Durchschnitt. Mean der Zeitreihen-Datenbeobachtungen gleichermaßen zeitlich beabstandet von mehreren aufeinanderfolgenden Perioden Angerufen, sich zu bewegen, weil es kontinuierlich neu berechnet wird, wenn neue Daten verfügbar werden, geht es fort, indem sie den frühesten Wert fällt und den letzten Wert addiert. Zum Beispiel der gleitende Durchschnitt von sechs - Monat Umsatz kann berechnet werden, indem man den Durchschnitt der Verkäufe von Januar bis Juni, dann der Durchschnitt der Verkäufe von Februar bis Juli, dann von März bis August, und so weiter Moving-Mittelwerte 1 reduzieren die Wirkung von temporären Variationen in Daten, 2 verbessern Die Anpassung der Daten an eine Zeile ein Prozess namens Glättung, um die Daten s Trend klarer zu zeigen, und 3 markieren Sie jeden Wert über oder unter dem Trend. Wenn Sie berechnen etwas mit sehr hoher Varianz das Beste, was Sie tun können, ist Figur Aus dem gleitenden Durchschnitt. Ich wollte wissen, was der gleitende Durchschnitt von den Daten war, also würde ich ein besseres Verständnis davon haben, wie wir es gemacht haben. Wenn Sie versuchen, herauszufinden, einige Zahlen, die sich oft ändern St können Sie tun, ist berechnen die gleitenden Durchschnitt. Box Jenkins BJ Modelle. Moving Durchschnitt - MA. BREAKING DOWN Moving Average - MA. As ein SMA Beispiel, betrachten eine Sicherheit mit den folgenden Schlusskurse über 15 Tage. Week 1 5 Tage 20, 22, 24, 25, 23.Week 2 5 Tage 26, 28, 26, 29, 27.Week 3 5 Tage 28, 30, 27, 29, 28. Eine 10-tägige MA würde die Schlusspreise für die erste ausgleichen 10 Tage als erster Datenpunkt Der nächste Datenpunkt würde den frühesten Preis fallen lassen, den Preis am Tag 11 addieren und den Durchschnitt nehmen, und so weiter wie unten gezeigt. Wie bereits erwähnt, behalten die MAs die aktuelle Preisaktion, weil sie auf der Vergangenheit basieren Preise je länger der Zeitraum für die MA, desto größer die Lag So ein 200-Tage-MA wird eine viel größere Verzögerung als ein 20-Tage-MA haben, weil es Preise für die letzten 200 Tage enthält Die Länge der MA zu verwenden Hängt von den Handelszielen ab, wobei kürzere MAs für den kurzfristigen Handel und längerfristige MAs für langfristige Investoren besser geeignet sind. Der 200-Tage-MA wird weitgehend von Investo gefolgt Rs und trader, mit Pausen über und unter diesem gleitenden Durchschnitt als wichtige Handelssignale. MAs auch vermitteln wichtige Handelssignale auf eigene Faust, oder wenn zwei Durchschnitte überkreuzen Eine steigende MA zeigt an, dass die Sicherheit in einem Aufwärtstrend ist, während eine abnehmende MA Zeigt an, dass es sich in einem Abwärtstrend befindet. Ähnlich wird die Aufwärtsbewegung mit einem bullish Crossover bestätigt, der auftritt, wenn ein kurzfristiges MA über einen längerfristigen MA-Abwärtsimpuls überragt, mit einem bärigen Crossover bestätigt wird, der auftritt, wenn ein kurzfristiges MA kreuzt Unterhalb eines längerfristigen MA. A Prognoseberechnungsbeispiele. 1 PrognoseberechnungsmethodenTuchmethoden zur Berechnung von Prognosen sind verfügbar Die meisten dieser Methoden sorgen für eine eingeschränkte Benutzerkontrolle. Zum Beispiel ist das Gewicht der letzten historischen Daten oder des Datumsbereichs historisch Daten, die in den Berechnungen verwendet werden, können spezifiziert werden Die folgenden Beispiele zeigen das Berechnungsverfahren für jede der verfügbaren Prognosemethoden, wobei ein identischer Satz von Historische Daten. Die folgenden Beispiele verwenden die gleichen 2004 und 2005 Umsatzdaten, um eine 2006 Umsatzprognose zu produzieren Neben der Prognoseberechnung enthält jedes Beispiel eine simulierte 2005-Prognose für eine dreimonatige Holdout-Periode Verarbeitungsoption 19 3, die dann für Prozent verwendet wird Der Genauigkeit und der mittleren Absolutabweichung Berechnungen tatsächlichen Umsatz im Vergleich zu simulierten Prognose. A 2 Prognose Performance Evaluation Criteria. D Je nach Auswahl der Verarbeitungsoptionen und auf die Trends und Muster, die in den Verkaufsdaten vorhanden sind, werden einige Prognosemethoden besser als andere für eine Gegebenes historisches Datensatz Eine für ein Produkt geeignete Prognosemethode ist möglicherweise nicht für ein anderes Produkt geeignet. Es ist auch unwahrscheinlich, dass eine Prognosemethode, die in einem Stadium des Lebenszyklus eines Produkts gute Ergebnisse liefert, über den gesamten Lebenszyklus hinweg angemessen bleibt. Sie können zwischen zwei Methoden wählen, um die aktuelle Leistung der Prognosemethoden zu bewerten Re Mean Absolute Deviation MAD und Prozent der Genauigkeit POA Beide dieser Performance-Evaluation Methoden erfordern historische Verkaufsdaten für einen Benutzer bestimmten Zeitraum Diese Zeitspanne wird als Halteperiode oder Perioden am besten passt PBF Die Daten in diesem Zeitraum wird als verwendet Grundlage für die Empfehlung, welche der Prognosemethoden bei der Erstellung der nächsten Prognoseprojektion verwendet werden soll Diese Empfehlung ist für jedes Produkt spezifisch und kann von einer Prognoseerzeugung zur nächsten wechseln. Die beiden Prognoseleistungsbewertungsmethoden werden in den Seiten nach den Beispielen der Zwölf Prognosemethoden. 3 Methode 1 - spezifizierte Prozent über letztes Jahr. Diese Methode multipliziert die Verkaufsdaten aus dem Vorjahr mit einem vom Benutzer angegebenen Faktor zum Beispiel 1 10 für eine 10 Zunahme oder 0 97 für eine 3 Abnahme. Erforderliche Verkaufsgeschichte Ein Jahr für die Berechnung der Prognose plus der benutzerdefinierten Anzahl von Zeiträumen für die Auswertung der Prognoseleistungsverarbeitungsoption 19.A 4 1 Prognose Calc Ulation. Range of Sales Geschichte zu verwenden bei der Berechnung Wachstumsfaktor Verarbeitung Option 2a 3 in diesem Beispiel. Sum die letzten drei Monate des Jahres 2005 114 119 137 370.Sum die gleichen drei Monate für das Vorjahr 123 139 133 395.Der berechnete Faktor 370 395 0 9367.Kalkulieren Sie die Prognosen. Januar, 2005 Umsatz 128 0 9367 119 8036 oder etwa 120.Februar, 2005 Umsatz 117 0 9367 109 5939 oder etwa 110.März, 2005 Umsatz 115 0 9367 107 7205 oder etwa 108.A 4 2 Simulierte Prognoseberechnung. Sum die drei Monate des Jahres 2005 vor der Halteperiode Juli, August, September 129 140 131 400.Sum die gleichen drei Monate für das Vorjahr.141 128 118 387.Der berechnete Faktor 400 387 1 033591731.Calculate simuliert Prognose. Oktober, 2004 Umsatz 123 1 033591731 127 13178.November 2004 Verkauf 139 1 033591731 143 66925.December, 2004 Umsatz 133 1 033591731 137 4677.A 4 3 Prozent der Genauigkeit Berechnung. POA 127 13178 143 66925 137 4677 114 119 137 100 408 26873 370 100 110 3429.A 4 4 Mittlere Absolute Abweichungsberechnung. MAD 127 13178 - 114 143 66925 - 119 137 4677- 137 3 13 13178 24 66925 0 4677 3 12 75624.A 5 Methode 3 - Letztes Jahr in diesem Jahr. Diese Methode kopiert die Verkaufsdaten vom Vorjahr auf das nächste Jahr. Erforderliche Verkaufsgeschichte Ein Jahr für die Berechnung der Prognose plus die Anzahl der Zeiträume für die Bewertung der Prognose Performance Processing Option 19.A 6 1 Prognose Berechnung. Nummer der Perioden in die durchschnittliche Verarbeitungsoption 4a 3 in diesem Beispiel aufgenommen werden. Für jeden Monat der Prognose , Durchschnitt der letzten drei Monatsdaten. Januarprognose 114 119 137 370, 370 3 123 333 oder 123.Februarprognose 119 137 123 379, 379 3 126 333 oder 126.Märzvorhersage 137 123 126 379, 386 3 128 667 oder 129.A 6 2 Simulierte Prognoseberechnung. Oktober 2005 Umsatz 129 140 131 3 133 3333.November 2005 Umsatz 140 131 114 3 128 3333.Dekember 2005 Umsatz 131 114 119 3 121 3333.A 6 3 Prozent der Genauigkeitsberechnung. POA 133 3333 128 3333 121 3333 114 119 137 100 103 513.A 6 4 Mittlere Absolutabweichungsberechnung. MA D 133 3333 - 114 128 3333 - 119 121 3333 - 137 3 14 7777.A 7 Methode 5 - Lineare Approximation. Linear Die Approximation berechnet einen Trend, der auf zwei Daten der Verkaufsgeschichte basiert. Diese beiden Punkte definieren eine gerade Trendlinie, die projiziert wird Die Zukunft Verwenden Sie diese Methode mit Vorsicht, da Langstrecken-Prognosen durch kleine Änderungen in nur zwei Datenpunkten genutzt werden. Benötigte Verkaufsgeschichte Die Anzahl der Perioden, die in die Regressionsverarbeitungsoption 5a gehören, plus 1 plus die Anzahl der Zeiträume für die Bewertung der Prognoseleistung Verarbeitungsoption 19.A 8 1 Prognoseberechnung. Zahl der Perioden, die in der Regressionsverarbeitungsoption 6a 3 in diesem Beispiel enthalten sind. Für jeden Monat der Prognose fügen Sie die Erhöhung oder Abnahme während der angegebenen Zeiträume vor der Halteperiode der vorherigen Periode hinzu Der vorangegangenen drei Monate 114 119 137 3 123 3333. Zusammenfassung der letzten drei Monate mit Gewicht berücksichtigt. 114 1 119 2 137 3 763.Differenz zwischen den Werten. 763 - 123 3333 1 2 3 23.Ratio 1 2 2 2 3 2 - 2 3 14 - 12 2.Value1 Differenzverhältnis 23 2 11 5.Value2 Durchschnitt - Wert1 Verhältnis 123 3333 - 11 5 2 100 3333.Forecast 1 n Wert1 Wert2 4 11 5 100 3333 146 333 oder 146.Forecast 5 11 5 100 3333 157 8333 oder 158.Forecast 6 11 5 100 3333 169 3333 oder 169.A 8 2 Simulierte Prognoseberechnung. Oktober 2004 sales. Average der letzten drei Monate . 129 140 131 3 133 3333. Zusammenfassung der letzten drei Monate mit Gewicht betrachtet. 129 1 140 2 131 3 802.Differenz zwischen den Werten. 802 - 133 3333 1 2 3 2.Ratio 1 2 2 2 3 2 - 2 3 14 - 12 2.Value1 Differenzverhältnis 2 2 1.Value2 Durchschnitt - Wert1 Verhältnis 133 3333 - 1 2 131 3333.Forecast 1 n Wert1 Wert2 4 1 131 3333 135 3333.November 2004 sales. Average der letzten drei Monate. 140 131 114 3 128 3333.Befestigung der letzten drei Monate mit Gewicht berücksichtigt. 140 1 131 2 114 3 744.Differenz zwischen den Werten 744 - 128 3333 1 2 3 -25 9999.Value1 Differenzverhältnis -25 9999 2 -12 9999.Value2 Durchschnitt - Wert1 Verhältnis 128 3333 - -12 9999 2 154 3333.Forecast 4 -12 9999 154 3333 102 3333.Dekember 2004 sales. Average der letzten drei Monate. 131 114 119 3 121 3333. Zusammenfassung der letzten drei Monate mit Gewicht betrachtet. 131 1 114 2 119 3 716.Differenz zwischen den Werten. 716 - 121 3333 1 2 3 -11 9999.Value1 Differenzverhältnis -11 9999 2 -5 9999.Value2 Durchschnitt - Wert1 Verhältnis 121 3333 - -5 9999 2 133 3333.Forecast 4 -5 9999 133 3333 109 3333.A 8 3 Prozentsatz der Genauigkeitsberechnung. POA 135 33 102 33 109 33 114 119 137 100 93 78.A 8 4 Mittlere Absolutabweichungsberechnung. MAD 135 33 - 114 102 33 - 119 109 33 - 137 3 21 88.A 9 Methode 7 - Zweitens Grad Approximation. Linear Regression bestimmt Werte für a und b in der Prognoseformel Y a bX mit dem Ziel, eine Gerade an die Verkaufsgeschichte Daten anzupassen Zweite Grad Approximation ist ähnlich Diese Methode bestimmt jedoch Werte für a, b und c in Die Prognoseformel Y a bX cX2 mit dem Ziel, eine Kurve an die Verkaufsgeschichtsdaten anzupassen Diese Methode kann nützlich sein, wenn ein Produkt im Übergang zwischen den Phasen eines Lebenszyklus ist. Wenn beispielsweise ein neues Produkt von der Einführung in die Wachstumsstadien bewegt wird , Kann sich die Umsatzentwicklung beschleunigen. Aufgrund der zweiten Bestellung kann sich die Prognose schnell nähern Unendlichkeit oder Tropfen auf Null, je nachdem, ob der Koeffizient c positiv oder negativ ist. Daher ist diese Methode nur kurzfristig nützlich. Forecast-Spezifikationen Die Formeln finden a, b und c, um eine Kurve auf genau drei Punkte zu setzen. Sie geben n in der Verarbeitungsoption 7a, die Anzahl der Zeitperioden der Daten, um sich in jeden der drei Punkte zu akkumulieren In diesem Beispiel n 3 Daher werden die tatsächlichen Verkaufsdaten für April bis Juni in den ersten Punkt zusammengefasst, Q1 Juli bis September werden zusammen addiert, um Q2 zu erstellen Und Oktober bis Dezember Summe auf Q3 Die Kurve wird an die drei Werte Q1, Q2 und Q3 angepasst. Erforderliche Verkaufshistorie 3 n Perioden für die Berechnung der Prognose plus die Anzahl der Zeiträume, die für die Auswertung der Prognoseleistung erforderlich sind PBF. Number of Perioden, um die Verarbeitungsoption 7a 3 in diesem Beispiel aufzunehmen. Verwenden Sie die vorherigen 3 n Monate in dreimonatigen Blocks. Qu1 Apr - Jun 125 122 137 384.Q2 Jul - Sep 129 140 131 400.Q3 Okt - Dec 114 119 137 370. Der nächste Schritt beinhaltet c Wobei die drei Koeffizienten a, b und c in der Vorhersageformel Y a bX cX 2 verwendet werden. 1 Q1 a bX cX 2 wobei X 1 a b c ist. 2 Q2 a bX cX 2 wobei X 2 a 2b 4c 3 Q3 a bX cX 2 wobei X 3 a 3b 9c die drei Gleichungen gleichzeitig analysieren, um b, a und c zu finden. Gleichung Gleichung 1 aus Gleichung 2 zu addieren und für b zu lösen. Diese Gleichung für b in Gleichung 3 einzustellen. 3 Q3 a 3 Q2 - Q1 - 3c c. Schließen Sie diese Gleichungen für a und b in Gleichung 1. Q3 - 3 Q2 - Q1 q2 - Q1 - 3c c Q1.c Q3 - Q2 Q1 - Q2 2.Die zweite Grad Approximation Methode berechnet A, b und c wie folgt. a 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 cX 2 322 85 X -23 X 2.Januar bis März Vorhersage X 4. 322 340 - 368 3 294 3 98 pro Periode. April bis Juni Prognose X 5. 322 425 - 575 3 57 333 oder 57 pro Zeitraum. Juli bis September Prognose X 6. 322 510 - 828 3 1 33 oder 1 pro Zeitraum. Oktober bis Dezember X 7. 322 595 - 1127 3 -70.A 9 2 Simulierte Prognose Berechnung. Oktober, November Und Dezember 2004 sales. Q1 Jan - Mar 360.Q2 Apr - Jun 384.Q3 Jul - Sep 400.a 400 - 3 384 - 360 328.c 400 - 384 360 - 384 2 -4.b 384 - 360 - 3 -4 36. 328 36 4 -4 16 3 136.A 9 3 Prozent der Genauigkeitsberechnung. POA 136 136 136 114 119 137 100 110 27.A 9 4 Mittlere Absolutabweichungsberechnung. MAD 136 - 114 136 - 119 136 - 137 3 13 33.A 10 Methode 8 - Flexible Methode. Die Flexible Methode Prozent über n Monate Prior ist ähnlich wie Methode 1, Prozent über letztes Jahr Beide Methoden multiplizieren Verkaufsdaten aus einer vorherigen Zeitspanne durch einen vom Benutzer angegebenen Faktor , Dann projizieren Sie das Ergebnis in die Zukunft In der Percent Over Last Year Methode basiert die Projektion auf Daten aus dem gleichen Zeitraum im Vorjahr Die Flexible Methode fügt die Möglichkeit hinzu, einen anderen Zeitraum als den gleichen Zeitraum des Vorjahres anzugeben Verwendung als Grundlage für die Berechnungen. Multiplikationsfaktor Geben Sie z. B. 1 15 in der Verarbeitungsoption 8b an, um die bisherigen Verkaufsverlaufsdaten um 15.Basisperiode zu erhöhen. Beispielsweise wird n 3 die erste Prognose auf Verkaufsdaten in Oktober 2005.Minimum Verkaufsgeschichte Der Benutzer angegebene Nummer o F Perioden zurück zur Basisperiode plus die Anzahl der Zeiträume, die für die Auswertung der Prognoseleistung erforderlich sind. PBF. 10 4 Mittlere Absolute Abweichungsberechnung. MAD 148 - 114 161 - 119 151 - 137 3 30.A 11 Methode 9 - Gewichtetes Verschieben Durchschnittlich Die gewichtete Moving Average WMA Methode ähnelt Methode 4, Moving Average MA Mit dem Weighted Moving Average können Sie den historischen Daten ungleiche Gewichte zuordnen. Die Methode berechnet einen gewichteten Durchschnitt der letzten Verkaufsgeschichte, um eine Projektion für die Kurzfristig Neuere Daten werden in der Regel ein größeres Gewicht als ältere Daten zugewiesen, so dass WMA eher auf Verschiebungen im Umsatzniveau reagiert. Allerdings treten prognostizierte Bias und systematische Fehler immer noch auf, wenn die Produktverkäufe Geschichte starken Trend oder saisonalen Mustern aufweist Methode funktioniert besser für kurzfristige Prognosen von reifen Produkten anstatt für Produkte in der Wachstums - oder Obsoleszenzstadien des Lebenszyklus. n die Anzahl der Perioden der Verkaufsgeschichte zu verwenden in Die Prognoseberechnung Geben Sie z. B. n 3 in der Verarbeitungsoption 9a an, um die letzten drei Perioden als Grundlage für die Projektion in den nächsten Zeitraum zu verwenden. Ein großer Wert für n wie 12 erfordert mehr Umsatzhistorie Es ergibt eine stabile Prognose , Aber wird langsam zu erkennen Verschiebungen in der Ebene des Umsatzes Auf der anderen Seite wird ein kleiner Wert für n wie 3 reagieren schneller auf Verschiebungen in der Ebene des Umsatzes, aber die Prognose kann so weit schwanken, dass die Produktion nicht reagieren kann Die Variationen. Das Gewicht, das jeder der historischen Datenperioden zugeordnet ist, muss die zugewiesene Gewichte auf 1 00 betragen. Wenn z. B. n 3 Gewichte von 0 6, 0 3 und 0 1 zugewiesen werden, wobei die letzten Daten das größte Gewicht erhalten. Minimum erforderliche Verkaufsgeschichte n plus die Anzahl der Zeiträume, die für die Auswertung der Prognoseleistung erforderlich sind PBF. MAD 133 5 - 114 121 7 - 119 118 7 - 137 3 13 5.A 12 Methode 10 - Lineare Glättung. Diese Methode ist ähnlich Methode 9, gewichtete bewegliche durchschnittliche WMA Wie Sogar, anstelle der willkürlichen Zuordnung von Gewichten zu den historischen Daten, wird eine Formel verwendet, um Gewichte zuzuordnen, die linear abfallen und auf 1 00 summieren. Die Methode berechnet dann einen gewichteten Durchschnitt der letzten Verkaufsgeschichte, um zu einer Projektion für die kurzfristige zu gelangen Echt von allen linearen gleitenden durchschnittlichen Prognosetechniken, prognostizierten Vorurteilen und systematischen Fehlern treten auf, wenn die Produktverkäufe Geschichte starke Tendenz oder saisonale Muster zeigt. Diese Methode arbeitet besser für kurze Reichweitenprognosen von reifen Produkten und nicht für Produkte in den Wachstums - oder Obsoleszenzstadien des Lebens Zyklus. n die Anzahl der Perioden der Verkaufshistorie, die bei der Prognoseberechnung verwendet werden soll. Dies ist in der Verarbeitungsoption 10a angegeben. Geben Sie z. B. n 3 in der Verarbeitungsoption 10b an, um die letzten drei Perioden als Grundlage für die Projektion in die Nächste Zeitperiode Das System ordnet die Gewichte automatisch den historischen Daten zu, die linear abfallen und auf 1 00 summieren. Wenn z. B. n 3 die s Ystem wird Gewichte von 0 5, 0 3333 und 0 1 zuordnen, wobei die aktuellsten Daten das größte Gewicht erhalten. Minimum erforderliche Verkaufsgeschichte n plus die Anzahl der Zeiträume, die für die Auswertung der Prognoseleistung PBF erforderlich sind. 12 1 Prognoseberechnung. Anzahl der Perioden, die in der Glättung der durchschnittlichen Verarbeitungsoption 10a 3 in diesem Beispiel enthalten sind. Ratio für einen Zeitraum vor 3 n 2 n 2 3 3 2 3 2 3 6 0 5.Ratio für zwei Perioden vorher 2 n 2 n 2 2 3 2 3 2 2 6 0 3333.Ratio für drei Perioden vor 1 n 2 n 2 1 3 2 3 2 1 6 0 1666.Januarprognose 137 0 5 119 1 3 114 1 6 127 16 oder 127.Februarprognose 127 0 5 137 1 3 119 1 6 129.Märzvorhersage 129 0 5 127 1 3 137 1 6 129 666 oder 130.A 12 2 Simulierte Prognoseberechnung. Oktober 2004 Umsatz 129 1 6 140 2 6 131 3 6 133 6666.November 2004 Umsatz 140 1 6 131 2 6 114 3 6 124Dezember 2004 Umsatz 131 1 6 114 2 6 119 3 6 119 3333.A 12 3 Prozent der Genauigkeitsberechnung. POA 133 6666 124 119 3333 114 119 137 100 101 891.A 12 4 Mittlere Absolutabweichung Berechnung. WÜTEND 133 6666 - 114 124 - 119 119 3333 - 137 3 14 1111.A 13 Methode 11 - Exponentielle Glättung. Dieses Verfahren ähnelt Methode 10, Lineare Glättung In der linearen Glättung weist das System den historischen Daten, die linear abfallen, Gewichte zu. Bei der exponentiellen Glättung , Das System ordnet Gewichte, die exponentiell abklingen Die exponentielle Glättung Vorhersage Gleichung ist. Forecast eine vorherige tatsächliche Umsatz 1 - a vorherige Prognose. Die Prognose ist ein gewichteter Durchschnitt der tatsächlichen Umsatz aus der vorherigen Periode und die Prognose aus der vorherigen Periode a ist die Gewicht auf die tatsächlichen Verkäufe für die vorherige Periode 1 - a ist das Gewicht auf die Prognose für die vorherige Periode angewendet Gültige Werte für einen Bereich von 0 bis 1 und in der Regel fallen zwischen 0 1 und 0 4 Die Summe der Gewichte ist 1 00 a 1 - a 1.Sie sollten einen Wert für die Glättungskonstante zuweisen, a Wenn Sie keine Werte für die Glättungskonstante zuordnen, berechnet das System einen angenommenen Wert auf der Grundlage der Anzahl der Perioden des Verkaufsverlaufs D in der Verarbeitungsoption 11aa die Glättungskonstante, die bei der Berechnung des geglätteten Durchschnitts für die allgemeine Ebene oder Größe des Verkaufs verwendet wird. Gültige Werte für einen Bereich von 0 bis 1.n der Bereich der Verkaufsgeschichte Daten, um in die Berechnungen enthalten In der Regel ein Jahr Der Verkaufsgeschichte Daten reichen aus, um das allgemeine Umsatzniveau abzuschätzen. Für dieses Beispiel wurde ein kleiner Wert für nn 3 gewählt, um die manuellen Berechnungen zu reduzieren, die erforderlich sind, um die Ergebnisse zu verifizieren. Eine exponentielle Glättung kann eine Prognose erzeugen, die auf so wenig wie eine historische basiert Datenpunkt. Minimum erforderliche Verkaufsgeschichte n plus die Anzahl der Zeiträume, die für die Auswertung der Prognoseleistung erforderlich sind PBF. A 13 1 Prognoseberechnung. Zahl der Perioden, die in die Glättung der durchschnittlichen Verarbeitungsoption 11a 3 und die Alpha-Faktor-Verarbeitungsoption 11b in diesem enthalten sind Beispiel ein Faktor für die ältesten Verkaufsdaten 2 1 1 oder 1, wenn alpha angegeben ist. ein Faktor für die 2. ältesten Verkaufsdaten 2 1 2 oder alpha, wenn alpha angegeben ist. ein Faktor Für die 3. ältesten Verkaufsdaten 2 1 3 oder alpha, wenn alpha angegeben ist. ein Faktor für die letzten Verkaufsdaten 2 1 n oder alpha, wenn alpha angegeben ist. November Sm Avg a Oktober Tatsächlich 1 - ein Oktober Sm Avg 1 114 0 0 114.December Sm Avg a November Actual 1 - ein November Sm Avg 2 3 119 1 3 114 117 3333.Januar Prognose a Dezember Tatsächlich 1 - ein Dezember Sm Avg 2 4 137 2 4 117 3333 127 16665 oder 127.Februarprognose Januar Vorhersage 127.März Prognose Januar Vorhersage 127.A 13 2 Simulierte Prognose Berechnung. Juli 2004 Sm Avg 2 2 129 129.August Sm Avg 2 3 140 1 3 129 136 3333.September Sm Avg 2 4 131 2 4 136 3333 133 6666.Oktober, 2004 Umsatz Sep Sm Avg 133 6666.August, 2004 Sm Avg 2 2 140 140.September Sm Avg 2 3 131 1 3 140 134.Oktober Sm Avg 2 4 114 2 4 134 124.November 2004 Verkauf Sep Sm Durchschn. 124.September 2004 Sm Avg 2 2 131 131.Oktober Sm Avg 2 3 114 1 3 131 119 6666.November Sm Avg 2 4 119 2 4 119 6666 119 3333.December 2004 Umsatz Sep Sm Avg 119 3333.A 13 3 Prozent Der Genauigkeitskalkula Tion. POA 133 6666 124 119 3333 114 119 137 100 101 891.A 13 4 Mittlere Absolutabweichungsberechnung. MAD 133 6666 - 114 124 - 119 119 3333 - 137 3 14 1111.A 14 Methode 12 - Exponentielle Glättung mit Trend und Saisonalität Diese Methode ähnelt Methode 11, Exponentielle Glättung, da ein geglätteter Durchschnitt berechnet wird. Allerdings enthält Methode 12 auch einen Term in der Prognosegleichung, um einen geglätteten Trend zu berechnen. Die Prognose setzt sich aus einer geglätteten gemittelten gemittelten für einen linearen Trend zusammen In der Verarbeitungsoption wird die Prognose auch für die Saisonalität angepasst. a die Glättungskonstante, die bei der Berechnung des geglätteten Durchschnitts für die allgemeine Ebene oder Größe des Verkaufs verwendet wird. Gültige Werte für Alpha-Bereich von 0 bis 1.b die Glättungskonstante, die bei der Berechnung des geglätteten verwendet wird Durchschnitt für die Trendkomponente der Prognose Gültige Werte für Beta-Bereich von 0 bis 1.Wenn ein saisonaler Index auf die Prognose angewendet wird. a und b unabhängig voneinander sind, müssen sie nicht zu 1 0.Min hinzufügen Imum erforderliche Verkaufsgeschichte zwei Jahre plus die Anzahl der Zeiträume, die für die Auswertung der Prognoseleistung erforderlich sind. PBF. Method 12 verwendet zwei exponentielle Glättungsgleichungen und einen einfachen Durchschnitt, um einen geglätteten Durchschnitt, einen geglätteten Trend und einen einfachen durchschnittlichen saisonalen Faktor zu berechnen 1 Prognoseberechnung A. Ein exponentiell geglätteter Durchschnitt. MAD 122 81 - 114 133 14 - 119 135 33 - 137 3 8 2.A 15 Auswertung der Prognosen. Sie können Prognosemethoden auswählen, um bis zu zwölf Prognosen für jedes Produkt zu erzeugen. Jede Prognose Methode wird wahrscheinlich eine etwas andere Projektion verursachen Wenn Tausende von Produkten prognostiziert werden, ist es unpraktisch, eine subjektive Entscheidung darüber zu treffen, welche der Prognosen in Ihren Plänen für jedes der Produkte verwendet werden. Das System wertet automatisch die Leistung für jede der Prognosemethoden aus Dass Sie wählen, und für jede der Produkte prognostiziert Sie können zwischen zwei Leistungskriterien wählen, Mean Absolute Deviation MAD und Prozent von Accur Acy POA MAD ist ein Maß für den Prognosefehler POA ist ein Maß für die Prognose-Bias Beide dieser Performance-Evaluationstechniken erfordern tatsächliche Verkaufsgeschichte Daten für einen Benutzer bestimmten Zeitraum Diese Periode der jüngsten Geschichte wird als Halteperiode oder Perioden am besten passt PBF. Um die Leistung einer Prognosemethode zu messen, verwenden Sie die Prognoseformeln, um eine Prognose für die historische Holdout-Periode zu simulieren. Es gibt normalerweise Unterschiede zwischen den tatsächlichen Verkaufsdaten und der simulierten Prognose für den Holdout-Zeitraum. Wenn mehrere Prognosemethoden ausgewählt werden, Tritt für jede Methode auf Mehrere Prognosen werden für die Halteperiode berechnet und verglichen mit der bekannten Verkaufsgeschichte für denselben Zeitraum Die Vorhersagemethode, die die beste Übereinstimmung liefert, die am besten zwischen der Prognose und dem tatsächlichen Verkauf während des Haltezeitraums passt, wird zur Verwendung empfohlen In Ihren Plänen Diese Empfehlung ist für jedes Produkt spezifisch und könnte von einer Prognoseerzeugung auf die ne ändern Xt. A 16 Mittlere Absolute Abweichung MAD. MAD ist der Mittelwert oder Durchschnitt der Absolutwerte oder Größe der Abweichungen oder Fehler zwischen Ist - und Prognosedaten MAD ist ein Maß für die durchschnittliche Größe der zu erwartenden Fehler bei einer Prognosemethode und Daten Historie Da bei der Berechnung absolute Werte verwendet werden, werden bei positiven Fehlern keine negativen Fehler aufgehoben. Beim Vergleich mehrerer Prognosemethoden hat sich derjenige mit dem kleinsten MAD als zuverlässig für dieses Produkt für diesen Holdout-Zeitraum erwiesen. Wenn die Prognose unvoreingenommen ist und Fehler sind normal verteilt, es gibt eine einfache mathematische Beziehung zwischen MAD und zwei anderen gemeinsamen Maßnahmen der Verteilung, Standardabweichung und Mean Squared Error. A 16 1 Prozent der Genauigkeit POA. Percent der Genauigkeit POA ist ein Maß für die Prognose Bias Wenn Prognosen konsequent sind Zu hoch, Vorräte sammeln und Inventar Kosten steigen Wenn Prognosen konsequent zwei niedrig sind, werden Vorräte verbraucht und Kundendienst sinken S Eine Prognose, die 10 Einheiten zu niedrig ist, dann 8 Einheiten zu hoch, dann 2 Einheiten zu hoch, wäre eine unvoreingenommene Prognose Der positive Fehler von 10 wird durch negative Fehler von 8 und 2 aufgehoben. Error Actual - Forecast. Wenn ein Produkt Kann im Inventar gespeichert werden, und wenn die Prognose ist unparteiisch, kann eine kleine Menge an Sicherheitsbestand verwendet werden, um die Fehler zu puffern In dieser Situation ist es nicht so wichtig, Prognosefehler zu beseitigen, wie es ist, um unvoreingenommene Prognosen zu generieren Aber in Dienstleistungsindustrien , Würde die obige Situation als drei Fehler angesehen werden Der Dienst würde in der ersten Periode unterbesetzt sein, dann überstaffed für die nächsten zwei Perioden In Dienstleistungen ist die Größe der Prognosefehler in der Regel wichtiger als die Vorhersage Bias. Die Summation über die Holdout Zeitraum Ermöglicht positive Fehler, um negative Fehler zu annullieren Wenn die Summe der tatsächlichen Verkäufe die Summe der Prognoseverkäufe übersteigt, ist das Verhältnis größer als 100 Natürlich ist es unmöglich, mehr als 100 genau zu sein Wenn eine Prognose unbias ist Ed, das POA-Verhältnis wird 100 sein. Daher ist es wünschenswerter, 95 genau zu sein, als 110 genau zu sein. Die POA-Kriterien wählen die Prognosemethode, die ein POA-Verhältnis hat, das am nächsten zu 100.Scripting auf dieser Seite ist, verbessert die Inhaltsnavigation, aber nicht Ändern Sie den Inhalt in irgendeiner Weise.
Comments
Post a Comment