3 أشهر الحركة من المتوسط الطلب ، توقعات

أور-نوتس عبارة عن سلسلة من الملاحظات التمهيدية حول الموضوعات التي تقع تحت عنوان واسع من مجال بحوث العمليات أو أنها كانت تستخدم أصلا من قبل لي في تمهيدية أو بالطبع أعطي في كلية إمبريال وهي متاحة الآن للاستخدام من قبل أي طالب و والمعلمين المهتمين في أو تخضع للشروط التالية. القائمة الكاملة للموضوعات المتوفرة في أور-نوتس يمكن العثور عليها هنا. مثال فوريكاستينغ. فوركاستينغ المثال 1996 أوغ الامتحان. الطلب على المنتج في كل من الأشهر الخمسة الماضية هو مبين أدناه. استخدم المتوسط ​​المتحرك لمدة شهرين لتوليد توقعات للطلب في الشهر 6. تطبيق التمهيد الأسي مع ثابت التمهيد من 0 9 لتوليد توقعات للطلب على الطلب في الشهر 6. أي من هذين التنبؤين تفضل ولماذا. ويعطى المتوسط ​​المتحرك لمدة شهرين للأشهر من سنتين إلى خمس سنوات. التوقعات للشهر السادس هي مجرد المتوسط ​​المتحرك للشهر قبل ذلك أي المتوسط ​​المتحرك للشهر 5 م 5 2350. تطبيق التمدد الأسي مع التمهيد ثابت من 0 9 نحصل. كما قبل توقعات لشهر ستة هو مجرد متوسط ​​للشهر 5 M 5 2386.لقارن بين توقعات اثنين نحسب متوسط ​​الانحراف التربيعية مسد إذا فعلنا ذلك نجد أن بالنسبة للمتوسط ​​المتحرك. مسد 15 - 19 18 - 23 21 - 24 3 16 67. وبالنسبة للمتوسط ​​الملمس أضعافا مع ثابت تمهيد من 0 9. مسد 13 - 17 16 60 - 19 18 76 - 23 22 58 - 24 4 10 44. أوفيرال ثم نحن نرى أن تمهيد الأسي يبدو أن تعطي أفضل توقعات شهر واحد قبل كما أن لديها مسد أقل وبالتالي نحن نفضل توقعات 2386 التي تم إنتاجها من قبل التمهيد الأسي. تمهيد المثال 1994 امتحان أوغ. ويبين الجدول أدناه الطلب على جديد بعد الحلاقة في متجر لكل من الأشهر ال 7 الماضية. حساب المتوسط ​​المتحرك لمدة شهرين لمدة شهرين إلى سبعة ماذا سيكون توقعاتك للطلب في الشهر الثامن. تطبيق التمهيد الأسي مع ثابت تجانس 0 1 لاستخلاص توقعات ل الطلب في الشهر ثمانية. وهو من اثنين من التوقعات عن الشهر الثامن تفعل يو u تفضل ولماذا. ويعتقد صاحب متجر أن العملاء يتحولون إلى هذا الجديد بعد البيع من ماركات أخرى ناقش كيف قد نموذج هذا السلوك التبديل وتشير البيانات التي سوف تحتاج إلى تأكيد ما إذا كان هذا التحول يحدث أم لا. الشهرين تتحرك متوسط ​​لشهرين إلى سبعة تعطى من قبل. التوقعات عن الشهر الثامن هو مجرد المتوسط ​​المتحرك للشهر قبل ذلك أي المتوسط ​​المتحرك لشهر 7 م 7 46. تطبيق التجانس الأسي مع ثابت تمهيد من 0 1 نحصل. أ قبل التوقعات لشهر الثامن هو مجرد المتوسط ​​للشهر 7 M 7 31 11 31 كما أننا لا يمكن أن يكون الطلب كسور. لإجراء مقارنة بين اثنين من توقعات نحسب متوسط ​​الانحراف التربيعية مسد إذا فعلنا ذلك نجد أنه بالنسبة للمتوسط ​​المتحرك. للمتوسط ​​السلس المتسارع مع ثابت التمهيد من 0 1. وعموما فإننا نرى أن المتوسط ​​المتحرك لمدة شهرين ويبدو أن تعطي أفضل توقعات شهر واحد كما أن لديها مسد أقل وبالتالي نحن نفضل توقعات س و 46 التي تم إنتاجها من قبل المتوسط ​​المتحرك لمدة شهرين. لتحديد التحول سنحتاج إلى استخدام نموذج عملية ماركوف، حيث الدول العلامات التجارية، ونحن بحاجة إلى معلومات الحالة الأولية واحتمالات تبديل العملاء من المسوحات ونحن بحاجة إلى تشغيل النموذج على البيانات التاريخية لمعرفة ما إذا كان لدينا تناسب بين النموذج والسلوكيات التاريخية. مثال فوريكاجينغ 1992 أوغ الامتحان. الجدول أدناه يوضح الطلب على علامة تجارية معينة من الحلاقة في متجر لكل من الأشهر التسعة الماضية. حساب ثلاثة أشهر تتحرك متوسط ​​لأشهر ثلاثة إلى تسعة ماذا سيكون توقعاتك للطلب في الشهر العاشر. تطبيق التمهيد الأسي مع ثابت تجانس 0 3 لاستخلاص توقعات للطلب في الشهر العاشر. وهو من اثنين من التوقعات لشهر عشرة هل تفضل ولماذا. المتوسط ​​المتحرك لمدة ثلاثة أشهر للأشهر 3 إلى 9 يعطى من قبل. التوقعات لشهر 10 هو مجرد المتوسط ​​المتحرك للشهر قبل ذلك أي المتوسط ​​المتحرك للشهر 9 م 9 20 33.Hence كما لا يمكننا أن يكون طلب كسور توقعات لشهر 10. 20. تطبيق التمهيد الأسي مع ثابت تمهيد من 0 3 نحصل. كما قبل توقعات لشهر 10 هو مجرد متوسط ​​للشهر 9 M 9 18 57 19 كما لا يمكننا أن يكون الطلب كسور. ل مقارنة التنبؤين نحسب متوسط ​​الانحراف التربيعي مسد إذا فعلنا ذلك نجد أنه بالنسبة للمتوسط ​​المتحرك. وبالنسبة للمتوسط ​​السلس الأسي مع ثابت التمهيد من 0 3. أوفيرال ثم نرى أن المتوسط ​​المتحرك ثلاثة أشهر ويبدو أن تعطي أفضل التوقعات قبل شهر واحد كما أن لديها مسد أقل وبالتالي نحن نفضل توقعات 20 التي تم إنتاجها من قبل المتوسط ​​المتحرك لمدة ثلاثة أشهر. مثال عام 1991 امتحان أوغ. ويبين الجدول أدناه الطلب على علامة تجارية معينة من جهاز الفاكس في متجر في كل من الأشهر الاثنى عشر الماضية. حساب المتوسط ​​المتحرك لمدة أربعة أشهر لأشهر 4-12 ما سيكون توقعاتك للطلب في الشهر 13.Apply التمهيد الأسي مع ثابت تمهيد من 0 2 إلى ديري في توقعات للطلب في الشهر 13. أي من التنبؤين لشهر 13 هل تفضل ولماذا. ما العوامل الأخرى، لا تعتبر في الحسابات المذكورة أعلاه، قد تؤثر على الطلب على جهاز الفاكس في الشهر 13.The أربعة أشهر تتحرك متوسط ​​الاشهر من 4 الى 12 مقدم بالمطار 4 23 19 15 12 4 17 25 م 5 27 23 19 15 4 21 م 6 30 27 23 19 4 24 75 م 7 32 30 27 23 4 28 م 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- إن توقعات الشهر 13 هي فقط المتوسط ​​المتحرك ل شهر قبل ذلك أي المتوسط ​​المتحرك لشهر 12 م 12 46 25.Hence كما أننا لا يمكن أن يكون الطلب كسور توقعات لشهر 13 هو 46. تطبيق التمهيد الأسي مع ثابت تمهيد من 0 2 نحصل. كما قبل التوقعات للشهر 13 هو مجرد المتوسط ​​لشهر 12 M 12 38 618 39 حيث لا يمكننا أن يكون الطلب كسور. لإجراء مقارنة بين اثنين من التوقعات نحسب متوسط ​​الانحراف التربيعية مسد إذا فعلنا ذلك نجد أنه بالنسبة للمتوسط ​​المتحرك . وبالنسبة للمتوسط ​​السلس المتسارع مع ثابت التمهيد من 0 2. أوفيرال ثم نرى أن المتوسط ​​المتحرك لمدة أربعة أشهر ويبدو أن تعطي أفضل التوقعات شهر واحد كما أن لديها مسد أقل وبالتالي نحن نفضل توقعات 46 التي تم التي تنتجها المتوسط ​​المتحرك لمدة أربعة أشهر. طلب أساسي. تغييرات الأسعار، كل من هذه العلامة التجارية وغيرها من العلامات التجارية. الوضع الاقتصادي العام. تكنولوجيا جديدة. مثال عام 1989 امتحان أوغ. ويبين الجدول أدناه الطلب على ماركة معينة من فرن الميكروويف في قسم مخزن في كل من الأشهر الاثنى عشر الماضية. حساب المتوسط ​​المتحرك لمدة ستة أشهر عن كل شهر ما سيكون توقعاتك للطلب في الشهر 13.Apply التمهيد الأسي مع ثابت تمهيد من 0 7 لاستخلاص توقعات للطلب في الشهر 13 . أي من التنبؤين لشهر 13 هل تفضل ولماذا. الآن لا يمكننا حساب المتوسط ​​المتحرك لمدة ستة أشهر حتى يكون لدينا على الأقل 6 ملاحظات - أي يمكننا فقط حساب هذا المتوسط ​​من الشهر 6 فصاعدا هنك اودينا 6 34 32 30 29 31 27 6 30 50 7 7 35 34 34 30 30 31 32 32 32 36 34 34 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- والتوقعات الخاصة بالسهر 13 هي مجرد المتوسط ​​المتحرك شهر قبل ذلك أي المتوسط ​​المتحرك لشهر 12 م 12 38 17.Hence كما أننا لا يمكن أن يكون الطلب كسور توقعات لشهر 13 هو 38.Apping التمهيد الأسي مع ثابت تمهيد من 0 7 نحصل على 3. فهم مستويات التنبؤ وطرق. يمكنك توليد كل من التفاصيل توقعات البند واحد وتوقعات ملخص خط الانتاج التي تعكس أنماط الطلب على المنتج يحلل النظام المبيعات الماضية لحساب التوقعات باستخدام 12 أساليب التنبؤ وتشمل التوقعات معلومات تفصيلية على مستوى البند والمعلومات على مستوى أعلى عن فرع أو الشركة (3). 1 معايير تقييم الأداء المتوقعة. استنادا إلى اختيار خيارات المعالجة والاتجاهات والاتجاهات في بيانات المبيعات، بعض طرق التنبؤ أداء أفضل من غيرها لمجموعة بيانات تاريخية معينة طريقة التنبؤ المناسبة لمنتج واحد قد لا تكون مناسبة لمنتج آخر قد تجد أن طريقة التنبؤ التي توفر نتائج جيدة في مرحلة واحدة من المنتج لا تزال دورة الحياة مناسبة طوال دورة الحياة بأكملها. يمكنك اختيار بين طريقتين لتقييم الأداء الحالي للطرق التنبؤ. دقة دقة بوا. الانحراف المطلق الانحراف درهم. من هذه الأساليب تقييم الأداء تتطلب بيانات المبيعات التاريخية لفترة تحدده هذه الفترة تسمى فترة استبقاء أو فترة من الأنسب تستخدم البيانات في هذه الفترة كأساس لتوصية طريقة التنبؤ التي يجب استخدامها في وضع توقعات التوقعات التالية هذه التوصية خاصة بكل منتج ويمكن أن تتغير من توقعات واحدة جيل إلى التالي. 3 1 1 أفضل نظام Fit. The يوصي أفضل تناسب التوقعات من خلال تطبيق المحدد ل طرق إيكاستينغ إلى الماضي تاريخ النظام المبيعات ومقارنة محاكاة التنبؤ إلى التاريخ الفعلي عندما تقوم بتوليد توقعات أفضل مناسبا، يقارن النظام الفعلي تاريخ أوامر المبيعات للتنبؤات لفترة زمنية محددة ويحسب مدى دقة كل طريقة التنبؤ المختلفة توقع المبيعات ثم يوصي النظام التنبؤ الأكثر دقة كما يناسب أفضل يوضح هذا الرسم البياني أفضل تناسب التوقعات. في الشكل 3-1 أفضل مناسبا التوقعات. يستخدم النظام هذا التسلسل من الخطوات لتحديد أفضل مناسبا. استخدام كل طريقة محددة لمحاكاة توقعات ل كونتينوت بيريودبار المبيعات الفعلية لتوقعات محاكاة لفترة الاستحواذ. حساب بوا أو درهم لتحديد أي طريقة التنبؤ تتطابق بشكل وثيق مع الماضي المبيعات الفعلية. يستخدم النظام إما بوا أو درهم، استنادا إلى خيارات المعالجة التي تحددها. توصي أفضل تتناسب مع توقعات بوا التي هي الأقرب إلى 100 في المئة أكثر أو أقل أو ماد التي هي الأقرب إلى الصفر .3 2 طرق التنبؤ. JD E داردس تستخدم إدارة توقعات إنتيربريسون 12 طريقة للتنبؤ الكمي، وتشير إلى الطريقة التي توفر أفضل ملاءمة لحالة التنبؤ. هذا القسم يناقش. الميثود 1 النسبة المئوية عن العام الماضي. الميثود 2 النسبة المئوية المحسوبة خلال السنة الماضية. الميثود 3 السنة الماضية لهذا العام. طريقة 4 الانتقال المتوسط. الميثود 5 التقريب الخطي. الميثود 6 أقل المربعات الانحدار. الميثود 7 الدرجة الثانية التقريب. الميثود 8 طريقة مرنة. الميثود 9 المتوسط ​​المتحرك المرجح. الميثود 10 الخطي التجانس. الميثود 11 الأسي تجانس. الموثود 12 الأسي تمهيد مع الاتجاه و الموسمية. تحديد الطريقة التي تريد استخدامها في خيارات المعالجة لبرنامج توليد التوقعات R34650 توفر معظم هذه الطرق مراقبة محدودة على سبيل المثال، يتم وضع الوزن على البيانات التاريخية الأخيرة أو النطاق الزمني للبيانات التاريخية المستخدمة في العمليات الحسابية يمكن تحديدها من قبلك. الأمثلة في الدليل تشير إلى إجراء الحساب لكل من التنبؤات المتاحة الطرق، نظرا لمجموعة متطابقة من البيانات التاريخية. أمثلة الطريقة في الدليل استخدام جزء أو كل من مجموعات البيانات هذه، والتي هي البيانات التاريخية من العامين الماضيين توقعات التنبؤ يذهب إلى العام المقبل. هذه البيانات مبيعات التاريخ مستقرة مع صغيرة الزيادات الموسمية في شهري يوليو وديسمبر هذا النمط هو سمة من المنتجات الناضجة التي قد تقترب من التقادم .3 2 1 الطريقة 1 النسبة المئوية خلال السنة الماضية. وهذه الطريقة تستخدم صيغة النسبة المئوية خلال العام الماضي لمضاعفة كل فترة من التوقعات عن طريق الزيادة المئوية المحددة أو إن هذا الأسلوب مفيد لتوقع الطلب على المواد الموسمية مع النمو أو الانخفاض. 2 2 1 1 مثال الطريقة 1 النسبة المئوية خلال العام الماضي. صيغة النسبة المئوية خلال العام الماضي تضاعف بيانات المبيعات عن العام السابق بعامل تحدده ثم المشاريع التي تنتج عن العام التالي قد تكون هذه الطريقة مفيدة في إعداد الميزانية إلى محاكاة تأثير على معدل نمو محدد أو عندما يكون تاريخ المبيعات مكونا موسميا هاما. مواصفات فوريكاست عامل الضرب على سبيل المثال، حدد 110 في خيار المعالجة لزيادة بيانات مبيعات المبيعات في السنة السابقة بنسبة 10 في المئة. تاريخ المبيعات المطلوبة سنة واحدة ل حساب التوقعات، بالإضافة إلى عدد من الفترات الزمنية المطلوبة لتقييم فترات الأداء المتوقعة من أفضل تناسب التي تحددها. هذا الجدول هو التاريخ المستخدمة في حساب التنبؤات. توقعات فبراير تساوي 117 1 1 128 7 تقريب إلى 129.March التوقعات يساوي 115 1 1 126 5 مقربة إلى 127.3 2 2 الطريقة 2 النسبة المئوية المحسوبة خلال السنة الماضية. وهذه الطريقة تستخدم النسبة المئوية المحسوبة خلال صيغة السنة الماضية لمقارنة المبيعات السابقة لفترات محددة إلى المبيعات من نفس الفترات من السنة السابقة يحدد النظام ونسبة مئوية زيادة أو نقصان، ومن ثم تضاعف كل فترة من قبل النسبة المئوية لتحديد التوقعات. للتنبؤ الطلب، يتطلب هذا الأسلوب عدد الفترات من تاريخ طلب المبيعات بالإضافة إلى سنة واحدة من تاريخ المبيعات هذا الأسلوب مفيد للتنبؤ الطلب على المدى القصير على البنود الموسمية مع النمو أو الانخفاض. 3 2 2 1 مثال الطريقة 2 النسبة المئوية المحسوبة خلال العام الماضي. النسبة المحسوبة خلال العام الماضي الصيغة تضاعف بيانات المبيعات من العام السابق بعامل يحسب من قبل النظام، ومن ثم مشاريع تلك النتيجة للعام المقبل قد تكون هذه الطريقة مفيدة في إسقاط تأثير توسيع معدل النمو الأخير للمنتج في العام المقبل مع الحفاظ على النمط الموسمية التي هي موجودة في تاريخ المبيعات. مواصفات فوريكاست تاريخ المبيعات لاستخدامها في حساب معدل النمو على سبيل المثال، حدد ن يساوي 4 في خيار المعالجة لمقارنة تاريخ المبيعات لأحدث أربع فترات لتلك نفسها أربع فترات من العام السابق استخدام نسبة محسوبة لجعل الإسقاط للعام المقبل. تاريخ المبيعات المطلوبة سنة واحدة لحساب التوقعات بالإضافة إلى خدر إر من الفترات الزمنية المطلوبة لتقييم فترات الأداء المتوقعة من أفضل تناسب. هذا الجدول هو التاريخ المستخدمة في حساب التنبؤات، نظرا ن 4. توقعات فبراير تساوي 117 0 9766 114 26 مقربة إلى 114.March التوقعات يساوي 115 0 9766 112 31 تقريب إلى 112.3 2 3 طريقة 3 السنة الماضية لهذا العام. وهذا الأسلوب يستخدم العام الماضي مبيعات العام المقبل s توقعات. للتنبؤ الطلب، وهذا الأسلوب يتطلب عدد من فترات أفضل تناسب بالإضافة إلى سنة واحدة من تاريخ النظام المبيعات هذا الأسلوب من المفيد التنبؤ الطلب على المنتجات الناضجة مع الطلب على مستوى أو الطلب الموسمي دون الاتجاه. 3 2 3 1 مثال الطريقة 3 السنة الماضية لهذا العام. السنة الماضية لهذا العام صيغة نسخ بيانات المبيعات من العام السابق إلى العام التالي هذا قد يكون من المفيد في الميزانية لمحاكاة المبيعات في المستوى الحالي المنتج هو ناضجة وليس له أي اتجاه على المدى الطويل، ولكن قد يكون هناك نمط الطلب الموسمي كبير موجود. مواصفات فوريك لا شيء. تاريخ المبيعات المطلوبة سنة واحدة ل c حساب التوقعات بالإضافة إلى عدد من الفترات الزمنية المطلوبة لتقييم فترات الأداء المتوقعة من أفضل مناسبا. هذا الجدول هو التاريخ المستخدمة في حساب التنبؤات. توقعات يناير تساوي يناير من العام الماضي مع قيمة التوقعات من 128. توقعات فبراير شباط يساوي فبراير من العام الماضي مع قيمة توقعية 117. توقعات مارس تساوي مارس من العام الماضي مع قيمة توقعات 115.3 2 4 الطريقة 4 المتوسط ​​المتحرك. وهذه الطريقة تستخدم صيغة المتوسط ​​المتحرك لمتوسط ​​العدد المحدد للفترات لعرض الفترة التالية يجب أن يعيد حسابها في كثير من الأحيان شهريا، أو على الأقل ربع سنوي لتعكس تغيير مستوى الطلب. للتنبؤ بالطلب، تتطلب هذه الطريقة عدد الفترات الأكثر ملاءمة بالإضافة إلى عدد فترات تاريخ طلب المبيعات هذه الطريقة مفيدة للتنبؤ بالطلب على المنتجات الناضجة بدون تريند 3 2 4 1 مثال على الطريقة 4 المتوسط ​​المتحرك. المتوسط ​​المتحرك هو طريقة شائعة لمتوسط ​​متوسط ​​تاريخ المبيعات الأخير لتحديد مشروع n على المدى القصير طريقة التنبؤ ما تتخلف عن الاتجاهات يحدث التحيز التنبؤ والأخطاء المنهجية عندما يظهر تاريخ مبيعات المنتجات اتجاه قوي أو أنماط الموسمية هذا الأسلوب يعمل بشكل أفضل للتنبؤات قصيرة المدى من المنتجات الناضجة من المنتجات التي هي في النمو أو التقادم مراحل دورة الحياة. مواصفات فوريكاست n تساوي عدد الفترات من تاريخ المبيعات لاستخدامها في حساب التنبؤ على سبيل المثال، حدد ن 4 في خيار المعالجة لاستخدام أحدث أربع فترات كأساس للتوقعات في المرة القادمة الفترة قيمة كبيرة ل n مثل 12 يتطلب المزيد من تاريخ المبيعات أنه يؤدي إلى توقعات مستقرة، ولكن بطيئة في التعرف على التحولات في مستوى المبيعات وعلى العكس من ذلك، قيمة صغيرة ل n مثل 3 هو أسرع للرد على التحولات في مستوى من المبيعات، ولكن التوقعات قد تتقلب على نطاق واسع بحيث أن الإنتاج لا يمكن أن تستجيب إلى الاختلافات. تطلب تاريخ المبيعات ن بالإضافة إلى عدد من الفترات الزمنية المطلوبة للتقييم تواتر فترات الأداء المتوقعة من أفضل مناسبا. هذا الجدول هو التاريخ المستخدمة في حساب التنبؤات. توقعات فبراير تساوي 114 119 137 125 4 123 75 تقريب إلى 124.March التوقعات يساوي 119 137 125 124 4 126 25 مقربة إلى 126.3 2 5 الطريقة 5 الخطي تقريب. هذه الطريقة تستخدم صيغة تقريب الخطي لحساب اتجاه من عدد فترات من تاريخ النظام المبيعات ولتوقع هذا الاتجاه إلى التوقعات يجب إعادة حساب الاتجاه الشهري للكشف عن التغيرات في الاتجاهات. وهذه الطريقة تتطلب عدد من الفترات من أفضل صالح بالإضافة إلى عدد الفترات المحددة من تاريخ أمر المبيعات هذه الطريقة مفيدة للتنبؤ بالطلب على المنتجات الجديدة أو المنتجات ذات الاتجاهات الإيجابية أو السلبية المتسقة التي لا ترجع إلى التقلبات الموسمية .3 2 5 1 مثال الطريقة 5 التقريب الخطي. الخطي التقريب بحساب الاتجاه الذي يقوم على اثنين من نقاط البيانات تاريخ المبيعات هاتين النقطتين تحديد خط الاتجاه المستقيم الذي من المتوقع في المستقبل استخدام هذا الميث أود بحذر لأن التوقعات بعيدة المدى مستفحلة من التغييرات الصغيرة في اثنين فقط من نقاط البيانات. مواصفات فوريك ن يساوي نقطة البيانات في تاريخ المبيعات الذي يقارن إلى أحدث نقطة البيانات لتحديد اتجاه على سبيل المثال، حدد ن 4 لاستخدام الفرق بين ديسمبر أحدث البيانات وأغسطس أربعة فترات قبل ديسمبر كأساس لحساب الاتجاه. الحد الأدنى المطلوب تاريخ المبيعات ن زائد 1 بالإضافة إلى عدد من الفترات الزمنية المطلوبة لتقييم فترات الأداء المتوقعة من أفضل مناسبا. هذا الجدول هو التاريخ المستخدمة في حساب التنبؤات. توقعات كانون الثاني / يناير من العام الماضي 1 الاتجاه الذي يساوي 137 1 2 139. توقعات شباط / فبراير من العام الماضي 1 الاتجاه الذي يساوي 137 2 2 141 - توقعات شهر كانون الأول / ديسمبر من العام الماضي 1 الاتجاه الذي يساوي 137 3 2 143.3 2 6 الطريقة 6 أقل المربعات الانحدار. السطر الأقل انحدار طريقة لسر تستمد معادلة تصف علاقة خط مستقيم بين بيانات المبيعات التاريخية و باساغ e من الوقت لسر يناسب خط إلى مجموعة مختارة من البيانات بحيث يتم تقليل مجموع مربعات الاختلافات بين نقاط بيانات المبيعات الفعلية وخط الانحدار التوقعات هو إسقاط هذا الخط المستقيم في المستقبل. هذا الأسلوب يتطلب بيانات مبيعات التاريخ للفترة التي يمثلها عدد من الفترات أفضل تناسب بالإضافة إلى عدد محدد من فترات البيانات التاريخية الحد الأدنى المطلوب هو اثنين من نقاط البيانات التاريخية هذه الطريقة هي مفيدة للتنبؤ الطلب عندما يكون الاتجاه الخطي في البيانات .3 2 6 1 مثال الطريقة 6 أقل انحدار المربعات. الانحدار الخطي أو انحدار المربعات الصغرى لسر هي الطريقة الأكثر شعبية لتحديد اتجاه خطي في بيانات المبيعات التاريخية تحسب الطريقة القيم ل a و b ليتم استخدامها في الصيغة. هذا يصف المعادلة خط مستقيم حيث يمثل Y المبيعات ويمثل X الوقت الانحدار الخطي بطيء في التعرف على نقاط التحول ودرجات التحولات الوظيفية في الطلب الانحدار الخطي يناسب حتى عندما تكون البيانات موسمية أو أفضل وصفها منحنى عندما تتبع بيانات مبيعات التاريخ منحنى أو لديها نمط موسمي قوي، والتحيز التنبؤ والأخطاء المنهجية تحدث. مواصفات فوريك ن يساوي فترات من تاريخ المبيعات التي سوف في حساب القيم ل a و b على سبيل المثال، حدد n 4 لاستخدام التاريخ من سبتمبر إلى ديسمبر كأساس للحسابات عندما تكون البيانات متاحة، ن أكبر مثل n 24 وعادة ما تستخدم لسر يعرف خط على سبيل المثال لا الحصر اثنين من نقاط البيانات لهذا المثال، تم اختيار قيمة صغيرة ل ن 4 للحد من الحسابات اليدوية المطلوبة للتحقق من النتائج. الحد الأدنى المطلوب مبيعات التاريخ ن فترات بالإضافة إلى عدد من الفترات الزمنية المطلوبة لتقييم توقعات فترات الأداء من أفضل مناسبا. هذا الجدول هو التاريخ المستخدمة في حساب التنبؤات. توقعات مارش يساوي 119 5 7 2 3 135 6 تقريب إلى 136.3 2 7 الطريقة 7 الدرجة الثانية تقريب. لإجراء المشروع توقعات، وهذا الأسلوب يستخدم صيغة الدرجة الثانية تقريب لرسم منحنى الذي يقوم على عدد من فترات من تاريخ المبيعات. وهذه الطريقة تتطلب عدد من فترات أفضل تناسب بالإضافة إلى عدد من فترات من أجل المبيعات مرات التاريخ ثلاثة هذه الطريقة ليست مفيدة للتنبؤ بالطلب لفترة طويلة. 3 2 7 1 مثال الطريقة 7 الدرجة الثانية التقريب. يحدد الانحدار الخطي القيم a و b في صيغة التنبؤ Y أب X بهدف تركيب خط مستقيم على بيانات تاريخ المبيعات الدرجة الثانية تقريب مماثل، ولكن هذه الطريقة تحدد القيم ل a و b و c في صيغة التنبؤ هذه. الهدف من هذه الطريقة هو ملاءمة منحنى لبيانات سجل المبيعات هذه الطريقة مفيدة عندما يكون المنتج في مرحلة الانتقال بين مراحل دورة الحياة على سبيل المثال، عندما يتحرك منتج جديد من مرحلة مقدمة إلى مراحل النمو، قد يتسارع اتجاه المبيعات بسبب مصطلح الترتيب الثاني، يمكن التنبؤ بسرعة الاقتراب من اللانهاية أو الهبوط إلى زر o اعتمادا على ما إذا كان معامل c موجبا أو سلبيا هذه الطريقة مفيدة فقط على المدى القصير. مواصفات فوريك الصيغة تجد a و b و c لتناسب منحنى إلى ثلاث نقاط بالضبط يمكنك تحديد n، عدد الفترات الزمنية للبيانات لتتراكم في كل من النقاط الثلاث في هذا المثال، ن 3 يتم الجمع بين بيانات المبيعات الفعلية لشهر أبريل وحتى يونيو في النقطة الأولى، Q1 يوليو حتى سبتمبر تضاف معا لخلق Q2، وأكتوبر خلال ديسمبر المبلغ إلى Q3 يتم تركيب منحنى إلى القيم الثلاث Q1 و Q2 و Q3.Required تاريخ المبيعات 3 ن فترات لحساب التوقعات بالإضافة إلى عدد الفترات الزمنية المطلوبة لتقييم فترات الأداء المتوقعة من أفضل ملاءمة. هذا الجدول هو التاريخ المستخدم في حساب التنبؤات. Q0 يناير فبراير مارس. Q1 أبريل مايو يونيو وهو يساوي 125 122 137 384.Q2 يوليو أغسطس سبتمبر الذي يساوي 140 129 131 400.Q3 أكتوبر نوفمبر ديسمبر وهو ما يعادل 114 119 137 370. وتشمل الخطوة التالية حساب المعاملات الثلاثة أ، ب، و c لاستخدامها في يتم عرض صيغة التنبؤ Y أب X c X 2.Q1 و Q2 و Q3 على الرسم البياني، حيث يتم رسم الوقت على المحور الأفقي Q1 يمثل إجمالي المبيعات التاريخية لشهر أبريل ومايو ويونيو ويتم رسمه في X 1 Q2 يتوافق في الفترة من يوليو حتى سبتمبر الربع الثالث يتوافق من أكتوبر حتى ديسمبر و Q4 يمثل يناير حتى مارس يوضح هذا الرسم البياني التآمر من Q1 و Q2 و Q3 و Q4 للحصول على الدرجة الثانية تقريب. الشكل 3-2 التآمر Q1 و Q2 و Q3 و Q4 للثانية درجة تقريب. ثلاثة معادلات تصف النقاط الثلاث على الرسم البياني. 1 Q1 a بكس سك 2 حيث X 1 Q1 a b c. 2 Q2 a بكس سك 2 حيث X 2 Q2 a 2b 4c. 3 Q3 a بكس سك 2 حيث X 3 Q3 a 3b 9.c حل المعادلات الثلاث في وقت واحد لإيجاد b و a و c. Soptract المعادلة 1 1 من المعادلة 2 2 وحل ل b. سوبستيتيوت هذه المعادلة b إلى المعادلة 3. 3 Q3 a 3 Q2 Q1 3c 9c Q3 3 Q2 Q1.Finally استبدال هذه المعادلات ل a و b إلى المعادلة 1. 1 q3 3 q2 q1 q2 q1 3c c q1c q3 q2 q1 q2 2. طريقة الدرجة الثانية تقريب يحسب a و b و c كما يلي. أ 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.This هو حساب للتقديرات التقريبية من الدرجة الثانية. a بكس سك 2 322 85X 23 X 2.When X 4، Q4 322 340 368 294 التوقعات تساوي 294 3 98 لكل فترة. عندما X 5، Q5 322 425 575 172 تساوي التوقعات 172 3 58 33 مقربا إلى 57 في كل مرة. عندما X 6، Q6 322 510 828 4 التوقعات تساوي 4 3 1 33 تقريب إلى 1 في الفترة الواحدة. هذا هو توقعات للعام المقبل، السنة الماضية إلى هذه السنة. 3 2 8 الطريقة 8 طريقة مرنة. هذه الطريقة تمكنك من اختيار أفضل عدد مناسبا من لكل واليود من تاريخ طلب المبيعات الذي يبدأ قبل أشهر من تاريخ بدء التوقعات، وتطبيق نسبة الزيادة أو نقصان عامل الضرب الذي لتعديل التوقعات هذا الأسلوب مشابه لطريقة 1، النسبة المئوية خلال العام الماضي، إلا أنه يمكنك تحديد عدد الفترات التي تستخدمها كقاعدة. اعتمادا على ما تختاره ك n، تتطلب هذه الطريقة فترات تناسب أفضل بالإضافة إلى عدد فترات بيانات المبيعات المشار إليها هذه الطريقة مفيدة للتنبؤ بالطلب على اتجاه مخطط. 3 2 8 1 طريقة المثال 8 الطريقة المرنة. الطريقة المرنة النسبة المئوية أكثر من شهر يشبه سابق الأسلوب 1، النسبة المئوية خلال السنة الماضية كلتا الطريقتين تضاعف بيانات المبيعات من فترة زمنية سابقة بعامل محدد من قبلك، ومن ثم عرض هذه النتيجة في المستقبل في طريقة النسبة المئوية خلال العام الماضي، يستند الإسقاط إلى بيانات من نفس الفترة الزمنية في السنة السابقة يمكنك أيضا استخدام الطريقة المرنة لتحديد فترة زمنية، بخلاف الفترة الزمنية نفسها في ست، لاستخدامها كأساس لحسابات. عامل الضرب على سبيل المثال، حدد 110 في خيار المعالجة لزيادة البيانات السابقة مبيعات التاريخ بنسبة 10 في المئة. فترة الأساس على سبيل المثال، ن 4 يسبب التوقعات الأولى أن تستند إلى بيانات المبيعات في سبتمبر من العام الماضي. الحد الأدنى المطلوب تاريخ المبيعات عدد الفترات إلى فترة الأساس بالإضافة إلى عدد من الفترات الزمنية المطلوبة لتقييم فترات الأداء المتوقعة من أفضل مناسبا. هذا الجدول هو التاريخ المستخدمة في حساب التنبؤات. 3 2 9 الطريقة 9 المتوسط ​​المتحرك المرجح. صيغة المتوسط ​​المتحرك المرجح مشابهة للطريقة 4، صيغة المتوسط ​​المتحرك، لأنها متوسطات تاريخ المبيعات في الشهر السابق لعرض تاريخ المبيعات في الشهر التالي ومع ذلك، يمكنك مع هذه الصيغة تعيين أوزان لكل من الفترات السابقة. وهذه الطريقة تتطلب عدد الفترات المرجحة المختارة بالإضافة إلى عدد الفترات التي تناسب البيانات على النحو الأمثل للمتوسط ​​المتحرك، وهذه الطريقة متخلفة عن اتجاهات الطلب، لذلك هذا لا يوصى باستخدام المنتجات ذات الاتجاهات القوية أو الموسمية. هذه الطريقة مفيدة للتنبؤ بالطلب على المنتجات الناضجة مع الطلب الذي هو المستوى 3 نسبيا. 9 9 1 مثال على الطريقة 9 المتوسط ​​المتحرك المرجح. المتوسط ​​المتحرك المتوسط ​​المرجح أسلوب وما مشابه للطريقة 4 ، موفينغ أفيراج ما ومع ذلك، يمكنك تعيين أوزان غير متكافئة للبيانات التاريخية عند استخدام وما تحسب الطريقة المتوسط ​​المرجح لتاريخ المبيعات الأخير للوصول إلى إسقاط على المدى القصير وعادة ما يتم تعيين البيانات الحديثة أكثر وزنا من البيانات القديمة، لذلك وما هو أكثر استجابة للتحولات في مستوى المبيعات ومع ذلك، والتحيز التنبؤ والأخطاء المنهجية تحدث عندما يظهر تاريخ مبيعات المنتجات اتجاهات قوية أو أنماط الموسمية هذا الأسلوب يعمل بشكل أفضل للتنبؤات قصيرة المدى من المنتجات الناضجة من المنتجات في النمو أو التقادم مراحل من دورة الحياة. عدد الفترات من تاريخ المبيعات ن لاستخدامها في حساب التنبؤ. على سبيل المثال، حدد ن 4 في بروس سسينغ الخيار لاستخدام أحدث أربع فترات كأساس للتوقعات في الفترة الزمنية القادمة وهناك قيمة كبيرة ل n مثل 12 يتطلب المزيد من المبيعات التاريخ مثل هذه القيمة يؤدي إلى توقعات مستقرة، ولكن بطيئة الاعتراف التحولات في مستوى المبيعات على العكس من ذلك، قيمة صغيرة ل n مثل 3 يستجيب بسرعة أكبر للتحولات في مستوى المبيعات، ولكن التوقعات قد تتقلب على نطاق واسع بحيث أن الإنتاج لا يمكن أن تستجيب إلى الاختلافات. العدد الإجمالي للفترات لخيار المعالجة 14 - ينبغي ألا تتجاوز الفترات الزمنية المتضمنة 12 شهرا. الوزن المخصص لكل فترة من فترات البيانات التاريخية. ويجب أن تكون الأوزان المخصصة 100 1 على سبيل المثال، عندما يكون n 4، يعطى أوزان 0 50 و 0 25 و 0 و 15 و 0 10 مع أحدث البيانات التي تتلقى أكبر وزن. الحد الأدنى المطلوب تاريخ المبيعات ن بالإضافة إلى عدد من الفترات الزمنية المطلوبة لتقييم فترات الأداء المتوقعة من أفضل مناسبا. هذا الجدول هو التاريخ المستخدمة في حساب التنبؤ. أست يساوي 131 0 10 114 0 15 119 0 25 137 0 50 0 10 0 15 0 25 0 50 128 45 مقربة إلى 128. توقعات شباط / فبراير تساوي 114 0 10 119 0 15 137 0 25 128 0 50 1 127 5 مقربة إلى 128. توقعات مارس تساوي 119 0 10 137 0 15 128 0 25 128 0 50 1 128 45 تقريب إلى 128.3 2 10 الطريقة 10 خطي التجانس. هذه الطريقة تحسب المتوسط ​​المرجح لبيانات المبيعات الماضية في الحساب، يستخدم هذا الأسلوب عدد فترات تاريخ طلب المبيعات من 1 إلى 12 المشار إليه في خيار المعالجة يستخدم النظام تطور رياضي ل وزن البيانات في المدى من أول وزن أقل إلى الوزن النهائي النهائي ثم يقوم النظام بمشاريع هذه المعلومات لكل فترة في التوقعات. هذا يتطلب الشهر الأفضل مناسبا بالإضافة إلى تاريخ أمر المبيعات لعدد الفترات المحددة في خيار المعالجة .3 2 10 1 مثال على الطريقة 10 التجانس الخطي. هذا الأسلوب مشابه للطريقة 9، وما ومع ذلك، بدلا من التنازل التعسفي أوزان البيانات التاريخية، يتم استخدام صيغة لتعيين الأوزان التي تنخفض خطيا ومجموعها إلى 00 1 وتحسب الطريقة بعد ذلك المتوسط ​​المرجح لتاريخ المبيعات الأخير للتوصل إلى إسقاط على المدى القصير مثل جميع تقنيات التنبؤ المتوسط ​​المتحرك الخطي والتحيز المتوقع والأخطاء المنهجية تحدث عندما يكون تاريخ مبيعات المنتجات يعرض اتجاهات قوية أو أنماط موسمية هذا الأسلوب يعمل بشكل أفضل للتنبؤات قصيرة المدى من المنتجات الناضجة من المنتجات في مراحل النمو أو التقادم من دورة الحياة. ن يساوي عدد الفترات من تاريخ المبيعات لاستخدامها في حساب التنبؤ على سبيل المثال، حدد n يساوي 4 في خيار المعالجة لاستخدام أحدث أربع فترات كأساس للتوقعات في الفترة الزمنية التالية يحدد النظام تلقائيا الأوزان للبيانات التاريخية التي تنخفض خطيا وتجمع إلى 00 1 على سبيل المثال، عندما يساوي n 4 ، يعين النظام أوزان 0 4 و 0 3 و 0 2 و 0 1، مع أحدث البيانات التي تتلقى أكبر وزن. الحد الأدنى المطلوب تاريخ المبيعات نب 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. تهيئة المتغيرات كونتر 1 تراكم 0. تحديد حجم المصفوفة التاريخية تاريخية. للعداد 1 إلى نومبروفريودس. تجميع العدد المناسب من أحدث القيم التي تمت ملاحظتها سابقا. تراكم التراكم تاريخي تاريخيالحجم - نومبروفريودس عداد. محرك متوسط ​​تراكم عدد أوفيريودس. سيتم شرح التعليمات البرمجية في الفصل تريد وضع الوظيفة على جدول البيانات بحيث تظهر نتيجة الحساب حيث ينبغي مثل ما يلي.