Przekazywanie średnio prognozowego popytu

W praktyce średnia ruchoma daje dobre oszacowanie średniej serii czasowej, jeśli średnia jest stała lub powoli zmienia się. W przypadku średniej stałej, największa wartość m daje najlepsze oszacowania średniej podstawowej. Dłuższy okres obserwacji będzie wynosił średnie efekty zmienności. Celem zapewnienia mniejszej m jest umożliwienie prognozowania reakcji na zmianę procesu leżącego u ich podstaw. W celu zilustrowania proponujemy zestaw danych zawierający zmiany w podstawowej średniej serii czasowej. Na rysunku przedstawiono serie czasów używane do ilustracji wraz ze średnim zapotrzebowaniem, z którego generowane były serie. Średnia rozpoczyna się jako stała wartość 10. Rozpoczynanie w czasie 21 wzrasta o jedną jednostkę w każdym okresie, aż osiągnie wartość 20 w czasie 30. Następnie staje się stała ponownie. Dane są symulowane przez dodanie do średniej, losowego szumu z rozkładu normalnego ze średnią zerową i odchyleniem standardowym 3. Wyniki symulacji są zaokrąglane do najbliższej liczby całkowitej. W tabeli przedstawiono symulowane obserwacje stosowane w przykładzie. Kiedy korzystamy z tabeli, musimy pamiętać, że w danym momencie znane są tylko poprzednie dane. Szacunki modelu parametru, dla trzech różnych wartości m są pokazane razem ze średnią serii czasowej na poniższym rysunku. Na rysunku przedstawiono ruchomą średnią szacunkową wartość średnią za każdym razem, a nie prognozę. Prognozy zmieniłyby średnie ruchome krzywe w prawo w okresach. Jeden z wniosków jest natychmiast widoczny na rysunku. We wszystkich trzech szacunkach średnia ruchoma pozostaje w tyle za tendencją liniową, przy czym opóźnienie wzrasta o m. Opóźnienie to odległość pomiędzy modelem a szacunkiem w wymiarze czasu. Ze względu na opóźnienie, średnia ruchoma nie docenia uwag, gdy średnia rośnie. Oszacowanie estymatora jest różnicą w określonym czasie w średniej wartości modelu i średniej wartości przewidywanej przez średnią ruchoma. Oszacowanie, gdy średnia rośnie, jest negatywne. Dla malejącej średniej, nastawienie jest dodatnie. Opóźnienie w czasie i nastawienie wprowadzone w oszacowaniu to funkcje m. Im większa wartość m. im większa jest wielkość opóźnienia i stronniczości. Dla ciągle rosnącej serii z tendencją a. wartości opóźnień i stronniczości estymatora średniej podano w poniższych równaniach. Przykładowe krzywe nie pasują do tych równań, ponieważ przykładowy model nie wzrasta w sposób ciągły, raczej rozpoczyna się jako stała, zmienia tendencję, a następnie staje się stały ponownie. Również przykładowe krzywe mają wpływ na hałas. Ruchome przeciętne prognozy okresów w przyszłość są przedstawione przez przesunięcie krzywych w prawo. Opóźnienie i nastawienie wzrastają proporcjonalnie. Poniższe równania wskazują na opóźnienie i nastawienie prognozowanych okresów w przyszłość w porównaniu do parametrów modelu. Ponownie, te wzory są dla serii czasowych o stałym liniowym trendzie. Nie powinniśmy być zaskoczeni tym rezultatem. Ruchome średnie estymator opiera się na założeniu stałej średniej, a przykład ma tendencję liniową w średniej podczas części okresu badania. Ponieważ serie czasu rzeczywistego rzadko będą zgodne z założeniami dowolnego modelu, powinniśmy być przygotowani na takie rezultaty. Z rysunku wynika, że ​​zmienność hałasu ma największy wpływ na mniejsze m. Oszacowanie jest dużo bardziej niestabilne dla średniej ruchomej 5 niż średnia ruchoma równa 20. Mamy sprzeczne pragnienia, aby zwiększyć m, aby zmniejszyć wpływ zmienności spowodowany hałasem i zmniejszyć m, aby przewidzieć większą reakcję na zmiany w średniej. Błąd jest różnicą między rzeczywistymi danymi a przewidywaną wartością. Jeśli seria czasów jest rzeczywiście stałą wartością, oczekiwana wartość błędu wynosi zero, a wariancja błędu składa się z terminu, który jest funkcją, a drugi - to wariacja szumu,. Pierwsza z nich to wariancja średniej oszacowanej próbką m obserwacji, zakładając, że dane pochodzą z populacji o stałej średniej. Ten termin jest zminimalizowany przez uczynienie m jak największym. Duża m powoduje, że prognoza nie reaguje na zmianę podstawowej serii czasowej. Aby prognoza odpowiadała na zmiany, chcemy m tak małą (1), ale zwiększa to wariancję błędu. Praktyczne prognozy wymagają wartości pośredniej. Prognozowanie w programie Excel Dodatek Prognozowania implementuje średnie ruchome wzory. Poniższy przykład przedstawia analizę dostarczoną przez dodatek dla danych przykładowych w kolumnie B. Pierwsze 10 obserwacji indeksuje się od -9 do 0. W porównaniu z powyższą tabelą, indeksy okresu są przesuwane o -10. Pierwsze dziesięć obserwacji dostarcza wartości początkowe dla oszacowania i służy do obliczania średniej ruchomej dla okresu 0. Kolumna MA (10) (C) pokazuje obliczone średnie ruchome. Parametr średniej ruchomej m znajduje się w komórce C3. Kolumna Fore (1) (D) pokazuje prognozę dla jednego okresu w przyszłości. Interwał prognozy znajduje się w komórce D3. Gdy przedział prognozy zostanie zmieniony na większą liczbę, liczby w kolumnie Fore zostaną przesunięte w dół. Err (1) (E) pokazuje różnicę między obserwacją a prognozą. Na przykład, obserwacja w czasie 1 wynosi 6. Prognozowana wartość wykonana z średniej ruchomej w czasie 0 wynosi 11.1. Błąd to -5.1. Odchylenie standardowe i średnie odchylenie średnie (MAD) są obliczane odpowiednio w komórkach E6 i E7. Metody serii czasowej Metody szeregów czasowych to techniki statystyczne, które wykorzystują zgromadzone w danym czasie historyczne dane. Metody szeregów czasowych zakładają, że to, co wydarzyło się w przeszłości, będzie nadal występować w przyszłości. Jak sugerują serie nazw czasowych, te metody odnoszą prognozę do jednego czynnika czasu. Obejmują one ruchome średnie, wyrównywanie wykładnicze i liniową linię trendu i należą do najpopularniejszych metod prognozowania krótkoterminowego wśród firm usługowych i produkcyjnych. Metody te zakładają, że możliwe do zidentyfikowania historyczne wzorce lub trendy popytu w ciągu czasu powtarzają się. Przekazywanie średniej Prognozowanie serii czasowej może być tak proste jak wykorzystanie zapotrzebowania w bieżącym okresie, aby przewidzieć zapotrzebowanie w następnym okresie. Czasami nazywa się to naiwną lub intuicyjną prognozą. 4 Na przykład, jeśli zapotrzebowanie na 100 jednostek w tym tygodniu, prognoza na najbliższe tygodnie zapotrzebowanie wynosi 100 jednostek, jeśli popyt wyniósłby 90 jednostek, a następnie żądania tygodniowe to 90 jednostek, i tak dalej. Ten typ metody prognozowania nie uwzględnia historycznego zachowania popytu, na które opiera się tylko na żądanie w bieżącym okresie. Reaguje ona bezpośrednio na normalne, przypadkowe zmiany popytu. Prosta metoda średniej ruchomości wykorzystuje w ostatnich latach kilka wartości zapotrzebowania na opracowanie prognozy. Ma to tendencję do tłumienia lub wygładzania losowego wzrostu i spadku prognozy, która wykorzystuje tylko jeden okres. Prosta średnia ruchoma jest przydatna do prognozowania popytu, który jest stabilny i nie wykazuje żadnych wyraźnych zachowań popytu, takich jak trend lub sezonowy wzór. Średnie ruchome obliczane są na konkretne okresy, takie jak trzy miesiące lub pięć miesięcy, w zależności od tego, ile przewidywany jest dążenie do wygładzenia danych o popycie. Im dłuższy jest średni okres, tym gładsze będzie. Formuła obliczania prostej średniej ruchomej polega na obliczeniu prostej średniej ruchomej Firma Biuro ds. Bezpiecznego Papieru Biuro Sprzedaży sprzedaje i dostarcza materiały biurowe firmom, szkołom i agencjom w odległości 50 mili od magazynu. Biuro sprzedaży materiałów biurowych jest konkurencyjne, a zdolność do dostarczania zamówień szybko jest czynnikiem w pozyskiwaniu nowych klientów i utrzymaniu starych. (Biura zazwyczaj nie zamówią, gdy mają za mało materiałów eksploatacyjnych, ale kiedy całkowicie się wyczerpują. W efekcie potrzebują ich natychmiastowych zamówień). Kierownik firmy chce mieć pewność, że kierowcy i pojazdy są w stanie dostarczyć niezwłocznie zamówienia mają wystarczający zapas w magazynie. Dlatego menedżer chce mieć możliwość prognozowania liczby zamówień, które nastąpią w następnym miesiącu (tj. Prognozy zapotrzebowania na dostawy). Z zapisów zleceń dostawy zespół zarządzający zgromadził w ciągu ostatnich 10 miesięcy następujące dane, z których chce obliczyć średnie ruchome na poziomie 3- i 5-miesięcznym. Załóżmy, że jest koniec października. Prognoza wynikająca z 3- lub 5-miesięcznej średniej ruchomej jest zwykle dla następnego miesiąca w kolejności, która w tym przypadku wynosi listopad. Średnia ruchoma jest obliczana z popytu na zlecenia z poprzednich 3 miesięcy w sekwencji według następującego wzoru: 5-miesięczna średnia ruchoma jest obliczana z 5-miesięcznych danych o popytach w następujący sposób: 3- i 5-miesięczny okres średnie ruchome prognozy dla wszystkich miesięcy danych o popy są przedstawione w poniższej tabeli. W rzeczywistości tylko menedżer będzie wykorzystywał tylko prognozę na listopad na podstawie ostatniego miesięcznego zapotrzebowania. Jednak wcześniejsze prognozy w poprzednich miesiącach pozwalają nam porównać prognozę z rzeczywistym zapotrzebowaniem, aby zobaczyć, jak dokładna jest metoda prognozowania - tzn. Jak to robi. Średnie trzy i pięciomiesięczne Średnie średnie ruchome prognozy w powyższej tabeli mają tendencję do wygładzania zmienności występującej w rzeczywistych danych. Ten efekt wygładzania można zauważyć na poniższym rysunku, na którym na wykresie oryginalnych danych nałożono średnie 3-miesięczne i 5-miesięczne średnie: 5-miesięczna średnia ruchoma w poprzedniej figurze wyrównywała wahania w większym stopniu niż 3-miesięczna średnia ruchoma. Jednakże średnia 3-miesięczna odzwierciedla najnowsze dane dostępne dla menedżera ds. Zaopatrzenia biura. Ogólnie prognozy wykorzystujące średnią ruchową w dłuższym okresie są słabsze do reagowania na ostatnie zmiany popytu niż w przypadku średnich kroczących w okresie krótszym. Dodatkowe okresy danych tłumią szybkość, z jaką reaguje prognoza. Ustalenie odpowiedniej liczby okresów, które mają być użyte w prognozie średniej ruchomej, często wymaga pewnej ilości eksperymentów z próbą i błędami. Wadą metody średniej ruchomej jest to, że nie reaguje ona na wahania występujące z jakiegoś powodu, takie jak cykle i efekty sezonowe. Czynniki powodujące zmiany są na ogół ignorowane. Jest to w zasadzie metoda mechaniczna, która odzwierciedla dane historyczne w spójny sposób. Jednakże metoda średniej ruchomości ma tę zaletę, że jest łatwa w użyciu, szybka i stosunkowo niedroga. Ogólnie rzecz biorąc, metoda ta może stanowić dobrą prognozę w krótkim okresie, ale nie powinna być zbytnio naciągnięta w przyszłość. Średnia ważona ruchoma Średnia metoda ruchoma może być dostosowana do bardziej zbliżonego do fluktuacji danych. W metodzie ważonej średniej ruchomej wagi przypisywane są do najnowszych danych zgodnie z następującym wzorem: Dane o popycie dla PM Computer Services (pokazane w tabeli dla przykładu 10.3) wydają się obserwować rosnący trend liniowy. Firma chce obliczyć liniową linię trendu, aby sprawdzić, czy jest ona dokładniejsza niż wyrównywanie wykładnicze i wyrównanie wyrównawczych wyzwań wykładniczych opracowanych w przykładach 10.3 i 10.4. Wartości wymagane dla obliczeń najmniejszych kwadratów są następujące: Używając tych wartości parametry liniowej linii trendu oblicza się następująco: W związku z tym równanie liniowego trendu jest obliczanie prognozy dla okresu 13, niech x 13 w liniowym linia trendów: Poniższy wykres przedstawia liniową linię trendu w porównaniu z rzeczywistymi danymi. Linia trendów wydaje się odzwierciedlać rzeczywiste dane - to jest dobre dopasowanie - a zatem byłoby dobrym modelem prognozowania tego problemu. Jednak wadą liniowej linii trendu jest to, że nie będzie ona dostosowana do zmiany trendu, ponieważ przewidywane są metody prognozowania wygładzania wykładniczego, zakłada się, że wszystkie przyszłe prognozy będą odbywać się za linią prostą. Ogranicza to stosowanie krótszej ramki czasowej, w której można być pewnym, że tendencja ta nie ulegnie zmianie. Dopasowanie sezonowe Sezonowość jest powtarzającym się wzrostem i spadkiem popytu. Wiele przedmiotów popytu wykazuje zachowanie sezonowe. Sprzedaż odzieży odbywa się zgodnie z sezonowymi wzorcami sezonowymi, a jesienią i zimą rośnie zapotrzebowanie na ciepłe ubrania i spada na wiosnę i lato, gdy zapotrzebowanie na chłodniejsze ubrania wzrasta. Popyt na wiele detalicznych przedmiotów, w tym zabawek, sprzętu sportowego, odzieży, urządzeń elektronicznych, szynki, indyków, wina i owoców zwiększa się w okresie wakacyjnym. Zapotrzebowanie na kartę z życzeniami wzrasta w połączeniu z specjalnymi datami, takimi jak Dzień Walentynki i Dzień Matki. Wzorce sezonowe mogą występować także w okresach miesięcznych, tygodniowych lub nawet codziennie. Niektóre restauracje mają większy popyt w godzinach wieczornych niż w porze lunchu lub w weekendy w przeciwieństwie do dni powszednie. Ruch - a więc sprzedaż - w centrach handlowych odbywa się w piątek i sobotę. Istnieje kilka sposobów odzwierciedlania sezonowych wzorców w prognozie szeregu czasowego. Opiszemy jedną z prostszych metod wykorzystujących czynnik sezonowy. Czynnikiem sezonowym jest wartość liczbowa, pomnożona przez normalną prognozę, aby uzyskać prognozę sezonową. Jedną z metod rozwijania zapotrzebowania na czynniki sezonowe jest podzielenie popytu na każdy okres sezonowy przez całkowity roczny popyt, zgodnie z następującym wzorem: Powstałe czynniki sezonowe w przedziale od 0 do 1,0 są w rezultacie częścią całkowitego rocznego popytu przypisanego do w każdym sezonie. Czynniki sezonowe są pomnożone przez roczne prognozowane zapotrzebowanie na prognozowane skorygowane prognozy dla każdego sezonu. Obliczanie prognozy z dostosowaniami sezonowymi Farma Wishbone Farms rośnie, aby indyki sprzedały do ​​przetwórstwa mięsa przez cały rok. Jednak jego szczyt sezonu jest oczywiście w czwartym kwartale roku, od października do grudnia. Firma Wishbone Farms od trzech lat przedstawia zapotrzebowanie na indyki: w związku z tym, że mamy trzy lata danych o popy, możemy obliczyć czynniki sezonowe, dzieląc całkowity kwartalny popyt na trzy lata na całkowity popyt we wszystkich trzech latach : Następnie chcemy zwielokrotnić prognozowany popyt na następny rok, 2000, według każdego z czynników sezonowych, aby prognozować popyt na każdy kwartał. Aby to osiągnąć, potrzebujemy prognozy zapotrzebowania na rok 2000. W tym przypadku, ponieważ dane o popycie w tabeli wydają się wykazywać tendencję wzrostową, obliczamy liniową linię trendu w ciągu trzech lat danych w tabeli, aby uzyskać surowy prognoza prognozy: prognoza na rok 2000 wynosi 58,17, czyli 58,170 indyków. Przy użyciu tej rocznej prognozy popytu, prognozy skorygowane sezonowo, SF i w 2000 r. Porównują te kwartalne prognozy z rzeczywistymi wartościami popytu w tabeli, wydają się one stosunkowo dobre prognozy dotyczące prognoz, odzwierciedlając sezonowe różnice w danych i ogólny trend wzrostowy. 10-12. Jak średnia ruchoma jest podobna do wygładzania wykładniczego 10-13. Jaki wpływ na wykładniczy model wygładzania wzrośnie stała wygładzania 10-14. Jak wyrównywany wyrównany wykład różni się od wygładzania wykładniczego 10-15. Co decyduje o wyborze stałej wygładzania dla trendu w wyrównanym elemencie wyrównawczym wykładniczym 10-16. W rozdziale przykłady dotyczące metod szeregów czasowych, prognoza początkowa zawsze zakładała, że ​​jest taka sama jak rzeczywiste zapotrzebowanie w pierwszym okresie. Zaproponuj inne sposoby, w których można zaczerpnąć prognozy początkowej w rzeczywistym użyciu. 10-17. Jak model liniowego modelu prognozowania różni się od modelu regresji liniowej dla prognozowania 10-18. Z serii modeli czasowych przedstawionych w tym rozdziale, w tym średniej ruchomej i ważonej średniej ruchomej, wygładzanie wykładnicze i wyrównanie wykładniczej wygładzania oraz linia liniowa, którą uważasz za najlepszą Dlaczego 10-19. Jakie przewagi wyrównały wyrównania wyrównawcze mają liniową linię trendu przewidywanego zapotrzebowania, która wykazuje tendencję 4 K. B. Kahn i J. T. Mentzer, Prognozowanie na rynkach konsumenckich i przemysłowych, czasopismo "Business Forecasting" nr 14, 2 (lato 1995 r.): 21-28.Rozdział 11 - Prognozowanie prognozy dla zarządzania popytem 1. Idealna prognoza jest praktycznie niemożliwa. 2. Zamiast szukać doskonałej prognozy, znacznie ważniejsze jest ustanowienie praktyki ciągłego przeglądu prognozy i nauczyć się żyć niedokładną prognozą 3. Kiedy przewidujesz, dobrą strategią jest użycie 2 lub 3 metod i obejrzenie ich w celu uzyskania wspólnego spojrzenia. 2. podstawowe źródła popytu 1. Zależny popyt - zapotrzebowanie na produkty lub usługi spowodowane popytem na inne produkty lub usługi. Niewiele firm może to zrobić, musi być spełnione. 2. Niezależny popyt - popyt, którego nie można bezpośrednio wywodzić z zapotrzebowania na inne produkty. Firma może: a) aktywnie wpływać na popyt - wywierać nacisk na siłę sprzedaży b) biernie wpłynąć na zapotrzebowanie - jeśli firma działa w pełnym zakresie, może nie chcieć nic na żądanie. Inne powody są konkurencyjne, prawne, środowiskowe, etyczne i moralne. Spróbuj przewidzieć przyszłość na podstawie danych z przeszłości. 1. Krótkoterminowe - poniżej 3 miesięcy - decyzje taktyczne, takie jak uzupełnianie zapasów lub harmonogramowanie EE w niedalekiej przyszłości 2. Średni okres - 3 M-2Y - odbieranie efektów sezonowych, takich jak klienci reagują na nowy produkt 3. Długoterminowy - więcej niż 2 lata. Aby zidentyfikować główne punkty zwrotne i wykryć ogólne trendy. Regresja liniowa jest specjalnym rodzajem regresji, w której relacje między zmiennymi tworzą prostą linię Y abX. Y zależna od zmiennej a - Y przecięcie b - stok X - niezależna zmienna Jest stosowana do długoterminowego prognozowania dużych zdarzeń i zagregowanego planowania. Jest on wykorzystywany zarówno do prognozowania szeregów czasowych, jak i prognozowania przypadkowego związku. Jest to najczęściej używana technika prognozowania. Ostatnie zdarzenia są bardziej wskazujące na przyszłość (najwyższa przewidywalna wartość) niż w odległszej przeszłości. Powinniśmy dać większą wagę do rudy ostatnich okresów czasu podczas prognozowania. Każdy przyrost w przeszłości jest zmniejszony o (1- alfa). Im wyższa alfa, tym bardziej zbliża się prognoza. Najnowsze algorytmy ważenia alfa (1-alfa) na 0 Dane o przedziale czasowym starszym alfa (1-alfa) na 1 Dane z dwóch okresów starszych alfa (1-alfa) na 2 Która z następujących metod prognozowania jest bardzo zależna od wyboru odpowiednie osoby, które będą wykorzystane do generowania prognozy Wartość musi wynosić od 0 do 1 1. 2 lub więcej z góry ustalonych wartości Alpha - w zależności od stopnia błędu stosuje się różne wartości Alpha. Jeśli błąd jest duży, Alpha wynosi 0,8, jeśli błąd jest mały, wartość Alpha wynosi 0,2. 2. Obliczone wartości algorytmów wyrównanych algorytmem algorytmem rzeczywistym podzielonych przez wykładniczy błąd absolutny. Techniki jakościowe w prognozowaniu wiedzy ekspertów i wymagają dużej oceny (nowe produkty lub regiony) 1. Badania rynku - szukanie nowych produktów i pomysłów, upodobań i niechęci do istniejących produktów. Przede wszystkim ankiety SURVEYS INTERVIEWS 2. Panel Consensus - idea, że ​​2 głowy są lepsze niż jeden. Panel ludzi z różnych stanowisk może rozwinąć bardziej wiarygodną prognozę niż węższą grupę. Problem polega na tym, że niższe poziomy EE są zastraszane wyższym poziomem zarządzania. Stosowany jest wyrok wykonawczy (dotyczy to większego szczebla zarządzania). 3. Historyczna analogia - firma, która już produkuje tostery i chce produkować dzbanki do kawy, mogłaby wykorzystać historię tostów jako prawdopodobny model wzrostu. 4. Metoda Delphi - bardzo zależna od wyboru odpowiednich osób, które będą wykorzystywane w celu rzeczywistego wygenerowania prognozy. Każdy ma ten sam ciężar (bardziej uczciwy). Zadowalające wyniki osiąga się zwykle w 3 rundach. CEL - Wspólne planowanie, prognozowanie i uzupełnianie (CPFR) Wymiana wybranych informacji wewnętrznych na wspólnym serwerze internetowym w celu zapewnienia wiarygodnych i długoterminowych perspektyw popytu w łańcuchu dostaw. Techniki prognozowania: Przełożenie średniej wygładzonej wykładniczej lekcja omówi prognozy popytu ze szczególnym uwzględnieniem sprzedaży ustalonych towarów i usług. Przedstawi ilościowe techniki przenoszenia średniego i wyrównania wykładniczego w celu określenia popytu na sprzedaż. Co to jest prognoza popytu Po raz kolejny jest to jego święto. Dzieci są gotowe na wizytę od Świętego Mikołaja, a rodzice są zaznajomieni z zakupami i finansami. Firmy kończą swoje działania w roku kalendarzowym i przygotowują się do tego, co czeka nas na przyszłość. ABC Inc. produkuje przewód telefoniczny. Ich okresy rozliczeniowe i operacyjne są prowadzone w roku kalendarzowym, więc na koniec roku pozwala na zawarcie transakcji przed wakacjami i zaplanowanie na nowy rok. Czas na zarządzanie menedżerami i przygotowywanie planów operacyjnych departamentów do kierownictwa wyższego szczebla, aby mogli tworzyć organizacyjny plan działań na nowy rok. Dział handlowy jest podkreślony z ich umysłów. Zapotrzebowanie na połączenia telefoniczne spadło w 2018 r., A ogólne dane ekonomiczne wskazują na dalsze spowolnienie w projektach budowlanych, które wymagają przewodu telefonicznego. Bob, kierownik działu sprzedaży, wie, że wyżsi kadra kierownicza, zarząd i zainteresowane strony chcą liczyć na optymistyczną prognozę sprzedaży, ale czuje, że lód kryzysu w przemyśle spada pod jego dachem, aby go zająć. Prognozowanie popytu jest metodą prognozowania zapotrzebowania klienta na dobra lub usługi. Proces ten jest ciągły, w którym menedżerowie używają danych historycznych, aby obliczyć, czego oczekują popyt na sprzedaż dobra lub usługi. Bob korzysta z informacji pochodzących z przeszłych firm i dodaje je do danych ekonomicznych z rynku, aby sprawdzić, czy sprzedaż wzrośnie lub spadnie. Bob korzysta z wyników prognozowania popytu do wyznaczania celów dla działu sprzedaży, starając się zachowywać zgodność z celami firmy. Bob będzie w stanie ocenić wyniki działu sprzedaży w przyszłym roku, aby określić jego prognozę. Bob może korzystać z różnych technik, zarówno jakościowych, jak i ilościowych w celu określenia wzrostu lub spadku sprzedaży. Przykłady technik jakościowych obejmują: wywiady wywiadowe rynek predykcyjny teoria gier technika Delphi Przykłady technik ilościowych obejmują: ekstrapolacja danych modele modeli przypadków modeli Box-Jenkins Powyższe przykłady technik prognozowania zapotrzebowania są tylko krótką listą dostępnych możliwości dla Boba, sprawdza prognozowanie zapotrzebowania. Ta lekcja skupi się na dwóch dodatkowych technikach ilościowych, które są proste w obsłudze i dostarczają obiektywnych, dokładnych prognoz. Średnia średnia ruchu Średnia długość ruchu to technika, która oblicza ogólny trend w zbiorze danych. W zarządzaniu operacyjnym zbiorem danych jest wielkość sprzedaży z danych historycznych firmy. Ta technika jest bardzo przydatna do prognozowania krótkoterminowych trendów. Jest to po prostu średnia wybranego zestawu okresów. Nazywa się ruchem, ponieważ jako nowy numer zapotrzebowania obliczany jest na nadchodzący okres, najstarszy numer w zestawie spada, utrzymując czas blokady. Przyjrzyjmy się przykładowi, w jaki sposób kierownik sprzedaży w ABC Inc. prognozuje zapotrzebowanie na średnią ruchomą formułę. Wzór jest przedstawiony w następujący sposób: Średnia przemieszczeniowa (n1 n2 n3) n Gdzie n liczba okresów w zbiorze danych. Suma pierwszego okresu czasu i wszystkie dodatkowe okresy czasu są podzielone przez liczbę okresów. Bob postanawia utworzyć prognozę popytu na podstawie pięcioletniej średniej ruchomej. Oznacza to, że jako dane do obliczeń będzie wykorzystywał dane dotyczące wielkości sprzedaży z ostatnich 5 lat. Wyrównywanie wykładnicze Wyrównywanie wykładnicze jest techniką wykorzystującą stałą wygładzania jako predykat przyszłego prognozowania. Kiedy używasz liczby do prognoz, która jest średnia, została wygładzona. Ta technika zawiera dane historyczne z poprzednich okresów czasu i zastosowała obliczenia dla wyrównywania wykładniczego do prognozowania przyszłych danych. W tym przypadku Bob będzie również stosować wyrównywanie wykładnicze do porównania z wcześniejszym obliczaniem średniej ruchomej, aby uzyskać drugą opinię. Wzór wygładzania wykładniczego wygląda następująco. F (t) prognoza dla 2018 F (t-1) prognoza dla poprzedniej fazy wygładzania alfa A (t-1) rzeczywistej sprzedaży z poprzedniego roku Stała wygładzania jest wagą, która jest stosowana do równania na podstawie nacisku, jaki firma miejsca na najnowszych danych. Stała wygładzania jest liczbą między 0 a 1. Stała wygładzania wynosi 0,9, co sygnalizuje, że kierownictwo przywiązuje dużą wagę do danych historycznych dotyczących sprzedaży ostatnich okresów czasu. Stała wygładzania 0,1 oznaczałaby, że kierownictwo w niewielkim stopniu koncentruje się na poprzednim okresie. Wybór stałej wygładzania jest trafiony lub pominięty i może być modyfikowany, gdy dostępnych jest więcej danych. Użyjemy powyższego wykresu z historyczną wielkością sprzedaży, aby wyliczyć prognozę wygładzania wykładniczego na rok 2018. Istnieje dodatkowa kolumna uwzględniająca przewidywaną wielkość sprzedaży. To obliczenie jest dość skuteczną formułą i dość dokładne w porównaniu do innych technik prognozowania popytu. Podsumowanie lekcji Prognozowanie popytu jest zasadniczą częścią planowanych przez firmę planów przyszłych okresów. Można stosować różne techniki, zarówno jakościowe, jak i ilościowe, i dostarczać menedżerom różne zestawy danych, ponieważ prognozują popyt, zwłaszcza w zakresie sprzedaży. Ruchome średnie i wykładnicze techniki wygładzania stanowią zarówno uczciwe przykłady sposobów wykorzystania, aby pomóc prognozować zapotrzebowanie. Aby odblokować tę lekcję, musisz być członkiem studiów. Załóż swoje konto Konto Zysk Kształcenie Czy wiesz, że mamy ponad 79 kursów na poziomie wyższym, które przygotowują Cię do zarobienia na egzaminie, który jest akceptowany przez ponad 2000 uczelni wyższych. Możesz testować z pierwszych dwóch lat college'u i zaoszczędzić tysiące poza stopniem. Każdy może zarabiać na egzaminie kredytowym niezależnie od wieku lub poziomu wykształcenia. Przenoszenie kredytu na wybraną szkołę Nie wiesz, do jakiej uczelni chcesz się uczęszczać Studium zawiera tysiące artykułów na temat każdego wyobrażalnego stopnia, obszaru studiów i ścieżki kariery, które pomogą Ci znaleźć odpowiednie dla Ciebie szkoły. Szkoły badawcze, stopnie kariery Kariera Znajdź bezstronne informacje potrzebne do znalezienia właściwej szkoły. Przeglądaj artykuły według kategorii