I praksis vil det glidende gjennomsnittet gi et godt estimat av gjennomsnittet av tidsserien hvis gjennomsnittet er konstant eller sakte endring. Ved konstant gjennomsnitt vil den største verdien av m gi de beste estimatene for det underliggende gjennomsnittet. En lengre observasjonsperiode vil gjennomsnittlig utvirke virkningen av variabilitet. Formålet med å gi en mindre m er å la prognosen svare på en endring i den underliggende prosessen. For å illustrere foreslår vi et datasett som inkorporerer endringer i det underliggende gjennomsnittet av tidsseriene. Figuren viser tidsseriene som brukes til illustrasjon sammen med den gjennomsnittlige etterspørselen fra hvilken serien ble generert. Middelet begynner som en konstant ved 10. Begynner på tid 21, øker den med en enhet i hver periode til den når verdien av 20 ved tid 30. Da blir det konstant igjen. Dataene blir simulert ved å legge til i gjennomsnitt, en tilfeldig støy fra en Normal-fordeling med null-middel og standardavvik 3. Resultatene av simuleringen avrundes til nærmeste heltall. Tabellen viser de simulerte observasjonene som brukes til eksemplet. Når vi bruker bordet, må vi huske at det til enhver tid bare er kjent med tidligere data. Estimatene til modellparameteren, for tre forskjellige verdier av m, vises sammen med gjennomsnittet av tidsseriene i figuren under. Figuren viser gjennomsnittlig glidende gjennomsnittlig beregning av gjennomsnittet hver gang og ikke prognosen. Prognosene ville skifte de bevegelige gjennomsnittskurver til høyre etter perioder. En konklusjon er umiddelbart tydelig fra figuren. For alle tre estimatene ligger det glidende gjennomsnittet bak den lineære trenden, idet laget øker med m. Laget er avstanden mellom modellen og estimatet i tidsdimensjonen. På grunn av lavet undervurderer det bevegelige gjennomsnittet observasjonene ettersom gjennomsnittet øker. Forskjellerens forspenning er forskjellen på en bestemt tid i middelverdien av modellen og middelverdien forutsatt av det bevegelige gjennomsnittet. Forspenningen når gjennomsnittet øker er negativt. For et avtagende middel er forspenningen positiv. Forsinkelsen i tid og bias innført i estimatet er funksjoner av m. Jo større verdien av m. jo større størrelsen på lag og forspenning. For en kontinuerlig økende serie med trend a. verdiene av lag og forspenning av estimatoren av middelet er gitt i ligningene nedenfor. Eksempelkurverne stemmer ikke overens med disse ligningene, fordi eksempelmodellen ikke øker kontinuerlig, men det begynner som en konstant, endrer seg til en trend og blir konstant igjen. Også eksempelkurvene påvirkes av støyen. Den bevegelige gjennomsnittlige prognosen for perioder inn i fremtiden er representert ved å flytte kurvene til høyre. Forsinkelsen og forspenningen øker proporsjonalt. Ligningene nedenfor angir lag og forspenning av prognoseperioder i fremtiden sammenlignet med modellparametrene. Igjen, disse formlene er for en tidsserie med en konstant lineær trend. Vi bør ikke bli overrasket over dette resultatet. Den bevegelige gjennomsnittlige estimatoren er basert på antagelsen om konstant gjennomsnitt, og eksemplet har en lineær trend i gjennomsnittet i en del av studieperioden. Siden sanntidsserier sjelden vil adlyde forutsetningene til en hvilken som helst modell, bør vi være forberedt på slike resultater. Vi kan også konkludere fra figuren at variasjonen av støyen har størst effekt for mindre m. Estimatet er mye mer flyktig for det bevegelige gjennomsnittet på 5 enn det bevegelige gjennomsnittet på 20. Vi har de motstridende ønskene om å øke m for å redusere effekten av variabilitet på grunn av støyen, og å redusere m for å gjøre prognosen mer lydhør for endringer i gjennomsnitt. Feilen er forskjellen mellom de faktiske dataene og den forventede verdien. Hvis tidsseriene er virkelig en konstant verdi, er den forventede verdien av feilen null og variansen av feilen består av et begrep som er en funksjon av og et andre begrep som er variansen av støyen. Første term er variansen av gjennomsnittet estimert med en prøve av m observasjoner, forutsatt at data kommer fra en befolkning med konstant gjennomsnitt. Denne termen er minimert ved å gjøre m så stor som mulig. Et stort m gjør prognosen uansvarlig for en endring i den underliggende tidsserien. For å gjøre prognosen lydhør for endringer, ønsker vi m så liten som mulig (1), men dette øker feilvariasjonen. Praktisk prognose krever en mellomverdi. Forecasting with Excel Forecasting-tillegget implementerer de bevegelige gjennomsnittlige formlene. Eksempelet nedenfor viser analysen som ble levert av tillegget for prøvedataene i kolonne B. De første 10 observasjonene er indeksert -9 til 0. Sammenlignet med tabellen over, forskyves periodindeksene med -10. De første ti observasjonene gir oppstartsverdiene for estimatet og brukes til å beregne det bevegelige gjennomsnittet for perioden 0. MA (10) kolonnen (C) viser de beregnede bevegelige gjennomsnittene. Den bevegelige gjennomsnittsparameteren m er i celle C3. Fore (1) kolonne (D) viser en prognose for en periode inn i fremtiden. Forespørselsintervallet er i celle D3. Når prognoseperioden endres til et større tall, blir tallene i Fore-kolonnen flyttet ned. Err-kolonnen (E) viser forskjellen mellom observasjonen og prognosen. For eksempel er observasjonen ved tidspunkt 1 6. Den prognostiserte verdien fra det bevegelige gjennomsnittet ved tid 0 er 11,1. Feilen er da -5,1. Standardavviket og gjennomsnittlig avvik (MAD) beregnes i henholdsvis celler E6 og E7. Tidsseriemetoder Tidsseriemetoder er statistiske teknikker som benytter historiske data akkumulert over en tidsperiode. Tidsseriemetoder antar at det som har skjedd tidligere, vil fortsette å skje i fremtiden. Som navnet serier antyder, relaterer disse metodene prognosen til bare en faktor - tid. De inkluderer glidende gjennomsnitt, eksponensiell utjevning og lineær trendlinje, og de er blant de mest populære metodene for kortvarig prognose blant service - og produksjonsbedrifter. Disse metodene forutsetter at identifiserbare historiske mønstre eller trender for etterspørsel over tid vil gjenta seg. Flytende gjennomsnitt En prognos for tidsserier kan være så enkel som bruk av etterspørsel i den nåværende perioden for å forutse etterspørselen i neste periode. Dette kalles noen ganger en naiv eller intuitiv prognose. 4 For eksempel, hvis etterspørselen er 100 enheter denne uken, er prognosen for neste ukes etterspørsel 100 enheter dersom etterspørselen viser seg å være 90 enheter i stedet, så er etterspørselen etter følgende uker 90 enheter, og så videre. Denne typen prognosemetode tar ikke hensyn til historisk etterspørselsadferd som den bare bygger på etterspørsel i den nåværende perioden. Det reagerer direkte på de normale, tilfeldige bevegelsene i etterspørselen. Den enkle glidende gjennomsnittsmetoden bruker flere etterspørselsverdier i løpet av den siste tiden til å utvikle en prognose. Dette har en tendens til å dempe eller glatte ut, tilfeldige økninger og reduksjoner av en prognose som bare bruker en periode. Det enkle glidende gjennomsnittet er nyttig for å forutse etterspørselen som er stabil og viser ikke noen uttalt etterspørselsadferd, for eksempel en trend eller sesongmessig mønster. Flytende gjennomsnitt beregnes for bestemte perioder, for eksempel tre måneder eller fem måneder, avhengig av hvor mye forecasteren ønsker å glatte etterspørseldataene. Jo lengre glidende gjennomsnittsperiode, jo jevnere blir det. Formelen for beregning av det enkle glidende gjennomsnittet er å beregne et enkelt bevegelige gjennomsnitt. Instant Paper Clip Office Supply Company selger og leverer kontorrekvisita til bedrifter, skoler og byråer innen en radius på 50 kilometer fra lageret. Kontorforsyningsvirksomheten er konkurransedyktig, og evnen til å levere bestillinger raskt er en faktor for å få nye kunder og holde gamle. (Kontorene bestiller vanligvis ikke når de går lite på forsyninger, men når de går helt tom. Som et resultat trenger de straks sine bestillinger.) Sjefen for selskapet ønsker å være sikre nok drivere og kjøretøyer er tilgjengelige for å levere bestillinger omgående og De har tilstrekkelig lagerbeholdning på lager. Derfor ønsker lederen å kunne regne ut antall ordrer som vil skje i løpet av den neste måneden (dvs. for å prognose etterspørselen etter leveranser). Fra registreringer av leveringsordrer har ledelsen akkumulert følgende data de siste 10 månedene, hvorfra den vil beregne 3- og 5-måneders glidende gjennomsnitt. La oss anta at det er slutten av oktober. Prognosen som følge av enten 3- eller 5-måneders glidende gjennomsnitt er typisk for neste måned i sekvensen, som i dette tilfellet er november. Det bevegelige gjennomsnittet beregnes fra etterspørselen etter ordre for de foregående 3 månedene i sekvensen i henhold til følgende formel: 5-måneders glidende gjennomsnitt beregnes fra de foregående 5 månedene av etterspørseldata som følger: 3- og 5-måneders Flytte gjennomsnittlige prognoser for alle månedene av etterspørseldata er vist i følgende tabell. Faktisk vil bare prognosen for november basert på den siste månedlige etterspørselen bli brukt av lederen. De tidligere prognosene for tidligere måneder tillater oss imidlertid å sammenligne prognosen med den faktiske etterspørselen for å se hvor nøyaktig prognosemetoden er - det vil si hvor bra det gjør. Tre - og fem-måneders gjennomsnitt Både glidende gjennomsnittlige prognoser i tabellen ovenfor har en tendens til å utjevne variabiliteten i de faktiske dataene. Denne utjevningseffekten kan observeres i følgende figur hvor 3-måneders og 5-måneders gjennomsnitt er lagt på en graf av de opprinnelige dataene: Det 5-måneders glidende gjennomsnittet i foregående figur utjevner svingninger i større grad enn 3 måneders glidende gjennomsnitt. Imidlertid gjenspeiler 3-måneders gjennomsnittet de nyeste dataene som er tilgjengelige for kontorforvalteren. Generelt er prognoser som bruker lengre periode glidende gjennomsnitt, langsommere å reagere på de siste endringene i etterspørselen enn de som ble gjort ved hjelp av glidende gjennomsnitt for kortere periode. De ekstra dataperiodene demper hastigheten som prognosen svarer på. Etablering av riktig antall perioder som skal brukes i en bevegelig gjennomsnittlig prognose krever ofte litt prøve-og-feil-eksperimentering. Ulempen med den bevegelige gjennomsnittlige metoden er at den ikke reagerer på variasjoner som oppstår av en grunn, for eksempel sykluser og sesongmessige effekter. Faktorer som forårsaker endringer blir generelt ignorert. Det er i utgangspunktet en mekanisk metode som gjenspeiler historiske data på en konsistent måte. Den glidende gjennomsnittlige metoden har imidlertid fordelen av å være enkel å bruke, rask og relativt billig. Generelt kan denne metoden gi en god prognose på kort sikt, men det bør ikke presses for langt inn i fremtiden. Veidende Flytende Gjennomsnitt Den bevegelige gjennomsnittlige metoden kan justeres for å bedre reflektere svingninger i dataene. I den vektede glidende gjennomsnittlige metoden blir vektene tilordnet de nyeste dataene i henhold til følgende formel: Etterspørseldataene for PM Computer Services (vist i tabellen for eksempel 10.3) ser ut til å følge en økende lineær trend. Selskapet ønsker å beregne en lineær trendlinje for å se om den er mer nøyaktig enn eksponensiell utjevning og justert eksponensiell utjevningsprognos utviklet i eksempler 10.3 og 10.4. Verdiene som kreves for de minste kvadratberegninger er som følger: Ved bruk av disse verdiene beregnes parametrene for den lineære trendlinjen som følger: Derfor er den lineære trendlinjekvasjonen å beregne en prognose for periode 13, la x 13 i lineær trendlinje: Følgende graf viser den lineære trendlinjen sammenlignet med de faktiske dataene. Treningslinjen ser ut til å gjenspeile nøyaktig de faktiske dataene, det vil si å være en god form og dermed være en god prognosemodell for dette problemet. En ulempe med den lineære trendlinjen er imidlertid at den ikke vil tilpasse seg en endring i trenden, da de eksponentielle utjevningsprognosene vil det vil si det antas at alle fremtidige prognoser vil følge en rett linje. Dette begrenser bruken av denne metoden til en kortere tidsramme der du kan være relativt sikker på at trenden ikke vil endre seg. Seasonal Adjustments Et sesongmessig mønster er en repeterende økning og nedgang i etterspørselen. Mange etterspørselsprodukter viser sesongmessig oppførsel. Klærsalg følger årlige sesongmønstre, hvor etterspørselen etter varme klær øker om høsten og vinteren og faller om våren og sommeren ettersom etterspørselen etter kjøligere klær øker. Etterspørselen etter mange detaljhandler, inkludert leker, sportsutstyr, klær, elektroniske apparater, skinke, kalkuner, vin og frukt, øker i løpet av høytiden. Krav til hilsekort øker i forbindelse med spesielle dager som Valentinsdag og Morsdag. Sesongmønstre kan også forekomme på en månedlig, ukentlig eller daglig basis. Noen restauranter har høyere etterspørsel om kvelden enn til lunsj eller i helgene i motsetning til hverdager. Trafikk - dermed salg - i kjøpesentre plukker opp fredag og lørdag. Det finnes flere metoder for å reflektere sesongmessige mønstre i en tidsserie-prognose. Vi vil beskrive en av de enklere metodene ved å bruke en sesongfaktor. En sesongfaktor er en tallverdi som multipliseres med den normale prognosen for å få en sesongjustert prognose. En metode for å utvikle en etterspørsel etter sesongmessige faktorer er å dele etterspørselen etter hver sesongperiode etter total årlig etterspørsel, i henhold til følgende formel: De resulterende sesongfaktorene mellom 0 og 1,0 er faktisk den del av den totale årlige etterspørselen som tildeles hver sesong. Disse sesongmessige faktorene multipliseres med den årlige forventede etterspørselen for å gi justerte prognoser for hver sesong. Beregner en prognose med sesongjusteringer. Wishbone Farms vokser kalkuner for å selge til et kjøttproduserende selskap gjennom hele året. Men høysesongen er åpenbart i løpet av fjerde kvartal av året, fra oktober til desember. Wishbone Farms har opplevd etterspørselen etter kalkuner de siste tre årene vist i følgende tabell: Fordi vi har tre års etterspørseldata, kan vi beregne sesongfaktorene ved å dele totalt kvartalsbehov for de tre årene etter total etterspørsel i alle tre år : Deretter vil vi multiplisere den forventede etterspørselen etter neste år, 2000, ved hver sesongfaktor for å få forventet etterspørsel etter hvert kvartal. For å oppnå dette trenger vi en etterspørselsprognose for 2000. I dette tilfellet, siden etterspørseldataene i tabellen ser ut til å vise en generelt økende trend, beregner vi en lineær trendlinje for de tre årene med data i tabellen for å bli tøffe prognose estimat: Prognosen for 2000 er således 58,17, eller 58,170 kalkuner. Ved å bruke denne årlige prognosen for etterspørsel er de sesongjusterte prognosene, SF i, for 2000 Sammenligning av disse kvartalsprognosene med de faktiske etterspørselsverdiene i tabellen, synes de å være relativt gode prognoser som reflekterer både sesongvariasjoner i dataene og den generelle oppadgående trenden. 10-12. Hvordan er den bevegelige gjennomsnittlige metoden lik eksponensiell utjevning 10-13. Hvilken effekt på eksponensiell utjevningsmodell vil øke utjevningskonstanten har 10-14. Hvordan skiller den justerte eksponensielle utjevningen seg fra eksponensiell utjevning 10-15. Hva bestemmer valget av utjevningskonstanten for trend i en justert eksponensiell utjevningsmodell 10-16. I kapitteleksemplene for tidsseriemetoder ble startprognosen alltid antatt å være den samme som den faktiske etterspørselen i første periode. Foreslå andre måter at startprognosen kan utledes ved faktisk bruk. 10-17. Hvordan er lineær trendlinjeprognosemodell forskjellig fra en lineær regresjonsmodell for prognoser 10-18. Av tidsseriemodellene som presenteres i dette kapittelet, inkludert det bevegelige gjennomsnittlige og vektede glidende gjennomsnittet, eksponensiell utjevning og justert eksponensiell utjevning, og lineær trendlinje, hvilken anser du best Hvorfor 10-19. Hvilke fordeler har justert eksponensiell utjevning over en lineær trendlinje for forventet etterspørsel som viser en trend 4 K. B. Kahn og J. T. Mentzer, Forecasting in Consumer and Industrial Markets, Journal of Business Forecasting 14, nr. 2 (Sommer 1995): 21-28. Kapittel 11 - Etterspørselsforvaltning amp Prognoser 1. Perfekt prognose er nesten umulig. 2. I stedet for å søke etter den perfekte prognosen, er det langt viktigere å etablere praksis med kontinuerlig gjennomgang av prognosen og til lære å leve med unøyaktig prognose 3. Når prognoser er, er en god strategi å bruke 2 eller 3 metoder og se dem for kommonsens syn. 2. grunnkilder til etterspørsel 1. Avhengige etterspørselen - etterspørsel etter produkter eller tjenester forårsaket av etterspørselen etter andre produkter eller tjenester. Ikke mye firmaet kan gjøre, det må oppfylles. 2. Uavhengig etterspørsel - etterspørsel som ikke direkte kommer fra etterspørselen etter andre produkter. Firmaet kan: a) Ta en aktiv rolle for å påvirke etterspørselen - legge press på salgsstyrken din b) Ta en passiv rolle for å påvirke etterspørselen - Hvis et firma kjører i full kapasitet, vil det kanskje ikke gjøre noe med etterspørselen. Andre grunner er konkurransedyktige, juridiske, miljømessige, etiske og moralske. Forsøk å forutsi fremtiden basert på tidligere data. 1. Kort sikt - under 3 måneder - taktiske beslutninger som å fylle opp inventar eller planlegger EEer på kort sikt 2. Middels sikt - 3 M-2Y - fange sesongvirkninger som kunder svarer på et nytt produkt 3. Langsiktig - mer enn 2 år. Å identifisere viktige vendepunkter og oppdage generelle trender. Lineær regresjon er en spesiell type regresjon der relasjonene mellom variabel danner en rett linje Y abX. Y-avhengig variabel a - Y avgrensning b - skråning X - uavhengig variabel Det brukes til langsiktig prognose av store hendelser og aggregeringsplanlegging. Den brukes til både prognoser for tidsserier og prognoser for tilfeldige forhold. Er den mest brukte prognoseteknikken. De siste hendelsene er mer veiledende for fremtiden (høyest forutsigbar verdi) enn de i den fjernere fortiden. Vi bør gi mer vekt til malmen de siste tidsperioder når vi regner med prognoser. Hvert trinn i fortiden er redusert med (1 alfa). Jo høyere alfa, desto nærmere følger prognosen. Nyeste vekting alfa (1-alfa) na 0 Data en periode eldre alfa (1-alfa) na 1 Data to tidsperiode eldre alfa (1-alfa) na 2 Hvilken av følgende prognosemetoder er svært avhengig av valg av rettpersoner som dømt vil bli brukt til å faktisk generere prognosen Verdien må være mellom 0 og 1 1. 2 eller flere forhåndsdefinerte verdier av Alpha - avhengig av graden av feil benyttes forskjellige verdier av Alpha. Hvis feilen er stor, er Alpha 0,8, hvis feilen er liten, Alpha er 0,2. 2. Beregnede verdier for Alpha - eksponensielt jevnet faktisk feil dividert med eksponensielt forvrengt absolutt feil. Kvalitative teknikker i prognose Kunnskap om eksperter og kreve stor vurdering (nye produkter eller regioner) 1. Markedsundersøkelse - leter etter nye produkter og ideer, liker og misliker eksisterende produkter. Primært FORSØKER amp INTERVIEWS 2. Panel Consensus - ideen om at 2 hoder er bedre enn en. Panel av mennesker fra en rekke stillinger kan utvikle en mer pålitelig prognose enn en smalere gruppe. Problemet er at lavere EE-nivåer blir skremt av høyere styringsnivåer. Executive judgment brukes (høyere nivå av ledelse er involvert). 3. Historisk Analogi - Et firma som allerede produserer brødristere og ønsker å produsere kaffekasser, kan bruke brødristerens historie som en sannsynlig vekstmodell. 4. Delphi Metode - svært avhengig av valg av rett personer som dømt vil bli brukt til å faktisk generere prognosen. Alle har samme vekt (mer rettferdig). Tilfredsstillende resultater oppnås vanligvis i 3 runder. MÅL - Samarbeidsprosjekt, prognoser og etterfylling (CPFR) For å utveksle valgt intern informasjon på en delt webserver for å sikre pålitelig og langsiktig fremtidsperspektiv av etterspørselen i forsyningskjeden. Mannprognoseknikker: Flytende gjennomsnittlig eksponensiell utjevning Dette leksjonen vil diskutere etterspørselsforespørsel med fokus på salg av etablerte varer og tjenester. Det vil introdusere kvantitative teknikker for å flytte gjennomsnittlig og eksponensiell utjevning for å avgjøre salgsbehov. Hva er etterspørselsprognose igjen, det er høytiden. Barna er klare for et besøk fra Santa, og foreldrene er stresset over shopping og økonomi. Bedrifter slutter sin virksomhet for kalenderåret og forbereder seg på å flytte inn i det som ligger foran. ABC Inc. produserer telefonledning. Deres regnskaps - og driftstidperioder løper på et kalenderår, slik at årsskiftet gjør at de kan pakke opp virksomheten før ferien og planlegge til begynnelsen av et nytt år. Det er tid for ledere å forberede og sende sine avdelinger driftsplaner til toppledelsen, slik at de kan opprette en organisasjonsplan for det nye året. Salgsavdelingen er stresset ut av deres sinn. Etterspørselen etter telefonledning var nede i 2015, og de generelle økonomiske dataene tyder på en fortsatt nedgang i byggeprosjekter som krever telefonledning. Bob, salgssjef, vet at toppledelsen, styret og interessentene håper på en optimistisk salgsutsikt, men han føler at tilbakeslaget for isen kryper opp bak ham for å takle ham. Etterspørselsforespørsel er metoden for å projisere kundenes etterspørsel etter en god eller tjeneste. Denne prosessen er en kontinuerlig en hvor ledere bruker historiske data for å beregne hva de forventer at salget etterspør etter en god eller tjeneste å være. Bob bruker informasjon fra selskapets fortid og legger den til økonomiske data fra markedet for å se om salget vil vokse eller avta. Bob bruker resultatene av etterspørselsforespørsel til å sette mål for salgsavdelingen, samtidig som han prøver å holde seg i tråd med selskapets mål. Bob vil kunne vurdere resultatene fra salgsavdelingen neste år for å avgjøre hvordan hans prognose kom ut. Bob kan bruke ulike teknikker som er både kvalitative og kvantitative for å bestemme veksten eller nedgangen i salget. Eksempler på kvalitative teknikker inkluderer: Utdannede gjetninger Prediksjonsmarkedet Spillteori Delphi-teknikk Eksempler på kvantitative teknikker inkluderer: Ekstrapolering Data mining Årsaksmodeller Box-Jenkins-modeller Ovennevnte eksempler på etterspørselsforespørselsteknikker er bare en kort liste over mulighetene Bob har som han praksis krever forutsetninger. Denne leksjonen vil fokusere på to ekstra kvantitative teknikker som er enkle å bruke og gir en objektiv og nøyaktig prognose. Flytende gjennomsnittlig formel Et glidende gjennomsnitt er en teknikk som beregner den generelle trenden i et datasett. I driftsledelsen er datasettet salgsvolum fra historiske data i selskapet. Denne teknikken er veldig nyttig for å prognose kortsiktige trender. Det er bare gjennomsnittet av et valgt sett av tidsperioder. Den kalles flytting fordi det som et nytt etterspørselsnummer beregnes for en kommende tidsperiode, faller det eldste nummeret i settet og holder tidsperioden låst. La oss se på et eksempel på hvordan salgssjef hos ABC Inc. vil prognose etterspørsel ved hjelp av den bevegelige gjennomsnittsformelen. Formelen er illustrert som følger: Moving Average (n1 n2 n3.) N Hvor n antall tidsperioder i datasettet. Summen av første tidsperiode og alle ekstra tidsperioder som er valgt, er delt på antall tidsperioder. Bob bestemmer seg for å lage sin etterspørselsprognose basert på et 5 års glidende gjennomsnitt. Dette betyr at han vil bruke salgsvolumdataene fra de siste 5 årene som data for beregningen. Eksponensiell utjevning Eksponensiell utjevning er en teknikk som bruker en utjevningskonstant som en spådommer for fremtidig prognose. Når du bruker et tall i prognoser som er et gjennomsnitt, har det blitt utjevnet. Denne teknikken tar historiske data fra tidligere tidsperioder og benyttet beregningen for eksponensiell utjevning for å prognose fremtidige data. I dette tilfellet vil Bob også bruke eksponensiell utjevning for å sammenligne mot tidligere beregning av et bevegelige gjennomsnitt for å få en annen mening. Formelen for eksponensiell utjevning er som følger. F (t) prognose for 2016 F (t-1) prognose for foregående år alfa utjevning konstant A (t-1) faktisk salg fra foregående år Utjevningskonstanten er en vekt som brukes på ligningen basert på hvor mye vekt selskapet steder på de nyeste dataene. Utjevningskonstanten er et tall mellom 0 og 1. En utjevningskonstant på 0,9 vil signalisere at ledelsen legger stor vekt på de mest tidligere tidsperioder historiske salgsdata. En utjevningskonstant på 0,1 ville signalisere at ledelsen legger svært lite vekt på forrige tidsperiode. Valget av en utjevningskonstant er hit eller savner og kan endres ettersom flere data er tilgjengelige. Vi vil bruke diagrammet ovenfra med det historiske salgsvolumet til å beregne eksponensiell utjevningsprognose for 2016. Det er en ekstra kolonne som inkluderer forventet salgsvolum. Denne beregningen er en ganske effektiv formel og ganske nøyaktig i forhold til andre teknikker for etterspørselsforespørsel. Leksjonsoversikt Kravet om prognoser er en viktig del av en planlagt plan for fremtidige tidsperioder. Ulike teknikker kan brukes, både kvalitative og kvantitative, og gi ulike sett med data til ledere som de forutsetter etterspørsel, spesielt i salgsvolum. Den bevegelige gjennomsnittlige og eksponensielle utjevningsteknikker er begge rettferdige eksempler på metoder som skal brukes til å prognose etterspørselen. For å låse opp denne leksjonen må du være et studiemedlem. Opprett din konto Earning College Credit Vet du om at vi har over 79 høyskolekurs som forbereder deg til å tjene kreditt ved eksamen som er godkjent av over 2000 høgskoler og universiteter. Du kan teste ut de to første årene av høyskolen og spare tusenvis av graden din. Alle kan tjene kreditt-for-eksamen uavhengig av alder eller utdanningsnivå. Overføring av kreditt til skolen etter eget valg Ikke sikker på hvilket høyskole du vil delta i ennå. Studien har tusenvis av artikler om enhver forestillbar grad, studieområde og karrierevei som kan hjelpe deg med å finne skolen som passer best for deg. Forskerskoler, Degrees amp Karriere Få den subjektive infoen du trenger for å finne riktig skole. Bla gjennom artikler etter kategori
No comments:
Post a Comment