Moving Average To Forecast Demand

Moving Average Forecasting Introdução. Como você pode imaginar, estamos olhando para algumas das abordagens mais primitivas para a previsão. Mas espero que estas sejam pelo menos uma introdução interessante a algumas das questões de computação relacionadas à implementação de previsões em planilhas. Neste sentido, vamos continuar a partir do início e começar a trabalhar com previsões de média móvel. Previsões médias móveis. Todo mundo está familiarizado com as previsões de média móvel, independentemente de eles acreditam que são. Todos os estudantes universitários fazê-los o tempo todo. Pense nas suas pontuações dos testes num curso em que vai ter quatro testes durante o semestre. Vamos supor que você tem um 85 em seu primeiro teste. O que você poderia prever para sua pontuação do segundo teste O que você acha que seu professor iria prever para a sua próxima pontuação de teste O que você acha que seus amigos podem prever para a sua próxima pontuação de teste O que você acha que seus pais podem prever para sua pontuação próxima teste Independentemente de Todo o blabbing você pôde fazer a seus amigos e pais, eles e seu professor são muito prováveis ​​esperar que você comece algo na área do 85 que você começou apenas. Bem, agora vamos supor que, apesar de sua auto-promoção para seus amigos, você superestimar-se e figura que você pode estudar menos para o segundo teste e assim você começa um 73. Agora o que são todos os interessados ​​e despreocupado vai Antecipar você vai chegar em seu terceiro teste Existem duas abordagens muito provável para que eles desenvolvam uma estimativa, independentemente de se eles vão compartilhar com você. Eles podem dizer a si mesmos: "Esse cara está sempre soprando fumaça sobre suas espertinas. Hes que vai obter outro 73 se hes afortunado. Talvez os pais tentem ser mais solidários e dizer: "Bem, até agora você tem obtido um 85 e um 73, então talvez você deve figura em obter cerca de um (85 73) / 2 79. Eu não sei, talvez se você fez menos Festejando e werent abanando a doninhas em todo o lugar e se você começou a fazer muito mais estudando você poderia obter uma pontuação mais alta. quot Ambas as estimativas são, na verdade, média móvel previsões. O primeiro é usar apenas sua pontuação mais recente para prever o seu desempenho futuro. Isso é chamado de média móvel usando um período de dados. A segunda também é uma média móvel, mas usando dois períodos de dados. Vamos supor que todas essas pessoas rebentando em sua grande mente têm tipo de puto você fora e você decidir fazer bem no terceiro teste para suas próprias razões e colocar uma pontuação mais alta na frente de seus quotalliesquot. Você toma o teste e sua pontuação é realmente um 89 Todos, incluindo você mesmo, está impressionado. Então agora você tem o teste final do semestre chegando e, como de costume, você sente a necessidade de incitar todo mundo a fazer suas predições sobre como você vai fazer no último teste. Bem, espero que você veja o padrão. Agora, espero que você possa ver o padrão. Qual você acha que é o apito mais preciso enquanto trabalhamos. Agora vamos voltar para a nossa nova empresa de limpeza iniciada por sua meia irmã distante chamado Whistle While We Work. Você tem alguns dados de vendas anteriores representados na seção a seguir de uma planilha. Primeiro, apresentamos os dados para uma previsão média móvel de três períodos. A entrada para a célula C6 deve ser Agora você pode copiar esta fórmula de célula para baixo para as outras células C7 a C11. Observe como a média se move sobre os dados históricos mais recentes, mas usa exatamente os três períodos mais recentes disponíveis para cada previsão. Você também deve notar que nós realmente não precisamos fazer as previsões para os períodos passados, a fim de desenvolver a nossa previsão mais recente. Isto é definitivamente diferente do modelo de suavização exponencial. Ive incluído o quotpast previsõesquot porque vamos usá-los na próxima página da web para medir a validade de previsão. Agora eu quero apresentar os resultados análogos para uma previsão média móvel de dois períodos. A entrada para a célula C5 deve ser Agora você pode copiar esta fórmula de célula para baixo para as outras células C6 a C11. Observe como agora apenas as duas mais recentes peças de dados históricos são utilizados para cada previsão. Mais uma vez incluí as previsões quotpast para fins ilustrativos e para uso posterior na validação de previsão. Algumas outras coisas que são de importância notar. Para uma previsão média móvel de m-período, apenas os m valores de dados mais recentes são usados ​​para fazer a previsão. Nada mais é necessário. Para uma previsão média móvel de m-período, ao fazer previsões quotpastquot, observe que a primeira predição ocorre no período m 1. Ambas as questões serão muito significativas quando desenvolvemos nosso código. Desenvolvendo a função de média móvel. Agora precisamos desenvolver o código para a previsão da média móvel que pode ser usado de forma mais flexível. O código segue. Observe que as entradas são para o número de períodos que você deseja usar na previsão ea matriz de valores históricos. Você pode armazená-lo em qualquer pasta de trabalho que você deseja. Função MovingAverage (Histórico, NumberOfPeriods) Como Único Declarar e inicializar variáveis ​​Dim Item Como variante Dim Counter Como Inteiro Dim Acumulação como único Dim HistoricalSize As Inteiro Inicializando variáveis ​​Counter 1 Acumulação 0 Determinando o tamanho da Historical array HistoricalSize Historical. Count For Counter 1 To NumberOfPeriods Acumulando o número apropriado dos valores mais recentes anteriormente observados Acumulação Acumulação Histórico (HistoricalSize - NumberOfPeriods Counter) MovingAverage Acumulação / NumberOfPeriods O código será explicado na classe. Você quer posicionar a função na planilha para que o resultado da computação seja exibido onde ele deve gostar do seguinte. Capítulo 11 - Previsão de Amostragem de Gerenciamento de Demanda Como este conjunto de estudos Crie uma conta gratuita para salvá-la. Registre-se para uma conta Crie uma conta Medição de Erros 1. Erro Padrão - regressão linear 2. Erro Quadrado Médio (ou variância) - erro padrão é uma raiz quadrada de uma função. Média do erro quadrado. 3. Desvio Médio Absoluto - o erro médio de previsão utilizando o valor absoluto do erro de cada previsão anterior. Erro absoluto médio. O MAD ideal é zero, o que significa que não há erro de previsão. Quanto maior for o MAD, menor será a precisão do modelo resultante. 4. Erro absoluto médio - Sinal de seguimento de erro absoluto médio - é uma medida que indica se a média prevista está a acompanhar as verdadeiras variações ascendentes ou descendentes da procura. - é o de desvios médios absolutos que o valor da previsão é acima ou abaixo da ocorrência real. - - 5 limites são aceitáveis ​​Supply Chain Management Capítulo 18 Como este conjunto de estudos Criar uma conta gratuita para salvá-lo. Inscreva-se para uma conta Criar uma conta Se o valor de interceptação de um modelo de regressão linear for 40, o valor de inclinação é 40 eo valor de X é 40, qual dos seguintes é o valor de previsão resultante usando este modelo C A regressão linear Linha é da forma Y a bX, onde Y é o valor da variável dependente que estamos resolvendo, a é a intercepção Y, b é a inclinação e X é a variável independente. Assim, Y 40 40 x 40 1 640. Uma empresa contrata você para desenvolver um modelo de previsão de regressão linear. Com base nas informações de vendas históricas da empresa, você determina o valor de interceptação do modelo para 1.200. Você também verifica que o valor da inclinação é de menos 50. Se, após o desenvolvimento do modelo, você receber um valor de X 10, qual dos seguintes é o valor de previsão resultante usando este modelo B A linha de regressão linear é da forma Y a bX , Onde Y é o valor da variável dependente que estamos resolvendo, a é a intercepção Y, b é a inclinação e X é a variável independente. Portanto, Y 1,200 (-50) x 10 700. Você está usando um modelo de suavização exponencial para previsão. A soma corrente das estatísticas de erro de previsão (RSFE) é calculada sempre que uma previsão é gerada. Você acha que o último RSFE é 34. Originalmente, o modelo de previsão usado foi selecionado por causa de seu MAD relativamente baixo de 0,4. Para determinar quando é hora de reavaliar a utilidade do modelo de suavização exponencial, você calcula os sinais de rastreamento. Qual dos seguintes é o sinal de rastreamento resultante Por favor, permita o acesso ao seu microfone computerrsquos para usar a Gravação de Voz. Problemas Clique aqui para obter ajuda. Não podemos acessar seu microfone Clique no ícone acima para atualizar as permissões do navegador e tente novamente Recarregar a página para tentar novamente Pressione Cmd-0 para redefinir o zoom Pressione Ctrl-0 para redefinir o zoom Parece que seu navegador pode ser ampliado ou desativado . Seu navegador precisa ser ampliado para um tamanho normal para gravar áudio. Atualize o Flash ou instale o Google Chrome para usar a gravação de voz. O seu microfone está silenciado Para obter ajuda para corrigir este problema, consulte esta Perguntas Frequentes .3 Compreendendo Níveis e Métodos de Previsão Você pode gerar previsões de detalhe (item único) e previsões resumidas (linha de produtos) que refletem os padrões de demanda do produto. O sistema analisa as vendas anteriores para calcular as previsões usando 12 métodos de previsão. As previsões incluem informações detalhadas no nível do item e informações de nível superior sobre uma filial ou a empresa como um todo. 3.1 Critérios de Avaliação do Desempenho da Previsão Dependendo da seleção das opções de processamento e das tendências e padrões nos dados de vendas, alguns métodos de previsão apresentam melhor desempenho do que outros para um determinado conjunto de dados históricos. Um método de previsão apropriado para um produto pode não ser apropriado para outro produto. Você pode achar que um método de previsão que fornece bons resultados em uma fase de um ciclo de vida do produto permanece apropriado ao longo de todo o ciclo de vida. Você pode selecionar entre dois métodos para avaliar o desempenho atual dos métodos de previsão: Porcentagem de precisão (POA). Desvio absoluto médio (MAD). Ambos os métodos de avaliação de desempenho exigem dados históricos de vendas para um período que você especificar. Esse período é chamado de período de retenção ou período de melhor ajuste. Os dados neste período são usados ​​como base para recomendar qual método de previsão usar na realização da projeção de projeção seguinte. Esta recomendação é específica para cada produto e pode mudar de uma geração de previsão para a próxima. 3.1.1 Melhor Ajuste O sistema recomenda a melhor previsão de ajuste aplicando os métodos de previsão selecionados ao histórico de pedidos de vendas anteriores e comparando a simulação de previsão com o histórico real. Quando você gera uma previsão de melhor ajuste, o sistema compara históricos de pedidos de vendas reais com previsões para um período de tempo específico e calcula com que precisão cada método de previsão diferente previu vendas. Em seguida, o sistema recomenda a previsão mais precisa como o melhor ajuste. Este gráfico ilustra as melhores previsões de ajuste: Figura 3-1 Previsão de melhor ajuste O sistema usa esta seqüência de etapas para determinar o melhor ajuste: Use cada método especificado para simular uma previsão para o período de retenção. Compare as vendas reais com as previsões simuladas para o período de retenção. Calcule o POA ou o MAD para determinar qual método de previsão mais se aproxima das vendas reais passadas. O sistema usa POA ou MAD, com base nas opções de processamento selecionadas. Recomende uma melhor previsão de ajuste pelo POA que está mais próximo de 100 por cento (mais ou menos) ou o MAD que está mais próximo de zero. 3.2 Métodos de previsão O JD Edwards EnterpriseOne Forecast Management usa 12 métodos para previsão quantitativa e indica qual método fornece o melhor ajuste para a situação de previsão. Esta seção discute: Método 1: Percentagem em relação ao ano passado. Método 2: Percentagem calculada sobre o ano passado. Método 3: Ano passado para este ano. Método 4: Média móvel. Método 5: aproximação linear. Método 6: Regressão de mínimos quadrados. Método 7: Aproximação do Segundo Grau. Método 8: Método Flexível. Método 9: Média Móvel Ponderada. Método 10: Suavização linear. Método 11: Suavização Exponencial. Método 12: suavização exponencial com tendência e sazonalidade. Especifique o método que você deseja usar nas opções de processamento do programa Forecast Generation (R34650). A maioria desses métodos fornece controle limitado. Por exemplo, o peso colocado em dados históricos recentes ou o intervalo de datas de dados históricos que é usado nos cálculos pode ser especificado por você. Os exemplos no guia indicam o procedimento de cálculo para cada um dos métodos de previsão disponíveis, dado um conjunto idêntico de dados históricos. Os exemplos de métodos no guia usam parte ou todos esses conjuntos de dados, que são dados históricos dos últimos dois anos. A projeção de previsão vai para o próximo ano. Os dados do histórico de vendas são estáveis, com pequenos aumentos sazonais em julho e dezembro. Esse padrão é característico de um produto maduro que pode estar se aproximando de obsolescência. 3.2.1 Método 1: Percentagem em relação ao ano passado Este método utiliza a fórmula Percentagem sobre o Ano Passado para multiplicar cada período de previsão pelo aumento ou diminuição percentual especificado. Para prever a demanda, este método requer o número de períodos para o melhor ajuste mais um ano de histórico de vendas. Este método é útil para prever a demanda por itens sazonais com crescimento ou declínio. 3.2.1.1 Exemplo: Método 1: Percentagem em relação ao ano passado A fórmula percentagem sobre o ano passado multiplica os dados de vendas do ano anterior por um fator que você especifica e, em seguida, projeta os resultados ao longo do próximo ano. Este método pode ser útil na orçamentação para simular o efeito de uma taxa de crescimento especificada ou quando o histórico de vendas tem uma componente sazonal significativa. Especificações de previsão: Fator de multiplicação. Por exemplo, especifique 110 na opção de processamento para aumentar os dados do histórico de vendas dos anos anteriores em 10%. Histórico de vendas necessário: Um ano para o cálculo da previsão, mais o número de períodos necessários para avaliar o desempenho da previsão (períodos de melhor ajuste) que você especifica. Esta tabela é a história utilizada no cálculo da previsão: previsão de fevereiro é igual a 117 vezes 1,1 128,7 arredondado para 129. Previsão de março é igual a 115 vezes 1,1 126,5 arredondado para 127. 3.2.2 Método 2: Percentual calculado sobre o ano passado Este método usa a porcentagem calculada mais Fórmula do ano passado para comparar as vendas passadas de períodos especificados às vendas dos mesmos períodos do ano anterior. O sistema determina uma porcentagem de aumento ou diminuição e, em seguida, multiplica cada período pela porcentagem para determinar a previsão. Para prever a demanda, esse método requer o número de períodos do histórico de pedidos de vendas mais um ano de histórico de vendas. Este método é útil para prever a demanda de curto prazo para itens sazonais com crescimento ou declínio. 3.2.2.1 Exemplo: Método 2: Porcentagem calculada sobre o ano passado A fórmula calculada sobre o ano passado multiplica os dados de vendas do ano anterior por um fator que é calculado pelo sistema e, em seguida, projeta esse resultado para o próximo ano. Este método pode ser útil para projetar o efeito de estender a taxa de crescimento recente de um produto para o próximo ano, preservando um padrão sazonal que está presente no histórico de vendas. Especificações de previsão: Faixa de história de vendas para usar no cálculo da taxa de crescimento. Por exemplo, especifique n igual a 4 na opção de processamento para comparar o histórico de vendas dos últimos quatro períodos com esses mesmos quatro períodos do ano anterior. Use a razão calculada para fazer a projeção para o próximo ano. Histórico de vendas necessário: Um ano para calcular a previsão mais o número de períodos de tempo necessários para avaliar o desempenho da previsão (períodos de melhor ajuste). Esta tabela é a história utilizada no cálculo da previsão, dado n 4: previsão de fevereiro é igual a 117 vezes 0,9766 114,26 arredondado para 114. Previsão de março é igual a 115 vezes 0,9766 112,31 arredondado para 112. 3.2.3 Método 3: Ano passado para este ano Este método usa Vendas nos últimos anos para os próximos anos. Para prever a demanda, esse método requer o número de períodos melhor ajustados mais um ano do histórico de pedidos de vendas. Este método é útil para prever a demanda por produtos maduros com demanda de nível ou demanda sazonal sem uma tendência. 3.2.3.1 Exemplo: Método 3: Ano passado a este ano A fórmula do ano passado para este ano copia os dados de vendas do ano anterior para o ano seguinte. Este método pode ser útil no orçamento para simular vendas no nível atual. O produto está maduro e não tem tendência a longo prazo, mas pode existir um padrão de demanda sazonal significativo. Especificações de previsão: Nenhuma. Histórico de vendas necessário: Um ano para calcular a previsão mais o número de períodos de tempo necessários para avaliar o desempenho da previsão (períodos de melhor ajuste). Esta tabela é a história utilizada no cálculo da previsão: Previsão de janeiro é igual a janeiro do ano passado com um valor de previsão de 128. Previsão de fevereiro é igual a fevereiro do ano passado com um valor de previsão de 117. Previsão de março é igual a março do ano passado com um valor de previsão de 115. 3.2.4 Método 4: Média móvel Este método usa a fórmula Média Móvel para a média do número especificado de períodos para projetar o próximo período. Você deve recalcular-lo muitas vezes (mensal, ou pelo menos trimestral) para refletir a mudança do nível de demanda. Para prever a demanda, esse método requer o número de períodos mais adequados mais o número de períodos do histórico de pedidos de vendas. Este método é útil para prever a demanda por produtos maduros sem uma tendência. 3.2.4.1 Exemplo: Método 4: Moving Average Moving Average (MA) é um método popular para calcular a média dos resultados do histórico de vendas recente para determinar uma projeção para o curto prazo. O método de previsão MA está atrás das tendências. O viés de previsão e os erros sistemáticos ocorrem quando o histórico de vendas do produto exibe tendências fortes ou padrões sazonais. Este método funciona melhor para previsões de curto prazo de produtos maduros do que para produtos que estão em estágios de crescimento ou obsolescência do ciclo de vida. Especificações de previsão: n é igual ao número de períodos do histórico de vendas a ser usado no cálculo da previsão. Por exemplo, especifique n 4 na opção de processamento para usar os quatro períodos mais recentes como base para a projeção para o próximo período de tempo. Um valor grande para n (como 12) requer mais histórico de vendas. Isso resulta em uma previsão estável, mas é lento para reconhecer mudanças no nível de vendas. Por outro lado, um pequeno valor para n (como 3) é mais rápido para responder a mudanças no nível de vendas, mas a previsão pode flutuar tão amplamente que a produção não pode responder às variações. Histórico de vendas necessário: n mais o número de períodos de tempo necessários para avaliar o desempenho da previsão (períodos de melhor ajuste). Esta tabela é a história usada no cálculo da previsão: Previsão de fevereiro é igual a (114 119 137 125) / 4 123.75 arredondado para 124. Previsão de março é igual a (119 137 125 124) / 4 126,25 arredondado para 126. 3.2.5 Método 5: Aproximação Linear Esse método usa a fórmula de aproximação linear para calcular uma tendência do número de períodos do histórico de pedidos de vendas e projetar essa tendência para a previsão. Você deve recalcular a tendência mensalmente para detectar mudanças nas tendências. Esse método requer o número de períodos de melhor ajuste mais o número de períodos especificados do histórico de pedidos de vendas. Este método é útil para prever a procura de novos produtos, ou produtos com tendências positivas ou negativas consistentes que não são devidas a flutuações sazonais. 3.2.5.1 Exemplo: Método 5: Aproximação linear A aproximação linear calcula uma tendência que se baseia em dois pontos de dados do histórico de vendas. Esses dois pontos definem uma linha de tendência reta projetada para o futuro. Use esse método com cautela porque as previsões de longo alcance são alavancadas por pequenas alterações em apenas dois pontos de dados. Especificações de previsão: n é igual ao ponto de dados no histórico de vendas comparado ao ponto de dados mais recente para identificar uma tendência. Por exemplo, especifique n 4 para usar a diferença entre dezembro (dados mais recentes) e agosto (quatro períodos antes de dezembro) como base para o cálculo da tendência. Histórico de vendas mínimo necessário: n mais 1 mais o número de períodos de tempo necessários para avaliar o desempenho da previsão (períodos de melhor ajuste). Esta tabela é a história usada no cálculo da previsão: Previsão de janeiro de dezembro do ano passado 1 (Tendência) que é igual a 137 (1 vez 2) 139. Previsão de fevereiro de dezembro do ano passado 1 (Tendência), que é igual a 137 (2 vezes 2) 141. Previsão de março de dezembro do ano passado 1 (Tendência) que é igual a 137 (3 vezes 2) 143. 3.2.6 Método 6: Regressão de mínimos quadrados O método de regressão de mínimos quadrados (LSR) deriva uma equação descrevendo uma relação de linha reta entre os dados históricos de vendas E a passagem do tempo. LSR ajusta uma linha para o intervalo de dados selecionado de modo que a soma dos quadrados das diferenças entre os pontos de dados de vendas reais ea linha de regressão são minimizados. A previsão é uma projeção dessa linha reta para o futuro. Esse método requer histórico de dados de vendas para o período que é representado pelo número de períodos melhor ajustado mais o número especificado de períodos de dados históricos. O requisito mínimo é dois pontos de dados históricos. Esse método é útil para prever a demanda quando uma tendência linear está nos dados. 3.2.6.1 Exemplo: Método 6: regressão linear de regressão de mínimos quadrados ou regressão de mínimos quadrados (LSR), é o método mais popular para identificar uma tendência linear nos dados históricos de vendas. O método calcula os valores de aeb que devem ser usados ​​na fórmula: Esta equação descreve uma reta, onde Y representa vendas e X representa tempo. Regressão linear é lenta para reconhecer pontos de viragem e deslocamentos de função de etapa na demanda. A regressão linear encaixa uma linha reta nos dados, mesmo quando os dados são sazonais ou melhor descritos por uma curva. Quando os dados do histórico de vendas seguem uma curva ou têm um forte padrão sazonal, ocorrem erros de previsão e sistemáticos. Especificações de previsão: n é igual aos períodos do histórico de vendas que serão usados ​​no cálculo dos valores de aeb. Por exemplo, especifique n 4 para usar o histórico de setembro a dezembro como base para os cálculos. Quando os dados estiverem disponíveis, um n maior (como n 24) normalmente seria usado. LSR define uma linha para apenas dois pontos de dados. Para este exemplo, um pequeno valor para n (n 4) foi escolhido para reduzir os cálculos manuais que são necessários para verificar os resultados. Histórico de vendas mínimo exigido: n períodos mais o número de períodos de tempo necessários para avaliar o desempenho da previsão (períodos de melhor ajuste). Esta tabela é a história utilizada no cálculo da previsão: Previsão de março é igual a 119,5 (7 vezes 2,3) 135,6 arredondado para 136. 3.2.7 Método 7: Aproximação de Segundo Grau Para projetar a previsão, este método usa a fórmula de Aproximação de Segundo Grau para traçar uma curva Que se baseia no número de períodos do histórico de vendas. Este método requer o número de períodos melhor ajuste mais o número de períodos do histórico de pedidos de vendas vezes três. Esse método não é útil para prever a demanda por um período de longo prazo. 3.2.7.1 Exemplo: Método 7: Aproximação do Segundo Grau A Regressão Linear determina os valores para aeb na fórmula de previsão Y a b X com o objetivo de ajustar uma linha reta aos dados do histórico de vendas. A aproximação de segundo grau é semelhante, mas este método determina valores para a, b e c na fórmula de previsão: Y a b X c X 2 O objetivo deste método é ajustar uma curva aos dados do histórico de vendas. Este método é útil quando um produto está na transição entre os estágios do ciclo de vida. Por exemplo, quando um novo produto passa da introdução para os estádios de crescimento, a tendência de vendas pode acelerar. Devido ao termo de segunda ordem, a previsão pode aproximar-se rapidamente do infinito ou cair para zero (dependendo se o coeficiente c é positivo ou negativo). Este método é útil apenas no curto prazo. Especificações de previsão: a fórmula encontrar a, b e c para ajustar uma curva para exatamente três pontos. Você especifica n, o número de períodos de tempo de dados a serem acumulados em cada um dos três pontos. Neste exemplo, n 3. Os dados reais de vendas de abril a junho são combinados no primeiro ponto, Q1. Julho a setembro são adicionados em conjunto para criar Q2, e de outubro a dezembro somam para Q3. A curva é ajustada aos três valores Q1, Q2 e Q3. Histórico de vendas necessário: 3 vezes n períodos para o cálculo da previsão mais o número de períodos necessários para avaliar o desempenho da previsão (períodos de melhor ajuste). Esta tabela é a história utilizada no cálculo da previsão: Q0 (Jan) (Fev) (Mar) Q1 (Abr) (Maio) (Jun), que é igual a 125 129 137 384 Q2 (Jul) (Agosto) 131 400 Q3 (Oct) (Nov) (Dec) que é igual a 114 119 137 370 O próximo passo envolve o cálculo dos três coeficientes a, b e c a serem usados ​​na fórmula de previsão Y ab X c X 2. Q1, Q2 e Q3 são apresentados no gráfico, onde o tempo é plotado no eixo horizontal. Q1 representa o total de vendas históricas para abril, maio e junho e é plotada em X 1 Q2 corresponde a julho a setembro Q3 corresponde a outubro a dezembro e Q4 representa janeiro a março. Este gráfico ilustra o traçado de Q1, Q2, Q3 e Q4 para a aproximação de segundo grau: Figura 3-2 Plotando Q1, Q2, Q3 e Q4 para aproximação de segundo grau Três equações descrevem os três pontos no gráfico: (1) Q1 A bX cX 2 onde X 1 (Q1 abc) (2) Q2 a bX cX 2 onde X 2 (Q2 a 2b 4c) (3) Q3 a bX cX 2 onde X 3 (Q3 a 3b 9c) Resolva as três equações simultaneamente Para encontrar b, ae c: Subtraia a equação 1 (1) da equação 2 (2) e resolva para b: (2) ndash (1) Q2 ndash Q1 b 3c b (Q2 ndash Q1) ndash 3c Substituir esta equação para B na equação (3): (3) Q3 a 3 (Q2 ndash Q1) ndash 3c 9c a Q3 ndash 3 (Q2 ndash Q1) Finalmente, substitua essas equações por aeb pela equação (1): (1) Q3 ndash O método de Aproximação de Segundo Grau calcula a, b e c da seguinte forma: a Q3 ndash 3 (Q2 ndash Q1) (Q2 ndash Q1) ndash 3c c Q1 c (Q3 ndash Q2) Q1) 370 ndash 3 (400 ndash 384) 370 ndash 3 (16) 322 b (Q2 ndash Q1) ndash3c (400 ndash 384) ndash (3 vezes ndash23) 16 69 85 c (Q3 ndash Q2) 2 (370 ndash 400) (384 ndash 400) / 2 ndash23 Este é um cálculo de aproximação de segundo grau de previsão: Y a bX cX 2 322 85X (ndash23) (X2) Quando X4, Q4 322 340 ndash 368 294. A Previsão é igual a 294/3 98 por período. Quando X5, Q5 322 425 ndash 575 172. A previsão é igual a 172/3 58,33 arredondada para 57 por período. Quando X 6, Q 6 322 510 ndash 828 4. A previsão é igual a 4/3 1,33 arredondado para 1 por período. 3.2.8 Método 8: Método flexível Este método permite selecionar o melhor número de períodos do histórico de pedidos de vendas que começa n meses antes da data de início prevista e para Aplicar um aumento percentual ou diminuir o fator de multiplicação com o qual modificar a previsão. Esse método é semelhante ao método 1, porcentagem sobre o ano passado, exceto que você pode especificar o número de períodos que você usar como a base. Dependendo do que você selecionar como n, esse método requer períodos melhor ajuste mais o número de períodos de dados de vendas que é indicado. Esse método é útil para prever a demanda por uma tendência planejada. 3.2.8.1 Exemplo: Método 8: Método Flexível O Método Flexível (Percentagem sobre n Meses Anterior) é semelhante ao Método 1, Percentual em relação ao Ano Passado. Ambos os métodos multiplicam os dados de vendas de um período de tempo anterior por um fator especificado por você e, em seguida, projetam esse resultado para o futuro. No método Percent Over Last Year, a projeção é baseada em dados do mesmo período do ano anterior. Você também pode usar o Método Flexível para especificar um período de tempo, diferente do mesmo período no último ano, para usar como base para os cálculos. Fator de multiplicação. Por exemplo, especifique 110 na opção de processamento para aumentar os dados do histórico de vendas anteriores em 10%. Período de base. Por exemplo, n 4 faz com que a primeira previsão se baseie em dados de vendas em setembro do ano passado. Histórico de vendas mínimo exigido: o número de períodos de volta ao período base mais o número de períodos necessários para avaliar o desempenho da previsão (períodos de melhor ajuste). Esta tabela é a história usada no cálculo da previsão: 3.2.9 Método 9: Média Móvel Ponderada A fórmula Média Móvel Ponderada é semelhante ao Método 4, fórmula Média Móvel, porque média o histórico de vendas dos meses anteriores para projetar o histórico de vendas dos próximos meses. No entanto, com esta fórmula você pode atribuir pesos para cada um dos períodos anteriores. Este método requer o número de períodos ponderados selecionados mais o número de períodos melhores dados de ajuste. Semelhante à média móvel, este método fica atrás das tendências de demanda, portanto este método não é recomendado para produtos com tendências fortes ou sazonalidade. Este método é útil para prever a demanda por produtos maduros com demanda que é relativamente nível. 3.2.9.1 Exemplo: Método 9: Média Móvel Ponderada O método Média Móvel Ponderada (WMA) é semelhante ao Método 4, Média Móvel (MA). No entanto, você pode atribuir pesos desiguais aos dados históricos ao usar WMA. O método calcula uma média ponderada do histórico de vendas recente para chegar a uma projeção para o curto prazo. Dados mais recentes geralmente são atribuídos um peso maior do que os dados mais antigos, de modo WMA é mais sensível às mudanças no nível de vendas. No entanto, o viés de previsão e os erros sistemáticos ocorrem quando o histórico de vendas do produto exibe fortes tendências ou padrões sazonais. Este método funciona melhor para as previsões de curto prazo de produtos maduros do que para produtos em estágios de crescimento ou obsolescência do ciclo de vida. O número de períodos do histórico de vendas (n) a ser usado no cálculo da previsão. Por exemplo, especifique n 4 na opção de processamento para usar os quatro períodos mais recentes como base para a projeção para o próximo período de tempo. Um valor grande para n (como 12) requer mais histórico de vendas. Tal valor resulta em uma previsão estável, mas é lento para reconhecer mudanças no nível de vendas. Inversamente, um pequeno valor para n (como 3) responde mais rapidamente às mudanças no nível de vendas, mas a previsão pode flutuar tão amplamente que a produção não pode responder às variações. O peso que é atribuído a cada um dos períodos de dados históricos. Os pesos atribuídos devem totalizar 1,00. Por exemplo, quando n 4, atribua pesos de 0,50, 0,25, 0,15 e 0,10 com os dados mais recentes recebendo o maior peso. Histórico de vendas mínimo necessário: n mais o número de períodos de tempo necessários para avaliar o desempenho da previsão (períodos de melhor ajuste). Esta tabela é a história utilizada no cálculo da previsão: Previsão de Janeiro é igual a (128 vezes 0,10) (119 vezes 0,25) (137 vezes 0,50) / (0,10 0,15 0,25 0,50) 128,45 arredondado para 128. Previsão de fevereiro é igual a (114 Vezes 0.10) (119 vezes 0,15) (137 vezes 0,25) (128 vezes 0,50) / 1 127,5 arredondado para 128. A previsão de março é igual a (119 vezes 0,10) (137 vezes 0,15) (128 vezes 0,25) (128 vezes 0,50) / 1 128,45 arredondado para 128. 3.2.10 Método 10: Linear Smoothing Este método calcula uma média ponderada de dados de vendas anteriores. No cálculo, esse método usa o número de períodos do histórico de pedidos de vendas (de 1 a 12) que é indicado na opção de processamento. O sistema utiliza uma progressão matemática para pesar os dados na faixa do primeiro (menor peso) ao final (maior peso). Em seguida, o sistema projeta essas informações para cada período da previsão. Esse método requer o melhor ajuste de meses mais o histórico de pedidos de vendas para o número de períodos que são especificados na opção de processamento. 3.2.10.1 Exemplo: Método 10: Linear Smoothing Este método é semelhante ao Método 9, WMA. No entanto, em vez de atribuir arbitrariamente ponderações aos dados históricos, uma fórmula é usada para atribuir pesos que diminuem linearmente e somam a 1,00. O método calcula então uma média ponderada do histórico de vendas recente para chegar a uma projeção para o curto prazo. Como todas as técnicas lineares de média móvel de previsão, o viés de previsão e os erros sistemáticos ocorrem quando o histórico de vendas do produto exibe tendências fortes ou padrões sazonais. Este método funciona melhor para as previsões de curto prazo de produtos maduros do que para produtos em estágios de crescimento ou obsolescência do ciclo de vida. N é igual ao número de períodos do histórico de vendas a ser usado no cálculo da previsão. Por exemplo, especifique n igual a 4 na opção de processamento para usar os quatro períodos mais recentes como base para a projeção no próximo período de tempo. O sistema atribui automaticamente os pesos aos dados históricos que diminuem linearmente e somam a 1,00. Por exemplo, quando n é igual a 4, o sistema atribui pesos de 0,4, 0,3, 0,2 e 0,1, com os dados mais recentes recebendo o maior peso. Histórico de vendas mínimo necessário: n mais o número de períodos de tempo necessários para avaliar o desempenho da previsão (períodos de melhor ajuste). Esta tabela é o histórico utilizado no cálculo da previsão: 3.2.11 Método 11: Suavização exponencial Este método calcula uma média suavizada, que se torna uma estimativa que representa o nível geral de vendas durante os períodos de dados históricos selecionados. Esse método requer o histórico de dados de vendas para o período de tempo que é representado pelo número de períodos melhor ajustados mais o número de períodos de dados históricos especificados. O requisito mínimo é dois períodos de dados históricos. Esse método é útil para prever a demanda quando não há tendência linear nos dados. 3.2.11.1 Exemplo: Método 11: Suavização exponencial Este método é semelhante ao Método 10, Linear Smoothing. No Linear Smoothing, o sistema atribui pesos que diminuem linearmente para os dados históricos. Em Suavização Exponencial, o sistema atribui pesos que decrescem exponencialmente. A previsão é uma média ponderada das vendas reais do período anterior e da previsão do período anterior. A Previsão é uma média ponderada das vendas reais do período anterior e da previsão do período anterior. Alpha é o peso que é aplicado às vendas reais para o período anterior. (1 ndash alfa) é o peso que é aplicado à previsão para o período anterior. Os valores para alfa variam de 0 a 1 e geralmente caem entre 0,1 e 0,4. A soma dos pesos é 1,00 (alfa (1 ndash alfa) 1). Você deve atribuir um valor para a constante de suavização, alfa. Se você não atribuir um valor para a constante de suavização, o sistema calculará um valor assumido baseado no número de períodos do histórico de vendas especificado na opção de processamento. Alpha é igual à constante de suavização que é utilizada para calcular a média suavizada para o nível geral ou magnitude das vendas. Os valores para alfa variam de 0 a 1. n é igual ao intervalo de dados do histórico de vendas a ser incluído nos cálculos. Geralmente, um ano de dados do histórico de vendas é suficiente para estimar o nível geral de vendas. Para este exemplo, um pequeno valor para n (n 4) foi escolhido para reduzir os cálculos manuais que são necessários para verificar os resultados. A Suavização Exponencial pode gerar uma previsão baseada em apenas um ponto de dados históricos. Histórico de vendas mínimo necessário: n mais o número de períodos de tempo necessários para avaliar o desempenho da previsão (períodos de melhor ajuste). 3.2.12 Método 12: Suavização exponencial com tendência e sazonalidade Este método calcula uma tendência, um índice sazonal e uma média exponencialmente suavizada a partir do histórico de pedidos de vendas. O sistema então aplica uma projeção da tendência para a previsão e ajusta para o índice sazonal. Esse método requer o número de períodos melhor ajustados mais dois anos de dados de vendas e é útil para itens que têm tendência e sazonalidade na previsão. Você pode inserir o fator alfa e beta ou fazer com que o sistema os calcule. Os fatores alfa e beta são a constante de suavização que o sistema utiliza para calcular a média suavizada para o nível geral ou magnitude das vendas (alfa) ea componente de tendência da previsão (beta). 3.2.12.1 Exemplo: Método 12: Suavização exponencial com tendência e estacionalidade Este método é semelhante ao Método 11, Suavização Exponencial, na medida em que é calculada uma média suavizada. No entanto, o Método 12 também inclui um termo na equação de previsão para calcular uma tendência suavizada. A previsão é composta por uma média suavizada que é ajustada para uma tendência linear. Quando especificada na opção de processamento, a previsão também é ajustada pela sazonalidade. Alpha é igual à constante de suavização que é usada no cálculo da média suavizada para o nível geral ou magnitude das vendas. Os valores para alfa variam de 0 a 1. Beta é igual à constante de suavização que é usada no cálculo da média suavizada para a componente de tendência da previsão. Valores para beta variam de 0 a 1. Se um índice sazonal é aplicado à previsão. Alfa e beta são independentes uns dos outros. Eles não têm que somar a 1,0. Histórico de vendas mínimo exigido: Um ano mais o número de períodos de tempo necessários para avaliar o desempenho da previsão (períodos de melhor ajuste). Quando dois ou mais anos de dados históricos estão disponíveis, o sistema usa dois anos de dados nos cálculos. O método 12 usa duas equações Exponential Smoothing e uma média simples para calcular uma média suavizada, uma tendência suavizada e um índice sazonal médio simples. A previsão é então calculada usando os resultados das três equações: L é o comprimento da sazonalidade (L igual a 12 meses ou 52 semanas). T é o período de tempo atual. M é o número de períodos de tempo no futuro da previsão. S é o fator de ajuste sazonal multiplicativo que é indexado ao período de tempo apropriado. Esta tabela lista o histórico usado no cálculo da previsão: Esta seção fornece uma visão geral das avaliações de previsão e discute: Você pode selecionar métodos de previsão para gerar até 12 previsões para cada produto. Cada método de previsão pode criar uma projeção ligeiramente diferente. Quando milhares de produtos são previstos, uma decisão subjetiva é impraticável quanto à previsão de uso nos planos para cada produto. O sistema avalia automaticamente o desempenho de cada método de previsão selecionado e para cada produto que você previu. Você pode selecionar entre dois critérios de desempenho: MAD e POA. MAD é uma medida do erro de previsão. POA é uma medida do viés de previsão. Ambas as técnicas de avaliação de desempenho requerem dados reais do histórico de vendas para um período especificado por você. O período de história recente utilizado para a avaliação é chamado de período de retenção ou período de melhor ajuste. Para medir o desempenho de um método de previsão, o sistema: Usa as fórmulas de previsão para simular uma previsão para o período de retenção histórico. Faz uma comparação entre os dados de vendas reais ea previsão simulada para o período de retenção. Quando você seleciona vários métodos de previsão, esse mesmo processo ocorre para cada método. São calculadas várias previsões para o período de retenção e comparadas com o histórico de vendas conhecido para esse mesmo período. O método de previsão que produz a melhor correspondência (melhor ajuste) entre a previsão e as vendas reais durante o período de retenção é recomendado para uso nos planos. Esta recomendação é específica para cada produto e pode ser alterada sempre que gerar uma previsão. 3.3.1 Média Desvio Absoluto Média Desvio Absoluto (MAD) é a média (ou média) dos valores absolutos (ou magnitude) dos desvios (ou erros) entre os dados reais e os previstos. MAD é uma medida da magnitude média de erros a esperar, dado um método de previsão e histórico de dados. Como os valores absolutos são usados ​​no cálculo, os erros positivos não cancelam os erros negativos. Ao comparar vários métodos de previsão, aquele com o menor MAD é o mais confiável para esse produto para esse período holdout. Quando a previsão é imparcial e os erros são normalmente distribuídos, existe uma relação matemática simples entre MAD e duas outras medidas comuns de distribuição, que são desvio padrão e Erro quadrático médio. Por exemplo: MAD (Sigma (Actual) ndash (Previsão)) n Desvio padrão, (sigma) cong 1,25 MAD Erro quadrático médio cong ndashsigma2 Este exemplo indica o cálculo de MAD para dois dos métodos de previsão. Este exemplo pressupõe que você especificou na opção de processamento que o período do período de retenção (períodos de melhor ajuste) é igual a cinco períodos. 3.3.1.1 Método 1: Ano Passado a Este Ano Esta tabela é a história usada no cálculo de MAD, dado Períodos de Melhor Ajuste 5: Desvio Médio Absoluto é igual a (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. Quando as previsões são consistentemente muito altas, os estoques se acumulam e os custos de estoque aumentam. 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) ndash (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. Nos serviços, a magnitude dos erros de previsão é geralmente mais importante do que o viés previsto. POA (SigmaForecast sales during holdout period) / (SigmaActual sales during holdout period) times 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 forecast, 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. In practice the moving average will provide a good estimate of the mean of the time series if the mean is constant or slowly changing. No caso de uma média constante, o maior valor de m dará as melhores estimativas da média subjacente. Um período de observação mais longo medirá os efeitos da variabilidade. O objetivo de fornecer um m menor é permitir que a previsão responda a uma mudança no processo subjacente. Para ilustrar, propomos um conjunto de dados que incorpora mudanças na média subjacente das séries temporais. A figura mostra a série de tempo usada para ilustração juntamente com a demanda média a partir da qual a série foi gerada. A média começa como uma constante em 10. Começando no tempo 21, ele aumenta em uma unidade em cada período até atingir o valor de 20 no tempo 30. Então ele se torna constante novamente. Os dados são simulados adicionando à média um ruído aleatório de uma distribuição Normal com média zero e desvio padrão 3. Os resultados da simulação são arredondados para o número inteiro mais próximo. A tabela mostra as observações simuladas usadas para o exemplo. Quando usamos a tabela, devemos lembrar que a qualquer momento, apenas os dados passados ​​são conhecidos. As estimativas do parâmetro do modelo, para três valores diferentes de m, são mostradas juntamente com a média das séries temporais na figura abaixo. A figura mostra a estimativa média móvel da média em cada momento e não a previsão. As previsões mudariam as curvas da média móvel para a direita por períodos. Uma conclusão é imediatamente aparente a partir da figura. Para as três estimativas, a média móvel está aquém da tendência linear, com o atraso aumentando com m. O atraso é a distância entre o modelo ea estimativa na dimensão temporal. Devido ao atraso, a média móvel subestima as observações à medida que a média está aumentando. O viés do estimador é a diferença em um tempo específico no valor médio do modelo eo valor médio predito pela média móvel. O viés quando a média está aumentando é negativo. Para uma média decrescente, o viés é positivo. O atraso no tempo e o viés introduzido na estimativa são funções de m. Quanto maior o valor de m. Maior a magnitude do atraso e do viés. Para uma série de crescimento contínuo com tendência a. Os valores de lag e viés do estimador da média são dados nas equações abaixo. As curvas de exemplo não correspondem a essas equações porque o modelo de exemplo não está aumentando continuamente, em vez disso, ele começa como uma constante, muda para uma tendência e, em seguida, torna-se constante novamente. Também as curvas de exemplo são afetadas pelo ruído. A previsão média móvel de períodos no futuro é representada deslocando as curvas para a direita. O atraso e o viés aumentam proporcionalmente. As equações abaixo indicam o atraso e o viés de um período de previsão para o futuro quando comparado aos parâmetros do modelo. Novamente, essas fórmulas são para uma série de tempo com uma tendência linear constante. Não devemos nos surpreender com esse resultado. O estimador da média móvel baseia-se no pressuposto de uma média constante, eo exemplo tem uma tendência linear na média durante uma parte do período do estudo. Como as séries de tempo real raramente obedecerão exatamente aos pressupostos de qualquer modelo, devemos estar preparados para tais resultados. Podemos também concluir a partir da figura que a variabilidade do ruído tem o maior efeito para m menor. A estimativa é muito mais volátil para a média móvel de 5 do que a média móvel de 20. Temos os desejos conflitantes de aumentar m para reduzir o efeito da variabilidade devido ao ruído e diminuir m para tornar a previsão mais sensível às mudanças Em média O erro é a diferença entre os dados reais e o valor previsto. Se a série temporal é verdadeiramente um valor constante, o valor esperado do erro é zero ea variância do erro é composta por um termo que é uma função de e um segundo termo que é a variância do ruído,. O primeiro termo é a variância da média estimada com uma amostra de m observações, assumindo que os dados provêm de uma população com média constante. Este termo é minimizado fazendo-se o maior possível. Um grande m faz com que a previsão não responda a uma mudança nas séries temporais subjacentes. Para tornar a previsão responsiva às mudanças, queremos que m seja o menor possível (1), mas isso aumenta a variância do erro. A previsão prática requer um valor intermediário. Previsão com o Excel O suplemento de Previsão implementa as fórmulas de média móvel. O exemplo abaixo mostra a análise fornecida pelo add-in para os dados da amostra na coluna B. As 10 primeiras observações são indexadas -9 a 0. Em comparação com a tabela acima, os índices de período são deslocados por -10. As primeiras dez observações fornecem os valores de inicialização para a estimativa e são usados ​​para calcular a média móvel para o período 0. A coluna MA (10) (C) mostra as médias móveis calculadas. O parâmetro de média móvel m está na célula C3. A coluna Fore (1) (D) mostra uma previsão para um período no futuro. O intervalo de previsão está na célula D3. Quando o intervalo de previsão é alterado para um número maior, os números na coluna Fore são deslocados para baixo. A coluna Err (1) (E) mostra a diferença entre a observação e a previsão. Por exemplo, a observação no tempo 1 é 6. O valor previsto a partir da média móvel no tempo 0 é 11.1. O erro é então -5.1. O desvio padrão eo desvio médio médio (MAD) são calculados nas células E6 e E7, respectivamente.