Prognose Gleitende Durchschnittliche Saisonalität

Spreadsheet-Implementierung der saisonalen Anpassung und exponentieller Glättung Es ist einfach, saisonale Anpassung durchzuführen und exponentielle Glättungsmodelle mit Excel anzupassen. Die unten aufgeführten Bildschirmbilder und Diagramme werden einer Tabellenkalkulation entnommen, die eine multiplikative saisonale Anpassung und eine lineare Exponentialglättung für die folgenden vierteljährlichen Verkaufsdaten von Outboard Marine darstellt: Um eine Kopie der Tabellenkalkulation selbst zu erhalten, klicken Sie hier. Die Version der linearen exponentiellen Glättung, die hier für Demonstrationszwecke verwendet wird, ist die Brown8217s-Version, nur weil sie mit einer einzigen Spalte von Formeln implementiert werden kann und es nur eine Glättungskonstante gibt, die optimiert werden soll. In der Regel ist es besser, Holt8217s Version, die separate Glättungskonstanten für Ebene und Trend hat. Der Prognoseprozess verläuft wie folgt: (i) Die Daten werden saisonbereinigt (ii) sodann für die saisonbereinigten Daten über lineare exponentielle Glättung Prognosen erstellt und (iii) schließlich werden die saisonbereinigten Prognosen zur Erzielung von Prognosen für die ursprüngliche Serie herangezogen . Der saisonale Anpassungsprozess wird in den Spalten D bis G durchgeführt. Der erste Schritt in der Saisonbereinigung besteht darin, einen zentrierten gleitenden Durchschnitt (hier in Spalte D) zu berechnen. Dies kann erreicht werden, indem der Durchschnitt von zwei einjährigen Durchschnittswerten, die um eine Periode relativ zueinander versetzt sind, genommen wird. (Eine Kombination von zwei Offset-Durchschnittswerten anstatt eines einzigen Mittels wird für die Zentrierung benötigt, wenn die Anzahl der Jahreszeiten gleich ist.) Der nächste Schritt besteht darin, das Verhältnis zum gleitenden Durchschnitt zu berechnen. Wobei die ursprünglichen Daten durch den gleitenden Durchschnitt in jeder Periode dividiert werden - was hier in Spalte E durchgeführt wird. (Dies wird auch Quottrend-Cyclequot-Komponente des Musters genannt, sofern Trend - und Konjunktur-Effekte als all dies betrachtet werden können Bleibt nach einer Durchschnittsberechnung über ein ganzes Jahr im Wert von Daten bestehen. Natürlich können die monatlichen Veränderungen, die nicht saisonal bedingt sind, durch viele andere Faktoren bestimmt werden, aber der 12-Monatsdurchschnitt glättet sie weitgehend Wird der geschätzte saisonale Index für jede Jahreszeit berechnet, indem zuerst alle Verhältnisse für die jeweilige Jahreszeit gemittelt werden, was in den Zellen G3-G6 unter Verwendung einer AVERAGEIF-Formel erfolgt. Die Durchschnittsverhältnisse werden dann neu skaliert, so daß sie auf das genau 100-fache der Anzahl der Perioden in einer Jahreszeit, oder 400 in diesem Fall, das in den Zellen H3-H6 erfolgt, summieren. Unten in der Spalte F werden VLOOKUP-Formeln verwendet, um den entsprechenden saisonalen Indexwert in jede Zeile der Datentabelle einzufügen, entsprechend dem Viertel des Jahres, das es repräsentiert. Der zentrierte gleitende Durchschnitt und die saisonbereinigten Daten enden wie folgt: Beachten Sie, dass der gleitende Durchschnitt typischerweise wie eine glattere Version der saisonbereinigten Serie aussieht und an beiden Enden kürzer ist. Ein weiteres Arbeitsblatt in derselben Excel-Datei zeigt die Anwendung des linearen exponentiellen Glättungsmodells auf die saisonbereinigten Daten beginnend in Spalte G. Über der Prognosespalte (hier in Zelle H9) wird ein Wert für die Glättungskonstante (alpha) eingetragen Zur Vereinfachung wird ihm der Bereichsname quotAlpha. quot zugewiesen (Der Name wird mit dem Befehl quotInsertNameCreatequot zugewiesen.) Das LES-Modell wird initialisiert, indem die ersten beiden Prognosen gleich dem ersten Istwert der saisonbereinigten Serie gesetzt werden. Die hier verwendete Formel für die LES-Prognose ist die rekursive Einzelformel des Brown8217s-Modells: Diese Formel wird in der Zelle entsprechend der dritten Periode (hier Zelle H15) eingegeben und von dort nach unten kopiert. Beachten Sie, dass sich die LES-Prognose für die aktuelle Periode auf die beiden vorhergehenden Beobachtungen und die beiden vorherigen Prognosefehler sowie auf den Wert von Alpha bezieht. Somit bezieht sich die Prognoseformel in Zeile 15 nur auf Daten, die in Zeile 14 und früher verfügbar waren. (Natürlich könnten wir statt der linearen exponentiellen Glättung einfach statt der linearen exponentiellen Glättung verwenden, könnten wir stattdessen die SES-Formel ersetzen. Wir könnten auch Holt8217s anstelle von Brown8217s LES-Modell verwenden, was zwei weitere Spalten von Formeln erfordern würde, um das Niveau und den Trend zu berechnen Die in der Prognose verwendet werden.) Die Fehler werden in der nächsten Spalte (hier Spalte J) durch Subtrahieren der Prognosen von den Istwerten berechnet. Der Quadratwurzel-Quadratfehler wird als Quadratwurzel der Varianz der Fehler plus dem Quadrat des Mittelwerts berechnet. (Dies ergibt sich aus der mathematischen Identität: MSE VARIANCE (Fehler) (AVERAGE (Fehler)). 2) Bei der Berechnung des Mittelwertes und der Varianz der Fehler in dieser Formel sind die ersten beiden Perioden ausgeschlossen, da das Modell nicht tatsächlich mit der Prognose beginnt Die dritte Periode (Zeile 15 auf der Kalkulationstabelle). Der optimale Wert von alpha kann entweder durch manuelles Ändern von alpha gefunden werden, bis das minimale RMSE gefunden wird, oder Sie können das quotSolverquot verwenden, um eine genaue Minimierung durchzuführen. Der Wert von alpha, den der Solver gefunden hat, wird hier angezeigt (alpha0.471). Es ist in der Regel eine gute Idee, die Fehler des Modells (in transformierten Einheiten) zu zeichnen und ihre Autokorrelationen zu berechnen und zu zeichnen, bis zu einer Saison. Hier ist eine Zeitreihenfolge der (saisonbereinigten) Fehler: Die Fehlerautokorrelationen werden mit Hilfe der CORREL () - Funktion berechnet, um die Korrelationen der Fehler selbst mit einer oder mehreren Perioden zu berechnen - Details sind im Kalkulationsblatt dargestellt . Hier ist ein Diagramm der Autokorrelationen der Fehler bei den ersten fünf Verzögerungen: Die Autokorrelationen bei den Verzögerungen 1 bis 3 sind sehr nahe bei Null, aber die Spitze bei Verzögerung 4 (deren Wert 0,35 ist) ist etwas mühsam Saisonale Anpassungsprozess nicht vollständig erfolgreich war. Allerdings ist es eigentlich nur marginal signifikant. 95 Signifikanzbanden zum Testen, ob Autokorrelationen signifikant von Null verschieden sind, sind ungefähr plus-oder-minus 2SQRT (n-k), wobei n die Stichprobengröße und k die Verzögerung ist. Hier ist n gleich 38 und k variiert von 1 bis 5, so dass die Quadratwurzel von - n-minus-k für alle von etwa 6 ist, und daher sind die Grenzen für das Testen der statistischen Signifikanz von Abweichungen von Null ungefähr plus - Oder-minus 26 oder 0,33. Wenn Sie den Wert von alpha von Hand in diesem Excel-Modell variieren, können Sie den Effekt auf die Zeitreihen und Autokorrelationsdiagramme der Fehler sowie auf den Root-mean-squared-Fehler beobachten, der nachfolgend dargestellt wird. Am Ende der Kalkulationstabelle wird die Prognoseformel quasi in die Zukunft gestartet, indem lediglich Prognosen für tatsächliche Werte an dem Punkt ausgetauscht werden, an dem die tatsächlichen Daten ablaufen - d. h. Wo die Zukunft beginnt. (Mit anderen Worten, in jeder Zelle, in der ein zukünftiger Datenwert auftreten würde, wird eine Zellreferenz eingefügt, die auf die Prognose für diese Periode hinweist.) Alle anderen Formeln werden einfach von oben nach unten kopiert: Beachten Sie, dass die Fehler für die Prognosen von Die Zukunft werden alle berechnet, um Null zu sein. Dies bedeutet nicht, dass die tatsächlichen Fehler null sein werden, sondern lediglich die Tatsache, dass wir für die Vorhersage davon ausgehen, dass die zukünftigen Daten den Prognosen im Durchschnitt entsprechen werden. Die daraus resultierenden LES-Prognosen für die saisonbereinigten Daten sehen folgendermaßen aus: Mit diesem für α-Periodenprognosen optimalen Wert von alpha ist der prognostizierte Trend leicht nach oben, was auf den lokalen Trend in den letzten 2 Jahren zurückzuführen ist oder so. Für andere Werte von alpha könnte eine sehr unterschiedliche Trendprojektion erhalten werden. Es ist normalerweise eine gute Idee, zu sehen, was mit der langfristigen Trendprojektion geschieht, wenn Alpha variiert wird, weil der Wert, der für kurzfristige Prognosen am besten ist, nicht notwendigerweise der beste Wert für die Vorhersage der weiter entfernten Zukunft sein wird. Dies ist beispielsweise das Ergebnis, das erhalten wird, wenn der Wert von alpha manuell auf 0,25 gesetzt wird: Der projizierte Langzeittrend ist jetzt eher negativ als positiv Mit einem kleineren Wert von alpha setzt das Modell mehr Gewicht auf ältere Daten Seine Einschätzung des aktuellen Niveaus und Tendenz und seine langfristigen Prognosen spiegeln den in den letzten 5 Jahren beobachteten Abwärtstrend anstatt den jüngsten Aufwärtstrend wider. Dieses Diagramm zeigt auch deutlich, wie das Modell mit einem kleineren Wert von alpha langsamer ist, um auf quotturning pointsquot in den Daten zu antworten und daher tendiert, einen Fehler des gleichen Vorzeichens für viele Perioden in einer Reihe zu machen. Die Prognosefehler von 1-Schritt-Vorhersage sind im Mittel größer als die, die zuvor erhalten wurden (RMSE von 34,4 statt 27,4) und stark positiv autokorreliert. Die Lag-1-Autokorrelation von 0,56 übersteigt den oben berechneten Wert von 0,33 für eine statistisch signifikante Abweichung von Null deutlich. Als Alternative zum Abkürzen des Wertes von Alpha, um mehr Konservatismus in Langzeitprognosen einzuführen, wird manchmal ein Quottrend-Dämpfungsquotfaktor dem Modell hinzugefügt, um die projizierte Tendenz nach einigen Perioden abflachen zu lassen. Der letzte Schritt beim Erstellen des Prognosemodells besteht darin, die LES-Prognosen durch Multiplikation mit den entsprechenden saisonalen Indizes zu veranschaulichen. Somit sind die reseasonalisierten Prognosen in Spalte I einfach das Produkt der saisonalen Indizes in Spalte F und der saisonbereinigten LES-Prognosen in Spalte H. Es ist relativ einfach, Konfidenzintervalle für einstufige Prognosen dieses Modells zu berechnen: Erstens Berechnen Sie den RMSE (root-mean-squared Fehler, der nur die Quadratwurzel der MSE ist) und berechnen Sie dann ein Konfidenzintervall für die saisonbereinigte Prognose durch Addition und Subtraktion zweimal des RMSE. (Im Allgemeinen ist ein 95-Konfidenzintervall für eine Ein-Perioden-Vorausprognose ungefähr gleich der Punktvorhersage plus-oder-minus-zweimal der geschätzten Standardabweichung der Prognosefehler, vorausgesetzt, die Fehlerverteilung ist annähernd normal und die Stichprobengröße Ist groß genug, sagen wir, 20 oder mehr Hier ist die RMSE anstelle der Standardabweichung der Fehler die beste Schätzung der Standardabweichung der zukünftigen Prognosefehler, weil sie auch die Zufallsvariationen berücksichtigt.) Die Vertrauensgrenzen Für die saisonbereinigte Prognose werden dann reseasonalisiert. Zusammen mit der Prognose, durch Multiplikation mit den entsprechenden saisonalen Indizes. In diesem Fall ist die RMSE gleich 27,4 und die saisonbereinigte Prognose für die erste künftige Periode (Dez-93) beträgt 273,2. So dass das saisonbereinigte 95-Konfidenzintervall von 273,2-227,4 218,4 auf 273,2227,4 328,0 liegt. Das Multiplizieren dieser Limits durch Decembers saisonalen Index von 68,61. Erhalten wir niedrigere und obere Konfidenzgrenzen von 149,8 und 225,0 um die Dez-93-Punktprognose von 187,4. Die Vertrauensgrenzen für Prognosen, die länger als eine Periode vorangehen, werden sich in der Regel aufgrund der Unsicherheit über das Niveau und den Trend sowie die saisonalen Faktoren erweitern, da der Prognosehorizont zunimmt, aber es ist schwierig, diese im Allgemeinen nach analytischen Methoden zu berechnen. (Die geeignete Methode zur Berechnung der Vertrauensgrenzen für die LES-Prognose ist die Verwendung der ARIMA-Theorie, aber auch die Unsicherheit in den saisonalen Indizes ist eine andere.) Wenn Sie ein realistisches Konfidenzintervall für eine Prognose über mehrere Perioden bevorzugen, Fehler zu berücksichtigen, ist Ihre beste Wette, empirische Methoden zu verwenden: Zum Beispiel, um ein Vertrauensintervall für eine 2-Schritt-Vorausprognose zu erhalten, könnten Sie eine weitere Spalte auf dem Kalkulationsblatt erstellen, um eine 2-Schritt-Vorausprognose für jeden Zeitraum zu berechnen ( Durch Booten der Ein-Schritt-Voraus-Prognose). Berechnen Sie dann die RMSE der 2-Schritt-Vorhersagefehler und verwenden Sie diese als Basis für ein 2-stufiges Konfidenzintervall.3 Verstehen von Prognoseebenen und Methoden Sie können sowohl Detailprognosen (Einzelposten) als auch Zusammenfassung (Produktlinie) generieren ), Die das Produktbedarfsmuster widerspiegeln. Das System analysiert vergangene Verkäufe, um Prognosen zu berechnen, indem 12 Prognosemethoden verwendet werden. Die Prognosen umfassen Detailinformationen auf Positionsebene und übergeordnete Informationen über eine Branche oder das Unternehmen als Ganzes. 3.1 Kriterien für die Bewertung der Projektergebnisse Abhängig von der Auswahl der Verarbeitungsoptionen und der Trends und Muster in den Verkaufsdaten sind einige Prognosemethoden für einen bestimmten historischen Datensatz besser als andere. Eine für ein Produkt geeignete Prognosemethode ist möglicherweise nicht für ein anderes Produkt geeignet. Sie können feststellen, dass eine Prognosemethode, die gute Ergebnisse in einem Stadium eines Produktlebenszyklus bereitstellt, über den gesamten Lebenszyklus hinweg angemessen bleibt. Sie können zwischen zwei Methoden wählen, um die aktuelle Leistung der Prognosemethoden zu bewerten: Prozent der Genauigkeit (POA). Mittlere absolute Abweichung (MAD). Diese beiden Leistungsbewertungsmethoden erfordern historische Verkaufsdaten für einen von Ihnen angegebenen Zeitraum. Dieser Zeitraum wird als Halteperiode oder Periode der besten Passung bezeichnet. Die Daten in diesem Zeitraum dienen als Grundlage für die Empfehlung, welche Prognosemethode bei der nächsten Prognoseprojektion verwendet wird. Diese Empfehlung ist spezifisch für jedes Produkt und kann von einer Prognosegeneration zur nächsten wechseln. 3.1.1 Best Fit Das System empfiehlt die Best-Fit-Prognose, indem die ausgewählten Prognosemethoden auf die Vergangenheit des Bestellverlaufs angewendet und die Prognosesimulation mit dem aktuellen Verlauf verglichen werden. Wenn Sie eine Best-Fit-Prognose generieren, vergleicht das System die Ist-Bestellvorgänge mit den Prognosen für einen bestimmten Zeitraum und berechnet, wie genau die einzelnen Prognosemethoden den Umsatz prognostizieren. Dann empfiehlt das System die genaueste Prognose als die beste Passform. Diese Grafik veranschaulicht die besten Anpassungsprognosen: Abbildung 3-1 Best-Fit-Prognose Das System verwendet diese Sequenz von Schritten, um die beste Anpassung zu ermitteln: Verwenden Sie jede angegebene Methode, um eine Prognose für die Halteperiode zu simulieren. Vergleichen Sie die tatsächlichen Verkäufe mit den simulierten Prognosen für die Halteperiode. Berechnen Sie die POA oder die MAD, um zu bestimmen, welche Prognosemethode am ehesten mit den bisherigen tatsächlichen Verkäufen übereinstimmt. Das System verwendet entweder POA oder MAD, basierend auf den Verarbeitungsoptionen, die Sie auswählen. Empfehlen Sie eine Best-Fit-Prognose durch die POA, die am nächsten zu 100 Prozent (über oder unter) oder die MAD, die am nächsten zu Null ist. 3.2 Prognosemethoden JD Edwards EnterpriseOne Forecast Management nutzt 12 Methoden zur quantitativen Prognose und zeigt an, welche Methode die beste Prognosesituation bietet. Dieser Abschnitt behandelt: Methode 1: Prozent über dem letzten Jahr. Methode 2: Berechnet Prozent über Letztes Jahr. Methode 3: Letztes Jahr zu diesem Jahr. Methode 4: Gleitender Durchschnitt. Methode 5: Lineare Approximation. Methode 6: Least Squares Regression. Methode 7: Zweite Grad Approximation. Methode 8: Flexible Methode. Methode 9: Gewichteter gleitender Durchschnitt. Methode 10: Lineare Glättung. Methode 11: Exponentielle Glättung. Methode 12: Exponentielle Glättung mit Trend - und Saisonalität. Geben Sie die Methode an, die Sie in den Verarbeitungsoptionen für das Prognosegenerierungsprogramm (R34650) verwenden möchten. Die meisten dieser Methoden bieten eine begrenzte Kontrolle. Zum Beispiel können Sie das Gewicht, das auf die jüngsten historischen Daten oder den Zeitraum der historischen Daten, die in den Berechnungen verwendet wird, platziert werden. Die Beispiele in dem Leitfaden zeigen die Berechnungsprozedur für jede der verfügbaren Prognosemethoden bei einem identischen Satz von historischen Daten an. Die Methodenbeispiele im Leitfaden verwenden einen Teil oder alle dieser Datensätze, die historische Daten der letzten zwei Jahre sind. Die Prognose geht ins nächste Jahr. Diese Verkäufe Geschichte Daten ist stabil mit kleinen saisonalen Zunahmen im Juli und Dezember. Dieses Muster ist charakteristisch für ein reifes Produkt, das sich der Veralterung nähern könnte. 3.2.1 Methode 1: Prozentsatz über letztem Jahr Diese Methode verwendet die Prozentsatz über letztes Jahr Formel, um jede Prognoseperiode mit der angegebenen prozentualen Erhöhung oder Abnahme zu multiplizieren. Zur Prognose der Nachfrage, erfordert diese Methode die Anzahl der Perioden für die beste Passform plus ein Jahr der Umsatz Geschichte. Diese Methode ist nützlich, um die Nachfrage nach saisonalen Produkten mit Wachstum oder Rückgang prognostizieren. 3.2.1.1 Beispiel: Methode 1: Prozentsatz über dem letzten Jahr Die Formel "Prozent über letztes Jahr" multipliziert die Umsatzdaten des Vorjahres mit einem Faktor, den Sie angeben, und dann Projekte, die sich über das nächste Jahr ergeben. Diese Methode kann in der Budgetierung nützlich sein, um den Einfluss einer bestimmten Wachstumsrate zu simulieren, oder wenn die Verkaufsgeschichte eine signifikante saisonale Komponente aufweist. Prognose Spezifikationen: Multiplikationsfaktor. Geben Sie beispielsweise 110 in der Verarbeitungsoption an, um die Verkaufsverlaufsdaten der letzten Jahre um 10 Prozent zu erhöhen. Erforderliche Verkaufsgeschichte: Ein Jahr für die Berechnung der Prognose plus die Anzahl der Zeiträume, die für die Bewertung der Prognoseperformance (Perioden der besten Übereinstimmung) erforderlich sind, die Sie angeben. Diese Tabelle wird in der Prognoseberechnung verwendet: Die Februarprognose entspricht 117 mal 1,1 128,7 gerundet auf 129. Die Märzprognose entspricht 115 mal 1,1 126,5 gerundet auf 127. 3.2.2 Methode 2: Berechneter Prozentsatz über letztem Jahr Diese Methode verwendet den berechneten Prozentsatz Letztes Jahr Formel, um die vergangenen Verkäufe von bestimmten Perioden mit Verkäufen aus den gleichen Perioden des Vorjahres zu vergleichen. Das System ermittelt einen prozentualen Anstieg oder Abfall und multipliziert dann jede Periode mit dem Prozentsatz, um die Prognose zu bestimmen. Zur Prognose der Nachfrage benötigt diese Methode die Anzahl der Perioden der Kundenauftragshistorie plus ein Jahr der Verkaufsgeschichte. Diese Methode ist nützlich, um die kurzfristige Nachfrage nach Saisonartikeln mit Wachstum oder Rückgang prognostizieren. 3.2.2.1 Beispiel: Methode 2: Berechneter Prozentsatz über Letztes Jahr Die Formel des berechneten Prozentsatzes über dem letzten Jahr multipliziert Umsatzdaten des Vorjahres mit einem Faktor, der vom System berechnet wird, und dann projiziert er das Ergebnis für das nächste Jahr. Diese Methode könnte bei der Projektion der Auswirkungen der Ausweitung der jüngsten Wachstumsrate für ein Produkt in das nächste Jahr nützlich sein, während ein saisonales Muster, das in der Verkaufsgeschichte vorhanden ist. Prognose Spezifikationen: Bereich der Umsatzgeschichte für die Berechnung der Wachstumsrate zu verwenden. Geben Sie z. B. n gleich 4 in der Verarbeitungsoption an, um die Verkaufsgeschichte der letzten vier Perioden mit denselben vier Perioden des Vorjahres zu vergleichen. Verwenden Sie das berechnete Verhältnis, um die Projektion für das nächste Jahr zu machen. Erforderliche Verkaufsgeschichte: Ein Jahr für die Berechnung der Prognose plus die Anzahl der Zeiträume, die für die Bewertung der Prognoseperformance (Perioden der besten Passung) erforderlich sind. Diese Tabelle ist die Vorgeschichte, die bei der Prognoseberechnung verwendet wird: n 4: Februar-Prognose entspricht 117 mal 0,9766 114,26 gerundet auf 114. März-Prognose entspricht 115 mal 0,9766 112,31 gerundet auf 112. 3.2.3 Methode 3: Letztes Jahr in diesem Jahr Diese Methode wird verwendet Letzten Jahren Umsatz für die nächsten Jahre Prognose. Um die Nachfrage prognostizieren zu können, benötigt diese Methode die Anzahl der Perioden, die am besten geeignet sind, plus einem Jahr der Kundenauftragshistorie. Diese Methode ist nützlich, um die Nachfrage nach ausgereiften Produkten mit Niveau Nachfrage oder saisonale Nachfrage ohne Trend prognostizieren. 3.2.3.1 Beispiel: Methode 3: Letztes Jahr zu diesem Jahr Die Formel "Letztes Jahr in diesem Jahr" kopiert die Verkaufsdaten des Vorjahres bis zum nächsten Jahr. Diese Methode könnte in der Budgetierung nützlich sein, um Verkäufe auf dem gegenwärtigen Niveau zu simulieren. Das Produkt ist reif und hat keinen Trend auf lange Sicht, aber ein erhebliches saisonales Nachfrage-Muster könnte existieren. Vorhersagevorgaben: Keine. Erforderliche Verkaufsgeschichte: Ein Jahr für die Berechnung der Prognose plus die Anzahl der Zeiträume, die für die Bewertung der Prognoseperformance (Perioden der besten Passung) erforderlich sind. Diese Tabelle ist Geschichte in der Prognose Berechnung verwendet: Januar-Prognose entspricht Januar des letzten Jahres mit einem Prognosewert von 128. Februar-Prognose entspricht Februar des letzten Jahres mit einem Prognosewert von 117. März-Prognose entspricht März des letzten Jahres mit einem Prognosewert von 115. 3.2.4 Methode 4: Moving Average Diese Methode verwendet die Moving Average-Formel, um die angegebene Anzahl von Perioden zu berechnen, um die nächste Periode zu projizieren. Sie sollten es häufig neu berechnen (monatlich oder mindestens vierteljährlich), um den sich ändernden Bedarf zu reflektieren. Um die Nachfrage prognostizieren zu können, benötigt diese Methode die Anzahl der Perioden, die am besten passen, plus die Anzahl der Perioden der Kundenauftragshistorie. Diese Methode ist nützlich, um die Nachfrage nach reifen Produkten ohne Trend prognostizieren. 3.2.4.1 Beispiel: Methode 4: Moving Average Moving Average (MA) ist eine beliebte Methode zur Mittelung der Ergebnisse der letzten Verkaufsgeschichte, um eine Projektion kurzfristig zu bestimmen. Die MA-Prognosemethode bleibt hinter Trends zurück. Forecast Bias und systematische Fehler auftreten, wenn die Produktverkäufe Geschichte zeigt starke Trend-oder saisonale Muster. Diese Methode funktioniert besser für Kurzstrecken-Prognosen von reifen Produkten als für Produkte, die in den Wachstums-oder Obsoleszenz Stufen des Lebenszyklus sind. Prognosespezifikationen: n entspricht der Anzahl der Perioden der Verkaufsgeschichte, die in der Prognoserechnung verwendet werden sollen. Geben Sie z. B. n 4 in der Verarbeitungsoption an, um die letzten vier Perioden als Grundlage für die Projektion in die nächste Zeitperiode zu verwenden. Ein großer Wert für n (wie 12) erfordert mehr Umsatz Geschichte. Es resultiert in einer stabilen Prognose, ist aber langsam zu erkennen Verschiebungen in der Höhe des Umsatzes. Umgekehrt ist ein kleiner Wert für n (wie z. B. 3) schneller auf Verschiebungen im Umsatzniveau zu reagieren, aber die Prognose könnte so weit schwanken, dass die Produktion nicht auf die Variationen reagieren kann. Erforderliche Verkaufsgeschichte: n plus Anzahl der Zeiträume, die für die Bewertung der Prognoseperformance (Perioden der besten Abstimmung) erforderlich sind. Diese Tabelle wird in der Prognoserechnung verwendet: Februar-Prognose entspricht (114 119 137 125) 4 123,75 gerundet auf 124. Märzprognose entspricht (119 137 125 124) 4 126,25 gerundet auf 126. 3.2.5 Methode 5: Lineare Approximation Diese Methode Verwendet die Formel zur linearen Approximation, um einen Trend aus der Anzahl der Perioden des Kundenauftragsverlaufs zu berechnen und diesen Trend zur Prognose zu projizieren. Sie sollten den Trend monatlich neu berechnen, um Änderungen in Trends zu erkennen. Diese Methode erfordert die Anzahl der Perioden der besten Übereinstimmung plus die Anzahl der angegebenen Perioden der Kundenauftragshistorie. Diese Methode ist nützlich, um die Nachfrage nach neuen Produkten oder Produkten mit konstanten positiven oder negativen Trends, die nicht aufgrund von saisonalen Schwankungen sind prognostiziert. 3.2.5.1 Beispiel: Methode 5: Lineare Approximation Lineare Approximation berechnet einen Trend, der auf zwei Verkaufsverlaufsdatenpunkten basiert. Diese beiden Punkte definieren eine gerade Linie, die in die Zukunft projiziert wird. Verwenden Sie diese Methode mit Vorsicht, weil Langstreckenvorhersagen durch kleine Änderungen an nur zwei Datenpunkten genutzt werden. Prognosespezifikationen: n entspricht dem Datenpunkt in der Verkaufsgeschichte, der mit dem aktuellsten Datenpunkt verglichen wird, um einen Trend zu identifizieren. Geben Sie beispielsweise n 4 an, um die Differenz zwischen Dezember (jüngste Daten) und August (vier Perioden vor Dezember) als Grundlage für die Berechnung des Trends zu verwenden. Mindestens erforderlicher Umsatzverlauf: n plus 1 plus Anzahl der Zeiträume, die für die Bewertung der Prognoseperformance (Perioden der besten Abstimmung) erforderlich sind. Diese Tabelle wird in der Prognoseberechnung verwendet: Januar-Prognose Dezember des vergangenen Jahres 1 (Trend) 137 (1-mal 2) 139. Februar-Prognose Dezember des vergangenen Jahres 1 (Trend) 137 (2-mal 2) 141. März-Prognose Dezember des vergangenen Jahres 1 (Trend) entspricht 137 (3 mal 2) 143. 3.2.6 Methode 6: Least Squares Regression Die Methode der Least Squares Regression (LSR) leitet eine Gleichung ab, die eine Geradenbeziehung zwischen den historischen Verkaufsdaten beschreibt Und der Lauf der Zeit. LSR paßt auf eine Zeile zum ausgewählten Datenbereich, so daß die Summe der Quadrate der Differenzen zwischen den tatsächlichen Verkaufsdatenpunkten und der Regressionsgeraden minimiert wird. Die Prognose ist eine Projektion dieser Geraden in die Zukunft. Diese Methode erfordert Verkaufsdatenhistorie für den Zeitraum, der durch die Anzahl der bestmöglichen Perioden plus der angegebenen Anzahl von historischen Datenperioden dargestellt wird. Die Mindestanforderung sind zwei historische Datenpunkte. Diese Methode ist nützlich, um die Nachfrage zu prognostizieren, wenn ein linearer Trend in den Daten ist. 3.2.6.1 Beispiel: Methode 6: Least Squares Regression Lineare Regression oder Least Squares Regression (LSR) ist die beliebteste Methode, um einen linearen Trend in historischen Verkaufsdaten zu identifizieren. Das Verfahren berechnet die Werte für a und b, die in der Formel verwendet werden sollen: Diese Gleichung beschreibt eine Gerade, wobei Y für Verkäufe steht und X für Zeit steht. Lineare Regression ist langsam zu erkennen, Wendepunkte und Schritt Funktion Verschiebungen in der Nachfrage. Die lineare Regression passt auf eine gerade Linie zu den Daten, selbst wenn die Daten saisonal oder besser durch eine Kurve beschrieben werden. Wenn Verkaufsgeschichte-Daten einer Kurve folgen oder ein starkes saisonales Muster aufweisen, treten Vorhersage-Bias und systematische Fehler auf. Prognosedaten: n entspricht den Perioden der Verkaufsgeschichte, die bei der Berechnung der Werte für a und b verwendet werden. Geben Sie beispielsweise n 4 an, um die Historie von September bis Dezember als Grundlage für die Berechnungen zu verwenden. Wenn Daten verfügbar sind, würde ein grßeres n (wie beispielsweise n 24) gewöhnlich verwendet werden. LSR definiert eine Zeile für so wenige wie zwei Datenpunkte. Für dieses Beispiel wurde ein kleiner Wert für n (n 4) gewählt, um die manuellen Berechnungen zu reduzieren, die erforderlich sind, um die Ergebnisse zu verifizieren. Mindestens erforderliche Umsatzhistorie: n Perioden plus Anzahl der Zeiträume, die für die Bewertung der Prognoseperformance (Perioden der besten Abstimmung) erforderlich sind. Diese Tabelle wird in der Prognoseberechnung verwendet: Die Märzprognose entspricht 119,5 (7 mal 2,3) 135,6 auf 136 gerundet. 3.2.7 Methode 7: Zweite Grad Approximation Um die Prognose zu projizieren, verwendet diese Methode die Zweite Grad-Approximationsformel, um eine Kurve darzustellen Die auf der Anzahl der Verkaufsphasen beruht. Diese Methode erfordert die Anzahl der Perioden am besten geeignet plus die Anzahl der Perioden der Verkaufsauftragsverlauf mal drei. Diese Methode ist nicht geeignet, die Nachfrage nach einem langfristigen Zeitraum zu prognostizieren. 3.2.7.1 Beispiel: Methode 7: Second Degree Approximation Die lineare Regression ermittelt Werte für a und b in der Prognoseformel Y a b X mit dem Ziel, eine Gerade an die Verkaufsgeschichtsdaten anzupassen. Zweite Grad Approximation ist ähnlich, aber dieses Verfahren bestimmt Werte für a, b und c in dieser Prognose Formel: Y a b X c X 2 Das Ziel dieses Verfahrens ist es, eine Kurve auf die Verkaufsgeschichte Daten passen. Dieses Verfahren ist nützlich, wenn sich ein Produkt im Übergang zwischen den Lebenszyklusstufen befindet. Wenn sich beispielsweise ein neues Produkt von der Einführung in die Wachstumsstadien bewegt, könnte sich die Absatzentwicklung beschleunigen. Wegen des Termes der zweiten Ordnung kann die Prognose schnell an die Unendlichkeit heranreichen oder auf Null fallen (abhängig davon, ob der Koeffizient c positiv oder negativ ist). Diese Methode ist nur kurzfristig nutzbar. Prognose Spezifikationen: die Formel finden a, b und c, um eine Kurve auf genau drei Punkte passen. Sie geben n die Anzahl der Zeitperioden an, die in jedem der drei Punkte akkumuliert werden sollen. In diesem Beispiel ist n 3. Die tatsächlichen Verkaufsdaten für April bis Juni sind in den ersten Punkt Q1 zusammengefasst. Juli bis September werden addiert, um Q2 zu schaffen, und Oktober bis Dezember Summe zu Q3. Die Kurve ist an die drei Werte Q1, Q2 und Q3 angepasst. Erforderliche Verkaufsgeschichte: 3 mal n Perioden für die Berechnung der Prognose plus die Anzahl der Zeiträume, die für die Bewertung der Prognoseperformance (Perioden der besten Passform) erforderlich sind. Diese Tabelle wird in der Prognoserechnung verwendet: Q0 (Jan) (Feb) (Mar) Q1 (Apr) (Mai) (Jun), die 125 122 137 384 Q2 (Jul) (Aug) (Sep) entspricht 140 129 entspricht Der nächste Schritt besteht darin, die drei Koeffizienten a, b und c zu berechnen, die in der Prognoseformel Y ab X c X 2 verwendet werden sollen. Q1, Q2 und Q3 werden auf der Grafik dargestellt, wobei die Zeit auf der horizontalen Achse aufgetragen ist. Q1 stellt die gesamten historischen Verkäufe für April, Mai und Juni dar und ist auf X 1 Q2 dargestellt, entspricht Juli bis September Q3 entspricht Oktober bis Dezember und Q4 repräsentiert Januar bis März. Diese Grafik illustriert die Darstellung von Q1, Q2, Q3 und Q4 für die Näherung des zweiten Grades: Abbildung 3-2 Darstellung von Q1, Q2, Q3 und Q4 zur Näherung des zweiten Grades Drei Gleichungen beschreiben die drei Punkte des Graphen: (1) Q1 (Q2 a 2b 4c) (3) Q3 a bX cX 2 mit X 3 (Q3 a 3b 9c) Lösen Sie die drei Gleichungen gleichzeitig (2) ndash (1) Q2 ndash Q1 b 3c b (Q2 ndash Q1) ndash 3c Ersetzen Sie die Gleichung 1 (1) aus Gleichung 2 (2) und lösen Sie für b: B in Gleichung (3): (3) Q3 a 3 (Q2 ndash Q1) ndash 3c 9c a Q3 ndash 3 (Q2 ndash Q1) Schließe diese Gleichungen für a und b in Gleichung (1): (1) Q3 ndash ein (Q2 ndash Q2) 2 Das zweite Approximationsverfahren berechnet a, b und c wie folgt: a Q3 ndash 3 (Q2 ndash Q1) (Q2 ndash Q1) (Q2 ndash Q1) ) (N3) n0 (n3) n0 (n2) n0 (n3) n0 (n) n (n) 370 ndash 400) (384 ndash 400) 2 ndash23 Dies ist eine Berechnung der Näherungsprognose des zweiten Grades: Y a bX cX 2 322 85X (ndash23) (X 2) Wenn X 4, Q4 322 340 ndash 368 294. Die Prognose entspricht 294 3 98 pro Zeitraum. Wenn X 5, Q5 322 425 ndash 575 172. Die Prognose entspricht 172 3 58,33 auf 57 pro Periode gerundet. Wenn X 6, Q6 322 510 ndash 828 4. Die Prognose ist 4 3 1,33 gerundet auf 1 pro Periode. Dies ist die Prognose für das nächste Jahr, Letztes Jahr zu diesem Jahr: 3.2.8 Methode 8: Flexible Methode Mit dieser Methode können Sie die bestmögliche Anzahl von Perioden des Verkaufsauftragsverlaufs auswählen, die n Monate vor dem Startdatum der Prognose beginnt Wenden Sie einen prozentualen Anstieg oder Abnahme Multiplikationsfaktor, mit dem die Prognose zu ändern. Diese Methode ähnelt Methode 1, Prozent über dem letzten Jahr, außer dass Sie die Anzahl der Perioden angeben können, die Sie als Basis verwenden. Abhängig davon, was Sie als n wählen, erfordert diese Methode Perioden am besten geeignet plus die Anzahl der angegebenen Perioden der Verkaufsdaten. Diese Methode ist nützlich, um die Nachfrage nach einem geplanten Trend vorherzusagen. 3.2.8.1 Beispiel: Methode 8: Flexible Methode Die Flexible Methode (Prozentsatz über n Monate vor) ähnelt der Methode 1, Prozent über dem letzten Jahr. Beide Methoden multiplizieren Verkaufsdaten aus einem früheren Zeitraum mit einem von Ihnen angegebenen Faktor und projizieren dieses Ergebnis dann in die Zukunft. In der Percent Over Last Year Methode basiert die Projektion auf Daten aus dem gleichen Zeitraum des Vorjahres. Sie können auch die Flexible Methode verwenden, um einen anderen Zeitraum als denselben Zeitraum des letzten Jahres anzugeben, der als Grundlage für die Berechnungen verwendet werden soll. Multiplikationsfaktor. Geben Sie beispielsweise 110 in der Verarbeitungsoption an, um die vorherigen Verkaufsverlaufsdaten um 10 Prozent zu erhöhen. Basiszeitraum. Zum Beispiel bewirkt n 4, dass die erste Prognose im September des letzten Jahres auf Verkaufsdaten basiert. Mindestens erforderliche Verkaufsgeschichte: Anzahl der Perioden bis zur Basisperiode plus Anzahl der Zeiträume, die für die Bewertung der Prognoseperformance erforderlich sind (Perioden der besten Abstimmung). This table is history used in the forecast calculation: 3.2.9 Method 9: Weighted Moving Average The Weighted Moving Average formula is similar to Method 4, Moving Average formula, because it averages the previous months sales history to project the next months sales history. However, with this formula you can assign weights for each of the prior periods. This method requires the number of weighted periods selected plus the number of periods best fit data. Similar to Moving Average, this method lags behind demand trends, so this method is not recommended for products with strong trends or seasonality. This method is useful to forecast demand for mature products with demand that is relatively level. 3.2.9.1 Example: Method 9: Weighted Moving Average The Weighted Moving Average (WMA) method is similar to Method 4, Moving Average (MA). However, you can assign unequal weights to the historical data when using WMA. The method calculates a weighted average of recent sales history to arrive at a projection for the short term. More recent data is usually assigned a greater weight than older data, so WMA is more responsive to shifts in the level of sales. However, forecast bias and systematic errors occur when the product sales history exhibits strong trends or seasonal patterns. This method works better for short range forecasts of mature products than for products in the growth or obsolescence stages of the life cycle. The number of periods of sales history (n) to use in the forecast calculation. For example, specify n 4 in the processing option to use the most recent four periods as the basis for the projection into the next time period. A large value for n (such as 12) requires more sales history. Such a value results in a stable forecast, but it is slow to recognize shifts in the level of sales. Conversely, a small value for n (such as 3) responds more quickly to shifts in the level of sales, but the forecast might fluctuate so widely that production cannot respond to the variations. The total number of periods for the processing option rdquo14 - periods to includerdquo should not exceed 12 months. The weight that is assigned to each of the historical data periods. The assigned weights must total 1.00. For example, when n 4, assign weights of 0.50, 0.25, 0.15, and 0.10 with the most recent data receiving the greatest weight. Minimum required sales history: n plus the number of time periods that are required for evaluating the forecast performance (periods of best fit). This table is history used in the forecast calculation: January forecast equals (131 times 0.10) (114 times 0.15) (119 times 0.25) (137 times 0.50) (0.10 0.15 0.25 0.50) 128.45 rounded to 128. February forecast equals (114 times 0.10) (119 times 0.15) (137 times 0.25) (128 times 0.50) 1 127.5 rounded to 128. March forecast equals (119 times 0.10) (137 times 0.15) (128 times 0.25) (128 times 0.50) 1 128.45 rounded to 128. 3.2.10 Method 10: Linear Smoothing This method calculates a weighted average of past sales data. In the calculation, this method uses the number of periods of sales order history (from 1 to 12) that is indicated in the processing option. The system uses a mathematical progression to weigh data in the range from the first (least weight) to the final (most weight). Then the system projects this information to each period in the forecast. This method requires the months best fit plus the sales order history for the number of periods that are specified in the processing option. 3.2.10.1 Example: Method 10: Linear Smoothing This method is similar to Method 9, WMA. However, instead of arbitrarily assigning weights to the historical data, a formula is used to assign weights that decline linearly and sum to 1.00. The method then calculates a weighted average of recent sales history to arrive at a projection for the short term. Like all linear moving average forecasting techniques, forecast bias and systematic errors occur when the product sales history exhibits strong trend or seasonal patterns. This method works better for short range forecasts of mature products than for products in the growth or obsolescence stages of the life cycle. n equals the number of periods of sales history to use in the forecast calculation. For example, specify n equals 4 in the processing option to use the most recent four periods as the basis for the projection into the next time period. The system automatically assigns the weights to the historical data that decline linearly and sum to 1.00. For example, when n equals 4, the system assigns weights of 0.4, 0.3, 0.2, and 0.1, with the most recent data receiving the greatest weight. Minimum required sales history: n plus the number of time periods that are required for evaluating the forecast performance (periods of best fit). This table is history used in the forecast calculation: 3.2.11 Method 11: Exponential Smoothing This method calculates a smoothed average, which becomes an estimate representing the general level of sales over the selected historical data periods. This method requires sales data history for the time period that is represented by the number of periods best fit plus the number of historical data periods that are specified. The minimum requirement is two historical data periods. This method is useful to forecast demand when no linear trend is in the data. 3.2.11.1 Example: Method 11: Exponential Smoothing This method is similar to Method 10, Linear Smoothing. In Linear Smoothing, the system assigns weights that decline linearly to the historical data. In Exponential Smoothing, the system assigns weights that exponentially decay. The equation for Exponential Smoothing forecasting is: Forecast alpha (Previous Actual Sales) (1 ndashalpha) (Previous Forecast) The forecast is a weighted average of the actual sales from the previous period and the forecast from the previous period. Alpha is the weight that is applied to the actual sales for the previous period. (1 ndash alpha) is the weight that is applied to the forecast for the previous period. Values for alpha range from 0 to 1 and usually fall between 0.1 and 0.4. The sum of the weights is 1.00 (alpha (1 ndash alpha) 1). You should assign a value for the smoothing constant, alpha. If you do not assign a value for the smoothing constant, the system calculates an assumed value that is based on the number of periods of sales history that is specified in the processing option. alpha equals the smoothing constant that is used to calculate the smoothed average for the general level or magnitude of sales. Values for alpha range from 0 to 1. n equals the range of sales history data to include in the calculations. Generally, one year of sales history data is sufficient to estimate the general level of sales. For this example, a small value for n (n 4) was chosen to reduce the manual calculations that are required to verify the results. Exponential Smoothing can generate a forecast that is based on as little as one historical data point. Minimum required sales history: n plus the number of time periods that are required for evaluating the forecast performance (periods of best fit). This table is history used in the forecast calculation: 3.2.12 Method 12: Exponential Smoothing with Trend and Seasonality This method calculates a trend, a seasonal index, and an exponentially smoothed average from the sales order history. The system then applies a projection of the trend to the forecast and adjusts for the seasonal index. This method requires the number of periods best fit plus two years of sales data, and is useful for items that have both trend and seasonality in the forecast. You can enter the alpha and beta factor, or have the system calculate them. Alpha and beta factors are the smoothing constant that the system uses to calculate the smoothed average for the general level or magnitude of sales (alpha) and the trend component of the forecast (beta). 3.2.12.1 Example: Method 12: Exponential Smoothing with Trend and Seasonality This method is similar to Method 11, Exponential Smoothing, in that a smoothed average is calculated. However, Method 12 also includes a term in the forecasting equation to calculate a smoothed trend. The forecast is composed of a smoothed average that is adjusted for a linear trend. When specified in the processing option, the forecast is also adjusted for seasonality. Alpha equals the smoothing constant that is used in calculating the smoothed average for the general level or magnitude of sales. Values for alpha range from 0 to 1. Beta equals the smoothing constant that is used in calculating the smoothed average for the trend component of the forecast. Values for beta range from 0 to 1. Whether a seasonal index is applied to the forecast. Alpha and beta are independent of one another. They do not have to sum to 1.0. Minimum required sales history: One year plus the number of time periods that are required to evaluate the forecast performance (periods of best fit). When two or more years of historical data is available, the system uses two years of data in the calculations. Method 12 uses two Exponential Smoothing equations and one simple average to calculate a smoothed average, a smoothed trend, and a simple average seasonal index. An exponentially smoothed average: An exponentially smoothed trend: A simple average seasonal index: Figure 3-3 Simple Average Seasonal Index The forecast is then calculated by using the results of the three equations: L is the length of seasonality (L equals 12 months or 52 weeks). t is the current time period. m is the number of time periods into the future of the forecast. S is the multiplicative seasonal adjustment factor that is indexed to the appropriate time period. This table lists history used in the forecast calculation: This section provides an overview of Forecast Evaluations and discusses: You can select forecasting methods to generate as many as 12 forecasts for each product. Each forecasting method might create a slightly different projection. When thousands of products are forecast, a subjective decision is impractical regarding which forecast to use in the plans for each product. The system automatically evaluates performance for each forecasting method that you select and for each product that you forecast. You can select between two performance criteria: MAD and POA. MAD is a measure of forecast error. POA is a measure of forecast bias. Both of these performance evaluation techniques require actual sales history data for a period specified by you. The period of recent history used for evaluation is called a holdout period or period of best fit. To measure the performance of a forecasting method, the system: Uses the forecast formulas to simulate a forecast for the historical holdout period. Makes a comparison between the actual sales data and the simulated forecast for the holdout period. When you select multiple forecast methods, this same process occurs for each method. Multiple forecasts are calculated for the holdout period and compared to the known sales history for that same period. The forecasting method that produces the best match (best fit) between the forecast and the actual sales during the holdout period is recommended for use in the plans. This recommendation is specific to each product and might change each time that you generate a forecast. 3.3.1 Mean Absolute Deviation Mean Absolute Deviation (MAD) is the mean (or average) of the absolute values (or magnitude) of the deviations (or errors) between actual and forecast data. MAD is a measure of the average magnitude of errors to expect, given a forecasting method and data history. Because absolute values are used in the calculation, positive errors do not cancel out negative errors. When comparing several forecasting methods, the one with the smallest MAD is the most reliable for that product for that holdout period. When the forecast is unbiased and errors are normally distributed, a simple mathematical relationship exists between MAD and two other common measures of distribution, which are standard deviation and Mean Squared Error. For example: MAD (Sigma (Actual) ndash (Forecast)) n Standard Deviation, (sigma) cong 1.25 MAD Mean Squared Error cong ndashsigma2 This example indicates the calculation of MAD for two of the forecasting methods. This example assumes that you have specified in the processing option that the holdout period length (periods of best fit) is equal to five periods. 3.3.1.1 Method 1: Last Year to This Year This table is history used in the calculation of MAD, given Periods of Best Fit 5: Mean Absolute Deviation equals (2 1 20 10 14) 5 9.4. Based on these two choices, the Moving Average, n 4 method is recommended because it has the smaller MAD, 9.4, for the given holdout period. 3.3.2 Percent of Accuracy Percent of Accuracy (POA) is a measure of forecast bias. When forecasts are consistently too high, inventories accumulate and inventory costs rise. When forecasts are consistently too low, inventories are consumed and customer service declines. A forecast that is 10 units too low, then 8 units too high, then 2 units too high is an unbiased forecast. The positive error of 10 is canceled by negative errors of 8 and 2. (Error) (Actual) 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. In services, the magnitude of forecast errors is usually more important than is forecast bias. 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.8.4 Moving average models Rather than use past values of the forecast variable in a regression, a moving average model uses past forecast errors in a regression-like model. y c et theta e theta e dots theta e , where et is white noise. We refer to this as an MA(q) model . Of course, we do not observe the values of et, so it is not really regression in the usual sense. Notice that each value of yt can be thought of as a weighted moving average of the past few forecast errors. However, moving average models should not be confused with moving average smoothing we discussed in Chapter 6. A moving average model is used for forecasting future values while moving average smoothing is used for estimating the trend-cycle of past values. Figure 8.6: Two examples of data from moving average models with different parameters. Left: MA(1) with y t 20e t 0.8e t-1 . Right: MA(2) with y t e t - e t-1 0.8e t-2 . In both cases, e t is normally distributed white noise with mean zero and variance one. Figure 8.6 shows some data from an MA(1) model and an MA(2) model. Changing the parameters theta1,dots, thetaq results in different time series patterns. As with autoregressive models, the variance of the error term et will only change the scale of the series, not the patterns. It is possible to write any stationary AR(p) model as an MA(infty) model. For example, using repeated substitution, we can demonstrate this for an AR(1) model : begin yt amp phi1y et amp phi1(phi1y e ) et amp phi12y phi1 e et amp phi13y phi12e phi1 e et amptext end Provided -1 lt phi1 lt 1, the value of phi1k will get smaller as k gets larger. So eventually we obtain yt et phi1 e phi12 e phi13 e cdots, an MA(infty) process. The reverse result holds if we impose some constraints on the MA parameters. Then the MA model is called invertible. That is, that we can write any invertible MA(q) process as an AR(infty) process. Invertible models are not simply to enable us to convert from MA models to AR models. They also have some mathematical properties that make them easier to use in practice. The invertibility constraints are similar to the stationarity constraints. For an MA(1) model: -1lttheta1lt1. For an MA(2) model: -1lttheta2lt1, theta2theta1 gt-1, theta1 - theta2 lt 1. More complicated conditions hold for qge3. Again, R will take care of these constraints when estimating the models.