لل جنون ل واحد في 3 سنوات الحركة من المتوسط ، المستندة إلى توقعات

تتحرك متوسط ​​التنبؤ. الترجمة كما قد تخمين نحن نبحث في بعض من أكثر النهج البدائية للتنبؤ ولكن نأمل أن هذه على الأقل مقدمة جديرة بالاهتمام لبعض القضايا الحوسبة المتعلقة بتنفيذ التوقعات في جداول البيانات. في هذا السياق سوف نستمر من قبل بدءا من البداية والبدء في العمل مع توقعات متوسط ​​التحرك. متوسط ​​متوسط ​​التوقعات الجميع على دراية بتحريك توقعات المتوسط ​​بغض النظر عما إذا كانوا يعتقدون أنهم جميع طلاب الجامعات يفعلونها في كل وقت فكر في درجات الاختبار في دورة حيث أنت ذاهب إلى لديك أربعة اختبارات خلال الفصل الدراسي دعونا نفترض أنك حصلت على 85 على الاختبار الأول. ماذا كنت تتوقع لنتيجة الاختبار الثاني. ما رأيك تعتقد المعلم الخاص بك لنتيجة الاختبار الخاص بك المقبل. ما رأيك تعتقد أصدقائك قد التنبؤ لنتيجة الاختبار الخاص بك المقبل. ماذا تعتقدون أن والديك قد توقع لنتيجة الاختبار الخاص بك المقبل. بصرف النظر عن كل بلابينغ قد تفعل لفرانك إيندس والآباء والأمهات، هم ومعلمك من المرجح جدا أن نتوقع منك الحصول على شيء في مجال 85 كنت حصلت فقط. حسنا، والآن دعونا نفترض أنه على الرغم من الترويج الذاتي الخاص بك إلى أصدقائك، وكنت أكثر من تقدير نفسك والشكل يمكنك دراسة أقل للاختبار الثاني وحتى تحصل على 73.Now ما هي كل من المعنيين وغير مدرك الذهاب إلى توقع سوف تحصل على الاختبار الثالث هناك نوعان من المرجح جدا النهج بالنسبة لهم لوضع تقدير بغض النظر عن ما إذا كانوا سوف تقاسمها معك. أنهم قد يقولون لأنفسهم، هذا الرجل هو دائما تهب الدخان حول ذكائه انه ذاهب للحصول على آخر 73 إذا كان محظوظا. مايبي الآباء سوف تحاول أن تكون أكثر داعمة ويقول، حسنا، لذلك حتى الآن كنت حصلت على 85 و 73، لذلك ربما يجب أن تحصل على الحصول على حوالي 85 73 2 79 أنا لا أعرف، ربما لو كنت أقل من الحفلات و ويرن ر رهان في كل مكان، وإذا كنت بدأت القيام الكثير من الدراسة يمكن أن تحصل على درجة أعلى. لكن هذه التقديرات الفعلية تحسب التوقعات المتوسطة الأولى. أولا يستخدم فقط أحدث درجاتك للتنبؤ بأدائك المستقبلي وهذا ما يطلق عليه متوسط ​​التوقعات المتحركة باستخدام فترة واحدة من البيانات. والثاني هو أيضا متوسط ​​التوقعات المتحركة ولكن باستخدام فترتين من البيانات. أن كل هؤلاء الناس خرق على العقل العظيم لديك نوع من سكران قبالة لكم وتقرر أن تفعل جيدا في الاختبار الثالث لأسباب خاصة بك ووضع درجة أعلى أمام حلفائكم كنت تأخذ الاختبار ودرجاتك هو في الواقع 89 الجميع، بما في ذلك نفسك، وأعجب. لذلك لديك الآن الاختبار النهائي للفصل الدراسي الخروج وكالعادة كنت تشعر بالحاجة إلى غواد الجميع في جعل توقعاتهم حول كيف سوف تفعل على آخر اختبار حسنا، ونأمل أن ترى style. Now، نأمل يمكنك أن ترى نمط الذي تعتقد أنه الأكثر دقة. ويستل بينما نعمل الآن نعود إلى شركة التنظيف الجديدة التي بدأتها شقيقة نصف استدارة دعا صافرة بينما نحن نعمل لديك بعض البيانات الماضية المبيعات ممثلة في القسم التالي من جدول بيانات نحن أولا تقديم البيانات لفترة ثلاثة توقعات المتوسط ​​المتحرك. يجب أن يكون إدخال الخلية C6.Now يمكنك نسخ هذه الصيغة خلية وصولا إلى الخلايا الأخرى من C7 إلى C11.Notice كيف يتحرك المتوسط على أحدث البيانات التاريخية ولكن يستخدم بالضبط ثلاث فترات الأخيرة المتاحة لكل التنبؤ يجب أن تلاحظ أيضا أننا لا تحتاج حقا لجعل التنبؤات للفترات الماضية من أجل تطوير أحدث توقعاتنا هذا يختلف بالتأكيد عن الأسي نموذج تمهيد I في شملت التنبؤات السابقة لأننا سوف تستخدمها في صفحة الويب التالية لقياس صلاحية التنبؤ. الآن أريد أن أعرض النتائج المماثلة لفترة سنتين المتوسط ​​المتحرك المتوقع. يجب أن يكون دخول الخلية C5.Now لك يمكن نسخ هذه الصيغة الخلية وصولا إلى الخلايا الأخرى C6 من خلال C11.Notice كيف الآن فقط اثنين من أحدث القطع من البيانات التاريخية تستخدم لكل التنبؤ مرة أخرى لقد شملت د التنبؤات السابقة لأغراض توضيحية وللاستخدام لاحقا في التحقق من صحة التوقعات. بعض الأمور الأخرى التي من الأهمية أن تلاحظ. للمتوسط ​​المتحرك م فترة التنبؤ فقط م تستخدم معظم القيم البيانات الأخيرة لجعل التنبؤ لا شيء آخر ضروري. للمتوسط ​​المتحرك متوسط ​​التوقعات، عند إجراء التنبؤات السابقة، لاحظ أن التنبؤ الأول يحدث في الفترة م 1. بوث من هذه القضايا سوف تكون كبيرة جدا عندما نطور لدينا التعليمات البرمجية. تطوير المتوسط ​​المتحرك المتحرك الآن نحن بحاجة إلى تطوير رمز توقعات المتوسط ​​المتحرك التي يمكن استخدامها بشكل أكثر مرونة تتبع التعليمات البرمجية لاحظ أن المدخلات هي لعدد الفترات التي تريد استخدامها في التوقعات ومصفوفة القيم التاريخية يمكنك تخزينها في أي المصنف الذي تريده. وظيفة موفينغافيراج التاريخية، نومبروفريودس كما واحد إعلان وتهيئة المتغيرات ديم البند كما متغير عداد خافت كما عدد صحيح تراكم خافت كما أحادية ديم تاريخية الحجم كما صحيح. تهيئة المتغيرات كونتر 1 تراكم 0. تحديد حجم المصفوفة التاريخية تاريخية. للعداد 1 إلى نومبروفريودس. تجميع العدد المناسب من أحدث القيم التي تمت ملاحظتها سابقا. تراكم التراكم تاريخي تاريخيالحجم - نومبروفريودس عداد. محرك متوسط ​​تراكم عدد أوفيريودس. سيتم شرح التعليمات البرمجية في الفصل تريد وضع الوظيفة على جدول البيانات بحيث تظهر نتيجة الحساب حيث ينبغي مثل ما يلي. A التنبؤ حساب أمثلة. أ 1 طرق حساب التنبؤات. توفير أساليب حساب التوقعات المتاحة توفر معظم هذه الطرق لمراقبة محدودة للمستخدم على سبيل المثال، والوزن وضعت على البيانات التاريخية الأخيرة أو النطاق الزمني للبيانات التاريخية المستخدمة في يمكن تحديد الحسابات التالية توضح الإجراءات الحسابية لكل طريقة من طرق التنبؤ المتاحة، بالنظر إلى مجموعة متطابقة من البيانات التاريخية. تستخدم الأمثلة التالية نفس بيانات المبيعات لعامي 2004 و 2005 لإنتاج توقعات مبيعات عام 2006 بالإضافة إلى التوقعات حساب، كل مثال يتضمن محاكاة 2005 فو إعادة صياغة لخيار معالجة فترة الانتظار لمدة ثلاثة أشهر 19 3 والتي يتم استخدامها بعد ذلك لنسبة من الدقة ومتوسط ​​حسابات الانحراف المطلق المبيعات الفعلية مقارنة مع التوقعات المحاكاة. 2 توقعات تقييم الأداء المتوقعة. اعتمادا على اختيارك من خيارات المعالجة وعلى الاتجاهات و الأنماط الموجودة في بيانات المبيعات، فإن بعض أساليب التنبؤ سوف تؤدي أداء أفضل من غيرها لمجموعة بيانات تاريخية معينة. طريقة التنبؤ المناسبة لمنتج واحد قد لا تكون مناسبة لمنتج آخر ومن غير المرجح أيضا أن طريقة التنبؤ التي توفر نتائج جيدة في ستبقى مرحلة واحدة من دورة حياة المنتج مناسبة طوال دورة الحياة بأكملها. يمكنك الاختيار بين طريقتين لتقييم الأداء الحالي لطرق التنبؤ هذه هي الانحراف المطلق ماد و٪ من الدقة بوا تتطلب كل من طرق تقييم الأداء هذه بيانات المبيعات التاريخية للمستخدم المحدد فترة من الزمن هذه الفترة من الزمن فترة استبقاء أو فترات مناسبة أفضل بف تستخدم البيانات في هذه الفترة كأساس لتوصية أي من طرق التنبؤ المستخدمة في وضع توقعات التوقعات التالية هذه التوصية خاصة بكل منتج، ويمكن أن تتغير من توليد توقعات واحد إلى التالي تظهر طرائق تقييم أداء التنبؤين في الصفحات التالية لأمثلة أساليب التنبؤ الإثني عشر. أ 3 الطريقة 1 - النسبة المئوية المحددة خلال السنة الماضية. تضاعف هذه الطريقة بيانات المبيعات عن السنة السابقة بواسطة عامل محدد للمستخدم على سبيل المثال، 1 10 للحصول على زيادة 10 أو 0 97 للحصول على 3 انخفاض. تاريخ المبيعات المطلوبة سنة واحدة لحساب التوقعات بالإضافة إلى عدد المستخدم المحدد من الفترات الزمنية لتقييم خيار معالجة الأداء التنبؤات 19.A 4 1 حساب التنبؤ. سلسلة من تاريخ المبيعات لاستخدامها في حساب الخيار عامل عامل النمو 2a 3 في هذا المثال. سم الأشهر الثلاثة الأخيرة من عام 2005 114 119 137 370. سم نفس ثلاثة أشهر ل p سنة محسوبة 123 139 133 395. العامل المحسوب 370 395 0 9367. حساب التوقعات. يناير 2005 المبيعات 128 0 9367 119 8036 أو حوالي 120. فبراير 2005 المبيعات 117 0 9367 109 5939 أو حوالي 110.March، 2005 المبيعات 115 0 9367 107 7205 أو حوالي 108.A 4 2 حساب التنبؤ المحاكى. الثلاثة أشهر من عام 2005 قبل فترة الاستحواذ يوليو وأغسطس 1299 140 131 400. نفس نفس الأشهر الثلاثة من العام السابق 141 128 118 387 . المحسوبة عامل 400 387 1 033591731.Calculate محاكاة التوقعات. أكتوبر 2004 المبيعات 123 1 033591731 127 13178. نوفمبر 2004 مبيعات 139 1 033591731 143 66925. ديسمبر ديسمبر 2004 المبيعات 133 1 033591731 137 4677.A 4 3 نسبة حساب الدقة. POA 127 13178 143 66925 137 4677 114 119 137 100 408 26873 370 100 110 3429.A 4 4 متوسط ​​حساب الانحراف المطلق. 0000 127 13178 - 114 143 66925 - 119 137 4677- 137 3 13 13178 24 66925 0 4677 3 12 75624.A 5 طريقة 3 - في العام الماضي لهذا العام. هذه الطريقة نسخ بيانات المبيعات من العام السابق إلى السنة التالية وتاريخ المبيعات المتأخر سنة واحدة لحساب التنبؤات بالإضافة إلى عدد الفترات الزمنية المحددة لتقييم خيار معالجة الأداء التنبؤي 19.A 6 1 حساب التنبؤات: عدد الفترات التي يتعين إدراجها في متوسط ​​خيار المعالجة 4a 3 في هذا المثال. للكل شهر من التوقعات، متوسط ​​بيانات الأشهر الثلاثة السابقة. توقعات يناير 114 119 137 370، 370 3 123 333 أو 123. توقعات فبراير / شباط 119 137 123 379، 379 3 126 333 أو 126. التوقعات الشهرية 137 123 126 379، 386 3 128 667 أو 129.A 6 2 حساب التنبؤات المحاكاة. أكتوبر 2005 المبيعات 129 140 131 3 133 3333. نوفمبر 2005 المبيعات 140 131 114 3 128 3333. ديسمبر 2005 المبيعات 131 114 119 3 121 3333.A 6 3 نسبة حساب الدقة. 133 3333 128 3333 121 3333 114 119 137 100 103 513.A 6 4 متوسط ​​حساب الانحراف المطلق. ماد 133 3333 - 114 128 3333 - 119 121 3333 - 137 3 14 7777.A 7 الطريقة 5 - التقريب الخطي. التحليل الخطي يحسب الاتجاه استنادا إلى اثنين من نقاط البيانات تاريخ المبيعات. ثم نقطتين د إفين خط الاتجاه المستقيم الذي من المتوقع في المستقبل استخدام هذا الأسلوب بحذر، كما يتم الاستفادة من التوقعات طويلة المدى من خلال تغييرات صغيرة في اثنين فقط من نقاط البيانات. تاريخ المبيعات المطلوبة عدد الفترات لتشمل في الانحدار تجهيز الخيار 5a، زائد 1 زائد عدد الفترات الزمنية لتقييم خيار معالجة الأداء التنبؤي 19.A 8 1 حساب التنبؤات: عدد الفترات التي يتعين إدراجها في خيار معالجة الانحدار 6a 3 في هذا المثال. بالنسبة إلى كل شهر من التوقعات، تضاف الزيادة أو النقصان خلال الفترات المحددة قبل فترة الاستحواذ في الفترة السابقة. المتوسط ​​في الأشهر الثلاثة السابقة 114 119 137 3 123 3333.Summary من الأشهر الثلاثة السابقة مع الوزن في الاعتبار. 114 1 119 2 137 3 763 - الاختلاف بين القيم. 763 - 123 3333 1 2 3 23 - النسبة 1 2 2 2 3 2 - 2 3 14 - 12 2 - النسبة المئوية 1 نسبة الفرق 23 2 11 5 - القيمة 2 المتوسط ​​- القيمة 1 123 3333 - 11 5 2 100 3333.Forecast 1 n value1 value2 4 11 5 100 3333 146 333 أو 146.Forecast 5 11 5 100 3333 157 8333 أو 158.Forecast 6 11 5 100 3333 169 3333 أو 169.A 8 2 حساب التوقعات المحاكية. المبيعات في أكتوبر 2004.المتوسط ​​في الأشهر الثلاثة السابقة . 129 140 131 3 133 3333.Summary من الأشهر الثلاثة السابقة مع الوزن في الاعتبار. 129 1 140 2 131 3 802 - الاختلاف بين القيم. 802 - 133 3333 1 2 3 2.Ratio 1 2 2 2 3 2 - 2 3 14 - 12 2.Value1 نسبة الاختلاف 2 2 1.Value2 متوسط ​​- value1 نسبة 133 3333 - 1 2 131 3333.Forecast 1 n value1 value2 4 1 131 3333 135 3333.November 2004 sales. Average من الأشهر الثلاثة السابقة. 140 131 114 3 128 3333.Summary من الأشهر الثلاثة السابقة مع الوزن في الاعتبار. 140 1 131 2 114 3 744.الفرق بين القيم 744 - 128 3333 1 2 3 -25 9999.Value1 نسبة الاختلاف -25 9999 2 -12 9999.Value2 متوسط ​​- القيمة 1 128 3333 - -12 9999 2 154 3333.Forecast 4 -12 9999 154 3333 102 3333.December 2004 sales. Average من الأشهر الثلاثة السابقة. 131 114 119 3 121 3333.Summary من الأشهر الثلاثة السابقة مع الوزن في الاعتبار. 131 1 114 2 119 3 716.الفرق بين القيم. 716 - 121 3333 1 2 3 -11 9999.Value1 نسبة الاختلاف -11 9999 2 -5 9999.Value2 متوسط ​​- قيمة 1 121 3333 - -5 9999 2 133 3333.Forecast 4 -5 9999 133 3333 109 3333.A 8 3 النسبة المئوية لحساب الدقة. بوا 135 33 102 33 109 33 114 119 137 100 93 78.A 8 4 حساب الانحراف المطلق المتوسط ​​.MAD 135 33 - 114 102 33 - 119 109 33 - 137 3 21 88.A 9 الطريقة 7 - درجة التقريب. يحدد الانحدار الخطي القيم a و b في صيغة التنبؤ Y a بكس بهدف تركيب خط مستقيم على بيانات تاريخ المبيعات تقريب الدرجة الثانية متشابه ومع ذلك، تحدد هذه الطريقة قيم a و b و c في صيغة التنبؤ Y بكس cX2 بهدف تركيب منحنى لبيانات تاريخ المبيعات قد تكون هذه الطريقة مفيدة عندما يكون المنتج في مرحلة الانتقال بين مراحل دورة حياة على سبيل المثال، عندما يتحرك منتج جديد من مراحل مقدمة إلى مراحل النمو ، فإن اتجاه المبيعات قد يتسارع بسبب مصطلح الترتيب الثاني، يمكن التنبؤ بسرعة الاقتراب إنفينيتي أو إسقاط إلى الصفر اعتمادا على ما إذا كان معامل ج موجب أو سلبي لذلك، هذه الطريقة مفيدة فقط على المدى القصير. مواصفات فوريك الصيغ يجد a، b، c لتتناسب مع منحنى إلى ثلاث نقاط بالضبط يمكنك تحديد n في خيار المعالجة 7a، وعدد من الفترات الزمنية للبيانات لتتراكم في كل من النقاط الثلاث في هذا المثال ن 3 لذلك، يتم الجمع بين بيانات المبيعات الفعلية لشهر ابريل حتى يونيو في النقطة الأولى، Q1 يوليو حتى سبتمبر تضاف معا لخلق Q2 ، وتشرين الأول / أكتوبر حتى كانون الأول / ديسمبر إلى Q3 سيتم تركيب المنحنى على القيم الثلاث Q1 و Q2 و Q3.Required تاريخ المبيعات 3 n فترات لحساب التوقعات بالإضافة إلى عدد الفترات الزمنية اللازمة لتقييم الأداء التنبؤي بف. عدد من أجل تضمين خيار المعالجة 7 أ 3 في هذا المثال. استخدم الأشهر الثلاثة السابقة في فدرات ثلاثة أشهر. Q1 أبريل - يونيو 125 122 137 384.Q2 يوليو - سبتمبر 129 140 131 400.Q3 أكتوبر - ديسمبر 114 119 137 370. وتشمل الخطوة التالية ج حساب المعاملات الثلاثة a و b و c لاستخدامها في صيغة التنبؤ Y a بكس سك 2. 1 Q1 a بكس سك 2 حيث X 1 a b c. 2 Q2 a بكس سك 2 حيث X 2 a 2b 4c. 3 Q3 a بكس سك 2 حيث X 3 a 3b 9.c حل المعادلات الثلاث في وقت واحد لإيجاد b و a و c. Soptract المعادلة 1 من المعادلة 2 وحل b. Substitute هذه المعادلة b إلى المعادلة 3. 3 Q3 a 3 Q2 - Q1 - 3c C. Finally، يستعاض عن هذه المعادلات عن a و b في المعادلة 1. Q3 - 3 Q2 - Q1 q2 - Q1 - 3c c Q1.c Q3 - Q2 Q1 - Q2 2.The طريقة التقريب من الدرجة الثانية تحسب (أ) و (ب) و (ج) على النحو التالي: (أ) 3 - 3 س 2 - 1 370 - 3 400 - 384 322 ج س 3 - س 2 س 1 - س 2 2 370 - 400 384 - 400 2 - 23 - ب س 2 - 384 - 3 -23 85.Y a بكس سك 2 322 85 X -23 X 2. يناير / كانون الثاني من توقعات آذار / مارس X 4. 322 340 - 368 3 294 3 98 لكل فترة. أبريل من حزيران / يونيه توقعات X 5. 322 425 - 575 3 57 333 أو 57 لكل فترة. توقعات تموز / يوليه من هذا العام X 6 322 510 - 828 3 1 33 أو 1 لكل فترة. تشرين الأول / أكتوبر كانون الأول / ديسمبر X 7. 322 595 - 1127 3 -70.A 9 2 حساب التنبؤات المحاكاة. تشرين الأول / أكتوبر، تشرين الثاني / نوفمبر و ديسمبر، 2004 المبيعات. Q1 يناير - مارس 360.Q2 أبريل - يونيو 384.Q3 يوليو - سبتمبر 400.a 400 - 3 384 - 360 328.c 400 - 384 360 - 384 2 - 4.b 384 - 360 - 3 -4 36. 328 36 4 -4 16 3 136.A 9 3 نسبة حساب الدقة. بوا 136 136 136 114 119 137 100 110 27.A 9 4 حساب الانحراف المطلق المتوسط. أحمد 136 - 114 136 - 119 136 - 137 3 13 33.A 10 الطريقة 8 - الطريقة المرنة. الطريقة المرنة النسبة المئوية أكثر من شهر يشبه سابقة الطريقة 1، النسبة المئوية خلال السنة الماضية كلتا الطريقتين تضاعف بيانات المبيعات من فترة زمنية سابقة بواسطة عامل محدد من قبل المستخدم ، ثم مشروع هذه النتيجة في المستقبل في طريقة النسبة المئوية على مدى العام الماضي، ويستند الإسقاط على بيانات من نفس الفترة الزمنية في العام السابق الأسلوب المرن يضيف القدرة على تحديد فترة زمنية أخرى من نفس الفترة من العام الماضي إلى استخدام كأساس لحسابات. عامل الضرب على سبيل المثال، حدد 1 15 في خيار المعالجة 8b لزيادة البيانات السابقة مبيعات التاريخ بنسبة 15.Base الفترة على سبيل المثال، ن 3 سوف يسبب أول توقعات أن تستند على بيانات المبيعات في أكتوبر، 2005. الحد الأدنى لسجل المبيعات رقم المستخدم المحدد o f إلى فترة الأساس، بالإضافة إلى عدد الفترات الزمنية اللازمة لتقييم الأداء التنبؤي بف. A 10 4 حساب الانحراف المطلق المتوسط. 148 - 114 161 - 119 151 - 137 3 30 ألف 11 الطريقة 9 - التحرك المرجح المتوسط. المتوسط ​​المتحرك المتوسط ​​المرجح أسلوب وما يشبه الأسلوب 4، المتوسط ​​المتحرك ما ومع ذلك، مع المتوسط ​​المتحرك المرجح يمكنك تعيين الأوزان غير المتكافئة للبيانات التاريخية الأسلوب بحساب المتوسط ​​المرجح من تاريخ المبيعات الأخيرة للوصول إلى إسقاط ل على المدى القصير عادة ما يتم تعيين المزيد من البيانات الحديثة وزن أكبر من البيانات القديمة، لذلك هذا يجعل وما أكثر استجابة للتحولات في مستوى المبيعات ومع ذلك، التحيز التنبؤ والأخطاء المنهجية لا تزال تحدث عندما يظهر تاريخ مبيعات المنتجات اتجاه قوي أو أنماط موسمية هذا يعمل بشكل أفضل للتنبؤات قصيرة المدى من المنتجات الناضجة بدلا من المنتجات في مراحل النمو أو التقادم من دورة الحياة. عدد الفترات من تاريخ المبيعات لاستخدامها في حساب التنبؤ على سبيل المثال، حدد ن 3 في خيار المعالجة 9a لاستخدام أحدث ثلاث فترات كأساس للتوقعات في الفترة الزمنية القادمة قيمة كبيرة ل n مثل 12 يتطلب المزيد من المبيعات التاريخ أنه يؤدي إلى توقعات مستقرة ، ولكن سيكون بطيئا في التعرف على التحولات في مستوى المبيعات من ناحية أخرى، قيمة صغيرة ل n مثل 3 سوف تستجيب أسرع للتحولات في مستوى المبيعات، ولكن التوقعات قد تتقلب على نطاق واسع جدا أن الإنتاج لا يمكن أن تستجيب ل الاختلافات. الوزن المخصص لكل فترة من فترات البيانات التاريخية يجب أن يبلغ مجموع الترجيح المعين 1 00 على سبيل المثال، عندما يكون n 3، يعطى أوزان 0 و 0 و 3 و 0 1، مع تلقي أحدث البيانات أكبر وزن . الحد الأدنى المطلوب من تاريخ المبيعات n بالإضافة إلى عدد الفترات الزمنية المطلوبة لتقييم الأداء التنبؤي بف. أحمد 133 5 - 114 121 7 - 119 118 7 - 137 3 13 5.A 12 الطريقة 10 - التنعيم الخطي. هذا الأسلوب مشابه ل الطريقة 9، المتوسط ​​المتحرك المرجح وما كيف من أي وقت مضى، بدلا من التعيين التعسفي للأوزان للبيانات التاريخية، يتم استخدام صيغة لتعيين الأوزان التي تنخفض خطيا ومجموعها إلى 00 1 وتحسب الطريقة ثم المتوسط ​​المرجح لتاريخ المبيعات الأخيرة للوصول إلى إسقاط على المدى القصير. كما هو صحيح من جميع تقنيات التنبؤ المتوسط ​​المتحرك الخطي والتحيز التنبؤي والأخطاء المنهجية تحدث عندما يظهر تاريخ مبيعات المنتجات اتجاها قويا أو أنماط موسمية هذا الأسلوب يعمل بشكل أفضل للتنبؤات قصيرة المدى من المنتجات الناضجة بدلا من المنتجات في مراحل النمو أو التقادم من الحياة دورة. عدد فترات مبيعات التاريخ لاستخدامها في حساب التنبؤ هذا محدد في خيار المعالجة 10a على سبيل المثال، حدد n 3 في خيار المعالجة 10b لاستخدام أحدث ثلاث فترات كأساس للتوقعات في الفترة الزمنية التالية سيقوم النظام تلقائيا بتعيين أوزان البيانات التاريخية التي تنخفض خطيا ومجموعها إلى 00 1 على سبيل المثال، عندما n 3، s سوف يستيم تعيين الأوزان من 0 5، 0 3333، و 0 1، مع أحدث البيانات تلقي أكبر وزن. الحد الأدنى المطلوب تاريخ المبيعات ن بالإضافة إلى عدد من الفترات الزمنية اللازمة لتقييم الأداء التنبؤ بف. A 12 1 حساب التنبؤ. عدد الفترات التي يجب تضمينها في تمهيد متوسط ​​خيار المعالجة 10a 3 في هذا المثال. الطريقة لفترة واحدة قبل 3 n 2 n 2 3 3 2 3 2 3 6 0 5.Ratio لفترتين قبل 2 n 2 n 2 2 3 2 3 2 2 6 0 3333.Ratio لمدة ثلاث فترات قبل 1 n 2 n 2 1 3 2 3 2 1 6 0 1666. توقعات شهرية 137 0 5 119 1 3 114 1 6 127 16 أو 127. توقعات شباط / فبراير 127 0 5 137 1 3 119 1 6 129. توقعات المسيرة 129 0 5 127 1 3 137 1 6 129 666 أو 130.A 12 2 حساب التنبؤات المحاكاة. أكتوبر / تشرين الأول 2004 المبيعات 129 1 6 140 2 6 131 3 6 133 6666. نوفمبر / تشرين الثاني 2004 المبيعات 140 1 6 131 2 6 114 3 6 124. كانون الأول / ديسمبر 2004 المبيعات 131 1 6 114 2 6 119 3 6 119 3333.A 12 3 نسبة حساب الدقة. بوا 133 6666 124 119 3333 114 119 137 100 101 891.A 12 4 حساب متوسط ​​الانحراف المطلق. MAD الطريقة 11 - التنعيم الأسي. هذا الأسلوب يشبه الأسلوب 10، الخطي التمهيد في الخطي التمهيد النظام يعين الأوزان إلى البيانات التاريخية التي تنخفض خطيا في التماسك الأسي ، فإن النظام يعين الأوزان التي تسوس أضعافا مضاعفة الأسي تنعيم معادلة التنبؤ هو. فوريكاست المبيعات الفعلية السابقة 1 - A التوقعات السابقة. التوقع هو المتوسط ​​المرجح للمبيعات الفعلية من الفترة السابقة والتوقعات من الفترة السابقة هو هو الوزن المطبق على المبيعات الفعلية للفترة السابقة 1-a هو الوزن المطبق على التوقعات للفترة السابقة القيم الصالحة لنطاق من 0 إلى 1، وعادة ما تقع بين 0 1 و 0 4 مجموع الأوزان هو 1 00 a 1-a 1. يجب تعيين قيمة لمستوى التمهيد، a إذا لم تقم بتعيين قيم ثابت التجانس، يقوم النظام بحساب قيمة مفترضة استنادا إلى عدد فترات تاريخ المبيعات سبيسيفي d في خيار المعالجة 11a. a ثابت التمهيد المستخدم في حساب المتوسط ​​المنعم للمستوى العام أو حجم المبيعات القيم الصالحة لنطاق من 0 إلى 1.n نطاق بيانات تاريخ المبيعات ليشمل في الحسابات عموما سنة واحدة من بيانات تاريخ المبيعات كافية لتقدير المستوى العام للمبيعات لهذا المثال، تم اختيار قيمة صغيرة ل ن 3 من أجل تقليل الحسابات اليدوية المطلوبة للتحقق من النتائج الأسس التمهيد يمكن أن تولد توقعات على أساس أقل من تاريخ واحد نقطة البيانات. الحد الأدنى المطلوب من تاريخ المبيعات n بالإضافة إلى عدد الفترات الزمنية المطلوبة لتقييم الأداء التنبؤي بف. A 13 1 حساب التنبؤ. عدد الفترات التي يجب تضمينها في تمهيد متوسط ​​خيار المعالجة 11a 3 وخيار معالجة عامل ألفا 11 ب فارغ في هذا مثال لعامل بيانات المبيعات الأقدم 2 1 1 أو 1 عندما يكون ألفا محددا. عامل ل 2 أقدم بيانات المبيعات 2 1 2 أو ألفا عندما يكون ألفا محددا. عامل ل 3 أقدم بيانات المبيعات 2 1 3 أو ألفا عندما يتم تحديد ألفا. عامل لأحدث بيانات المبيعات 2 1 n أو ألفا عندما يتم تحديد ألفا. نوفمبر سم أفغ أكتوبر الفعلي 1 - أكتوبر تشرين الأول سم المتوسط ​​1 114 0 0 114.December سم متوسط ​​نوفمبر تشرين الثاني الفعلي 1 - نوفمبر تشرين الثاني سم متوسط ​​2 3 119 1 3 114 117 3333. يناير توقعات ديسمبر الفعلي 1 - ديسمبر سم أفغ 2 4 137 2 4 117 3333 127 16665 أو 127. توقعات فبراير يناير توقعات 127.March توقعات يناير توقعات 127.A 13 2 حساب محاكاة محاكاة. جولي، 2004 سم أفغ 2 2 129 129. سم سم أفغ 2 3 140 1 3 129 136 3333. سم سم أفغ 2 4 131 2 4 136 3333 133 6666.October، 2004 ساليس سيب سم أفغ 133 6666.August، 2004 سم أفغ 2 2 140 140.September سم أفغ 2 3 131 1 3 140 134. أكتوبر سم أفغ 2 4 114 2 4 134 124. نوفمبر، 2004 المبيعات سيب سم متوسط ​​124. أيلول / سبتمبر 2004 سم أفغ 2 2 131 131. أكتوبر سم أفغ 2 3 114 1 3 131 119 6666. نوفيمبر سم أفغ 2 4 119 2 4 119 6666 119 3333. ديسمبر 2004 المبيعات سبتمبر المتوسط ​​المتوسط ​​119 3333.A 13 3 النسبة المئوية من الدقة الحسابية (بوا 133 6666 124 119 3333 114 119 137 100 101 891.A 13 4 حساب متوسط ​​الانحراف المطلق. المادة 133 6666 - 114 124 - 119 119 3333 - 137 3 14 1111.A 14 الطريقة 12 - التماسك الأسي مع الاتجاه والموسمية. وهذا الأسلوب يشبه الأسلوب 11، التماسك الأسي، حيث يحسب المتوسط ​​الملمس ومع ذلك، تشتمل الطريقة 12 أيضا على مصطلح في معادلة التنبؤ لحساب اتجاه سلس. وتتكون التنبؤات من معدل متوسط ​​تم ضبطه لاتجاه خطي عند تحديده في خيار المعالجة، يتم تعديل التوقعات أيضا للموسمية. a ثابت التمهيد المستخدم في حساب المتوسط ​​المنعم للمستوى العام أو حجم المبيعات القيم الصالحة لمدى ألفا من 0 إلى 1.b ثابت التمهيد المستخدم في حساب السلس متوسط ​​عنصر الاتجاه للتنبؤ القيم الصالحة لنطاق بيتا من 0 إلى 1. ما إذا كان المؤشر الموسمي يطبق على التنبؤ. أ و ب مستقلان عن بعضهما البعض. لا يلزم إضافتهما إلى 1 0. مين إيموم مطلوب تاريخ المبيعات عامين بالإضافة إلى عدد من الفترات الزمنية المطلوبة لتقييم الأداء بف المتوقعة. الميثود 12 يستخدم اثنين من المعادلات تمهيد الأسي ومتوسط ​​بسيط لحساب المتوسط ​​السلس، واتجاه سلس، ومتوسط ​​بسيط عامل موسمي. A 14 1 حساب التوقعات. A متوسط ​​ممسود أضعافا. MAD 122 81 - 114 133 14 - 119 135 33 - 137 3 8 2.A 15 تقييم التنبؤات. يمكنك اختيار أساليب التنبؤ لتوليد ما يصل إلى اثني عشر التوقعات لكل منتج كل التنبؤ من المحتمل أن تخلق طريقة مختلفة قليلا عند توقع الآلاف من المنتجات، فمن غير العملي لاتخاذ قرار شخصي بشأن أي من التوقعات لاستخدامها في الخطط الخاصة بك لكل من المنتجات. النظام تلقائيا بتقييم الأداء لكل من أساليب التنبؤ التي تحددها، ولكل من المنتجات توقعات يمكنك الاختيار بين معيارين الأداء، يعني الانحراف المطلق درهم ونسبة من أكور أسي بوا ماد هو مقياس لخطأ التنبؤ بوا هو مقياس للتنبؤ بالتنبؤ يتطلب كل من تقنيات تقييم الأداء هذه بيانات تاريخ المبيعات الفعلية لفترة زمنية محددة للمستخدم. وتسمى هذه الفترة من التاريخ الحديث فترة استيعاب أو فترات تناسب بف. لقياس أداء طريقة التنبؤ، استخدم الصيغ المتوقعة لمحاكاة توقعات لفترة الاستحواذ التاريخية ستكون هناك عادة اختلافات بين بيانات المبيعات الفعلية والتوقعات المحاكاة لفترة الاستحواذ. عندما يتم اختيار طرق التنبؤ المتعددة، فإن هذه العملية نفسها يحدث لكل طريقة يتم حساب التنبؤات المتعددة لفترة الاستحواذ ومقارنتها مع تاريخ المبيعات المعروف لنفس الفترة من الوقت يوصى باستخدام طريقة التنبؤ التي تنتج أفضل مطابقة تناسب أفضل بين التوقعات والمبيعات الفعلية خلال فترة الاستبعاد للاستخدام في خططك هذه التوصية محددة لكل منتج، ويمكن أن تتغير من جيل واحد للتنبؤ إلى ن xt. A 16 يعني الانحراف المطلق ماد. MAD هو متوسط ​​أو متوسط ​​القيم المطلقة أو حجم الانحرافات أو الأخطاء بين البيانات الفعلية والتنبؤات ماد هو مقياس لمتوسط ​​حجم الأخطاء المتوقع، بالنظر إلى طريقة التنبؤ والبيانات التاريخ نظرا لأن القيم المطلقة تستخدم في الحساب، فإن الأخطاء الإيجابية لا تلغي الأخطاء السلبية عند المقارنة بين عدة طرق للتنبؤ، فقد أظهرت واحدة مع أصغر درهم أن تكون الأكثر موثوقية لهذا المنتج لفترة الاستيلاء عندما تكون التوقعات غير منحازة و يتم توزيع الأخطاء عادة، وهناك علاقة رياضية بسيطة بين ماد واثنين من التدابير المشتركة الأخرى للتوزيع والانحراف المعياري ومتوسط ​​تربيع error. A 16 1 النسبة المئوية من الدقة POA. Percent دقة بوا هو مقياس للتنبؤ التوقعات عندما تكون التوقعات على الدوام مرتفعة جدا، تتراكم المخزونات وترتفع تكاليف المخزون عندما تكون التوقعات ثابتة باستمرار، يتم استهلاك المخزون وتراجع خدمة العملاء s التوقعات التي هي 10 وحدات منخفضة جدا، ثم 8 وحدات مرتفعة جدا، ثم 2 وحدات عالية جدا، سيكون توقعات غير متحيزة يتم إلغاء الخطأ الإيجابي من 10 من الأخطاء السلبية من 8 و 2. الخطأ الفعلي - التنبؤ. عندما المنتج يمكن تخزينها في المخزون، وعندما تكون التوقعات غير منحازة، كمية صغيرة من الأسهم السلامة يمكن استخدامها لتخفيف الأخطاء في هذه الحالة، فإنه ليس من المهم للقضاء على أخطاء التنبؤ كما هو لتوليد توقعات غير منحازة ولكن في صناعات الخدمات ، فإن الحالة المذكورة أعلاه سوف ينظر إليها على أنها ثلاثة أخطاء الخدمة سيكون نقص الموظفين في الفترة الأولى، ثم زيادة عدد الموظفين للفترتين المقبلتين في الخدمات، وحجم أخطاء التنبؤ عادة ما تكون أكثر أهمية مما هو متوقع التحيز. الجمع خلال فترة الاستحواذ يسمح أخطاء إيجابية لإلغاء الأخطاء السلبية عندما يتجاوز إجمالي المبيعات الفعلية إجمالي المبيعات المتوقعة، ونسبة أكبر من 100 وبطبيعة الحال، فإنه من المستحيل أن يكون أكثر من 100 دقيقة عندما تكون التوقعات غير منحازة إد، فإن نسبة بوا ستكون 100 ولذلك، فمن المستحسن أن يكون 95 دقيقة من أن تكون دقيقة 110 معايير بوا اختيار طريقة التنبؤ التي لديها نسبة بوا الأقرب إلى 100. سكريبتينغ في هذه الصفحة يعزز التنقل المحتوى، ولكن لا تغيير المحتوى بأي شكل من الأشكال 3. فهم مستويات التنبؤ والطرق. يمكنك توليد كل من التفاصيل توقعات البند واحد وتوقعات ملخص خط الانتاج التي تعكس أنماط الطلب على المنتج يحلل النظام المبيعات الماضية لحساب التوقعات باستخدام 12 أساليب التنبؤ وتشمل التوقعات معلومات تفصيلية على مستوى البند ومعلومات أعلى مستوى عن فرع أو الشركة ككل. 3 معايير تقييم الأداء المتوقعة. اعتمادا على اختيار خيارات المعالجة وعلى الاتجاهات والأنماط في بيانات المبيعات، بعض أساليب التنبؤ أداء أفضل من غيرها من أجل مجموعة بيانات تاريخية معينة قد لا تكون طريقة التنبؤ المناسبة لمنتج واحد مناسبة لمنتج آخر قد تكون وجدت أن طريقة التنبؤ التي توفر نتائج جيدة في مرحلة واحدة من دورة حياة المنتج لا تزال مناسبة طوال دورة الحياة بأكملها. يمكنك الاختيار بين طريقتين لتقييم الأداء الحالي لأساليب التنبؤ. بروز دقة بوا. الانحراف المطلق درهم تتطلب طرق تقييم الأداء هذه بيانات مبيعات تاريخية للفترة التي تحددها هذه الفترة تسمى فترة استبقاء أو فترة من أفضل ملاءمة يتم استخدام البيانات في هذه الفترة كأساس لتوصية طريقة التنبؤ التي يجب استخدامها في جعل المرحلة التالية التنبؤات المتوقعة هذه التوصية خاصة بكل منتج ويمكن أن تتغير من جيل واحد إلى آخر 3. 1 1 أفضل صالح. ويوصي النظام بالتنبؤ الأنسب من خلال تطبيق أساليب التنبؤ المختارة على الماضي تاريخ أمر المبيعات ومقارنة محاكاة التنبؤ إلى التاريخ الفعلي عندما تقوم بتوليد توقعات أفضل تناسب، يقارن النظام تاريخ أوامر المبيعات الفعلية لتوقعات ل فترة زمنية محددة ويحسب مدى دقة كل طريقة التنبؤ المختلفة تنبأ المبيعات ثم يوصي النظام التنبؤ الأكثر دقة كما يناسب أفضل يوضح هذا الرسم البياني أفضل تناسب التوقعات. هيكل 3-1 أفضل مناسبا التوقعات. ويستخدم النظام هذا التسلسل من الخطوات لتحديد أفضل استخدام. استخدام كل طريقة محددة لمحاكاة توقعات لفترة الاستحواذ على المبيعات الفعلية لتوقعات محاكاة لفترة الاستحواذ. حساب بوا أو درهم لتحديد أي طريقة التنبؤ تتطابق بشكل وثيق مع المبيعات الفعلية الماضية. يستخدم النظام إما بوا أو درهم، استنادا إلى خيارات المعالجة التي تحددها. توصي أفضل تناسب التوقعات من قبل بوا التي هي الأقرب إلى 100 في المئة فوق أو تحت أو درهم التي هي الأقرب إلى الصفر. 3 طرق التنبؤ. JD إدواردز إنتيربريسون إدارة التوقعات يستخدم 12 وأساليب للتنبؤ الكمي، وتشير إلى الطريقة التي توفر أفضل ملاءمة لحالة التنبؤ. هذا القسم يناقش. الموضوع 1 النسبة المئوية فوق لا السنة الثانية. الميثود 2 النسبة المئوية المحسوبة خلال السنة الماضية. الميثود 3 السنة الماضية لهذا العام. الميثود 4 المتوسط ​​المتحرك. الميثود 5 التقريب الخطي. الميثود 6 المربعات الصغرى الانحدار. الميثود 7 الدرجة الثانية التقريب. الميثود 8 الطريقة المرنة. الميثود 9 التحرك المرجح متوسط ​​10.الطريقة 10 التجانس الخطي. الميثود 11 الأسي تجانس. الموثود 12 الأسي تجانس مع الاتجاه والموسمية. تحديد الطريقة التي تريد استخدامها في خيارات المعالجة لبرنامج توليد التوقعات R34650 معظم هذه الأساليب توفر مراقبة محدودة على سبيل المثال، يمكن تحديد الوزن الذي تم وضعه على البيانات التاريخية الحديثة أو النطاق الزمني للبيانات التاريخية المستخدمة في العمليات الحسابية من قبلك. وتشير الأمثلة الواردة في الدليل إلى إجراء الحساب لكل طريقة من طرق التنبؤ المتاحة، وذلك بالنظر إلى مجموعة متطابقة من البيانات التاريخية. تستخدم أمثلة الطريقة في الدليل جزء أو كل مجموعات البيانات هذه، وهي بيانات تاريخية من العامين الماضيين. هذه البيانات مبيعات التاريخ مستقرة مع الزيادات الموسمية الصغيرة في يوليو وديسمبر هذا النمط هو سمة من المنتجات الناضجة التي قد تقترب من التقادم 3 2 1 الطريقة 1 النسبة المئوية خلال العام الماضي. وهذه الطريقة تستخدم صيغة النسبة المئوية خلال العام الماضي إلى مضاعفة كل فترة من التوقعات عن طريق زيادة النسبة المئوية المحددة أو النقصان. للتنبؤ بالطلب، تتطلب هذه الطريقة عدد الفترات للحصول على أفضل مناسبة بالإضافة إلى سنة واحدة من تاريخ المبيعات هذه الطريقة مفيدة للتنبؤ بالطلب على الأصناف الموسمية مع النمو أو الانخفاض. 1 1 مثال الطريقة 1 النسبة المئوية عن السنة الماضية. الصيغة المئوية خلال العام الماضي تضاعف بيانات المبيعات من العام السابق بعامل تحدده ثم المشاريع التي تنتج خلال العام التالي قد تكون هذه الطريقة مفيدة في إعداد الميزانية لمحاكاة تأثير معدل النمو المحدد أو عندما يكون تاريخ المبيعات مكون موسمية كبيرة. مواصفات فوريكاست عامل الضرب على سبيل المثال، حدد 110 في خيار المعالجة ل إنكريس ه في العام الماضي بيانات مبيعات المبيعات في العام الماضي بنسبة 10 في المئة. تاريخ المبيعات المطلوبة سنة واحدة لحساب التوقعات، بالإضافة إلى عدد من الفترات الزمنية المطلوبة لتقييم فترات الأداء المتوقعة من أفضل تناسب التي تحددها. هذا الجدول هو التاريخ المستخدمة في توقعات التنبؤات. توقعات فبراير تساوي 117 1 1 128 7 تقريب إلى 129.March التوقعات يساوي 115 1 1 126 5 تقريب إلى 127.3 2 2 الطريقة 2 محسوبة النسبة خلال العام الماضي. وهذه الطريقة تستخدم النسبة المئوية المحسوبة خلال العام الماضي صيغة لمقارنة المبيعات السابقة من فترات محددة إلى المبيعات من نفس الفترات من السنة السابقة يحدد النظام نسبة الزيادة أو النقصان، ثم يضاعف كل فترة من قبل النسبة المئوية لتحديد التوقعات. للتوقع الطلب، وهذا الأسلوب يتطلب عدد فترات المبيعات تاريخ الطلب بالإضافة إلى سنة واحدة من تاريخ المبيعات هذه الطريقة مفيدة للتنبؤ بالطلب على المدى القصير للبنود الموسمية مع النمو أو الانخفاض .3 2 2 1 مثال الطريقة 2 حساب بيرس نت عن العام الماضي. النسبة المئوية المحسوبة على صيغة السنة الماضية تضاعف بيانات المبيعات عن العام السابق بعامل يحسبه النظام، ومن ثم تتوقع تلك النتائج للعام المقبل قد تكون هذه الطريقة مفيدة في إبراز تأثير تمديد معدل النمو الأخير للمنتج في العام المقبل مع الحفاظ على النمط الموسمي الذي هو موجود في تاريخ المبيعات. مواصفات فوريكاست مجموعة من تاريخ المبيعات لاستخدامها في حساب معدل النمو على سبيل المثال، حدد ن يساوي 4 في خيار المعالجة للمقارنة تاريخ المبيعات لفترات الأربع الأخيرة لتلك نفس أربع فترات من العام السابق استخدام نسبة محسوبة لجعل الإسقاط للعام المقبل. تاريخ المبيعات المطلوبة سنة واحدة لحساب التوقعات بالإضافة إلى عدد من الفترات الزمنية المطلوبة للتقييم وفترات الأداء المتوقعة من أفضل مناسبا. هذا الجدول هو التاريخ المستخدمة في حساب التوقعات، نظرا ن 4. توقعات فبراير تساوي 117 0 9766 114 26 جولة د إلى 114.March التوقعات يساوي 115 0 9766 112 31 تقريب إلى 112.3 2 3 الطريقة 3 السنة الماضية لهذا العام. وهذا الأسلوب يستخدم مبيعات العام الماضي ل توقعات العام المقبل ق. للتنبؤ الطلب، وهذا الأسلوب يتطلب عدد من الفترات أفضل صالح زائد سنة واحدة من تاريخ النظام المبيعات هذا الأسلوب هو مفيد للتنبؤ الطلب على المنتجات الناضجة مع الطلب على مستوى أو الطلب الموسمي دون الاتجاه. 3 2 3 1 مثال الطريقة 3 السنة الماضية لهذا العام. العام الماضي إلى صيغة هذا العام نسخ بيانات المبيعات من العام السابق إلى العام المقبل قد تكون هذه الطريقة مفيدة في وضع الميزانية لمحاكاة المبيعات في المستوى الحالي المنتج ناضجة وليس له أي اتجاه على المدى الطويل، ولكن قد يكون هناك نمط الطلب الموسمي كبير موجود. مواصفات فوريكاست لا شيء. تاريخ المبيعات المطلوب سنة واحدة لحساب التوقعات بالإضافة إلى عدد من الفترات الزمنية المطلوبة لتقييم فترات الأداء المتوقعة من أفضل مناسبا. هذا الجدول هو التاريخ المستخدمة في حساب التنبؤات. توقعات يناير يساوي يناير من العام الماضي مع قيمة التوقعات من 128. توقعات فبراير فبراير يساوي فبراير من العام الماضي مع قيمة توقعات 117.March التوقعات يساوي مارس من العام الماضي مع قيمة توقعات 115.3 2 4 الطريقة 4 نقل المتوسط. هذه الطريقة يستخدم نقل متوسط ​​الصيغة لمتوسط ​​العدد المحدد للفترات لتخطيط الفترة التالية يجب عليك إعادة حسابها في كثير من الأحيان شهريا أو على الأقل ربع سنوي لتعكس تغيير مستوى الطلب. للتنبؤ بالطلب، تتطلب هذه الطريقة عدد الفترات التي تناسب أفضل بالإضافة إلى عدد فترات تاريخ طلب المبيعات هذه الطريقة مفيدة للتنبؤ بالطلب على المنتجات الناضجة بدون اتجاه .3 2 4 1 مثال على الطريقة 4 المتوسط ​​المتحرك المتوسط ​​المتحرك هو طريقة شائعة لمتوسط ​​نتائج تاريخ المبيعات الأخير لتحديد إسقاط على المدى القصير طريقة التنبؤ ما تتخلف عن الاتجاهات يحدث التحيز التنبؤ والأخطاء المنهجية عندما يظهر تاريخ مبيعات المنتجات اتجاه قوي أو أنماط موسمية هذا الأسلوب يعمل بشكل أفضل ل شور t من المنتجات الناضجة من المنتجات التي هي في مراحل النمو أو التقادم من دورة الحياة. مواصفات فوريكاست ن يساوي عدد فترات من تاريخ المبيعات لاستخدامها في حساب التنبؤ على سبيل المثال، حدد ن 4 في خيار المعالجة ل استخدام أحدث أربع فترات كأساس للتوقعات في الفترة الزمنية القادمة وهناك قيمة كبيرة ل n مثل 12 يتطلب المزيد من المبيعات التاريخ أنه يؤدي إلى توقعات مستقرة، ولكن بطيئة في التعرف على التحولات في مستوى المبيعات على العكس من ذلك، قيمة صغيرة ل n مثل 3 هو أسرع للرد على التحولات في مستوى المبيعات، ولكن التوقعات قد تتقلب على نطاق واسع حتى أن الإنتاج لا يمكن أن تستجيب إلى الاختلافات. تطلب تاريخ المبيعات ن بالإضافة إلى عدد من الفترات الزمنية المطلوبة لتقييم توقعات الأداء من أفضل مناسبا. هذا الجدول هو التاريخ المستخدمة في حساب التنبؤات. توقعات فبراير تساوي 114 119 137 125 4 123 75 تقريب إلى 124.March التوقعات يساوي 119 137 125 124 4 126 25 تقريب إلى 126.3 2 5 الطريقة 5 التقريب الخطي. هذه الطريقة تستخدم صيغة التقريب الخطي لحساب اتجاه من عدد فترات تاريخ طلب المبيعات ولتوقع هذا الاتجاه إلى التوقعات يجب إعادة حساب الاتجاه الشهري للكشف عن التغيرات في يتطلب هذا الأسلوب عدد الفترات من أفضل تناسب بالإضافة إلى عدد من فترات محددة من التاريخ أجل المبيعات هذه الطريقة هي مفيدة للتنبؤ الطلب على المنتجات الجديدة، أو المنتجات ذات الاتجاهات الإيجابية أو السلبية متسقة التي ليست بسبب التقلبات الموسمية. 2 5 1 طريقة المثال 5 تقريب خطي. تقريب تقريبي يحسب الاتجاه الذي يستند إلى نقطتي بيانات تاريخ المبيعات تحدد هاتان النقطتان خط اتجاه مستقيمي متوقع في المستقبل استخدم هذه الطريقة بحذر لأن الاستبانة طويلة المدى تستفيد من صغر حجمها التغييرات في اثنين فقط من نقاط البيانات. مواصفات فوريكاست ن يساوي نقطة البيانات في تاريخ المبيعات التي يتم مقارنتها مع أحدث نقطة البيانات لتحديد اتجاه على سبيل المثال، حدد n 4 لاستخدام الفرق بين ديسمبر أحدث البيانات وأغسطس أربعة فترات قبل ديسمبر كأساس لحساب الاتجاه. الحد الأدنى المطلوب تاريخ المبيعات ن زائد 1 زائد عدد الفترات الزمنية المطلوبة ل تقييم فترات الأداء المتوقعة من أفضل تناسب. هذا الجدول هو التاريخ المستخدمة في حساب التنبؤات. توقعات يناير كانون الثاني من العام الماضي 1 الاتجاه الذي يساوي 137 1 2 139. توقعات فبراير شباط من العام الماضي 1 الاتجاه الذي يساوي 137 2 2 141.March توقعات ديسمبر من العام الماضي 1 الاتجاه الذي يساوي 137 3 2 143.3 2 6 الطريقة 6 أقل المربعات الانحدار. أقل طريقة المربعات الانحدار لسر يستمد معادلة تصف علاقة خط مستقيم بين بيانات المبيعات التاريخية ومرور الوقت لسر يناسب خط إلى مجموعة مختارة من البيانات بحيث يتم تقليل مجموع مربعات الاختلافات بين نقاط بيانات المبيعات الفعلية وخط الانحدار التوقعات هو إسقاط هذا الخط المستقيم في المستقبل. وهذه الطريقة تتطلب تاريخ بيانات المبيعات للفترة التي يمثلها عدد من الفترات التي تناسب أفضل بالإضافة إلى عدد محدد من فترات البيانات التاريخية الحد الأدنى المطلوب هو اثنين من نقاط البيانات التاريخية هذا الأسلوب هو مفيد للتنبؤ الطلب عندما هناك اتجاه خطي في البيانات. 3 2 6 1 مثال على الطريقة 6 انحدار المربعات الصغرى. الانحدار الخطي أو انحدار المربعات الصغرى لسر هو الأسلوب الأكثر شعبية لتحديد اتجاه خطي في بيانات المبيعات التاريخية تحسب الطريقة القيم ل ب لاستخدامها في الصيغة. هذه المعادلة تصف خطا مستقيما حيث يمثل Y المبيعات ويمثل X الوقت الانحدار الخطي بطيء في التعرف على نقاط التحول ودرجات التحولات الوظيفية في الطلب الانحدار الخطي يناسب خط مستقيم على البيانات، حتى عندما البيانات الموسمية أو أفضل وصفها منحنى عندما بيانات مبيعات التاريخ يتبع منحنى أو لديه نمط موسمي قوي، والتحيز التنبؤ والأخطاء المنهجية تحدث. فوريكاست المواصفة n تساوي فترات تاريخ المبيعات التي سيتم استخدامها في حساب قيم a و b على سبيل المثال، حدد n 4 لاستخدام التاريخ من سبتمبر إلى ديسمبر كأساس للحسابات عندما تكون البيانات متوفرة، ن أكبر مثل n 24 عادة ما يستخدم لسر يحدد خطا لعدد قليل من نقطتي بيانات لهذا المثال، تم اختيار قيمة صغيرة ل ن 4 لتقليل الحسابات اليدوية المطلوبة للتحقق من النتائج. الحد الأدنى المطلوب مبيعات التاريخ ن فترات بالإضافة إلى عدد الفترات الزمنية المطلوبة لتقييم فترات الأداء المتوقعة من أفضل تناسب. هذا الجدول هو التاريخ المستخدمة في حساب التنبؤات. توقعات مارش يساوي 119 5 7 2 3 135 6 تقريب إلى 136.3 2 7 الطريقة 7 الدرجة الثانية تقريب. للمشروع والتنبؤ، ويستخدم هذا الأسلوب الدرجة الثانية تقريب صيغة لرسم منحنى الذي يقوم على عدد من فترات من تاريخ المبيعات. وهذه الطريقة تتطلب عدد من فترات أفضل تناسب بالإضافة إلى عدد من بي ريودس من أوقات أمر المبيعات 3 هذه الطريقة ليست مفيدة للتنبؤ بالطلب لفترة طويلة الأجل 3 2 7 1 مثال الطريقة 7 الدرجة الثانية التقريب. الانحدار الخطير يحدد القيم a و b في صيغة التنبؤ Y أب X مع الهدف من تركيب خط مستقيم على بيانات تاريخ المبيعات الدرجة الثانية تقريب مماثل، ولكن هذا الأسلوب يحدد القيم ل، ب، و ج في صيغة التنبؤ هذه. هدف هذه الطريقة هو لتناسب منحنى إلى بيانات تاريخ المبيعات هذه الطريقة مفيدة عندما يكون المنتج في مرحلة الانتقال بين مراحل دورة الحياة على سبيل المثال، عندما يتحرك منتج جديد من مرحلة مقدمة إلى مراحل النمو، قد يتسارع اتجاه المبيعات بسبب مصطلح الترتيب الثاني، يمكن للتنبؤ أن يقترب بسرعة من اللانهاية أو ينخفض ​​إلى صفر اعتمادا على ما إذا كان معامل ج إيجابي أو سلبي هذه الطريقة مفيدة فقط على المدى القصير. مواصفات فوريك الصيغة تجد a و b و c لتناسب منحنى إلى ثلاث نقاط بالضبط يمكنك تحديد n، عدد الفترات الزمنية للبيانات لتتراكم في كل من النقاط الثلاث في هذا المثال، ن 3 يتم دمج بيانات المبيعات الفعلية لشهر أبريل حتى يونيو في النقطة الأولى، Q1 يوليو حتى سبتمبر تضاف معا لخلق Q2، وأكتوبر حتى ديسمبر سوم تو Q3 يتم تثبيت المنحنى على القيم الثلاث Q1 و Q2 و Q3.Required تاريخ المبيعات 3 n فترات لحساب التوقعات بالإضافة إلى عدد الفترات الزمنية المطلوبة لتقييم فترات الأداء المتوقعة من أفضل ملاءمة. هذا الجدول هو التاريخ المستخدم في حساب التوقعات. Q0 يناير فبراير مارس. Q1 أبريل مايو يونيو الذي يساوي 125 122 137 384.Q2 يوليو أغسطس سبتمبر الذي يساوي 140 129 131 400.Q3 أكتوبر نوفمبر ديسمبر وهو ما يعادل 114 119 137 370. وتشمل الخطوة التالية حساب يتم عرض المعاملات الثلاثة a و b و c التي سيتم استخدامها في صيغة التنبؤ Y أب x c X 2.Q1 و Q2 و Q3 على الرسم البياني، حيث يتم رسم الوقت على المحور الأفقي Q1 يمثل إجمالي المبيعات التاريخية لشهر أبريل ، أيار / مايو، ويونيو، وتآمر في X 1 Q2 يتوافق مع تموز / يوليو حتى أيلول / سبتمبر Q3 يتوافق مع تشرين الأول / أكتوبر حتى كانون الأول / ديسمبر، ويمثل الربع الرابع من كانون الثاني / يناير إلى آذار / مارس ويوضح هذا الرسم البياني التآمر للربع الأول والربع الثاني والثالث والربع الرابع من أجل التقريب من الدرجة الثانية. الشكل 3-2 التآمر Q1 و Q2 و Q3 و Q4 لتقريب الدرجة الثانية. تصف المعادلات الثلاث النقاط الثلاث على الرسم البياني. 1 Q1 a بكس سك 2 حيث X 1 Q1 a b c. 2 Q2 a بكس سك 2 حيث X 2 Q2 a 2b 4c. 3 Q3 a بكس سك 2 حيث X 3 Q3 a 3b 9.c حل المعادلات الثلاث في وقت واحد لإيجاد b و a و c. Soptract المعادلة 1 1 من المعادلة 2 2 وحل ل b. سوبستيتيوت هذه المعادلة b إلى المعادلة 3. 3 Q3 a 3 Q2 Q1 3c 9c Q3 3 Q2 Q1.Finally استبدال هذه المعادلات ل a و b إلى المعادلة 1. 1 q3 3 q2 q1 q2 q1 3c c q1c q3 q2 q1 q2 2. الدرجة الثانية طريقة التقريب يحسب a و b و c كما يلي. أ Q3 3 Q2 Q1 370 3 400 384 370 3 16 322.b Q2 Q1 3c 400 384 3 23 16 69 85.c Q3 Q2 Q1 Q2 2 370 400 384 400 2 23.This هو حساب للتقديرات التقريبية من الدرجة الثانية. a بكس سك 2 322 85X 23 X 2.When X 4، Q4 322 340 368 294 التوقعات تساوي 294 3 98 لكل فترة. عندما X 5، Q5 322 425 575 172 تساوي التوقعات 172 3 58 33 تقريب إلى 57 لكل فترة. عندما X 6، Q6 322 510 828 4 التوقعات تساوي 4 3 1 33 تقريب إلى 1 في الفترة الواحدة. هذا هو التوقعات للعام المقبل، السنة الماضية إلى هذه السنة. 3 2 8 الطريقة 8 طريقة مرنة. هذه الطريقة تمكنك من اختيار أفضل عدد مناسبا من لكل واليود من تاريخ طلب المبيعات الذي يبدأ قبل أشهر من تاريخ بدء التوقعات، وتطبيق نسبة الزيادة أو نقصان عامل الضرب الذي لتعديل التوقعات هذا الأسلوب مشابه لطريقة 1، النسبة المئوية خلال العام الماضي، إلا أنه يمكنك تحديد عدد الفترات التي تستخدمها كقاعدة. اعتمادا على ما تختاره ك n، تتطلب هذه الطريقة فترات تناسب أفضل بالإضافة إلى عدد فترات بيانات المبيعات المشار إليها هذه الطريقة مفيدة للتنبؤ بالطلب على اتجاه مخطط. 3 2 8 1 طريقة المثال 8 الطريقة المرنة. الطريقة المرنة النسبة المئوية أكثر من شهر يشبه سابق الأسلوب 1، النسبة المئوية خلال السنة الماضية كلتا الطريقتين تضاعف بيانات المبيعات من فترة زمنية سابقة بعامل محدد من قبلك، ومن ثم عرض هذه النتيجة في المستقبل في طريقة النسبة المئوية خلال العام الماضي، يستند الإسقاط إلى بيانات من نفس الفترة الزمنية في السنة السابقة يمكنك أيضا استخدام الطريقة المرنة لتحديد فترة زمنية، بخلاف الفترة الزمنية نفسها في ست، لاستخدامها كأساس لحسابات. عامل الضرب على سبيل المثال، حدد 110 في خيار المعالجة لزيادة البيانات السابقة مبيعات التاريخ بنسبة 10 في المئة. فترة الأساس على سبيل المثال، ن 4 يسبب التوقعات الأولى أن تستند إلى بيانات المبيعات في سبتمبر من العام الماضي. الحد الأدنى المطلوب تاريخ المبيعات عدد الفترات إلى فترة الأساس بالإضافة إلى عدد من الفترات الزمنية المطلوبة لتقييم فترات الأداء المتوقعة من أفضل مناسبا. هذا الجدول هو التاريخ المستخدمة في حساب التنبؤات. 3 2 9 الطريقة 9 المتوسط ​​المتحرك المرجح. صيغة المتوسط ​​المتحرك المرجح مشابهة للطريقة 4، صيغة المتوسط ​​المتحرك، لأنها متوسطات تاريخ المبيعات في الشهر السابق لعرض تاريخ المبيعات في الشهر التالي ومع ذلك، يمكنك مع هذه الصيغة تعيين أوزان لكل من الفترات السابقة. وهذه الطريقة تتطلب عدد الفترات المرجحة المختارة بالإضافة إلى عدد الفترات التي تناسب البيانات على النحو الأمثل للمتوسط ​​المتحرك، وهذه الطريقة متخلفة عن اتجاهات الطلب، لذلك هذا لا يوصى باستخدام المنتجات ذات الاتجاهات القوية أو الموسمية. هذه الطريقة مفيدة للتنبؤ بالطلب على المنتجات الناضجة مع الطلب الذي يكون المستوى 3 نسبيا. 9 9 1 مثال على الطريقة 9 المتوسط ​​المتحرك المرجح. المتوسط ​​المتحرك المتوسط ​​المرجح أسلوب وما مشابه للطريقة 4 ، موفينغ أفيراج ما ومع ذلك، يمكنك تعيين أوزان غير متكافئة للبيانات التاريخية عند استخدام وما تحسب الطريقة المتوسط ​​المرجح لتاريخ المبيعات الأخير للتوصل إلى إسقاط على المدى القصير وعادة ما يتم تعيين البيانات الحديثة أكثر وزنا من البيانات القديمة، لذلك وما هو أكثر استجابة للتحولات في مستوى المبيعات ومع ذلك، والتحيز التنبؤ والأخطاء المنهجية تحدث عندما يظهر تاريخ مبيعات المنتجات اتجاهات قوية أو أنماط الموسمية هذا الأسلوب يعمل بشكل أفضل للتنبؤات قصيرة المدى من المنتجات الناضجة من المنتجات في النمو أو التقادم مراحل من دورة الحياة. عدد الفترات من تاريخ المبيعات ن لاستخدامها في حساب التنبؤ. على سبيل المثال، حدد ن 4 في بروس سسينغ الخيار لاستخدام أحدث أربع فترات كأساس للتوقعات في الفترة الزمنية القادمة وهناك قيمة كبيرة ل n مثل 12 يتطلب المزيد من المبيعات التاريخ مثل هذه القيمة يؤدي إلى توقعات مستقرة، ولكن بطيئة الاعتراف التحولات في مستوى المبيعات على العكس من ذلك، قيمة صغيرة ل n مثل 3 يستجيب بسرعة أكبر للتحولات في مستوى المبيعات، ولكن التوقعات قد تتقلب على نطاق واسع بحيث أن الإنتاج لا يمكن أن تستجيب إلى الاختلافات. العدد الإجمالي للفترات لخيار المعالجة 14 - ينبغي ألا تتجاوز الفترات الزمنية المتضمنة 12 شهرا. الوزن المخصص لكل فترة من فترات البيانات التاريخية. ويجب أن تكون الأوزان المخصصة 100 1 على سبيل المثال، عندما يكون n 4، يعطى أوزان 0 50 و 0 25 و 0 و 15 و 0 10 مع أحدث البيانات التي تتلقى أكبر وزن. الحد الأدنى المطلوب تاريخ المبيعات ن بالإضافة إلى عدد من الفترات الزمنية المطلوبة لتقييم فترات الأداء المتوقعة من أفضل مناسبا. هذا الجدول هو التاريخ المستخدمة في حساب التنبؤ. أست يساوي 131 0 10 114 0 15 119 0 25 137 0 50 0 10 0 15 0 25 0 50 128 45 مقربة إلى 128. توقعات شباط / فبراير تساوي 114 0 10 119 0 15 137 0 25 128 0 50 1 127 5 مقربة إلى 128. توقعات مارس تساوي 119 0 10 137 0 15 128 0 25 128 0 50 1 128 45 تقريب إلى 128.3 2 10 الطريقة 10 خطي التجانس. هذه الطريقة تحسب المتوسط ​​المرجح لبيانات المبيعات الماضية في الحساب، يستخدم هذا الأسلوب عدد فترات تاريخ طلب المبيعات من 1 إلى 12 المشار إليه في خيار المعالجة يستخدم النظام تطور رياضي ل وزن البيانات في المدى من أول وزن أقل إلى الوزن النهائي النهائي ثم يقوم النظام بمشاريع هذه المعلومات لكل فترة في التوقعات. هذا يتطلب الشهر الأفضل مناسبا بالإضافة إلى تاريخ أمر المبيعات لعدد الفترات المحددة في خيار المعالجة .3 2 10 1 مثال على الطريقة 10 التجانس الخطي. هذا الأسلوب مشابه للطريقة 9، وما ومع ذلك، بدلا من التنازل التعسفي أوزان البيانات التاريخية، يتم استخدام صيغة لتعيين الأوزان التي تنخفض خطيا ومجموعها إلى 00 1 وتحسب الطريقة بعد ذلك المتوسط ​​المرجح لتاريخ المبيعات الأخير للتوصل إلى إسقاط على المدى القصير مثل جميع تقنيات التنبؤ المتوسط ​​المتحرك الخطي والتحيز المتوقع والأخطاء المنهجية تحدث عندما يكون تاريخ مبيعات المنتجات يعرض اتجاهات قوية أو أنماط موسمية هذا الأسلوب يعمل بشكل أفضل للتنبؤات قصيرة المدى من المنتجات الناضجة من المنتجات في مراحل النمو أو التقادم من دورة الحياة. ن يساوي عدد الفترات من تاريخ المبيعات لاستخدامها في حساب التنبؤ على سبيل المثال، حدد n يساوي 4 في خيار المعالجة لاستخدام أحدث أربع فترات كأساس للتوقعات في الفترة الزمنية التالية يحدد النظام تلقائيا الأوزان للبيانات التاريخية التي تنخفض خطيا وتجمع إلى 00 1 على سبيل المثال، عندما يساوي n 4 ، يعين النظام أوزان 0 4 و 0 3 و 0 2 و 0 1، مع أحدث البيانات التي تتلقى أكبر وزن. الحد الأدنى المطلوب تاريخ المبيعات نب لیس عدد الفترات الزمنیة المطلوبة لتقییم فترات الأداء التوقعیة الأنسب. ھذا الجدول ھو التاریخ المستخدم في حساب التوقع. 3 2 11 الطریقة 11 تجانس الأسي. تحسب ھذه الطریقة متوسطا ممسدا یصبح تقدیرا یمثل المستوى العام للمبيعات على فترات البيانات التاريخية المختارة. وهذه الطريقة تتطلب تاريخ بيانات المبيعات للفترة الزمنية التي يمثلها عدد الفترات الأكثر ملاءمة بالإضافة إلى عدد فترات البيانات التاريخية المحددة الحد الأدنى المطلوب هو فترتين بيانات تاريخية هذا طريقة مفيدة للتنبؤ بالطلب عند عدم وجود اتجاه خطي في البيانات .3 2 11 1 مثال على الطريقة 11 تمهيد الأسي. ويشبه هذا الأسلوب الأسلوب 10، التنعيم الخطي في التمهيد الخطي، يعين النظام الأوزان التي تنخفض خطيا إلى البيانات التاريخية في التمدد الأسي، يعين النظام الأوزان التي تسوس أضعافا مضاعفة معادلة للتنبؤ الأسي التنبؤ هو. فوريكاست P ريفيوس المبيعات الفعلية 1 التوقعات السابقة. التوقع هو المتوسط ​​المرجح للمبيعات الفعلية من الفترة السابقة والتوقعات من الفترة السابقة ألفا هو الوزن الذي يتم تطبيقه على المبيعات الفعلية للفترة السابقة 1 هو الوزن الذي يتم تطبيقه إلى توقعات الفترة السابقة قيم المدى ألفا من 0 إلى 1 وعادة ما تقع بين 0 1 و 0 4 مجموع الأوزان هو 1 00 1 1. يجب تعيين قيمة ثابت التمهيد، ألفا إذا لم تقم بذلك تعيين قيمة ثابت التمهيد، يقوم النظام بحساب القيمة المفترضة التي تستند إلى عدد فترات تاريخ المبيعات المحددة في خيار المعالجة. ساوي ثابت التمهيد المستخدم لحساب المتوسط ​​الملمس للمستوى العام أو حجم المبيعات. قيم لمجموعة ألفا من 0 إلى 1.n يساوي مجموعة من بيانات مبيعات التاريخ لتشمل في الحسابات. عموما، سنة واحدة من بيانات التاريخ المبيعات كافية لتقدير المستوى العام للمبيعات على سبيل المثال، تم اختيار قيمة صغيرة ل ن 4 لتقليل الحسابات اليدوية المطلوبة للتحقق من النتائج يمكن أن يؤدي التمهيد الأسي إلى توليد توقعات تستند إلى أقل من نقطة بيانات تاريخية واحدة. الحد الأدنى المطلوب من سجل المبيعات n بالإضافة إلى الرقم من الفترات الزمنية المطلوبة لتقييم فترات الأداء المتوقعة من أفضل ملاءمة. هذا الجدول هو التاريخ المستخدمة في حساب التنبؤات 3 2 12 الطريقة 12 الأسي تمهيد مع الاتجاه والموسمية. وهذه الطريقة بحساب الاتجاه، مؤشر موسمية، و المتوسط ​​السلس أضعافا مضاعفة من تاريخ أمر المبيعات النظام ثم تطبيق إسقاط للاتجاه إلى التوقعات ويعدل للمؤشر الموسمي. وهذه الطريقة تتطلب عدد من فترات أفضل تناسب بالإضافة إلى عامين من بيانات المبيعات، ومفيد للبنود التي لديها سواء الاتجاه والموسمية في توقعات يمكنك إدخال عامل ألفا وبيتا، أو يكون النظام حساب لهم ألفا والعوامل بيتا هي ثابت تمهيد أن يستخدم النظام لحساب المتوسط ​​المنعم للمستوى العام أو حجم ألفا المبيعات وعنصر الاتجاه من بيتا التوقعات 3 2 12 1 مثال على الطريقة 12 الأسي تمهيد مع الاتجاه والموسمية. هذا الأسلوب يشبه الأسلوب 11، الأسي التمهيد ، حيث يحسب المتوسط ​​السلس ومع ذلك، تشتمل الطريقة 12 أيضا على مصطلح في معادلة التنبؤ لحساب اتجاه سلس تتألف التوقعات من متوسط ​​سلس يتم تعديله للاتجاه الخطي عند تحديده في خيار المعالجة، يكون التنبؤ كما يتم تعديلها للموسمية. ألفا يساوي ثابت التمهيد الذي يستخدم في حساب المتوسط ​​المنعم للمستوى العام أو حجم المبيعات. القيم لمجموعة ألفا من 0 إلى 1.Beta تساوي ثابت التمهيد المستخدم في حساب المتوسط ​​المنعم عنصر الاتجاه من التوقعات. قيم لمجموعة بيتا من 0 إلى 1.Whether يتم تطبيق مؤشر موسمية على التنبؤ. الفا والبيتا مستقلة عن e آخر لا يجب أن يختصر إلى 1 0. الحد الأدنى المطلوب من تاريخ المبيعات سنة واحدة بالإضافة إلى عدد الفترات الزمنية المطلوبة لتقييم فترات الأداء المتوقعة التي تناسب على أفضل وجه عند توفر سنتين أو أكثر من البيانات التاريخية، يستخدم النظام سنتين من البيانات في العمليات الحسابية. الميثود 12 يستخدم اثنين من المعادلات الأسية تمهيد ومتوسط ​​بسيط واحد لحساب المتوسط ​​السلس، واتجاه سلس، ومؤشر موسمية متوسط ​​بسيط. المتوسط ​​أملس أضعافا مضاعفة. واتجاه أملس أضعافا. index. Figure 3-3 بسيط متوسط ​​الموسمية index. The ثم يتم احتساب التوقعات باستخدام نتائج المعادلات الثلاث. ل هو طول الموسمية L يساوي 12 شهرا أو 52 أسبوعا. هو الفترة الزمنية الحالية. m هو عدد من الفترات الزمنية في مستقبل التنبؤات. هو عامل التعديل الموسمية المضاعف الذي يتم فهرسته إلى الفترة الزمنية المناسبة. يسرد هذا الجدول التاريخ المستخدم في حساب التوقعات. هذا القسم بيأر المبيدات نظرة عامة على تقييمات التوقعات ومناقشتها. يمكنك تحديد أساليب التنبؤ لتوليد ما يصل إلى 12 توقعات لكل منتج كل طريقة التنبؤ قد تخلق اسقاطا مختلفا قليلا عندما يتم توقع الآلاف من المنتجات، قرار شخصي غير عملي بشأن التوقعات لاستخدام في الخطط لكل منتج. يقوم النظام تلقائيا بتقييم الأداء لكل طريقة تنبؤ تحددها ولكل منتج تتوقعه يمكنك الاختيار بين معيارين من معايير الأداء ماد و بوا ماد هو مقياس لخطأ التنبؤ بوا هو مقياس للتحيز المتوقع كل من هذه التقنيات تقييم الأداء تتطلب البيانات الفعلية مبيعات التاريخ لفترة محددة من قبلك فترة من التاريخ الحديث المستخدمة للتقييم يسمى فترة الاستيلاء أو فترة من أفضل مناسبا. لقياس أداء طريقة التنبؤ، والنظام. يستخدم الصيغ المتوقعة لمحاكاة توقعات لفترة الاستحواذ التاريخية. جعل المقارنة بين actual sales data and the simulated forecast for the holdout period. When you select multiple forecast methods, this same process occurs for each method Multiple forecasts are calculated for the holdout period and compared to the known sales history for that same period The forecasting method that produces the best match best fit between the forecast and the actual sales during the holdout period is recommended for use in the plans This recommendation is specific to each product and might change each time that you generate a forecast.3 3 1 Mean Absolute Deviation. Mean Absolute Deviation MAD is the mean or average of the absolute values or magnitude of the deviations or errors between actual and forecast data MAD is a measure of the average magnitude of errors to expect, given a forecasting method and data history Because absolute values are used in the calculation, positive errors do not cancel out negative errors When comparing several forecasting methods, the one with the smallest MA D is the most reliable for that product for that holdout period When the forecast is unbiased and errors are normally distributed, a simple mathematical relationship exists between MAD and two other common measures of distribution, which are standard deviation and Mean Squared Error For example. MAD Actual Forecast n. Standard Deviation, 1 25 MAD. Mean Squared Error 2.This example indicates the calculation of MAD for two of the forecasting methods This example assumes that you have specified in the processing option that the holdout period length periods of best fit is equal to five periods.3 3 1 1 Method 1 Last Year to This Year. This table is history used in the calculation of MAD, given Periods of Best Fit 5.Mean Absolute Deviation equals 2 1 20 10 14 5 9 4.Based on these two choices, the Moving Average, n 4 method is recommended because it has the smaller MAD, 9 4, for the given holdout period.3 3 2 Percent of Accuracy. Percent of Accuracy POA is a measure of forecast bias When forecast s are consistently too high, inventories accumulate and inventory costs rise When forecasts are consistently too low, inventories are consumed and customer service declines A forecast that is 10 units too low, then 8 units too high, then 2 units too high is an unbiased forecast The positive error of 10 is canceled by negative errors of 8 and 2. Error Actual Forecast. When a product can be stored in inventory, and when the forecast is unbiased, a small amount of safety stock can be used to buffer the errors In this situation, eliminating forecast errors is not as important as generating unbiased forecasts However, in service industries, the previous situation is viewed as three errors The service is understaffed in the first period, and then overstaffed for the next two periods In services, the magnitude of forecast errors is usually more important than is forecast bias. POA Forecast sales during holdout period Actual sales during holdout period 100 percent. The summation over the holdout period enables positive errors to cancel negative errors When the total of forecast sales exceeds the total of actual sales, the ratio is greater than 100 percent Of course, the forecast cannot be more than 100 percent accurate When a forecast is unbiased, the POA ratio is 100 percent A 95 percent accuracy rate is more desirable than a 110 percent accurate rate The POA criterion selects the forecasting method that has a POA ratio that is closest to 100 percent. This example indicates the calculation of POA for two forecasting methods This example assumes that you have specified in the processing option that the holdout period length periods of best fit is equal to five periods.3 3 2 1 Method 1 Last Year to This Year. This table is history used in the calculation of MAD, given Periods of Best Fit 5.3 4 2 Forecast Accuracy. These statistical laws govern forecast accuracy. A long term forecast is less accurate than a short term forecast because the further into the future you project the fore cast, the more variables can affect the forecast. A forecast for a product family tends to be more accurate than a forecast for individual members of the product family. Some errors cancel each other as the forecasts for individual items summarize into the group, thus creating a more accurate forecast.3 4 3 Forecast Considerations. You should not rely exclusively on past data to forecast future demands These circumstances might affect the business, and require you to review and modify the forecast. New products that have no past data. Plans for future sales promotion. Changes in national and international politics. New laws and government regulations. Weather changes and natural disasters. Innovations from competition. You can use long term trend analysis to influence the design of the forecasts. Leading economic indicators.3 4 4 Forecasting Process. You use the Refresh Actuals program R3465 to copy data from the Sales Order History File table F42119 , the Sales Order Detail File table F4211 , or both, into either the Forecast File table F3460 or the Forecast Summary File table F3400 , depending on the kind of forecast that you plan to generate. Scripting on this page enhances content navigation, but does not change the content in any way.