Mad Weighted Mobile Media Tempo

3 livelli previsti Comprensione e metodi È possibile generare sia di dettaglio (singolo elemento) le previsioni e di sintesi (linea di prodotto) le previsioni che riflettono modelli di domanda di prodotto. Il sistema analizza passato vendite per calcolare le previsioni utilizzando 12 metodi di previsione. Le previsioni includono informazioni dettagliate a livello di articolo e più alto livello di informazioni su una filiale o la società nel suo complesso. 3.1 Previsione Criteri di valutazione delle prestazioni In base alla selezione di opzioni di elaborazione e sulle tendenze e modelli nei dati di vendita, alcuni metodi di previsione prestazioni migliori di altri per una determinata serie di dati storici. Un metodo di previsione che è appropriato per un prodotto potrebbe non essere appropriato per un altro prodotto. Si potrebbe scoprire che un metodo di previsione che fornisce buoni risultati in una fase del ciclo di vita del prodotto rimane appropriata durante l'intero ciclo di vita. È possibile scegliere tra due metodi per valutare le prestazioni attuali dei metodi di previsione: Percentuale di accuratezza (POA). Media deviazione assoluta (MAD). Entrambi questi metodi di valutazione delle prestazioni richiedono dati di vendita storici per un periodo specificato. Questo periodo è chiamato un periodo holdout o un periodo di best fit. I dati di questo periodo è utilizzato come base per raccomandare quale metodo di previsione per la fabbricazione di proiezione previsioni successivo. Questa raccomandazione è specifico per ciascun prodotto e può cambiare da una generazione previsioni a quella successiva. 3.1.1 Best Fit Il sistema suggerisce la migliore previsione fit applicando i metodi di previsione selezionati in passato cronologia degli ordini di vendita e confrontando la simulazione del tempo alla storia reale. Quando si genera una migliore previsione in forma, il sistema confronta effettive storie ordini di vendita per le previsioni per un periodo di tempo specifico e calcola quanto accuratamente ogni metodo di previsione diverso previsto vendite. Quindi il sistema raccomanda la previsione più accurata come la soluzione migliore. Questo grafico illustra migliori previsioni fit: Figura 3-1 Scelta migliore prevedere il sistema utilizza questa sequenza di passaggi per determinare la soluzione migliore: utilizzare ogni metodo indicato per simulare una previsione per il periodo di dati di controllo. Confronta le vendite reali alle previsioni simulate per il periodo di dati di controllo. Calcolare il POA o il MAD per determinare quale metodo di previsione più si avvicina ultimi vendite effettive. Il sistema utilizza sia POA o MAD, in base alle opzioni di elaborazione selezionate. Consiglia best fit previsioni dal POA che è più vicino al 100 per cento (sopra o sotto) o il MAD che è più vicino a zero. 3.2 Metodi di previsione JD Edwards EnterpriseOne Previsioni Management utilizza 12 metodi per la previsione quantitativa e indica quale metodo fornisce la soluzione migliore per la situazione di previsione. Questa sezione discute: Metodo 1: cento rispetto allo scorso anno. Metodo 2: Percentuale calcolata rispetto allo scorso anno. Metodo 3: l'anno scorso a questo anno. Metodo 4: media mobile. Metodo 5: Lineare approssimazione. Metodo 6: regressioni al minimo quadrato. Metodo 7: secondo grado approssimazione. Metodo 8: metodo flessibile. Metodo 9: ponderata media mobile. Metodo 10: Linear Smoothing. Metodo 11: esponenziale. Metodo 12: livellamento esponenziale con Trend e la stagionalità. Specificare il metodo che si desidera utilizzare nelle opzioni di elaborazione per il programma di previsione Generation (R34650). La maggior parte di questi metodi forniscono un controllo limitato. Ad esempio, il peso posto sulla recente dati storici o l'intervallo di date di dati storici che viene utilizzato nei calcoli può essere specificato dall'utente. Gli esempi nella guida indicano la procedura di calcolo per ciascuno dei metodi di previsione disponibili, in un insieme identico di dati storici. Gli esempi di metodo nella parte all'uso guida o tutti questi insiemi di dati, che è dati storici degli ultimi due anni. La proiezione del tempo va in prossimo anno. Questi dati la storia delle vendite è stabile con piccoli aumenti stagionali di luglio e dicembre. Questo modello è caratteristica di un prodotto maturo che potrebbe essere avvicinando obsolescenza. 3.2.1 Metodo 1: cento rispetto allo scorso anno Questo metodo utilizza il cento rispetto allo scorso anno formula per moltiplicare ciascun periodo di previsione per la percentuale di aumento o diminuzione specificato. Per prevedere la domanda, questo metodo richiede il numero di periodi per la migliore vestibilità più un anno di storia delle vendite. Questo metodo è utile per prevedere la domanda per gli elementi stagionali con la crescita o il declino. 3.2.1.1 Esempio: Metodo 1: cento rispetto allo scorso anno, il cento rispetto allo scorso anno formula moltiplica i dati di vendita rispetto all'anno precedente di un fattore si specifica e quindi i progetti che si traducono nel corso del prossimo anno. Questo metodo potrebbe essere utile nel budget per simulare l'effetto di un tasso di crescita specificata o quando la storia di vendita ha una significativa componente stagionale. specifiche di previsione: fattore di moltiplicazione. Ad esempio, specificare 110 in opzione di elaborazione per aumentare i anni le vendite dati storici precedenti del 10 per cento. Richiesto storia delle vendite: un anno per il calcolo della previsione, più il numero di periodi di tempo che sono necessari per valutare le prestazioni di previsione (periodi di best fit) che si specifica. Questa tabella è storia utilizzato nel calcolo del tempo: febbraio previsione è pari a 117 volte 1.1 128,7 arrotondato al 129. marzo previsione è uguale a 115 volte 1.1 126,5 arrotondata a 127. 3.2.2 Metodo 2: Percentuale calcolata rispetto allo scorso anno Questo metodo utilizza la percentuale calcolato su Ultimo formula anno per confrontare gli ultimi vendite dei periodi specificati per le vendite dagli stessi periodi dell'anno precedente. Il sistema determina un aumento o diminuzione percentuale, e quindi moltiplica ogni periodo per la percentuale per determinare la previsione. Per prevedere la domanda, questo metodo richiede il numero di periodi della storia di ordine di vendita più un anno di storia delle vendite. Questo metodo è utile per prevedere la domanda a breve termine per gli elementi stagionali con la crescita o il declino. 3.2.2.1 Esempio: Metodo 2: Percentuale calcolata rispetto allo scorso anno la percentuale calcolata rispetto allo scorso anno formula moltiplica i dati di vendita rispetto all'anno precedente di un fattore che viene calcolato dal sistema, e poi si proietta quel risultato per il prossimo anno. Questo metodo può essere utile nel progettare l'effetto di estendere il tasso di crescita recente di un prodotto nel prossimo preservando un andamento stagionale che è presente nella storia vendite. specifiche Previsione: Gamma di storia delle vendite da utilizzare nel calcolo del tasso di crescita. Ad esempio, specificare n è uguale a 4 nella opzione di elaborazione per confrontare la storia delle vendite per gli ultimi quattro periodi a quelle stesse quattro periodi dell'anno precedente. Utilizzare il rapporto calcolato per rendere la proiezione per il prossimo anno. Richiesto storia delle vendite: un anno per il calcolo della previsione più il numero di periodi di tempo che sono necessari per valutare le prestazioni di previsione (periodi di best fit). Questa tabella è storia utilizzata nel calcolo del tempo, n 4 data: febbraio previsione è pari a 117 volte 0,9766 114.26 arrotondato al 114. marzo previsione è pari 115 volte 0,9766 112.31 arrotondato al 112. 3.2.3 Metodo 3: l'anno scorso a questo anno Questo metodo utilizza ultimi anni le vendite per i prossimi anni previsione. Per prevedere la domanda, questo metodo richiede il numero di periodi di meglio si adattano più un anno della storia degli ordini di vendita. Questo metodo è utile per prevedere la domanda per i prodotti maturi con la domanda di livello o di domanda stagionale, senza una tendenza. 3.2.3.1 Esempio: Metodo 3: l'anno scorso a questo anno l'ultimo anno a questa formula Anno copia i dati delle vendite rispetto all'anno precedente per l'anno successivo. Questo metodo potrebbe essere utile nel budget per simulare le vendite al livello attuale. Il prodotto è maturo e non ha alcuna tendenza nel lungo periodo, ma un significativo modello di domanda stagionale potrebbe esistere. specifiche Previsione: Nessuno. Richiesto storia delle vendite: un anno per il calcolo della previsione più il numero di periodi di tempo che sono necessari per valutare le prestazioni di previsione (periodi di best fit). Questa tabella è storia utilizzato nel calcolo del tempo: January Previsioni uguale a gennaio dello scorso anno con un valore di previsione di 128. febbraio previsione è pari a febbraio dello scorso anno con un valore di previsione di 117. marzo previsione è pari a marzo dello scorso anno con un valore di previsione di 115. 3.2.4 metodo 4: media mobile Questo metodo utilizza la formula media Trasferirsi in media il numero specificato di periodi di proiettare il periodo successivo. Si dovrebbe ricalcolare spesso (mensile, o almeno ogni tre mesi) per riflettere la modifica livello di domanda. Per prevedere la domanda, questo metodo richiede il numero di periodi di meglio si adattano più il numero di periodi della storia degli ordini di vendita. Questo metodo è utile per prevedere la domanda di prodotti maturi senza tendenza. 3.2.4.1 Esempio: Metodo 4: media mobile media mobile (MA) è un metodo popolare per la media dei risultati della recente storia delle vendite per determinare una proiezione per il breve termine. Il metodo di previsione MA ritardo rispetto tendenze. Previsioni pregiudizi e gli errori sistematici si verificano quando la storia di vendita del prodotto presenta forte tendenza o modelli stagionali. Questo metodo funziona meglio per le previsioni a breve gamma di prodotti maturi che per i prodotti che sono in fase di crescita o di obsolescenza del ciclo di vita. specifiche Previsione: n è uguale al numero di periodi della storia delle vendite da utilizzare nel calcolo del tempo. Ad esempio, specificare n 4 nella opzione di elaborazione di utilizzare i più recenti quattro periodi come base per la proiezione nel prossimo periodo di tempo. Un grande valore di n (ad esempio 12) richiede più storia di vendita. Essa si traduce in una previsione stabile, ma è lento a riconoscere cambiamenti nel livello di vendite. Viceversa, un valore piccolo per n (ad esempio 3) è più veloce di rispondere a cambiamenti nel livello di vendite, ma le previsioni fluttui così ampiamente che la produzione non può rispondere alle variazioni. Richiesto storia delle vendite: n più il numero di periodi di tempo che sono necessari per valutare le prestazioni di previsione (periodi di best fit). Questa tabella è storia utilizzato nel calcolo del tempo: febbraio previsione è pari a (114 119 137 125) 4 123.75 arrotondato al 124. marzo previsione è pari a (119 137 125 124) 4 126.25 arrotondato a 126. 3.2.5 Metodo 5: Lineare Approssimazione Questo metodo utilizza la formula lineare approssimazione per calcolare un trend dal numero di periodi della storia degli ordini di vendita e di proiettare questa tendenza alla previsione. Si dovrebbe ricalcolare l'andamento mensile per rilevare i cambiamenti nelle tendenze. Questo metodo richiede il numero di periodi di meglio si adattano più il numero di periodi della storia degli ordini di vendita specificate. Questo metodo è utile per prevedere la domanda di nuovi prodotti, o prodotti con trend positivi o negativi consistenti che non sono a causa di fluttuazioni stagionali. 3.2.5.1 Esempio: Metodo 5: lineare approssimazione lineare Approssimazione calcola una tendenza che si basa su due punti di vendita i dati della cronologia. Questi due punti definiscono una linea di tendenza retta che si proietta nel futuro. Utilizzare questo metodo con cautela perché le previsioni a lungo raggio vengono sfruttate da piccole variazioni in soli due punti dati. specifiche Previsione: n è uguale al punto di dati nella storia delle vendite che viene confrontato con il più recente punto dati per identificare una tendenza. Ad esempio, specificare n 4 di utilizzare la differenza tra il dicembre (dati più recenti) e agosto (quattro periodi prima del dicembre) come base per il calcolo del trend. Minimo richiesto storia delle vendite: n più 1 più il numero di periodi di tempo che sono necessari per valutare le prestazioni di previsione (periodi di best fit). Questa tabella è storia utilizzato nel calcolo del tempo: January previsioni di dicembre di un anno 1 (Trend), che è pari a 137 (1 volta 2) 139. febbraio previsioni di dicembre di un anno 1 (Trend), che è pari a 137 (2 volte 2) 141. marzo previsioni di dicembre di un anno 1 (Trend), che equivale a 137 (3 volte 2) 143. 3.2.6 metodo 6: minimi quadrati Regressione minimi quadrati di regressione (LSR) metodo deriva una equazione che descrive una relazione linea retta tra i dati storici di vendita e il passaggio del tempo. LSR inserisce una linea per la gamma selezionata di dati in modo che la somma dei quadrati delle differenze tra i punti dati vendite effettive e la linea di regressione sono ridotti al minimo. La previsione è una proiezione di questa linea retta verso il futuro. Questo metodo richiede storia dati di vendita per il periodo che è rappresentato dal numero di periodi best fit più il numero specificato di periodi di dati storici. Il requisito minimo è di due punti di dati storici. Questo metodo è utile per prevedere la domanda quando una tendenza lineare è nei dati. 3.2.6.1 Esempio: Metodo 6: minimi quadrati di regressione lineare, o Least Squares Regression (LSR), è il metodo più popolare per l'identificazione di un trend lineare nei dati storici di vendita. Il metodo calcola i valori di A e B per essere utilizzato nella formula: Questa equazione descrive una linea retta, in cui Y rappresenta vendite e X rappresenta il tempo. La regressione lineare è lento a riconoscere i punti di svolta e gli spostamenti di funzioni passo della domanda. La regressione lineare inserisce una linea retta ai dati, anche quando i dati sono stagionali o meglio descritto da una curva. Quando i dati vendite di storia segue una curva o ha un forte andamento stagionale, previsto pregiudizi e si verificano errori sistematici. specifiche Previsione: n uguale i periodi della storia delle vendite che verranno utilizzati nel calcolo dei valori per a e b. Ad esempio, specificare n 4 di utilizzare la storia da settembre a dicembre come base per i calcoli. Quando i dati sono disponibili, sarebbe normalmente utilizzato un n grande (ad esempio n 24). LSR definisce una linea per due soli punti di dati. Per questo esempio, un valore piccolo per n (n = 4) è stato scelto per ridurre i calcoli manuali necessarie per verificare i risultati. Minimo richiesto storia delle vendite: n periodi più il numero di periodi di tempo che sono necessari per valutare le prestazioni di previsione (periodi di best fit). Questa tabella è storia utilizzato nel calcolo del tempo: marzo previsione è pari a 119,5 (7 volte 2,3) 135,6 arrotondato a 136. 3.2.7 Metodo 7: secondo grado Approssimazione Per proiettare le previsioni, questo metodo utilizza la formula secondo grado di approssimazione per tracciare una curva che si basa sul numero di periodi di storia delle vendite. Questo metodo richiede il numero di periodi di meglio si adattano più il numero di periodi della storia degli ordini di vendita tre volte. Questo metodo non è utile per prevedere la domanda per un periodo a lungo termine. 3.2.7.1 Esempio: Metodo 7: secondo grado approssimazione lineare di regressione determina i valori di A e B nella formula previsioni Y a b X con l'obiettivo di una linea retta ai dati storici di vendita. Secondo grado ravvicinamento è simile, ma questo metodo determina valori di a, b, c nella formula questa previsione: Y a b X c X 2 L'obiettivo di questo metodo è quello di adattare una curva ai dati storici vendite. Questo metodo è utile quando un prodotto è nel passaggio tra le fasi del ciclo di vita. Ad esempio, quando un nuovo prodotto si sposta da introduzione a stadi di crescita, l'andamento delle vendite potrebbe accelerare. A causa del secondo termine di ordine, la previsione può avvicinarsi rapidamente infinito o scendere a zero (a seconda che il coefficiente c è positivo o negativo). Questo metodo è utile solo nel breve periodo. specifiche di previsione: la formula trovano a, b, c per adattarsi una curva a esattamente tre punti. Si specifica n, il numero di periodi di tempo di dati di accumulare in ognuno dei tre punti. In questo esempio, n 3. dati di vendita effettivi per aprile a giugno è combinata nel primo punto, Q1. Luglio a settembre vengono aggiunti insieme per creare Q2 e ottobre a dicembre somma da Q3. La curva è montato tre valori Q1, Q2, Q3 e. Richiesto storia delle vendite: 3 volte n periodi per il calcolo della previsione più il numero di periodi di tempo che sono necessari per valutare le prestazioni di previsione (periodi di best fit). Questa tabella è storia utilizzato nel calcolo del tempo: Q0 (Jan) (febbraio) (Mar) Q1 (Apr) (Maggio) (giugno) che è uguale a 125 122 137 384 Q2 (luglio) (agosto) (settembre) che è uguale a 140 129 131 400 Q3 (ott) (Nov) (Dec) che è uguale a 114 119 137 370 la fase successiva prevede il calcolo dei tre coefficienti a, b, e c per essere utilizzata nella previsione formula Y ab X c X 2. Q1, Q2, Q3 e sono presentati sul grafico, in cui il tempo è tracciata sull'asse orizzontale. Q1 rappresenta vendite storiche totali per aprile, maggio e giugno ed è tracciata a X 1 Q2 corrisponde a luglio a settembre Q3 corrisponde ad ottobre a dicembre e Q4 rappresenta gennaio a marzo. Questo grafico illustra il tracciato di Q1, Q2, Q3, Q4 e per la seconda approssimazione grado: Figura 3-2 Rappresentazione grafica Q1, Q2, Q3, Q4 e per seconda approssimazione grado tre equazioni descrivono i tre punti sul grafico: (1) Q1 un bX cX 2 dove X 1 (Q1 abc) (2) Q2 un bX cX 2 dove X 2 (Q2 un 2b 4c) (3) Q3 un bX cX 2 dove X 3 (Q3 un 3b 9c) Risolvere le tre equazioni simultaneamente per trovare b, a, e c: Sottrai equazione 1 (1) la formula 2 (2) e risolvere per B: (2) ndash (1) Q2 ndash Q1 b 3c b (Q2 ndash Q1) ndash 3c sostituto questa equazione per b nell'equazione (3): (3) Q3 a 3 (Q2 ndash Q1) ndash 3c 9c un Q3 ndash 3 (2T ndash Q1) Infine, sostituire queste equazioni di a e B nell'equazione (1): (1) Q3 ndash 3 (Q2 ndash Q1) (Q2 ndash Q1) ndash 3c c Q1 c (Q3 ndash Q2) (Q1 ndash Q2) 2 Il metodo secondo grado Approssimazione calcola a, b, ec come segue: a Q3 ndash 3 (2T ndash Q1 ) 370 ndash 3 (400 ndash 384) 370 ndash 3 (16) 322 b (ndash Q1) ndash3c Q2 (400 ndash 384) ndash (3 volte ndash23) 16 69 85 C (Q3 ndash Q2) (Q1 ndash Q2) 2 ( 370 ndash 400) (384 ndash 400) 2 ndash23 si tratta di un calcolo di previsione secondo grado di approssimazione: Y a bX cX 2 322 85X (ndash23) (X 2) Quando X 4, Q4 322 340 ndash 368 294. La previsione è uguale a 294 3 98 per periodo. Quando X 5, Q5 322 425 ndash 575 172. La previsione è pari a 172 3 58.33 arrotondato a 57 per periodo. Quando X 6, Q6 322 510 ndash 828 4. La previsione è pari a 4 3 1,33 arrotondato a 1 per periodo. Questa è la previsione per il prossimo anno, l'anno scorso a questo anno: 3.2.8 Metodo 8: metodo flessibile Questo metodo consente di selezionare il miglior numero impeto di periodi della storia degli ordini di vendita che inizia n mesi prima della data di inizio del tempo, e per applicare un aumento o diminuzione percentuale fattore di moltiplicazione con cui modificare la previsione. Questo metodo è simile al metodo 1, cento rispetto allo scorso anno, tranne che è possibile specificare il numero di periodi che si utilizza come base. A seconda di cosa si seleziona come n, questo metodo richiede periodi di meglio si adattano più il numero di periodi di dati di vendita che è indicato. Questo metodo è utile per prevedere la domanda per una tendenza pianificata. 3.2.8.1 Esempio: Metodo 8: metodo flessibile Il metodo flessibile (per cento rispetto al n mesi prima) è simile al metodo 1, cento rispetto allo scorso anno. Entrambi i metodi si moltiplicano i dati di vendita provenienti da un periodo di tempo precedente di un fattore specificato da te, e quindi progetti che risultano nel futuro. Nella cento rispetto allo scorso anno il metodo, la proiezione si basa sui dati dello stesso periodo dell'esercizio precedente. È inoltre possibile utilizzare il metodo flessibile per specificare un periodo di tempo, altro rispetto allo stesso periodo l'anno scorso, da utilizzare come base per i calcoli. Fattore di moltiplicazione. Ad esempio, specificare 110 in opzione di elaborazione per aumentare le vendite precedenti dati storici del 10 per cento. periodo di base. Ad esempio, n 4 fa sì che la prima previsione ad essere basata su dati di vendita nel mese di settembre dello scorso anno. Minimo richiesto storia delle vendite: il numero di periodi di nuovo al periodo di base più il numero di periodi di tempo che è necessario per la valutazione delle prestazioni del tempo (periodi di best fit). Questa tabella è storia utilizzato nel calcolo del tempo: 3.2.9 Metodo 9: Weighted Moving Average La Moving formula ponderata media è simile al metodo 4, Moving Average formula, perché la media è la storia mesi precedenti le vendite che proietta la successiva storia mesi le vendite. Tuttavia, con questa formula è possibile assegnare i pesi per ciascuno dei periodi precedenti. Questo metodo richiede il numero di periodi ponderati selezionati più il numero di periodi di dati migliore vestibilità. Simile a media mobile, questo metodo è in ritardo rispetto tendenze della domanda, quindi questo metodo non è raccomandato per i prodotti con le tendenze forti o stagionalità. Questo metodo è utile per prevedere la domanda per i prodotti maturi con la domanda che è relativamente livello. 3.2.9.1 Esempio: Metodo 9: ponderata media mobile Il metodo ponderata media mobile (WMA) è simile al metodo 4, media mobile (MA). Tuttavia, è possibile assegnare i pesi diseguali ai dati storici quando si utilizza WMA. Il metodo calcola una media ponderata di storia recente vendite per arrivare ad una proiezione per il breve termine. Dati più recenti è di solito un fattore di ponderazione maggiore di dati più vecchi, in modo da WMA è più sensibile alle variazioni del livello delle vendite. Tuttavia, pregiudizi meteorologiche e errori sistematici si verificano quando la storia di vendita del prodotto presenta le tendenze forti o modelli stagionali. Questo metodo funziona meglio per le previsioni a breve gamma di prodotti maturi che per i prodotti nelle fasi di crescita o di obsolescenza del ciclo di vita. Il numero di periodi della storia delle vendite (n) da utilizzare nel calcolo del tempo. Ad esempio, specificare n 4 nella opzione di elaborazione di utilizzare i più recenti quattro periodi come base per la proiezione nel prossimo periodo di tempo. Un grande valore di n (ad esempio 12) richiede più storia di vendita. Tali risultati un valore in una previsione stabile, ma è lento a riconoscere cambiamenti nel livello di vendite. Viceversa, un valore piccolo per n (ad esempio 3) risponde più rapidamente ai cambiamenti nel livello di vendite, ma le previsioni fluttui così ampiamente che la produzione non può rispondere alle variazioni. Il numero totale di periodi per l'opzione di elaborazione rdquo14 - periodi includerdquo non deve superare i 12 mesi. Il peso che viene assegnato a ciascuno dei periodi di dati storici. I pesi assegnati dovranno totale 1.00. Ad esempio, quando n 4, assegnare un peso di 0,50, 0,25, 0,15, 0,10 e con i dati più recenti che ricevono il maggior peso. Minimo richiesto storia delle vendite: n più il numero di periodi di tempo che sono necessari per valutare le prestazioni di previsione (periodi di best fit). Questa tabella è storia utilizzato nel calcolo del tempo: January previsione è pari a (131 volte) 0,10 (114 volte) 0.15 (119 volte) 0.25 (137 volte) 0.50 (0.10 0.15 0.25 0.50) 128.45 arrotondata a 128. Febbraio previsione pari (114 volte 0.10) (119 volte) 0.15 (137 volte) 0.25 (128 volte) 0.50 1 127,5 arrotondata a 128. marzo previsione è pari a (119 volte) 0,10 (137 volte) 0.15 (128 volte) 0.25 (128 volte) 0.50 1 128.45 arrotondato a 128. 3.2.10 metodo 10: Linear Smoothing Questo metodo calcola una media ponderata dei dati di vendita del passato. Nel calcolo, questo metodo utilizza il numero di periodi della storia degli ordini di vendita (da 1 a 12) che è indicato nella opzione di elaborazione. Il sistema utilizza una progressione matematica pesare i dati nell'intervallo dal primo (almeno peso) al finale (più peso). Quindi il sistema proietta queste informazioni per ciascun periodo di previsione. Questo metodo richiede i mesi migliori Fit Plus la storia ordine di vendita per il numero di periodi che sono specificati in opzione di elaborazione. 3.2.10.1 Esempio: Metodo 10: Linear Smoothing Questo metodo è simile al metodo 9, WMA. Tuttavia, invece di assegnare arbitrariamente pesi ai dati storici, una formula viene utilizzata per assegnare i pesi che declinano in modo lineare e sommare a 1.00. Il metodo calcola una media ponderata di recente storia delle vendite per arrivare ad una proiezione per il breve termine. Come tutte le tecniche di previsione in movimento media lineari, pregiudizi meteorologiche e errori sistematici si verificano quando la storia di vendita del prodotto presenta forte tendenza o modelli stagionali. Questo metodo funziona meglio per le previsioni a breve gamma di prodotti maturi che per i prodotti nelle fasi di crescita o di obsolescenza del ciclo di vita. n è uguale al numero di periodi della storia delle vendite da utilizzare nel calcolo del tempo. Ad esempio, specificare n è uguale a 4 nell'opzione di elaborazione di utilizzare i più recenti quattro periodi come base per la proiezione nel prossimo periodo di tempo. Il sistema assegna automaticamente i pesi ai dati storici che il declino lineare e somma da 1,00. Per esempio, quando n è uguale a 4, il sistema assegna pesi di 0,4, 0,3, 0,2, e 0,1, con i dati più recenti che ricevono il maggior peso. Minimo richiesto storia delle vendite: n più il numero di periodi di tempo che sono necessari per valutare le prestazioni di previsione (periodi di best fit). Questa tabella è storia utilizzato nel calcolo del tempo: 3.2.11 Metodo 11: livellamento esponenziale Questo metodo calcola una media levigato, che diventa una stima che rappresenta il livello generale delle vendite nel corso dei periodi di dati storici selezionati. Questo metodo richiede storia dei dati di vendita per il periodo di tempo che è rappresentato dal numero di periodi più appropriate più il numero di periodi di dati storici specificati. Il requisito minimo è di due periodi di dati storici. Questo metodo è utile per prevedere la domanda quando nessuna tendenza lineare è nei dati. 3.2.11.1 Esempio: Metodo 11: livellamento esponenziale Questo metodo è simile al metodo 10, Linear Smoothing. In Linear Smoothing, il sistema assegna pesi che declinano in modo lineare ai dati storici. In esponenziale, il sistema assegna pesi che in modo esponenziale decadimento. L'equazione per la previsione esponenziale è: alpha Previsione (precedenti vendite effettive) (1 ndashalpha) (precedente previsione) La previsione è una media ponderata delle vendite effettive rispetto al periodo precedente e le previsioni rispetto al periodo precedente. Alpha è il peso che viene applicato alle vendite effettive del periodo precedente. (1 ndash alfa) è il peso che viene applicato alla previsione per il periodo precedente. Valori per gamma alpha da 0 a 1 e di solito cadono fra 0,1 e 0,4. La somma dei pesi è 1.00 (alpha (1 ndash alfa) 1). Si dovrebbe assegnare un valore per la lisciatura costante, alfa. Se non si assegna un valore per la costante di smoothing, il sistema calcola un valore assunto che si basa sul numero di periodi della storia delle vendite che è specificato nella opzione di elaborazione. alpha pari alla costante di smoothing che viene utilizzato per calcolare la media lisciata per il livello generale o la grandezza delle vendite. I valori di campo di alpha da 0 a 1. n è uguale alla serie di dati storici di vendita per includere nei calcoli. In generale, un anno di dati di storia delle vendite è sufficiente per stimare il livello generale delle vendite. Per questo esempio, un valore piccolo per n (n = 4) è stato scelto per ridurre i calcoli manuali necessarie per verificare i risultati. Esponenziale in grado di generare una previsione che si basa su un minimo di un punto di dati storici. Minimo richiesto storia delle vendite: n più il numero di periodi di tempo che sono necessari per valutare le prestazioni di previsione (periodi di best fit). Questa tabella è storia utilizzato nel calcolo del tempo: 3.2.12 Metodo 12: livellamento esponenziale con Trend e Stagionalità Questo metodo calcola una tendenza, un indice di stagione, e una media esponenziale levigata dalla storia degli ordini di vendita. Il sistema applica poi una proiezione della tendenza alla previsione e regola per l'indice stagionali. Questo metodo richiede il numero di periodi migliori Fit Plus due anni di dati di vendita, ed è utile per gli elementi che hanno sia tendenza e stagionalità nelle previsioni. È possibile inserire il fattore alfa e beta, o hanno il sistema li calcola. Alfa e beta fattori sono la costante smoothing che il sistema utilizza per calcolare la media lisciata per il livello generale o grandezza di vendite (alfa) e la componente di trend della previsione (beta). 3.2.12.1 Esempio: Metodo 12: livellamento esponenziale con Trend e stagionalità Questo metodo è simile al metodo 11, esponenziale, in quanto un medio lisciato viene calcolato. Tuttavia, il metodo 12 include anche un termine nell'equazione di previsione per calcolare una tendenza levigata. La previsione è composto da una media levigata che viene regolata per un andamento lineare. Quando specificato nell'opzione di elaborazione, la previsione è rettificato per stagionalità. Alpha pari alla costante di smoothing utilizzato per calcolare la media lisciata per il livello generale o la grandezza delle vendite. I valori di campo di alpha da 0 a 1. Beta è uguale la costante di smoothing che viene utilizzato per calcolare la media lisciato per la componente di trend della previsione. I valori di gamma beta da 0 a 1. Se un indice di stagione viene applicato alla previsione. Alfa e beta sono indipendenti l'uno dall'altro. Non hanno sommare a 1,0. Minimo richiesto storia delle vendite: Un anno di più il numero di periodi di tempo che sono necessari per valutare le prestazioni del tempo (periodi di best fit). Quando due o più anni di dati storici è disponibile, il sistema utilizza due anni di dati nei calcoli. Metodo 12 utilizza due equazioni di livellamento esponenziale e una media semplice per calcolare una media levigata, una tendenza lisciato, e un semplice indice di media stagionale. Una media esponenziale levigata: Una tendenza esponenziale levigata: Un semplice indice media stagionale: Figura 3-3 semplice media stagionale Indice La previsione viene quindi calcolato utilizzando i risultati delle tre equazioni: L è la lunghezza della stagionalità (L rappresenta 12 mesi o 52 settimane). t è il periodo di tempo corrente. m è il numero di periodi di tempo nel futuro della previsione. S è il fattore moltiplicativo destagionalizzazione che viene indicizzato al periodo di tempo adeguato. Questa storia tabella elenca utilizzati nel calcolo del tempo: questa sezione fornisce una panoramica di previsione valutazioni e discute: è possibile selezionare metodi di previsione per generare fino a 12 previsioni per ciascun prodotto. Ogni metodo di previsione potrebbe creare una proiezione leggermente diverso. Quando migliaia di prodotti sono previsti, una decisione soggettiva è impraticabile per quanto riguarda il quale prevede di usare nei piani di ciascun prodotto. Il sistema valuta automaticamente le prestazioni per ogni metodo di previsione che si seleziona e per ogni prodotto che si previsione. È possibile scegliere tra due criteri di prestazione: MAD e POA. MAD è una misura di errore di previsione. POA è una misura di bias previsione. Entrambe queste tecniche di valutazione delle prestazioni richiedono effettivi dati storici di vendita per un periodo determinato da voi. Il periodo della storia recente usato per la valutazione è chiamato un periodo di dati di controllo o un periodo di best fit. Per misurare le prestazioni di un metodo di previsione, il sistema: utilizza le formule di previsione per simulare una previsione per il periodo di dati di controllo storici. Fa un confronto tra i dati di vendita reale e la simulazione meteo per il periodo di dati di controllo. Quando si selezionano più metodi di previsione, questo stesso processo si verifica per ogni metodo. Le previsioni multipli sono calcolati per il periodo di dati di controllo e rispetto alla storia conosciuta di vendita per lo stesso periodo. Il metodo di previsione che produce la migliore corrispondenza (best fit) tra le previsioni e le vendite effettive durante il periodo di dati di controllo è raccomandato per l'uso nei piani. Questa raccomandazione è specifico per ogni prodotto e potrebbe cambiare ogni volta che si genera una previsione. 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. How to calculate Mean Absolute Deviation (MAD) Help please. Since May of 2005, the purchase manager at a department store has been using a 4-period moving average to forecast sales in upcoming months. Sales data for the months of January through July are given in the table. show more Since May of 2005, the purchase manager at a department store has been using a 4-period moving average to forecast sales in upcoming months. Sales data for the months of January through July are given in the table below. Compute the mean absolute deviation (MAD) for the four-period moving average forecasts. The forecast values are calculated with an accuracy of two decimal digits. Specify the MAD as a whole number by rounding. A Forecast Calculation Examples A.1 Forecast Calculation Methods Twelve methods of calculating forecasts are available. Most of these methods provide for limited user control. For example, the weight placed on recent historical data or the date range of historical data used in the calculations might be specified. The following examples show the calculation procedure for each of the available forecasting methods, given an identical set of historical data. The following examples use the same 2004 and 2005 sales data to produce a 2006 sales forecast. In addition to the forecast calculation, each example includes a simulated 2005 forecast for a three month holdout period (processing option 19 3) which is then used for percent of accuracy and mean absolute deviation calculations (actual sales compared to simulated forecast). A.2 Forecast Performance Evaluation Criteria Depending on your selection of processing options and on the trends and patterns existing in the sales data, some forecasting methods will perform better than others for a given historical data set. A forecasting method that is appropriate for one product may not be appropriate for another product. It is also unlikely that a forecasting method that provides good results at one stage of a products life cycle will remain appropriate throughout the entire life cycle. You can choose between two methods to evaluate the current performance of the forecasting methods. These are Mean Absolute Deviation (MAD) and Percent of Accuracy (POA). Both of these performance evaluation methods require historical sales data for a user specified period of time. This period of time is called a holdout period or periods best fit (PBF). The data in this period is used as the basis for recommending which of the forecasting methods to use in making the next forecast projection. This recommendation is specific to each product, and may change from one forecast generation to the next. The two forecast performance evaluation methods are demonstrated in the pages following the examples of the twelve forecasting methods. A.3 Method 1 - Specified Percent Over Last Year This method multiplies sales data from the previous year by a user specified factor for example, 1.10 for a 10 increase, or 0.97 for a 3 decrease. Required sales history: One year for calculating the forecast plus the user specified number of time periods for evaluating forecast performance (processing option 19). A.4.1 Forecast Calculation Range of sales history to use in calculating growth factor (processing option 2a) 3 in this example. Sum the final three months of 2005: 114 119 137 370 Sum the same three months for the previous year: 123 139 133 395 The calculated factor 370395 0.9367 Calculate the forecasts: January, 2005 sales 128 0.9367 119.8036 or about 120 February, 2005 sales 117 0.9367 109.5939 or about 110 March, 2005 sales 115 0.9367 107.7205 or about 108 A.4.2 Simulated Forecast Calculation Sum the three months of 2005 prior to holdout period (July, Aug, Sept): 129 140 131 400 Sum the same three months for the previous year: 141 128 118 387 The calculated factor 400387 1.033591731 Calculate simulated forecast: October, 2004 sales 123 1.033591731 127.13178 November, 2004 sales 139 1.033591731 143.66925 December, 2004 sales 133 1.033591731 137.4677 A.4.3 Percent of Accuracy Calculation POA (127.13178 143.66925 137.4677) (114 119 137) 100 408.26873 370 100 110.3429 A.4.4 Mean Absolute Deviation Calculation MAD (127.13178 - 114 143.66925 - 119 137.4677- 137) 3 (13.13178 24.66925 0.4677)3 12.75624 A.5 Method 3 - Last year to This Year This method copies sales data from the previous year to the next year. Required sales history: One year for calculating the forecast plus the number of time periods specified for evaluating forecast performance (processing option 19). A.6.1 Forecast Calculation Number of periods to be included in the average (processing option 4a) 3 in this example For each month of the forecast, average the previous three months data. January forecast: 114 119 137 370, 370 3 123.333 or 123 February forecast: 119 137 123 379, 379 3 126.333 or 126 March forecast: 137 123 126 379, 386 3 128.667 or 129 A.6.2 Simulated Forecast Calculation October 2005 sales (129 140 131)3 133.3333 November 2005 sales (140 131 114)3 128.3333 December 2005 sales (131 114 119)3 121.3333 A.6.3 Percent of Accuracy Calculation POA (133.3333 128.3333 121.3333) (114 119 137) 100 103.513 A.6.4 Mean Absolute Deviation Calculation MAD (133.3333 - 114 128.3333 - 119 121.3333 - 137) 3 14.7777 A.7 Method 5 - Linear Approximation Linear Approximation calculates a trend based upon two sales history data points. Those two points define a straight trend line that is projected into the future. Use this method with caution, as long range forecasts are leveraged by small changes in just two data points. Required sales history: The number of periods to include in regression (processing option 5a), plus 1 plus the number of time periods for evaluating forecast performance (processing option 19). A.8.1 Forecast Calculation Number of periods to include in regression (processing option 6a) 3 in this example For each month of the forecast, add the increase or decrease during the specified periods prior to holdout period the previous period. Average of the previous three months (114 119 137)3 123.3333 Summary of the previous three months with weight considered (114 1) (119 2) (137 3) 763 Difference between the values 763 - 123.3333 (1 2 3) 23 Ratio (12 22 32) - 2 3 14 - 12 2 Value1 DifferenceRatio 232 11.5 Value2 Average - value1 ratio 123.3333 - 11.5 2 100.3333 Forecast (1 n) value1 value2 4 11.5 100.3333 146.333 or 146 Forecast 5 11.5 100.3333 157.8333 or 158 Forecast 6 11.5 100.3333 169.3333 or 169 A.8.2 Simulated Forecast Calculation October 2004 sales: Average of the previous three months (129 140 131)3 133.3333 Summary of the previous three months with weight considered (129 1) (140 2) (131 3) 802 Difference between the values 802 - 133.3333 (1 2 3) 2 Ratio (12 22 32) - 2 3 14 - 12 2 Value1 DifferenceRatio 22 1 Value2 Average - value1 ratio 133.3333 - 1 2 131.3333 Forecast (1 n) value1 value2 4 1 131.3333 135.3333 November 2004 sales Average of the previous three months (140 131 114)3 128.3333 Summary of the previous three months with weight considered (140 1) (131 2) (114 3) 744 Difference between the values 744 - 128.3333 (1 2 3) -25.9999 Value1 DifferenceRatio -25.99992 -12.9999 Value2 Average - value1 ratio 128.3333 - (-12.9999) 2 154.3333 Forecast 4 -12.9999 154.3333 102.3333 December 2004 sales Average of the previous three months (131 114 119)3 121.3333 Summary of the previous three months with weight considered (131 1) (114 2) (119 3) 716 Difference between the values 716 - 121.3333 (1 2 3) -11.9999 Value1 DifferenceRatio -11.99992 -5.9999 Value2 Average - value1 ratio 121.3333 - (-5.9999) 2 133.3333 Forecast 4 (-5.9999) 133.3333 109.3333 A.8.3 Percent of Accuracy Calculation POA (135.33 102.33 109.33) (114 119 137) 100 93.78 A.8.4 Mean Absolute Deviation Calculation MAD (135.33 - 114 102.33 - 119 109.33 - 137) 3 21.88 A.9 Method 7 - Second Degree Approximation Linear Regression determines values for a and b in the forecast formula Y a bX with the objective of fitting a straight line to the sales history data. Second Degree Approximation is similar. However, this method determines values for a, b, and c in the forecast formula Y a bX cX2 with the objective of fitting a curve to the sales history data. This method may be useful when a product is in the transition between stages of a life cycle. For example, when a new product moves from introduction to growth stages, the sales trend may accelerate. Because of the second order term, the forecast can quickly approach infinity or drop to zero (depending on whether coefficient c is positive or negative). Therefore, this method is useful only in the short term. Forecast specifications: The formulae finds a, b, and c to fit a curve to exactly three points. You specify n in the processing option 7a, the number of time periods of data to accumulate into each of the three points. In this example n 3. Therefore, actual sales data for April through June are combined into the first point, Q1. July through September are added together to create Q2, and October through December sum to Q3. The curve will be fitted to the three values Q1, Q2, and Q3. Required sales history: 3 n periods for calculating the forecast plus the number of time periods required for evaluating the forecast performance (PBF). Number of periods to include (processing option 7a) 3 in this example Use the previous (3 n) months in three-month blocks: Q1(Apr - Jun) 125 122 137 384 Q2(Jul - Sep) 129 140 131 400 Q3(Oct - Dec) 114 119 137 370 The next step involves calculating the three coefficients a, b, and c to be used in the forecasting formula Y a bX cX2 (1) Q1 a bX cX2 (where X 1) a b c (2) Q2 a bX cX2 (where X 2) a 2b 4c (3) Q3 a bX cX2 (where X 3) a 3b 9c Solve the three equations simultaneously to find b, a, and c: Subtract equation (1) from equation (2) and solve for b (2) - (1) Q2 - Q1 b 3c Substitute this equation for b into equation (3) (3) Q3 a 3(Q2 - Q1) - 3c c Finally, substitute these equations for a and b into equation (1) Q3 - 3(Q2 - Q1) (q2 - Q1) - 3c c Q1 c (Q3 - Q2) (Q1 - Q2)2 The Second Degree Approximation method calculates a, b, and c as follows: a Q3 - 3(Q2 - Q1) 370 - 3(400 - 384) 322 c (Q3 - Q2) (Q1 - Q2)2 (370 - 400) (384 - 400)2 -23 b (Q2 - Q1) - 3c (400 - 384) - (3 -23) 85 Y a bX cX2 322 85X (-23)X2 January thru March forecast (X4): (322 340 - 368)3 2943 98 per period April thru June forecast (X5): (322 425 - 575)3 57.333 or 57 per period July thru September forecast (X6): (322 510 - 828)3 1.33 or 1 per period October thru December (X7) (322 595 - 11273 -70 A.9.2 Simulated Forecast Calculation October, November and December, 2004 sales: Q1(Jan - Mar) 360 Q2(Apr - Jun) 384 Q3(Jul - Sep) 400 a 400 - 3(384 - 360) 328 c (400 - 384) (360 - 384)2 -4 b (384 - 360) - 3 (-4) 36 328 36 4 (-4) 163 136 A.9.3 Percent of Accuracy Calculation POA (136 136 136) (114 119 137) 100 110.27 A.9.4 Mean Absolute Deviation Calculation MAD (136 - 114 136 - 119 136 - 137) 3 13.33 A.10 Method 8 - Flexible Method The Flexible Method (Percent Over n Months Prior) is similar to Method 1, Percent Over Last Year. Both methods multiply sales data from a previous time period by a user specified factor, then project that result into the future. In the Percent Over Last Year method, the projection is based on data from the same time period in the previous year. The Flexible Method adds the capability to specify a time period other than the same period last year to use as the basis for the calculations. Multiplication factor. For example, specify 1.15 in the processing option 8b to increase the previous sales history data by 15. Base period. For example, n 3 will cause the first forecast to be based upon sales data in October, 2005. Minimum sales history: The user specified number of periods back to the base period, plus the number of time periods required for evaluating the forecast performance (PBF). A.10.4 Mean Absolute Deviation Calculation MAD (148 - 114 161 - 119 151 - 137) 3 30 A.11 Method 9 - Weighted Moving Average The Weighted Moving Average (WMA) method is similar to Method 4, Moving Average (MA). However, with the Weighted Moving Average you can assign unequal weights to the historical data. 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 this makes WMA more responsive to shifts in the level of sales. However, forecast bias and systematic errors still do occur when the product sales history exhibits strong trend or seasonal patterns. This method works better for short range forecasts of mature products rather than for products in the growth or obsolescence stages of the life cycle. n the number of periods of sales history to use in the forecast calculation. For example, specify n 3 in the processing option 9a to use the most recent three periods as the basis for the projection into the next time period. A large value for n (such as 12) requires more sales history. It results in a stable forecast, but will be slow to recognize shifts in the level of sales. On the other hand, a small value for n (such as 3) will respond quicker to shifts in the level of sales, but the forecast may fluctuate so widely that production can not respond to the variations. The weight assigned to each of the historical data periods. The assigned weights must total to 1.00. For example, when n 3, assign weights of 0.6, 0.3, and 0.1, with the most recent data receiving the greatest weight. Minimum required sales history: n plus the number of time periods required for evaluating the forecast performance (PBF). MAD (133.5 - 114 121.7 - 119 118.7 - 137) 3 13.5 A.12 Method 10 - Linear Smoothing This method is similar to Method 9, Weighted Moving Average (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. As is true of 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 rather than for products in the growth or obsolescence stages of the life cycle. n the number of periods of sales history to use in the forecast calculation. This is specified in the processing option 10a. For example, specify n 3 in the processing option 10b to use the most recent three periods as the basis for the projection into the next time period. The system will automatically assign the weights to the historical data that decline linearly and sum to 1.00. For example, when n 3, the system will assign weights of 0.5, 0.3333, and 0.1, with the most recent data receiving the greatest weight. Minimum required sales history: n plus the number of time periods required for evaluating the forecast performance (PBF). A.12.1 Forecast Calculation Number of periods to include in smoothing average (processing option 10a) 3 in this example Ratio for one period prior 3(n2 n)2 3(32 3)2 36 0.5 Ratio for two periods prior 2(n2 n)2 2(32 3)2 26 0.3333.. Ratio for three periods prior 1(n2 n)2 1(32 3)2 16 0.1666.. January forecast: 137 0.5 119 13 114 16 127.16 or 127 February forecast: 127 0.5 137 13 119 16 129 March forecast: 129 0.5 127 13 137 16 129.666 or 130 A.12.2 Simulated Forecast Calculation October 2004 sales 129 16 140 26 131 36 133.6666 November 2004 sales 140 16 131 26 114 36 124 December 2004 sales 131 16 114 26 119 36 119.3333 A.12.3 Percent of Accuracy Calculation POA (133.6666 124 119.3333) (114 119 137) 100 101.891 A.12.4 Mean Absolute Deviation Calculation MAD (133.6666 - 114 124 - 119 119.3333 - 137) 3 14.1111 A.13 Method 11 - Exponential Smoothing This method is similar to Method 10, Linear Smoothing. In Linear Smoothing the system assigns weights to the historical data that decline linearly. In exponential smoothing, the system assigns weights that exponentially decay. The exponential smoothing forecasting equation is: Forecast a(Previous Actual Sales) (1 - a) Previous Forecast The forecast is a weighted average of the actual sales from the previous period and the forecast from the previous period. a is the weight applied to the actual sales for the previous period. (1 - a) is the weight applied to the forecast for the previous period. Valid values for a range from 0 to 1, and usually fall between 0.1 and 0.4. The sum of the weights is 1.00. a (1 - a) 1 You should assign a value for the smoothing constant, a. If you do not assign values for the smoothing constant, the system calculates an assumed value based upon the number of periods of sales history specified in the processing option 11a. a the smoothing constant used in calculating the smoothed average for the general level or magnitude of sales. Valid values for a range from 0 to 1. n 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 3) was chosen in order to reduce the manual calculations required to verify the results. Exponential smoothing can generate a forecast based on as little as one historical data point. Minimum required sales history: n plus the number of time periods required for evaluating the forecast performance (PBF). A.13.1 Forecast Calculation Number of periods to include in smoothing average (processing option 11a) 3, and alpha factor (processing option 11b) blank in this example a factor for the oldest sales data 2(11), or 1 when alpha is specified a factor for the 2nd oldest sales data 2(12), or alpha when alpha is specified a factor for the 3rd oldest sales data 2(13), or alpha when alpha is specified a factor for the most recent sales data 2(1n), or alpha when alpha is specified November Sm. Avg. a(October Actual) (1 - a)October Sm. Avg. 1 114 0 0 114 December Sm. Avg. a(November Actual) (1 - a)November Sm. Avg. 23 119 13 114 117.3333 January Forecast a(December Actual) (1 - a)December Sm. Avg. 24 137 24 117.3333 127.16665 or 127 February Forecast January Forecast 127 March Forecast January Forecast 127 A.13.2 Simulated Forecast Calculation July, 2004 Sm. Avg. 22 129 129 August Sm. Avg. 23 140 13 129 136.3333 September Sm. Avg. 24 131 24 136.3333 133.6666 October, 2004 sales Sep Sm. Avg. 133.6666 August, 2004 Sm. Avg. 22 140 140 September Sm. Avg. 23 131 13 140 134 October Sm. Avg. 24 114 24 134 124 November, 2004 sales Sep Sm. Avg. 124 September 2004 Sm. Avg. 22 131 131 October Sm. Avg. 23 114 13 131 119.6666 November Sm. Avg. 24 119 24 119.6666 119.3333 December 2004 sales Sep Sm. Avg. 119.3333 A.13.3 Percent of Accuracy Calculation POA (133.6666 124 119.3333) (114 119 137) 100 101.891 A.13.4 Mean Absolute Deviation Calculation MAD (133.6666 - 114 124 - 119 119.3333 - 137) 3 14.1111 A.14 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 averaged adjusted for a linear trend. When specified in the processing option, the forecast is also adjusted for seasonality. a the smoothing constant used in calculating the smoothed average for the general level or magnitude of sales. Valid values for alpha range from 0 to 1. b the smoothing constant used in calculating the smoothed average for the trend component of the forecast. Valid values for beta range from 0 to 1. Whether a seasonal index is applied to the forecast a and b are independent of each other. They do not have to add to 1.0. Minimum required sales history: two years plus the number of time periods required for evaluating the forecast performance (PBF). Method 12 uses two exponential smoothing equations and one simple average to calculate a smoothed average, a smoothed trend, and a simple average seasonal factor. A.14.1 Forecast Calculation A) An exponentially smoothed average MAD (122.81 - 114 133.14 - 119 135.33 - 137) 3 8.2 A.15 Evaluating the Forecasts You can select forecasting methods to generate as many as twelve forecasts for each product. Each forecasting method will probably create a slightly different projection. When thousands of products are forecast, it is impractical to make a subjective decision regarding which of the forecasts to use in your plans for each of the products. The system automatically evaluates performance for each of the forecasting methods that you select, and for each of the products forecast. You can choose between two performance criteria, Mean Absolute Deviation (MAD) and Percent of Accuracy (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 user specified period of time. This period of recent history is called a holdout period or periods best fit (PBF). To measure the performance of a forecasting method, use the forecast formulae to simulate a forecast for the historical holdout period. There will usually be differences between actual sales data and the simulated forecast for the holdout period. When multiple forecast methods are selected, 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 of time. The forecasting method producing the best match (best fit) between the forecast and the actual sales during the holdout period is recommended for use in your plans. This recommendation is specific to each product, and might change from one forecast generation to the next. A.16 Mean Absolute Deviation (MAD) 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 has shown to be the most reliable for that product for that holdout period. When the forecast is unbiased and errors are normally distributed, there is a simple mathematical relationship between MAD and two other common measures of distribution, standard deviation and Mean Squared Error: A.16.1 Percent of Accuracy (POA) 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 two 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, would be 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, it is not so important to eliminate forecast errors as it is to generate unbiased forecasts. However in service industries, the above situation would be viewed as three errors. The service would be understaffed in the first period, then overstaffed for the next two periods. In services, the magnitude of forecast errors is usually more important than is forecast bias. The summation over the holdout period allows positive errors to cancel negative errors. When the total of actual sales exceeds the total of forecast sales, the ratio is greater than 100. Of course, it is impossible to be more than 100 accurate. When a forecast is unbiased, the POA ratio will be 100. Therefore, it is more desirable to be 95 accurate than to be 110 accurate. The POA criteria select the forecasting method that has a POA ratio closest to 100. Scripting on this page enhances content navigation, but does not change the content in any way. Weighted Moving Average Forecast and MAD in EXCEL The problem states that the manager of the Carpet City outlet needs to make an accurate forecast of the demand for Soft Shag carpet (it biggest seller). If the manager does not order enough carpet from the carpet mill, customers will buy their carpet from one of Carpet City many competitors. The manager has collected the following demand data for the past eight month Month Demand for Soft Shag Carpet 1,000 yd 1 8 2 12 3 7 4 9 5 15 6 11 7 10 8 12 Compute a 3 month moving average forecast for month 4 through 9 Compute a weighed 3 month moving average forecast for months 4 through 9. Assign weights of .53. 33,and .12 to the month in sequence, starting with the most recent month. Compare the two forecast by using MAD, which forecast appears to be more accurate. Solution Preview Please refer to the attachment Solution. xlsx for the working and. Solution Summary A 3 Month Moving Average Forecast and another 3 Month Weighted Moving Average Forecast, using different smoothingweighing factors, has been performed in Excel. Forecast Error (MAD) has been calculated and the two forecasts has been compared using these MAD values. Add Solution to Cart Remove from Cart