ใช้ นี้ เคลื่อนไหว เฉลี่ย ต่อการ คาดการณ์ การขาย สำหรับ เดือนมกราคม ของ ปี ถัดไป

การคาดการณ์การเคลื่อนที่โดยเฉลี่ยขณะที่คุณอาจคาดเดาเรากำลังมองหาวิธีการดั้งเดิมบางอย่างในการคาดการณ์ แต่หวังว่าอย่างน้อยการแนะนำอย่างคุ้มค่าสำหรับประเด็นด้านคอมพิวเตอร์บางอย่างที่เกี่ยวข้องกับการคาดการณ์ในสเปรดชีตในหลอดเลือดดำนี้เราจะดำเนินต่อไป เริ่มต้นที่จุดเริ่มต้นและเริ่มทำงานกับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่การคาดการณ์เฉลี่ยโดยเฉลี่ยทุกคนคุ้นเคยกับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่โดยไม่คำนึงถึงว่าพวกเขาเชื่อหรือไม่ว่าพวกเขาเป็นนักศึกษาวิทยาลัยทุกคนทำตลอดเวลาคิดถึงคะแนนการทดสอบของคุณในหลักสูตรที่คุณกำลังจะไป มีการทดสอบสี่ครั้งในระหว่างภาคการศึกษา Let s สมมติว่าคุณมี 85 คนในการทดสอบครั้งแรกคุณจะคาดการณ์อะไรสำหรับคะแนนทดสอบที่สองคุณคิดอย่างไรว่าครูของคุณจะคาดการณ์คะแนนทดสอบต่อไปคุณคิดว่าเพื่อนของคุณอาจคาดการณ์ได้ สำหรับคะแนนการทดสอบถัดไปคุณคิดว่าพ่อแม่ของคุณอาจคาดเดาคะแนนการทดสอบต่อไปของคุณได้โดยไม่ต้องคำนึงถึงการทำร้ายทั้งหมดที่คุณอาจทำกับคุณ iends และพ่อแม่พวกเขาและครูของคุณมีแนวโน้มที่จะคาดหวังว่าคุณจะได้รับบางสิ่งบางอย่างในพื้นที่ของ 85 ที่คุณเพิ่งได้ดีตอนนี้ให้สมมติว่าแม้จะมีการโปรโมตตัวเองให้กับเพื่อน ๆ ของคุณ และตัวเลขที่คุณสามารถศึกษาได้น้อยกว่าสำหรับการทดสอบที่สองและเพื่อให้คุณได้รับ 73. ตอนนี้สิ่งที่ทุกคนกังวลและไม่แยแสคาดว่าคุณจะได้รับในการทดสอบที่สามของคุณมีสองวิธีมีโอกาสมากสำหรับพวกเขาในการพัฒนาประมาณการโดยไม่คำนึงถึง ไม่ว่าพวกเขาจะแบ่งปันกับคุณพวกเขาอาจพูดกับตัวเองว่าผู้ชายคนนี้มักจะเป่าควันเกี่ยวกับสมาร์ทของเขาเขาจะได้รับอีก 73 ถ้าเขาโชคดีอาจเป็นพ่อแม่จะพยายามที่จะสนับสนุนมากขึ้นและพูดว่าดีดังนั้น ไกลคุณได้รับ 85 และ 73 ดังนั้นบางทีคุณควรจะคิดเกี่ยวกับการเกี่ยวกับ 85 73 2 79 ฉัน don t รู้บางทีถ้าคุณได้ปาร์ตี้น้อยและ weren t wagging วีเซิลทั่วสถานที่และถ้าคุณเริ่มต้นทำ มากขึ้นการศึกษาที่คุณจะได้รับคะแนนสูงกว่าทั้งสองประมาณการเหล่านี้เป็นจริง การคาดการณ์โดยเฉลี่ยของการเคลื่อนที่เป็นอันดับแรกอันดับแรกใช้เฉพาะคะแนนล่าสุดของคุณที่จะคาดการณ์ประสิทธิภาพในอนาคตของคุณซึ่งเรียกว่าการคาดการณ์ค่าเฉลี่ยโดยเฉลี่ยโดยใช้ข้อมูลระยะเวลาหนึ่งวินาทีนอกจากนี้ยังเป็นค่าเฉลี่ยเคลื่อนที่โดยใช้ข้อมูลสองช่วงข้อมูล ว่าคนเหล่านี้ทั้งหมด busting ในจิตใจที่ดีของคุณมีการจัดประเภทของ pissed คุณออกและคุณตัดสินใจที่จะทำดีในการทดสอบที่สามด้วยเหตุผลของคุณเองและจะนำคะแนนที่สูงขึ้นในด้านหน้าของพันธมิตรของคุณคุณจะทดสอบและคะแนนของคุณเป็นจริง 89 ตอนนี้คุณมีการทดสอบครั้งสุดท้ายของภาคเรียนที่กำลังจะมาถึงและตามปกติแล้วคุณรู้สึกว่าจำเป็นที่จะต้องกระตุ้นให้ทุกคนคาดการณ์ว่าคุณจะทำอะไรในการทดสอบครั้งล่าสุดดีหวังว่าคุณจะได้เห็น รูปแบบขณะนี้เราหวังว่าคุณจะได้เห็นรูปแบบที่คุณเชื่อว่าเป็นสิ่งที่ถูกต้องที่สุดในขณะที่เราทำงานตอนนี้เรากลับไปที่ บริษัท ทำความสะอาดแห่งใหม่ซึ่งเริ่มต้นโดยน้องสาวที่ถูกแยกออกจากกันของคุณชื่อ Whistle ขณะที่เราทำงานคุณมีข้อมูลการขายที่ผ่านมา เราแสดงข้อมูลสำหรับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ 3 ช่วงโดยรายการสำหรับเซลล์ C6 ควรเป็นตอนนี้คุณสามารถคัดลอกสูตรเซลล์นี้ลงไปที่เซลล์อื่น ๆ C7 ถึง C11.Notice ค่าเฉลี่ยของการเคลื่อนย้าย มากกว่าข้อมูลทางประวัติศาสตร์ล่าสุด แต่ใช้เวลาสามช่วงล่าสุดสำหรับการคาดการณ์แต่ละครั้งนอกจากนี้คุณควรสังเกตด้วยว่าเราไม่จำเป็นต้องทำการคาดการณ์ในช่วงที่ผ่านมาเพื่อพัฒนาการคาดการณ์ล่าสุดของเราซึ่งแน่นอนว่าแตกต่างจาก exponential smoothing model I ve รวมการคาดการณ์ที่ผ่านมาเพราะเราจะใช้พวกเขาในหน้าเว็บถัดไปเพื่อวัดความถูกต้องของการทำนายตอนนี้ฉันต้องการนำเสนอผลลัพธ์ที่คล้ายคลึงกันสำหรับการคาดการณ์ค่าเฉลี่ยของช่วงเวลาสองช่วงการเคลื่อนไหวสำหรับ C5 ของเซลล์ควรเป็นตอนนี้ สามารถคัดลอกสูตรเซลล์นี้ลงไปที่เซลล์อื่น ๆ C6 ถึง C11.Notice ตอนนี้มีเพียงสองชิ้นล่าสุดของข้อมูลที่ผ่านมาที่ใช้สำหรับการคาดการณ์แต่ละครั้งที่ฉันได้รวมไว้ d การคาดการณ์ที่ผ่านมาเพื่อวัตถุประสงค์ในการอธิบายและเพื่อใช้ในภายหลังในการตรวจสอบความคาดการณ์สิ่งอื่น ๆ บางอย่างที่มีความสำคัญต่อการสังเกตสำหรับระยะเวลาการเคลื่อนที่เฉลี่ยของ m-m เท่านั้นค่าข้อมูล m ล่าสุดมีการใช้เพื่อทำให้การคาดการณ์ไม่มีอะไรที่จำเป็น สำหรับการคาดการณ์ค่าเฉลี่ยของระยะเวลา m-metric เมื่อทำการคาดการณ์ที่ผ่านมาสังเกตว่าการทำนายครั้งแรกเกิดขึ้นในช่วง m 1. ปัญหาเหล่านี้จะมีความสำคัญมากเมื่อเราพัฒนาโค้ดของเราการพัฒนาฟังก์ชัน Average Moving Average ตอนนี้เราจำเป็นต้องพัฒนาขึ้น รหัสสำหรับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ที่สามารถใช้ความยืดหยุ่นได้มากขึ้นโค้ดต่อไปนี้สังเกตว่าอินพุตเป็นจำนวนรอบระยะเวลาที่คุณต้องการใช้ในการคาดการณ์และอาร์เรย์ของค่าทางประวัติศาสตร์คุณสามารถจัดเก็บไว้ในสมุดงานที่คุณต้องการฟังก์ชั่น MovingAverage Historical, NumberOfPeriods เป็น Single Declaring และ initializing variables Dim Items เป็นตัวนับ Dim Variant เป็นจำนวนเต็ม Integer Dim เป็น Single Dim HistoricalSize As Integer Initializing variables Counter 1 Accumulation 0 การกำหนดขนาดของ Historical HistoricalSize. For Counter จำนวน 1 ต่อ NumberOfPeriods สะสมจำนวนที่เหมาะสมของค่าที่สังเกตก่อนหน้านี้สะสมสะสมข้อมูลประวัติ HistoricalSize - NumberOfPeriods Counter. MovingAverage การสะสม NumberOfPeriods รหัสจะอธิบายในชั้นเรียนคุณต้องการวางตำแหน่งฟังก์ชันในสเปรดชีตเพื่อให้ผลของการคำนวณปรากฏขึ้นที่ควร ตัวอย่างเช่นน้ำหนักที่วางไว้ในข้อมูลทางประวัติศาสตร์ล่าสุดหรือช่วงวันที่ของข้อมูลที่ผ่านมาที่ใช้ในการคำนวณ ตัวอย่างต่อไปนี้แสดงขั้นตอนการคำนวณสำหรับแต่ละวิธีการคาดการณ์ที่พร้อมใช้งานให้ข้อมูลเชิงประวัติที่เหมือนกันตัวอย่างต่อไปนี้ใช้ข้อมูลการขายแบบเดียวกันสำหรับปีพ. ศ. 2547 และปี 2548 เพื่อสร้างการคาดการณ์ยอดขายในปี 2549 นอกเหนือจากการคาดการณ์ การคำนวณแต่ละตัวอย่างรวมถึงการจำลอง 2005 สำหรับ recast สำหรับตัวเลือกการประมวลผล holdout ระยะเวลาสามเดือน 19 3 ซึ่งใช้แล้วสำหรับเปอร์เซ็นต์ของความถูกต้องและการคำนวณค่าเบี่ยงเบนสัมบูรณ์ที่คำนวณได้หมายถึงยอดขายจริงเทียบกับการคาดการณ์แบบจำลอง A 2 เกณฑ์การประเมินผลการพยากรณ์ผลพยากรณ์ขึ้นอยู่กับการเลือกตัวเลือกการประมวลผลและแนวโน้มและ รูปแบบที่มีอยู่ในข้อมูลการขายวิธีการคาดการณ์บางอย่างจะทำงานได้ดีกว่าข้อมูลอื่นสำหรับชุดข้อมูลทางประวัติศาสตร์ที่กำหนดวิธีการคาดการณ์ที่เหมาะสมสำหรับผลิตภัณฑ์หนึ่งอาจไม่เหมาะสมสำหรับผลิตภัณฑ์อื่นนอกจากนี้ยังไม่น่าเป็นไปได้ว่าวิธีการคาดการณ์ที่ให้ผลดีที่ ขั้นตอนหนึ่งของวัฏจักรชีวิตของผลิตภัณฑ์จะยังคงเหมาะสมตลอดวงจรชีวิตคุณสามารถเลือกระหว่างสองวิธีเพื่อประเมินประสิทธิภาพปัจจุบันของวิธีการคาดการณ์เหล่านี้คือค่าส่วนเบี่ยงเบนสัมบูรณ์ MAD เฉลี่ยและเปอร์เซ็นต์ความถูกต้อง POA ทั้งสองวิธีการประเมินผลการปฏิบัติงานเหล่านี้ต้องใช้ ข้อมูลการขายในอดีตสำหรับผู้ใช้ที่ระบุช่วงเวลาระยะเวลานี้คือ เรียกว่าระยะเวลาการระงับหรือช่วงเวลาที่เหมาะสมกับ PBF ข้อมูลในช่วงนี้ใช้เป็นข้อมูลพื้นฐานสำหรับแนะนำวิธีการคาดการณ์ที่จะใช้ในการทำประมาณการต่อไปข้อเสนอแนะนี้มีความเฉพาะเจาะจงกับแต่ละผลิตภัณฑ์และอาจเปลี่ยนแปลงจากการคาดการณ์หนึ่งไปเป็น ถัดไปสองวิธีการประเมินผลการคาดการณ์แสดงในหน้าต่อไปนี้ตัวอย่างของสิบสองวิธีการคาดการณ์ A 3 วิธีที่ 1 - ร้อยละที่ระบุในปีที่ผ่านมาวิธีนี้จะคูณข้อมูลการขายจากปีก่อนโดยผู้ใช้ที่ระบุปัจจัยเช่น 1 10 สำหรับการเพิ่มขึ้น 10 หรือ 0 97 สำหรับการลดลง 3 ประวัติการขายที่ต้องการหนึ่งปีสำหรับการคำนวณการคาดการณ์บวกจำนวนผู้ใช้ที่ระบุช่วงเวลาสำหรับการประเมินตัวเลือกการประมวลผลประสิทธิภาพการคาดการณ์ 19.A 4 1 การคำนวณพยากรณ์ความแตกต่างของประวัติการขาย เพื่อใช้ในการคำนวณตัวเลือกการประมวลผลการเจริญเติบโต 2a 3 ในตัวอย่างนี้สามเดือนสุดท้ายของปี 2005 114 119 137 370.Sum เดียวกันสามเดือนสำหรับ p ปีที่น่าชื่นชม 123 139 133 395. คำนวณปัจจัย 370 395 0 9367 คำนวณประมาณการมกราคม พ. ศ. 2548 ยอดขาย 128 0 9367 119 8036 หรือประมาณ 120. กุมภาพันธ์งบการเงิน 2548 117 0 9367 109 5939 หรือประมาณ 110 ล้านบาทยอดขายปี 2548 115 0 9367 107 7205 หรือประมาณ 108.A 4 2 การคำนวณพยากรณ์แบบจำลองสมมติฐานสามเดือนแรกของปีพ. ศ. 2548 ก่อนระยะเวลาการระงับการให้บริการเดือนกรกฎาคมสิงหาคมกันยายนกันยายนกันยายน 140 131 400 รวมสามเดือนสำหรับปีก่อนหน้า 128 128 118 387 ปัจจัยที่คำนวณได้ 400 387 1 033591731 คำนวณประมาณการที่คาดการณ์ไว้ตุลาคม 2547 ขาย 123 1 033591731 127 13178.November, 2004 sales 139 1 033591731 143 66925 ธันวาคม 2547 ขาย 133 1 033591731 137 4677.A 4 3 เปอร์เซ็นต์ของการคำนวณความถูกต้อง. POA 127 13178 143 66925 137 4677 114 119 137 100 408 26873 370 100 110 3429.A 4 4 การคำนวณค่าเบี่ยงเบนสัมบูรณ์ที่มีค่าเฉลี่ยปานกลาง 127 13178 - 114 143 66925 - 119 137 4677 137 3 13 13178 24 66925 0 4677 3 12 75624 A 5 วิธีที่ 3 - ปีที่ผ่านมาในปีนี้วิธีการนี้จะคัดลอกข้อมูลการขายจากปีที่แล้วไปยังปีถัดไป ired ประวัติการขายหนึ่งปีสำหรับการคำนวณการคาดการณ์บวกจำนวนของช่วงเวลาที่ระบุไว้สำหรับการประเมินตัวเลือกการประมวลผลการคาดการณ์ 19.A 6 1 การคำนวณพยากรณ์จำนวนวันที่จะรวมอยู่ในตัวเลือกการประมวลผลเฉลี่ย 4a 3 ในตัวอย่างนี้สำหรับแต่ละเดือน ของประมาณการโดยเฉลี่ยแล้วข้อมูลสามเดือนก่อนการคาดการณ์มกราคม 119 119 137 370, 370 3 123 333 หรือ 123. การคาดการณ์ในเดือนกุมภาพันธ์ 119 137 123 379, 379 3 126 333 หรือ 126 การคาดการณ์ของตลาด 137 123 126 379, 386 3 128 667 หรือ 129.A 6 2 การคำนวณพยากรณ์จำลองตุลาคม 2548 ยอดขาย 129 140 131 3 133 3333.November 2005 ขาย 140 131 114 3 128 3333 ธันวาคม 2548 ขาย 131 114 119 3 121 3333.A 6 3 เปอร์เซ็นต์ของการคำนวณความถูกต้อง พ. บ. 133 3333 128 3333 121 3333 114 119 137 100 103 513.A 6 4 การคํานวณคาเบี่ยงเบนสัมบูรณ์คาเฉลี่ย MAD 133 3333 - 114 128 3333 - 119 121 3333 - 137 3 14 7777.A 7 วิธีที่ 5 - การประมาณคาเสนใยประมาณคาประมาณโดยประมาณ แนวโน้มขึ้นอยู่กับสองจุดข้อมูลประวัติการขายคะแนนสองจุด d efine เส้นแนวโน้มแบบตรงที่คาดการณ์ในอนาคตใช้วิธีนี้ด้วยความระมัดระวังเนื่องจากการคาดการณ์ระยะยาวจะใช้ประโยชน์จากการเปลี่ยนแปลงเพียงเล็กน้อยในสองจุดข้อมูลประวัติการขายที่ต้องการจำนวนรอบที่จะรวมไว้ในตัวเลือกการประมวลผลการถดถอย 5a บวก 1 บวก จำนวนรอบระยะเวลาสำหรับการประเมินตัวประมวลผลการคาดการณ์การประมวลผล 19.A 8 1 การคำนวณพยากรณ์จำนวนวันที่จะรวมในตัวเลือกการประมวลผลการถดถอย 6a 3 ในตัวอย่างนี้สำหรับแต่ละเดือนของการคาดการณ์เพิ่มการเพิ่มขึ้นหรือลดลงในช่วงเวลาที่กำหนด ก่อนช่วงเวลาที่คาดว่าจะเกิดขึ้นในช่วงก่อนหน้านี้ค่าเฉลี่ยย้อนหลัง 3 เดือน 114 119 137 3 123 3333 ในช่วง 3 เดือนที่ผ่านมาโดยพิจารณาน้ำหนัก 114 1 119 2 137 3 763 ความแตกต่างระหว่างค่า 763 - 123 3333 1 2 3 23.Ratio 1 2 2 2 3 2 - 2 3 14 - 12 2. อัตราส่วน 1 อัตราส่วนความแตกต่าง 23 2 11 5. มูลค่า 2 มูลค่าเฉลี่ย 1 123 3333 - 11 5 2 100 3333.Forecast 1 n value1 มูลค่า 2 4 11 5 100 3333 146 333 หรือ 146.Forecast 5 11 5 100 3333 157 8333 หรือ 158.Forecast 6 11 5 100 3333 169 3333 หรือ 169.A 8 2 การคำนวณโดยใช้การคำนวณแบบจำลองคำนวณจากยอดขายในช่วงเดือนตุลาคม 2547 ที่ผ่านมา . 129 140 131 3 133 3333 ในช่วง 3 เดือนที่ผ่านมาโดยพิจารณาน้ำหนัก 129 1 140 2 131 3 802 ความแตกต่างระหว่างค่า 802 - 133 3333 1 2 3 2.Ratio 1 2 2 2 3 2 - 2 3 14 - 12 2.Value1 อัตราส่วนความแตกต่าง 2 2 1.Value2 ค่าเฉลี่ย - ค่า 1 133 3333 - 1 2 131 3333.Forecast 1 n value1 value2 4 1 131 3333 135 3333.November 2004 sales. Average ของสามเดือนก่อนหน้า 140 131 114 3 128 3333 ในช่วง 3 เดือนที่ผ่านมาโดยพิจารณาน้ำหนัก 140 1 131 2 114 3 744 ความแตกต่างระหว่างค่า 744 - 128 3333 1 2 3 -25 9999. ค่า 1 อัตราส่วนความแตกต่าง -25 9999 2 -12 9999.Value2 ค่าเฉลี่ย - ค่า 1 128 3333 - -12 9999 2 154 3333.Forecast 4 -12 9999 154 3333 102 3333 ยอดขายของเดือนธันวาคม 2547 โดยประมาณช่วง 3 เดือนที่ผ่านมา 131 114 119 3 121 3333 ในช่วง 3 เดือนที่ผ่านมาโดยพิจารณาน้ำหนัก 131 1 114 2 119 3 716 ความแตกต่างระหว่างค่า 716 - 121 3333 1 2 3 -11 9999. ค่า 1 อัตราส่วนความแตกต่าง -11 9999 2 -5 9999. มูลค่า 2 ค่าเฉลี่ย 1 อัตราส่วน 121 3333 - -5 9999 2 133 3333.Forecast 4 -5 9999 133 3333 109 3333.A 8 3 เปอร์เซ็นต์การคำนวณความถูกต้อง 135 135 33 109 33 114 119 137 100 93 78.A 8 4 การคำนวณค่าเบี่ยงเบนสัมบูรณ์เฉลี่ย. 135 135 33 - 119 109 33 - 137 3 21 88.A 9 วิธีที่ 7 - ประการที่สอง การประมาณค่าประมาณค่าการถดถอยเชิงเส้นกำหนดค่าสำหรับ a และ b ในสูตรคาดการณ์ Y a bX โดยมีวัตถุประสงค์เพื่อให้เหมาะสมกับข้อมูลประวัติการขายการประมาณระดับที่สองคล้ายกันอย่างไรก็ตามวิธีนี้กำหนดค่าสำหรับ a, b และ c ใน สูตรการคาดการณ์ Y a bX cX2 โดยมีวัตถุประสงค์เพื่อให้เหมาะสมกับข้อมูลประวัติการขายวิธีนี้อาจเป็นประโยชน์เมื่อผลิตภัณฑ์อยู่ระหว่างการเปลี่ยนแปลงระหว่างขั้นตอนของวงจรชีวิตตัวอย่างเช่นเมื่อผลิตภัณฑ์ใหม่ย้ายจากช่วงแนะนำสู่ขั้นตอนการเจริญเติบโต แนวโน้มการขายอาจเร่งตัวขึ้นเนื่องจากคำสั่งซื้อลำดับที่สองการคาดการณ์สามารถเข้าใกล้ได้อย่างรวดเร็ว infinity หรือลดลงเป็นศูนย์ขึ้นอยู่กับว่าค่าสัมประสิทธิ์ c เป็นบวกหรือลบดังนั้นวิธีนี้มีประโยชน์เฉพาะในระยะเวลาสั้น ๆ ข้อกำหนดของ Forecast สูตรที่พบ a, b และ c ให้พอดีกับเส้นโค้งตรงกับจุดสามจุดที่คุณระบุ n ใน ตัวอยางการประมวลผล 7a จํานวนชวงเวลาที่จะเก็บขอมูลลงในแตละจุดในตัวอย่างนี้ n 3 ดังนั้นข้อมูลการขายจริงสําหรับเดือนเมษายนถึงเดือนมิถุนายนจะรวมกันเป็นจุดแรกตั้งแต่ Q1 กรกฎาคมจนถึงกันยายน และเดือนตุลาคมถึงเดือนธันวาคมถึง Q3 เส้นโค้งจะพอดีกับสามค่า Q1, Q2 และ Q3 ประวัติการขายที่ต้องการ 3 n งวดสำหรับการคำนวณการคาดการณ์บวกจำนวนของช่วงเวลาที่จำเป็นสำหรับการประเมินประสิทธิภาพการคาดการณ์ PBF จำนวนของ ระยะเวลาที่จะรวมตัวเลือกการประมวลผล 7a 3 ในตัวอย่างนี้ใช้ 3 เดือนที่ผ่านมาในช่วง 3 เดือนก่อนหน้า Q1 เม. ย. - มิ.ย. 125 122 137 384.Q2 ก. ค. - ก. ย. 129 140 131 400.Q3 ต. ค. - ธ. ค. 114 119 137 370 ขั้นตอนต่อไปคือ c การคำนวณหาค่าสัมประสิทธิ์ทั้งสามแบบ a, b และ c เพื่อใช้ในสูตรการคาดการณ์ Y a bX cX 2. 1 Q 1 a bX cX 2 โดยที่ X 1 a b c. 2 Q2 a bX cX 2 โดยที่ X 2 a 2b 4 c 3 Q3 a bX cX 2 โดยที่ X 3 a 3b 9c สมการสมการทั้งสามสมการหาสมการ b, a และ c สมการ 1 จากสมการที่ 2 และแก้สมการ b แทนสมการนี้ให้เป็นสมการที่ 3 3 Q3 a 3 Q2 - Q1 - 3c c. ท้ายสุดแทนสมการเหล่านี้สำหรับ a และ b ให้เป็นสมการ 1. Q3 - 3 Q2 - Q1 q2 - Q1 - 3c c Q1.c Q3 - Q2 Q1 - Q2 2. วิธีการประมาณค่าระดับที่สอง a, b และ c ดังต่อไปนี้ 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 cX 2 322 85 X -23 X 2. เดือนมกราคมถึงเดือนมีนาคมที่คาดการณ์ X 4 322 340 - 368 3 294 3 98 ต่องวดเมษายนถึงมิถุนายนคาดการณ์ X 5. 322 425 - 575 3 57 333 หรือ 57 ต่องวดตั้งแต่เดือนกรกฎาคมถึงเดือนกันยายนที่คาดการณ์ไว้ X 6 322 510 - 828 3 1 33 หรือ 1 ต่อรอบเดือนตุลาคมถึงธันวาคม X 32 325 595 - 1127 3 - 70.A 9 2 การคำนวณพยากรณ์แบบจำลองตุลาคม และธันวาคม 2547 ยอดขายไตรมาสที่ 1 ม. ค. - มี.ค. 360.Q2 เม. ย. - มิ.ย. 384.Q3 ก. ค. - ก. ย. 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 เปอร์เซ็นต์ของการคำนวณความถูกต้อง 136. 136 136 114 119 137 110 110 27.A 9 4 การคำนวณค่าเบี่ยงเบนสัมบูรณ์ที่มีค่าเฉลี่ย 136 - 114 136 - 119 136 - 137 3 13 33.A 10 วิธีที่ 8 - วิธีที่ยืดหยุ่นวิธีการยืดหยุ่นร้อยละกว่า n เดือนก่อนมีลักษณะใกล้เคียงกับวิธีที่ 1 ร้อยละเมื่อเทียบกับปีก่อนทั้งสองวิธีคูณยอดขายจากช่วงเวลาก่อนหน้าโดยผู้ใช้ระบุปัจจัย จากนั้นจึงคาดการณ์ผลลัพธ์ในอนาคตในรูปแบบเปอร์เซ็นต์ต่อปีที่ผ่านมาการฉายภาพจะขึ้นอยู่กับข้อมูลจากช่วงเวลาเดียวกันของปีก่อนวิธีการแบบยืดหยุ่นนี้เพิ่มความสามารถในการระบุช่วงเวลาอื่นนอกเหนือจากช่วงเดียวกันของปีที่แล้ว ใช้เป็นเกณฑ์ในการคำนวณปัจจัยการขยายตัวตัวอย่างเช่นระบุ 1 15 ในตัวเลือกการประมวลผล 8b เพื่อเพิ่มข้อมูลประวัติการขายก่อนหน้านี้โดยระยะเวลา 15.Base ตัวอย่างเช่น n 3 จะทำให้การคาดการณ์ครั้งแรกขึ้นอยู่กับข้อมูลการขายใน ตุลาคม 2548 ประวัติการขายขั้นต่ำผู้ใช้ระบุหมายเลข o f ระยะเวลาย้อนกลับไปยังช่วงเวลาพื้นฐานบวกกับจำนวนช่วงเวลาที่จำเป็นสำหรับการประเมินผลการคาดการณ์ PBF. A 10 4 การคำนวณค่าเบี่ยงเบนสัมบูรณ์เฉลี่ย MAD 148 - 114 161 - 119 151 - 137 3 30.A 11 วิธีที่ 9 - การถ่วงน้ำหนัก เฉลี่ยถ่วงน้ำหนักเฉลี่ย WMA วิธีการเคลื่อนที่คล้ายกับวิธีที่ 4, Moving Average MA แต่ด้วยค่าเฉลี่ยถ่วงน้ำหนักที่คุณสามารถกำหนดน้ำหนักไม่เท่ากันกับข้อมูลทางประวัติศาสตร์วิธีการคำนวณค่าเฉลี่ยถ่วงน้ำหนักของประวัติการขายล่าสุดที่จะมาถึงการฉายสำหรับ ระยะสั้นข้อมูลล่าสุดมักได้รับมอบหมายให้มีน้ำหนักมากกว่าข้อมูลที่เก่ากว่าดังนั้นจึงทำให้ WMA มีการตอบสนองต่อการเปลี่ยนแปลงในระดับการขายอย่างไรก็ตามคาดการณ์อคติและข้อผิดพลาดอย่างเป็นระบบยังคงเกิดขึ้นเมื่อประวัติการขายของผลิตภัณฑ์แสดงแนวโน้มที่แข็งแกร่งหรือตามฤดูกาล วิธีการทำงานได้ดียิ่งขึ้นสำหรับการคาดการณ์ในระยะสั้นของผลิตภัณฑ์ที่เป็นผู้ใหญ่มากกว่าสำหรับผลิตภัณฑ์ที่อยู่ในช่วงการเจริญเติบโตหรือเสื่อมคุณภาพของวัฏจักรชีวิตในช่วงระยะเวลาของประวัติการขายที่จะใช้ การคำนวณการคาดการณ์ตัวอย่างเช่นระบุ n 3 ในตัวเลือกการประมวลผล 9a เพื่อใช้ช่วงสามงวดล่าสุดเป็นเกณฑ์สำหรับการประมาณการในช่วงเวลาถัดไปค่าที่มีขนาดใหญ่สำหรับ n เช่น 12 ต้องการประวัติการขายเพิ่มขึ้นส่งผลให้เกิดการคาดการณ์ที่มีเสถียรภาพ แต่จะช้าที่จะรับรู้ถึงการเปลี่ยนแปลงในระดับของยอดขายในทางกลับกันค่าเล็กน้อยสำหรับ n เช่น 3 จะตอบสนองได้เร็วขึ้นเพื่อเลื่อนระดับของยอดขาย แต่การคาดการณ์อาจผันผวนอย่างกว้างขวางว่าการผลิตไม่สามารถตอบสนองต่อ น้ำหนักที่กำหนดให้กับแต่ละช่วงข้อมูลที่ผ่านมาน้ำหนักที่กำหนดให้ต้องรวมเป็น 1 00 ตัวอย่างเช่นเมื่อ n 3 ให้กำหนดน้ำหนักของ 0 6, 0 3 และ 0 1 โดยข้อมูลล่าสุดที่ได้รับน้ำหนักมากที่สุด ประวัติการขายที่ต้องการขั้นต่ำ n บวกจำนวนช่วงเวลาที่จำเป็นสำหรับการประเมินผลการคาดการณ์ PBF MAD 133 5 - 114 121 7 - 119 118 7 - 137 3 13 5.A 12 วิธีที่ 10 - การทำให้เรียบแบบ Linear Smoothing วิธีนี้คล้ายกับ วิธีที่ 9, Weighted Moving Average WMA วิธีการ เคยแทนการกำหนดน้ำหนักโดยพลการในข้อมูลทางประวัติศาสตร์สูตรจะใช้เพื่อกำหนดน้ำหนักที่ลดลงเป็นเชิงเส้นและรวมเป็น 1 00 วิธีคำนวณค่าเฉลี่ยถ่วงน้ำหนักของประวัติการขายล่าสุดที่จะมาถึงการฉายในระยะสั้นเช่นเดียวกับ จริงของทุกเทคนิคการคาดการณ์การเคลื่อนที่โดยเฉลี่ยเชิงเส้นการพยากรณ์ความลำเอียงและข้อผิดพลาดที่เป็นระบบเกิดขึ้นเมื่อประวัติการขายของผลิตภัณฑ์แสดงแนวโน้มที่แข็งแกร่งหรือรูปแบบตามฤดูกาลวิธีนี้ใช้ได้ดีกับการคาดการณ์ในระยะสั้นของผลิตภัณฑ์ที่เป็นผู้ใหญ่มากกว่าสำหรับผลิตภัณฑ์ที่อยู่ในช่วงการเติบโตหรือเสื่อมคุณภาพชีวิต cycle. n จำนวนระยะเวลาของประวัติการขายที่จะใช้ในการคำนวณคาดการณ์ซึ่งระบุไว้ในตัวเลือกการประมวลผล 10a ตัวอย่างเช่นระบุ n 3 ในตัวเลือกการประมวลผล 10b เพื่อใช้ช่วงเวลาสามช่วงล่าสุดเป็นเกณฑ์สำหรับการฉายลงใน ช่วงเวลาถัดไประบบจะกำหนดน้ำหนักให้กับข้อมูลทางประวัติศาสตร์ที่ลดลงเป็นเชิงเส้นและรวมกันเป็น 1 00 ตัวอย่างเช่นเมื่อ n 3 s ystem จะกำหนดน้ำหนักของ 0 5, 0 3333 และ 0 1 โดยข้อมูลล่าสุดที่ได้รับน้ำหนักมากที่สุดต้องมีประวัติการขายที่จำเป็นขั้นต่ำ n รวมทั้งจำนวนช่วงเวลาที่จำเป็นสำหรับการประเมินผลการคาดการณ์ PBF. A 12 1 การคำนวณพยากรณ์ จำนวนงวดที่จะรวมไว้ในตัวเลือกการประมวลผลเฉลี่ยที่ราบเรียบ 10a 3 ในตัวอย่างนี้ระยะเวลาหนึ่งก่อน 3 วินาที 2 3 3 2 3 2 3 6 0 5. การเรต 2 ครั้งก่อน 2 n 2 n 2 2 3 2 3 2 2 6 0 3333. ระยะเวลาสามช่วงก่อน 1 n 2 n 2 1 3 2 3 2 1 6 0 1666. การคาดการณ์ในเดือนมกราคม 137 0 5 119 1 3 114 1 6 127 16 หรือ 127. การคาดการณ์กุมภาพันธ์ 127 0 5 137 1 3 119 1 6 129 การคาดการณ์ของตลาด 129 0 5 127 1 3 137 1 6 129 666 หรือ 130.A 12 2 การคำนวณโดยใช้การคำนวณแบบจำลองประมาณการยอดขายในเดือนตุลาคม 2547 129 1 6 140 2 6 131 3 6 133 6666.November 2004 sales 140 1 6 131 2 6 114 3 6 124 ยอดขายเดือนธันวาคม 2547 131 1 6 114 2 6 119 3 6 119 3333.A 12 3 รอยละของการคํานวณความถูกตอง 133 133 6666 124 119 3333 114 119 137 100 101 891.A 12 4 คาเฉลี่ยการเบี่ยงเบนสัมบูรณ์.MAD 133 6666 - 114 124 - 119 119 3333 - 137 3 14 1111.A 13 วิธีที่ 11 - สมูทตีแบบ Exponential วิธีนี้คล้ายคลึงกับวิธีที่ 10 การปรับ Linear ใน Linear Smoothing ระบบจะกำหนดน้ำหนักให้กับข้อมูลทางประวัติศาสตร์ที่ลดลงแบบเป็นเส้นตรง ระบบจะกำหนดน้ำหนักที่มีการสลายตัวแบบเลขชี้กำลังสมการพยากรณ์ความราบเรียบแบบเสวนาคือ Forecast การขายจริงที่เกิดขึ้นก่อนหน้านี้ 1 - a การคาดการณ์ก่อนหน้านี้การคาดการณ์คือค่าเฉลี่ยถ่วงน้ำหนักของยอดขายจริงจากช่วงก่อนหน้าและการคาดการณ์จากช่วงก่อนหน้า a คือ น้ำหนักที่ใช้กับยอดขายที่เกิดขึ้นจริงสำหรับช่วงเวลาก่อนหน้า 1 - a คือน้ำหนักที่ใช้กับการคาดการณ์สำหรับงวดก่อนหน้าค่าที่ถูกต้องสำหรับช่วงตั้งแต่ 0 ถึง 1 และโดยปกติจะอยู่ระหว่าง 0 1 ถึง 0 4 ผลรวมของน้ำหนักคือ 1 00 a 1 - a 1. คุณควรกำหนดค่าสำหรับค่าคงที่ที่ราบเรียบ a หากคุณไม่ได้กำหนดค่าสำหรับค่าคงที่ที่ราบเรียบระบบจะคำนวณค่าที่สันนิษฐานตามจำนวนรอบระยะเวลาของประวัติการขาย d ในตัวประมวลผล 11a. a ค่าคงที่ที่ราบเรียบที่ใช้ในการคำนวณค่าเฉลี่ยที่ราบเรียบสำหรับระดับทั่วไปหรือขนาดของการขายค่าที่ถูกต้องสำหรับช่วงตั้งแต่ 0 ถึง 1.n ช่วงของข้อมูลประวัติการขายเพื่อรวมไว้ในการคำนวณโดยทั่วไปหนึ่งปี ของข้อมูลประวัติการขายก็เพียงพอที่จะประมาณยอดขายทั่วไปตัวอย่างเช่นค่า nn ขนาดเล็ก 3 ถูกเลือกเพื่อลดการคำนวณด้วยตนเองที่จำเป็นในการตรวจสอบผลลัพธ์การทำให้เรียบแบบเสแสร้งสามารถสร้างการคาดการณ์โดยอิงตามประวัติการศึกษาเพียงเล็กน้อย จุดข้อมูลประวัติการขายที่จำเป็นขั้นต่ำ n รวมจำนวนงวดที่จำเป็นสำหรับการประเมินผลการพยากรณ์อากาศ PBF. A 13 1 การคำนวณพยากรณ์จำนวนวันที่จะรวมไว้ในตัวเลือกการประมวลผลเฉลี่ยที่ราบเรียบ 11a 3 และตัวเลือกการประมวลผลอัลฟาปัจจัย 11b ว่างไว้ในนี้ ตัวอย่างเช่นปัจจัยสำหรับข้อมูลการขายที่เก่าแก่ที่สุด 2 1 1 หรือ 1 เมื่อระบุ alpha เป็นปัจจัยสำหรับข้อมูลการขายที่เก่าแก่ที่สุดอันดับ 2 2 1 2 หรือ alpha เมื่อระบุ alpha เป็นปัจจัย สำหรับข้อมูลการขายที่เก่าแก่ที่สุดอันดับที่ 3 3 หรืออัลฟาเมื่อระบุ alpha เป็นปัจจัยสำหรับข้อมูลการขายล่าสุด 2 1 n หรือ alpha เมื่อระบุ alpha เดือนพฤศจิกายน Sm เฉลี่ยเดือนตุลาคมจริง 1 - ต. ค. Sm เฉลี่ย 1 114 0 0 114. ธันวาคม Sm เฉลี่ยพฤศจิกายนจริง 1 - พฤศจิกายน Sm เฉลี่ย 2 3 119 1 3 114 117 3333.January Forecast ธันวาคมจริง 1 - ธันวาคม Sm เฉลี่ย 2 4 137 2 4 117 3333 127 16665 หรือ 127. February Forecast พยากรณ์มกราคมพยากรณ์อากาศ 127. พยากรณ์อากาศมกราคมพยากรณ์ 127.A 13 2 การคำนวณพยากรณ์จำลองกรกฎาคม 2547 Sm เฉลี่ย 2 2 129 129.August Sm เฉลี่ย 2 3 140 1 3 129 136 3333 กันยายน Sm เฉลี่ย 2 4 131 2 4 136 3333 133 6666 ตุลาคมตุลาคม 2547 กันยายน ก. ค. สมปทุมธานี พ. ศ. 2543 สิงหาคม 2547 Sm เฉลี่ย 2 2 140 140 กันยายน Sm เฉลี่ย 2 3 131 1 3 140 134. ตุลาคมตุลาคม Sm เฉลี่ย 2 4 114 2 4 134 124. พฤศจิกายน 2547 กันยายนกันยายน เฉลี่ย 124 สค. 2547 มรสุมเฉลี่ย 2 2 131 131 ตร. ต. ร.ว. เฉลี่ย 2 3 114 1 3 131 119 6666.November Sm เฉลี่ย 2 4 119 2 4 119 6666 119 3333 ยอดขายเดือน พ. ย. 2547 ก. ย. สม. 119 3333.A 13 3 เปอร์เซ็นต์ ของความถูกต้อง Calcula การคำนวณความเบี่ยงเบนสัมบูรณ์เฉลี่ย 133 133 6666 114 124 119 119 3333 137 3 14 1111.A 14 วิธีที่ 12 การเรียบเนียนแบบเสแสร้งตามแนวโน้มและฤดูกาล วิธีนี้มีความคล้ายคลึงกับวิธีที่ 11 Exponential Smoothing โดยมีการคำนวณหาค่าเฉลี่ยที่ราบเรียบอย่างไรก็ตามวิธีที่ 12 รวมถึงเทอมในสมการพยากรณ์เพื่อคำนวณแนวโน้มที่ราบรื่นการคาดการณ์ประกอบด้วยค่าเฉลี่ยที่ราบรื่นปรับตามแนวโน้มเชิงเส้น ในตัวประมวลผลการคาดการณ์ยังมีการปรับค่าตามฤดูกาลเช่นค่าคงที่ที่ราบเรียบที่ใช้ในการคำนวณค่าเฉลี่ยที่เรียบสำหรับระดับทั่วไปหรือขนาดของยอดขายค่าที่ถูกต้องสำหรับช่วงอัลฟาตั้งแต่ 0 ถึง 1b ค่าคงที่ที่ราบเรียบที่ใช้ในการคำนวณค่าความเรียบ ค่าเฉลี่ยสำหรับส่วนประกอบแนวโน้มของการคาดการณ์ค่าที่ถูกต้องสำหรับช่วงเบต้าตั้งแต่ 0 ถึง 1. ไม่ว่าจะใช้ดัชนีตามฤดูกาลกับ forecast. a และ b จะไม่ขึ้นกับแต่ละอื่น ๆ พวกเขาไม่จำเป็นต้องเพิ่มเป็น 1 0.Min imum จำเป็นต้องขายประวัติสองปีบวกจำนวนรอบระยะเวลาที่จำเป็นสำหรับการประเมินผลการคาดการณ์ประสิทธิภาพ PBF วิธีที่ 12 ใช้สมการราบเรียบสองเลขและหนึ่งเฉลี่ยที่เรียบง่ายในการคำนวณค่าเฉลี่ยที่ราบเรียบแนวโน้มเรียบและปัจจัยฤดูกาลตามฤดูกาลที่เรียบง่าย A 14 1 Forecast Calculation. A ค่าเฉลี่ยที่ได้รับการอธิบายอย่างละเอียด MAD 122 81 - 114 133 14 - 119 135 33 - 137 3 8 2.A 15 การประเมิน Forecasts. You สามารถเลือกวิธีการคาดการณ์เพื่อสร้างการคาดการณ์ได้ถึงสิบสองครั้งสำหรับแต่ละผลิตภัณฑ์ วิธีการอาจจะสร้างการประมาณการที่แตกต่างกันเล็กน้อยเมื่อหลายพันผลิตภัณฑ์มีการคาดการณ์จะทำไม่ได้ที่จะตัดสินใจอย่างอัตนัยเกี่ยวกับการคาดการณ์ที่จะใช้ในแผนของคุณสำหรับแต่ละผลิตภัณฑ์ระบบจะประเมินประสิทธิภาพการทำงานสำหรับแต่ละวิธีการคาดการณ์ ที่คุณเลือกและสำหรับการคาดการณ์ผลิตภัณฑ์แต่ละรายการคุณสามารถเลือกระหว่างสองเกณฑ์ประสิทธิภาพ ได้แก่ Mean Devute Deviation MAD และเปอร์เซ็นต์ของ Accur ทั้งสองเทคนิคการประเมินผลการปฏิบัติงานเหล่านี้ต้องการข้อมูลประวัติการขายที่แท้จริงสำหรับผู้ใช้ที่ระบุช่วงเวลาช่วงเวลานี้ของประวัติล่าสุดเรียกว่าระยะเวลา holdout หรือช่วงเวลาที่เหมาะสมกับ PBF มากที่สุด ในการวัดประสิทธิภาพของวิธีการคาดการณ์ให้ใช้สูตรคาดการณ์เพื่อจำลองการคาดการณ์สำหรับระยะเวลาการระงับชั่วคราวในอดีตโดยปกติแล้วจะมีข้อมูลการขายที่แตกต่างกันและการคาดการณ์แบบจำลองสำหรับระยะเวลาการระงับเมื่อเลือกวิธีการคาดการณ์หลายวิธี เกิดขึ้นสำหรับแต่ละวิธีการคาดการณ์หลายรายการจะถูกคำนวณสำหรับระยะเวลาการระงับและเปรียบเทียบกับประวัติการขายที่รู้จักกันในช่วงเวลาเดียวกันวิธีการคาดการณ์ที่เหมาะสมที่สุดในการคาดการณ์ระหว่างการคาดการณ์กับยอดขายจริงในช่วงระยะเวลาการระงับ ในแผนของคุณข้อเสนอแนะนี้มีความเฉพาะเจาะจงกับแต่ละผลิตภัณฑ์และอาจเปลี่ยนจากรุ่นที่คาดการณ์ไปเป็นรุ่น ne xt. A 16 ค่าเบี่ยงเบนสัมบูรณ์ที่แท้จริง MAD. MAD หมายถึงค่าเฉลี่ยหรือค่าเฉลี่ยของค่าสัมบูรณ์หรือความสำคัญของความเบี่ยงเบนหรือความผิดพลาดระหว่างข้อมูลจริงและข้อมูลที่คาดการณ์ MAD เป็นมาตรวัดขนาดเฉลี่ยของข้อผิดพลาดที่คาดว่าจะได้รับโดยใช้วิธีพยากรณ์และข้อมูล เนื่องจากมีการใช้ค่าสัมบูรณ์ในการคำนวณข้อผิดพลาดในเชิงบวกจะไม่ยกเลิกข้อผิดพลาดเชิงลบเมื่อเปรียบเทียบวิธีการคาดการณ์หลายวิธี MAD หนึ่งที่มีขนาดเล็กที่สุดแสดงให้เห็นว่าน่าเชื่อถือที่สุดสำหรับผลิตภัณฑ์นั้นในช่วงเวลาที่มีการหยุดชะงัก ข้อผิดพลาดมีการกระจายตามปกติมีความสัมพันธ์ทางคณิตศาสตร์ที่เรียบง่ายระหว่าง MAD และสองมาตรการทั่วไปอื่น ๆ ของการแจกแจงส่วนเบี่ยงเบนมาตรฐานและ Mean Squared Error. A 16 1 เปอร์เซ็นต์ของความถูกต้อง POA. Percent of Accuracy POA คือการวัดความอคติในการคาดการณ์เมื่อมีการคาดการณ์อย่างสม่ำเสมอ สินค้าคงเหลือสูงเกินไปสินค้าคงเหลือสะสมและต้นทุนสินค้าคงเหลือเพิ่มขึ้นเมื่อประมาณการอยู่ในระดับต่ำสองเท่าสินค้าคงเหลือถูกใช้และการบริการลูกค้าลดลง s ประมาณการที่ 10 หน่วยต่ำเกินไปจากนั้น 8 หน่วยสูงเกินไปแล้ว 2 หน่วยสูงเกินไปจะคาดการณ์ที่เป็นกลางข้อผิดพลาดในเชิงบวกของ 10 ถูกยกเลิกโดยข้อผิดพลาดเชิงลบของ 8 และ 2.Error Actual - Forecast. When ผลิตภัณฑ์ สามารถเก็บไว้ในสินค้าคงคลังและเมื่อการคาดการณ์เป็นกลางจำนวนเล็กน้อยหุ้นความปลอดภัยสามารถใช้เพื่อ buffer ข้อผิดพลาดในสถานการณ์เช่นนี้จะไม่สำคัญเพื่อขจัดข้อผิดพลาดในการคาดการณ์เนื่องจากเป็นการสร้างการคาดการณ์ที่เป็นกลางอย่างไรก็ตามในอุตสาหกรรมบริการ , สถานการณ์ข้างต้นจะถูกมองว่าเป็นข้อผิดพลาดสามบริการจะไม่เพียงพอในช่วงแรกแล้ว overstaffed สำหรับสองช่วงต่อไปในการให้บริการขนาดของข้อผิดพลาดในการคาดการณ์มักจะมีความสำคัญมากกว่าคาดการณ์อคติยอดรวมในช่วง holdout ช่วยให้ข้อผิดพลาดในเชิงบวกที่จะยกเลิกข้อผิดพลาดเชิงลบเมื่อยอดขายรวมจริงเกินกว่ายอดขายคาดการณ์อัตราส่วนสูงกว่า 100 แน่นอนมันเป็นไปไม่ได้ที่จะมากกว่า 100 ที่ถูกต้องเมื่อมีการคาดการณ์ unbias ed อัตราส่วน POA จะเท่ากับ 100 ดังนั้นจึงเป็นที่น่าพอใจมากขึ้นกว่าที่จะเป็น 95 ถูกต้องแม่นยำกว่าที่กำหนดไว้ 110 หลักเกณฑ์ POA เลือกวิธีการคาดการณ์ที่มีอัตราส่วน POA ใกล้เคียงกับ 100 มากที่สุดการใช้งานบนหน้าเว็บนี้ช่วยเพิ่มการนำทางเนื้อหา แต่ไม่ได้ เปลี่ยนเนื้อหาในลักษณะใด ๆ วิธีการแบบซีรีส์แบบอนุกรมวิธีการแบบอนุกรมเป็นเทคนิคทางสถิติที่ใช้ประโยชน์จากข้อมูลทางประวัติศาสตร์ที่สะสมอยู่ตลอดระยะเวลาวิธีการแบบอนุกรมเวลาคิดว่าสิ่งที่เกิดขึ้นในอดีตจะยังคงเกิดขึ้นต่อไปในอนาคต time แสดงให้เห็นถึงวิธีการเหล่านี้เกี่ยวข้องกับการคาดการณ์เพียงหนึ่งปัจจัยเวลาพวกเขารวมถึงค่าเฉลี่ยเคลื่อนที่เฉลี่ยชี้แจงและเส้นแนวโน้มเชิงเส้นและพวกเขาเป็นหนึ่งในวิธีการที่นิยมมากที่สุดสำหรับการคาดการณ์ในระยะสั้นระหว่าง บริษัท ผู้ให้บริการและการผลิตวิธีการเหล่านี้ถือว่า รูปแบบที่สามารถบ่งบอกถึงประวัติศาสตร์หรือแนวโน้มสำหรับความต้องการในช่วงเวลาที่จะทำซ้ำตัวเอง Average. Moving เฉลี่ยการคาดการณ์อนุกรมเวลาสามารถทำได้ง่ายเพียงใช้ความต้องการในปัจจุบัน p eriod เพื่อคาดการณ์ความต้องการในช่วงต่อไปนี้บางครั้งเรียกว่าการคาดเดาที่ไร้เดียงสาหรือใช้งานง่าย 4 ตัวอย่างเช่นถ้าความต้องการเป็น 100 หน่วยในสัปดาห์นี้การคาดการณ์สำหรับความต้องการในสัปดาห์หน้าเป็น 100 หน่วยถ้าความต้องการเปลี่ยนเป็น 90 หน่วยแทนแล้ว ความต้องการของสัปดาห์ต่อไปคือ 90 หน่วยและอื่น ๆ วิธีการคาดการณ์แบบนี้ไม่ได้คำนึงถึงพฤติกรรมความต้องการในอดีตที่อาศัยเฉพาะกับความต้องการในช่วงเวลาปัจจุบันมันตอบสนองโดยตรงกับการเคลื่อนไหวปกติในความต้องการโดยเฉลี่ยเคลื่อนที่อย่างง่าย วิธีการใช้ค่าความต้องการหลายช่วงที่ผ่านมาเพื่อพัฒนาการคาดการณ์นี้มีแนวโน้มที่จะชุบหรือราบเรียบการเพิ่มขึ้นและการลดลงแบบสุ่มของการคาดการณ์ที่ใช้เพียงหนึ่งช่วงค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายมีประโยชน์สำหรับการคาดการณ์ความต้องการที่มีเสถียรภาพและไม่ แสดงพฤติกรรมความต้องการที่เด่นชัดเช่นแนวโน้มหรือแบบตามฤดูกาลค่าเฉลี่ยที่คำนวณได้จะคำนวณเป็นระยะเวลาหนึ่งเช่นสามเดือนหรือห้าเดือนขึ้นอยู่กับระยะเวลาที่ desi desktic desi สูตรการคำนวณค่าเฉลี่ยเคลื่อนที่โดยเฉลี่ยอยู่ที่ Simple Moving Average บริษัท Paper Clip Office ทันทีขายส่งและส่งมอบวัสดุสำนักงานให้กับ บริษัท โรงเรียนและ agencies within a 50-mile radius of its warehouse The office supply business is competitive, and the ability to deliver orders promptly is a factor in getting new customers and keeping old ones Offices typically order not when they run low on supplies, but when they completely run out As a result, they need their orders immediately The manager of the company wants to be certain enough drivers and vehicles are available to deliver orders promptly and they have adequate inventory in stock Therefore, the manager wants to be able to forecast the number of orders that will occur during the next month ie to forecast the demand for deliveries. From records of delivery orders, management has accumulated the followi ng data for the past 10 months, from which it wants to compute 3- and 5-month moving averages. Let us assume that it is the end of October The forecast resulting from either the 3- or the 5-month moving average is typically for the next month in the sequence, which in this case is November The moving average is computed from the demand for orders for the prior 3 months in the sequence according to the following formula. The 5-month moving average is computed from the prior 5 months of demand data as follows. The 3- and 5-month moving average forecasts for all the months of demand data are shown in the following table Actually, only the forecast for November based on the most recent monthly demand would be used by the manager However, the earlier forecasts for prior months allow us to compare the forecast with actual demand to see how accurate the forecasting method is--that is, how well it does. Three - and Five-Month Averages. Both moving average forecasts in the table above tend to smooth out the variability occurring in the actual data This smoothing effect can be observed in the following figure in which the 3-month and 5-month averages have been superimposed on a graph of the original data. The 5-month moving average in the previous figure smooths out fluctuations to a greater extent than the 3-month moving average However, the 3-month average more closely reflects the most recent data available to the office supply manager In general, forecasts using the longer-period moving average are slower to react to recent changes in demand than would those made using shorter-period moving averages The extra periods of data dampen the speed with which the forecast responds Establishing the appropriate number of periods to use in a moving average forecast often requires some amount of trial-and-error experimentation. The disadvantage of the moving average method is that it does not react to variations that occur for a reason, such as cycles and seasonal effects Factors that cause changes are generally ignored It is basically a mechanical method, which reflects historical data in a consistent way However, the moving average method does have the advantage of being easy to use, quick, and relatively inexpensive In general, this method can provide a good forecast for the short run, but it should not be pushed too far into the future. Weighted Moving Average. The moving average method can be adjusted to more closely reflect fluctuations in the data In the weighted moving average method, weights are assigned to the most recent data according to the following formula. The demand data for PM Computer Services shown in the table for Example 10 3 appears to follow an increasing linear trend The company wants to compute a linear trend line to see if it is more accurate than the exponential smoothing and adjusted exponential smoothing forecasts developed in Examples 10 3 and 10 4.The values required for the least squares calculations are as follows. Using these values, the pa rameters for the linear trend line are computed as follows. Therefore, the linear trend line equation is. To calculate a forecast for period 13, let x 13 in the linear trend line. The following graph shows the linear trend line compared with the actual data The trend line appears to reflect closely the actual data--that is, to be a good fit --and would thus be a good forecast model for this problem However, a disadvantage of the linear trend line is that it will not adjust to a change in the trend, as the exponential smoothing forecast methods will that is, it is assumed that all future forecasts will follow a straight line This limits the use of this method to a shorter time frame in which you can be relatively certain that the trend will not change. Seasonal Adjustments. A seasonal pattern is a repetitive increase and decrease in demand Many demand items exhibit seasonal behavior Clothing sales follow annual seasonal patterns, with demand for warm clothes increasing in the fall and winter and declining in the spring and summer as the demand for cooler clothing increases Demand for many retail items, including toys, sports equipment, clothing, electronic appliances, hams, turkeys, wine, and fruit, increase during the holiday season Greeting card demand increases in conjunction with special days such as Valentine s Day and Mother s Day Seasonal patterns can also occur on a monthly, weekly, or even daily basis Some restaurants have higher demand in the evening than at lunch or on weekends as opposed to weekdays Traffic--hence sales--at shopping malls picks up on Friday and Saturday. There are several methods for reflecting seasonal patterns in a time series forecast We will describe one of the simpler methods using a seasonal factor A seasonal factor is a numerical value that is multiplied by the normal forecast to get a seasonally adjusted forecast. One method for developing a demand for seasonal factors is to divide the demand for each seasonal period by total annual dema nd, according to the following formula. The resulting seasonal factors between 0 and 1 0 are, in effect, the portion of total annual demand assigned to each season These seasonal factors are multiplied by the annual forecasted demand to yield adjusted forecasts for each seasonputing a Forecast with Seasonal Adjustments. Wishbone Farms grows turkeys to sell to a meat-processing company throughout the year However, its peak season is obviously during the fourth quarter of the year, from October to December Wishbone Farms has experienced the demand for turkeys for the past three years shown in the following table. Because we have three years of demand data, we can compute the seasonal factors by dividing total quarterly demand for the three years by total demand across all three years. Next, we want to multiply the forecasted demand for the next year, 2000, by each of the seasonal factors to get the forecasted demand for each quarter To accomplish this, we need a demand forecast for 2000 In t his case, since the demand data in the table seem to exhibit a generally increasing trend, we compute a linear trend line for the three years of data in the table to get a rough forecast estimate. Thus, the forecast for 2000 is 58 17, or 58,170 turkeys. Using this annual forecast of demand, the seasonally adjusted forecasts, SF i , for 2000 areparing these quarterly forecasts with the actual demand values in the table, they would seem to be relatively good forecast estimates, reflecting both the seasonal variations in the data and the general upward trend.10-12 How is the moving average method similar to exponential smoothing.10-13 What effect on the exponential smoothing model will increasing the smoothing constant have.10-14 How does adjusted exponential smoothing differ from exponential smoothing.10-15 What determines the choice of the smoothing constant for trend in an adjusted exponential smoothing model.10-16 In the chapter examples for time series methods, the starting forecast wa s always assumed to be the same as actual demand in the first period Suggest other ways that the starting forecast might be derived in actual use.10-17 How does the linear trend line forecasting model differ from a linear regression model for forecasting.10-18 Of the time series models presented in this chapter, including the moving average and weighted moving average, exponential smoothing and adjusted exponential smoothing, and linear trend line, which one do you consider the best Why.10-19 What advantages does adjusted exponential smoothing have over a linear trend line for forecasted demand that exhibits a trend.4 K B Kahn and J T Mentzer, Forecasting in Consumer and Industrial Markets, The Journal of Business Forecasting 14, no 2 Summer 1995 21-28.