คำนวณ A 3 เดือน เฉลี่ยเคลื่อนที่ คาดการณ์ ของ ความต้องการ

วิธีถัวเฉลี่ยถ่วงน้ำหนักในการย้ายโดยเฉลี่ย: ข้อดีและข้อเสียสวัสดี LOVE โพสต์ของคุณ สงสัยไหมว่าคุณจะสามารถอธิบายเพิ่มเติมได้หรือไม่ เราใช้ SAP ในนั้นมีตัวเลือกที่คุณสามารถเลือกได้ก่อนที่คุณจะเรียกใช้การคาดการณ์ที่เรียกว่า initialization หากคุณเลือกตัวเลือกนี้คุณจะได้รับผลการคาดการณ์หากคุณเรียกใช้การคาดการณ์อีกครั้งในช่วงเวลาเดียวกันและไม่ตรวจสอบการเริ่มต้นการทำงานผลลัพธ์จะเปลี่ยนแปลงไป ฉันไม่สามารถคิดออกว่าการเริ่มต้นที่กำลังทำอยู่ ฉันหมายถึงทางคณิตศาสตร์ ผลการคาดการณ์ที่ดีที่สุดคือการบันทึกและใช้ตัวอย่างเช่น การเปลี่ยนแปลงระหว่างทั้งสองไม่ได้อยู่ในปริมาณที่คาดการณ์ แต่ใน MAD และ Error ความปลอดภัยของสต็อกและปริมาณ ROP ไม่แน่ใจว่าคุณใช้ SAP หรือไม่ สวัสดีขอบคุณสำหรับการอธิบายเพื่อประสิทธิภาพของมันเกินไป gd ขอบคุณอีกครั้ง Jaspreet ปล่อยให้ตอบยกเลิกการตอบเกี่ยวกับ Shmula Pete Abilla เป็นผู้ก่อตั้ง Shmula และตัวละคร Kanban Cody เขาช่วย บริษัท ต่างๆเช่น Amazon, Zappos, eBay, Backcountry และอื่น ๆ เพื่อลดต้นทุนและปรับปรุงประสบการณ์ของลูกค้า เขาทำอย่างนี้โดยใช้วิธีการที่เป็นระบบในการระบุจุดที่เจ็บปวดซึ่งส่งผลกระทบต่อลูกค้าและธุรกิจและส่งเสริมการมีส่วนร่วมอย่างกว้างขวางจาก บริษัท ร่วมของ บริษัท ในการปรับปรุงกระบวนการของตนเอง เว็บไซต์นี้เป็นชุดของประสบการณ์ที่เขาต้องการแบ่งปันกับคุณ เริ่มต้นการดาวน์โหลดฟรี MAT 540 สัปดาห์ที่ 4 ปัญหาการบ้านบทที่ 15 MAT 540 สัปดาห์ที่ 4 การบ้านบทที่ 15 1. ผู้จัดการของ Carpet City เต้าเสียบต้องทำการคาดการณ์ความต้องการพรม Soft Shag (ผู้ขายรายใหญ่ที่สุด) ด้วยความแม่นยำ ถ้าผู้จัดการไม่สั่งซื้อพรมจากโรงถลุงพรมจำนวนมากลูกค้าจะซื้อพรมจากคู่แข่งจำนวนหนึ่งของพรมปูพรม ผู้จัดการได้รวบรวมข้อมูลความต้องการดังต่อไปนี้ในช่วง 8 เดือนที่ผ่านมา: เดือนความต้องการพรมเช็ดถูอ่อน (1,000 เยน) 1. 10 2. 9 3. 8 4. 9 5. 10 6. 12 7. 14 8 11 a . คำนวณการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ 3 เดือนสำหรับเดือนที่ 4 ถึง 9 b. คำนวณถัวเฉลี่ยถ่วงน้ำหนัก 3 เดือนสำหรับเดือนที่ 4 ถึง 9 กำหนดน้ำหนักของ 0.55, 0.35 และ 0.10 ต่อเดือนตามลำดับโดยเริ่มจากเดือนล่าสุด ค เปรียบเทียบสองการคาดการณ์โดยใช้ MAD การคาดการณ์ที่ดูเหมือนจะแม่นยำมากขึ้น 2. ผู้จัดการสถานีบริการน้ำมัน Petroco ต้องการคาดการณ์ความต้องการใช้น้ำมันเบนซินไร้สารตะกั่วในเดือนหน้าเพื่อให้สามารถสั่งซื้อแกลลอนได้อย่างถูกต้องจากตัวแทนจำหน่าย เจ้าของได้สะสมข้อมูลต่อไปนี้ตามความต้องการสำหรับน้ำมันเบนซินไร้สารตะกั่วจากการขายในช่วง 10 เดือนที่ผ่านมา: เดือน น้ำมันเบนซินมีความต้องการ (gal) เดือนตุลาคม 775 พฤศจิกายน 835 ธันวาคม 605 มกราคม 450 กุมภาพันธ์ 600 มีนาคม 700 เมษายน 820 พฤษภาคม 925 มิถุนายน 1,500 กรกฎาคม 1,200 a. คำนวณการคาดการณ์แบบเรียบง่ายโดยใช้ค่า 0.40 ข คำนวณ MAPD . เอมิลี่แอนดรูส์ได้ลงทุนในกองทุนรวมด้านวิทยาศาสตร์และเทคโนโลยี ตอนนี้เธอกำลังพิจารณาการชำระบัญชีและการลงทุนในกองทุนอื่น เธออยากจะคาดการณ์ราคาของกองทุนวิทยาศาสตร์และเทคโนโลยีสำหรับเดือนถัดไปก่อนที่จะตัดสินใจ เธอได้รวบรวมข้อมูลต่อไปนี้ในราคาเฉลี่ยของกองทุนในช่วง 20 เดือนที่ผ่านมา: เดือนกองทุนราคา 1.55 34 2. 54 14 3. 55 18 4. 58 18 5. 53 38 6. 51 18 7. 56 14 8. 59 58 9. 62 14 10. 59 14 11. 62 38 12. 57 11 13. 58 18 14. 62 34 15. 64 34 16. 66 18 17. 68 34 18. 60.5 19. 65.875 20. 72.25 a . ใช้ค่าเฉลี่ย 3 เดือนคาดการณ์ราคากองทุนสำหรับเดือนที่ 21 ข. ใช้ถัวเฉลี่ยถ่วงน้ำหนัก 3 เดือนล่าสุด 0.50 เดือนล่าสุดถ่วงน้ำหนัก 0.30 และเดือนที่สามถ่วงน้ำหนัก 0.20 คาดการณ์ราคากองทุนสำหรับเดือนที่ 21 c. คำนวณการคาดการณ์แบบเรียบเรียงโดยใช้ 0 .30 และคาดการณ์ราคากองทุนสำหรับเดือนที่ 21 d. เปรียบเทียบการคาดการณ์ใน (a), (b) และ (c) โดยใช้ MAD และระบุว่าถูกต้องที่สุด . 4. พรมเมืองต้องการพัฒนาวิธีการคาดการณ์ยอดขายพรม ผู้จัดการร้านเชื่อว่ายอดขายของร้านค้าจะเกี่ยวข้องโดยตรงกับจำนวนที่อยู่อาศัยที่สร้างใหม่ในเมือง ผู้จัดการได้รวบรวมข้อมูลจากเขตข้อมูลเกี่ยวกับใบอนุญาตก่อสร้างบ้านรายเดือนและจากบันทึกที่จัดเก็บในการขายรายเดือน ข้อมูลดังต่อไปนี้การขายพรมรายเดือน (1,000 เยน) ใบอนุญาตก่อสร้างรายเดือน 9 17 14. 25 10. 8 12. 7 15. 14 9. 7 24. 45 21. 19 20. 28 29. 2 a. พัฒนาแบบจำลองการถดถอยเชิงเส้นสำหรับข้อมูลเหล่านี้และคาดการณ์ยอดขายพรมถ้ามีการยื่นขออนุญาตก่อสร้างบ้านใหม่ 30 ใบ ข กำหนดความสัมพันธ์เชิงสาเหตุระหว่างยอดขายรายเดือนกับการสร้างบ้านหลังใหม่โดยใช้ความสัมพันธ์ . 5. ผู้จัดการของ Gilleys Ice Cream Parlour ต้องการการคาดการณ์ความต้องการไอศกรีมอย่างถูกต้อง ร้านสั่งไอศกรีมจากผู้จัดจำหน่ายภายในหนึ่งสัปดาห์ข้างหน้าหากร้านสั่งซื้อน้อยเกินไปจะสูญเสียธุระทางธุรกิจและหากสั่งซื้อมากเกินไปจะต้องทิ้งสินค้าพิเศษเพิ่ม ผู้จัดการเชื่อว่าปัจจัยสำคัญในการขายไอศกรีมคืออุณหภูมิ (เช่นอากาศร้อนขึ้นคนซื้อไอศกรีมมากขึ้น) ผู้จัดการได้กำหนดค่าเฉลี่ยอุณหภูมิกลางวันไว้ 14 สัปดาห์โดยเลือกแบบสุ่มและจากประวัติร้านค้าที่เขากำหนดการใช้ไอศกรีมเป็นเวลา 14 สัปดาห์ ข้อมูลเหล่านี้สรุปได้ดังนี้สัปดาห์อุณหภูมิเฉลี่ยอุณหภูมิที่ขาย (องศา) (gal) 1. 68 80 2 70 115 3 73 91 4 79 87 5 77 110 6 82 128 7 85 164 8 90 178 9 85 144 10 92 179 11 90 144 12 95 197 13 80 144 14 75 123 a. พัฒนาแบบจำลองการถดถอยเชิงเส้นสำหรับข้อมูลเหล่านี้และคาดการณ์การบริโภคไอศกรีมหากอุณหภูมิเฉลี่ยรายสัปดาห์เฉลี่ย 85 องศาเซลเซียส ข กำหนดความสัมพันธ์เชิงเส้นระหว่างอุณหภูมิและการบริโภคไอศกรีมโดยใช้ความสัมพันธ์ 6. รายงานค่าสัมประสิทธิ์การกำหนดข้อมูลในข้อ 5 และอธิบายความหมาย การศึกษาเชิงเส้นกรณีศึกษาการวางแผนเชิงเส้น, การบริหารจัดการการลงทุน XYZ Investment sellfyptnfDevelop ประมาณการอัตราการเติบโตเฉลี่ย 4 เดือนสำหรับวอลเลซการ์เด้นซัพพลายและคำนวณ MAD Develop เป็นค่าเฉลี่ยเคลื่อนที่ 4 เดือนสำหรับ Wallace Garden Supply และคำนวณ MAD รายละเอียดของสินค้ารวมถึง SPREADSHEET EXCEL ด้วย FORMULAS 5-13: จัดทำประมาณการเฉลี่ย 4 เดือนสำหรับ Wallace Garden Supply และคำนวณ MAD การประมาณค่าเฉลี่ยเคลื่อนที่ย้อนหลัง 3 เดือนได้รับการพัฒนาขึ้นในส่วนของค่าเฉลี่ยเคลื่อนที่ในตารางที่ 5.3 5-15: ข้อมูลที่เก็บรวบรวมจากความต้องการใช้ถุงปุ๋ย 50 ปอนด์ต่อปีที่ Wallace Garden Supply แสดงไว้ในตารางต่อไปนี้ พัฒนาค่าเฉลี่ยเคลื่อนที่ 3 ปีเพื่อคาดการณ์ยอดขาย จากนั้นคาดการณ์ความต้องการอีกครั้งโดยมีค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักซึ่งยอดขายในปีล่าสุดมีน้ำหนัก 2 และยอดขายในอีก 2 ปีจะได้รับน้ำหนักเป็น 1. วิธีใดที่คุณคิดว่าเป็นความต้องการปีที่ดีที่สุดสำหรับปุ๋ย 5 -16: พัฒนาเส้นแนวโน้มสำหรับความต้องการปุ๋ยในข้อ 5-15 โดยใช้ซอฟต์แวร์คอมพิวเตอร์ 5-19: ยอดขายเครื่องปรับอากาศ Cool Man เติบโตอย่างต่อเนื่องในช่วง 5 ปีที่ผ่านมาผู้จัดการฝ่ายขายได้คาดการณ์ว่าก่อนที่ธุรกิจจะเริ่มต้นปีแรกยอดขายจะเท่ากับ 410 เครื่อง การใช้การทำให้เรียบแบบเลขยกกำลังด้วยน้ำหนัก 0.30 พัฒนาประมาณการสำหรับปีที่ 2 ถึง 6 5-25: ยอดขายเครื่องดูดฝุ่นอุตสาหกรรมที่ บริษัท อาร์. โลเต็นทัลซัพพลาย จำกัด ในช่วง 13 เดือนที่ผ่านมามีดังนี้ขาย (1,000) ขายประจำเดือน (1,000) เดือน 11 14 มกราคม 14 สิงหาคม วันที่ 17 กุมภาพันธ์พศ. 16 มีนาคม 12 ตุลาคม 10 เมษายน 14 พฤศจิกายน 15 พฤษภาคม 16 ธันวาคม 17 มิถุนายน 11 มกราคม (ก) การใช้ค่าเฉลี่ยเคลื่อนที่ที่มีระยะเวลาสามช่วงกำหนดความต้องการเครื่องดูดฝุ่นในเดือนกุมภาพันธ์ปีหน้า (ข) ใช้ค่าเฉลี่ยเคลื่อนที่ถ่วงน้ำหนักที่มีระยะเวลาสามช่วงกำหนดความต้องการเครื่องดูดฝุ่นในเดือนกุมภาพันธ์ (c) ประเมินความถูกต้องของแต่ละวิธีการเหล่านี้ (d) ปัจจัยใดที่ R. Lowenthal พิจารณาในการพยากรณ์ยอดขาย 14 ครั้งซื้อด้วยคะแนน 4.7 จาก 5 อ้างอิงจาก 3 ความคิดเห็นของลูกค้า A Forecast Calculations Examples A.1 วิธีการคำนวณพยากรณ์อากาศ 12 วิธีในการคำนวณการคาดการณ์จะพร้อมใช้งาน วิธีการเหล่านี้ส่วนใหญ่มีไว้สำหรับการควบคุมผู้ใช้ที่ จำกัด ตัวอย่างเช่นอาจมีการระบุน้ำหนักที่วางไว้ในข้อมูลทางประวัติศาสตร์ล่าสุดหรือช่วงวันที่ของข้อมูลประวัติที่ใช้ในการคำนวณ ตัวอย่างต่อไปนี้แสดงขั้นตอนการคำนวณสำหรับแต่ละวิธีการคาดการณ์ที่พร้อมใช้งานโดยให้ข้อมูลประวัติที่เหมือนกัน ตัวอย่างต่อไปนี้ใช้ข้อมูลการขายแบบเดียวกันสำหรับปีพ. ศ. 2547 และ 2548 เพื่อสร้างยอดขายในปี 2549 นอกเหนือจากการคาดการณ์แล้วตัวอย่างแต่ละตัวอย่างจะมีการคาดการณ์ปีพ. ศ. 2548 สำหรับระยะเวลาการระงับสามเดือน (ตัวเลือกการประมวลผล 19 3) ซึ่งใช้แล้วสำหรับเปอร์เซ็นต์ความถูกต้องและการคำนวณค่าเบี่ยงเบนสัมบูรณ์ (ค่าเฉลี่ยการเบี่ยงเบนสัมบูรณ์) (ยอดขายจริงเทียบกับการคาดการณ์แบบจำลอง) A.2 เกณฑ์การประเมินประสิทธิภาพพยากรณ์พยากรณ์ขึ้นอยู่กับตัวเลือกการประมวลผลของคุณและแนวโน้มและรูปแบบที่มีอยู่ในข้อมูลการขายวิธีการคาดการณ์บางอย่างจะทำงานได้ดีกว่าข้อมูลอื่นที่มีอยู่ในอดีต วิธีการพยากรณ์อากาศที่เหมาะสมสำหรับผลิตภัณฑ์หนึ่งอาจไม่เหมาะสมสำหรับผลิตภัณฑ์อื่น นอกจากนี้ยังไม่น่าเป็นไปได้ว่าวิธีการคาดการณ์ที่ให้ผลลัพธ์ที่ดีในขั้นตอนหนึ่งของวงจรชีวิตของผลิตภัณฑ์จะยังคงเหมาะสมตลอดทั้งวงจรชีวิต คุณสามารถเลือกระหว่างสองวิธีเพื่อประเมินประสิทธิภาพปัจจุบันของวิธีการคาดการณ์ ค่าเบี่ยงเบนสัมบูรณ์ (MAD) และเปอร์เซ็นต์ความถูกต้อง (POA) ทั้งสองวิธีการประเมินผลการปฏิบัติงานเหล่านี้ต้องใช้ข้อมูลการขายในอดีตสำหรับผู้ใช้ที่ระบุไว้ในช่วงเวลา ระยะเวลานี้เรียกว่าระยะเวลา holdout หรือช่วงเวลาที่เหมาะสม (PBF) ข้อมูลในช่วงนี้ใช้เป็นพื้นฐานสำหรับการแนะนำวิธีการคาดการณ์ที่จะใช้ในการทำประมาณการครั้งต่อไป คำแนะนำนี้มีให้เฉพาะสำหรับแต่ละผลิตภัณฑ์และอาจมีการเปลี่ยนแปลงจากรุ่นคาดการณ์หนึ่งไปเป็นรุ่นต่อ ๆ ไป ทั้งสองวิธีการประเมินผลการคาดการณ์จะแสดงในหน้าเว็บตามตัวอย่างของสิบสองวิธีการคาดการณ์ A.3 วิธีที่ 1 - เปอร์เซ็นต์ที่ระบุในปีที่ผ่านมาวิธีนี้จะคูณข้อมูลการขายจากปีที่แล้วโดยผู้ใช้ที่ระบุเช่น 1.10 สำหรับการเพิ่มขึ้น 10 ครั้งหรือ 0.97 สำหรับการลดลง 3 ครั้ง ประวัติการขายที่ต้องการ: หนึ่งปีสำหรับการคำนวณการคาดการณ์บวกจำนวนผู้ใช้ที่ระบุช่วงเวลาสำหรับการประเมินประสิทธิภาพการคาดการณ์ (ตัวเลือกการประมวลผล 19) A.4.1 ช่วงการคาดการณ์ของประมาณการประวัติการขายเพื่อใช้ในการคำนวณปัจจัยการเติบโต (ตัวเลือกการประมวลผล 2a) 3 ในตัวอย่างนี้ รวมสามเดือนสุดท้ายของปี 2548: 114 119 137 370 รวม 3 เดือนของปีก่อน 123 139 133 395 คำนวณตามปัจจัย 370395 0.9367 คำนวณการคาดการณ์ยอดขายในเดือนมกราคม 2548 128 0.9367 119.8036 หรือประมาณ 120 กุมภาพันธ์ 2548 ยอดขาย 117 0.9367 109.5939 หรือประมาณ 110 มีนาคม 2548 ยอดขาย 115 0.9367 107.7205 หรือประมาณ 108 A.4.2 การคำนวณพยากรณ์แบบจำลองรวม 3 เดือนของปี 2548 ก่อนระยะเวลาการระงับ (กรกฎาคมสิงหาคมกันยายน): 129 140 131 400 รวมสามเดือนสำหรับ ปีที่แล้ว: 141 128 118 387 ค่าที่คำนวณได้ 400387 1.033591731 คำนวณการคาดการณ์แบบจำลอง: ตุลาคม 2547 ยอดขาย 123 1.033591731 127.13178 พฤศจิกายน 2547 ยอดขาย 139 1.033591731 143.66925 ธันวาคม 2547 ยอดขาย 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 การคำนวณค่าเบี่ยงเบนสัมบูรณ์เที่ยงตรงหมายถึง MAD (127.13178 - 114 143.66925 - 119 137.4677 - 137) 3 (13.13178 24.66925 0.4677) 3 12.75624 A.5 วิธีที่ 3 - ปกอนถึงปนี้วิธีการนี้ทําการคัดลอกขอมูลการขายจากปกอนไปจนถึงปหนา ประวัติการขายที่ต้องการ: หนึ่งปีสำหรับการคำนวณการคาดการณ์บวกจำนวนของช่วงเวลาที่ระบุไว้สำหรับการประเมินประสิทธิภาพการคาดการณ์ (ตัวเลือกการประมวลผล 19) A.6.1 การพยากรณ์การคาดการณ์จำนวนรอบที่จะรวมอยู่ในค่าเฉลี่ย (ตัวเลือกการประมวลผล 4a) 3 ในตัวอย่างนี้สำหรับแต่ละเดือนของการคาดการณ์โดยเฉลี่ยแล้วข้อมูลสามเดือนก่อนหน้า ประมาณการมกราคม: 114 119 137 370, 370 3 123.333 หรือ 123 การคาดการณ์ในเดือนกุมภาพันธ์: 119 137 123 379, 379 3 126.333 หรือ 126 รายงานประจำเดือนมีนาคม: 137 123 126 379, 386 3 128.667 หรือ 129 A.6.2 การคำนวณพยากรณ์จำลองคำนวณยอดขายในเดือนตุลาคม 2548 (129 (131,333 128.3333 121.3333) (114 119 137) 100 103.513 A.6.4 Mean Absolute (ค่าสัมบูรณ์ที่คำนวณได้) การคำนวณค่าเบี่ยงเบน MAD (133.3333 - 114 128.3333 - 119 121.3333 - 137) 3 14.7777 A.7 วิธีที่ 5 - การประมาณค่าเชิงเส้นเส้นประมาณเชิงเส้นคำนวณแนวโน้มตามจุดข้อมูลการขายสองจุด จุดที่สองกำหนดเส้นแนวโน้มตรงที่คาดการณ์ไว้ในอนาคต ใช้วิธีนี้ด้วยความระมัดระวังเนื่องจากการคาดการณ์ในระยะยาวจะใช้ประโยชน์จากการเปลี่ยนแปลงเพียงเล็กน้อยในสองจุดข้อมูล ประวัติการขายที่ต้องการ: จำนวนงวดที่จะรวมไว้ในการถดถอย (ตัวเลือกการประมวลผล 5a) บวก 1 บวกจำนวนช่วงเวลาสำหรับการประเมินประสิทธิภาพการคาดการณ์ (ตัวเลือกการประมวลผล 19) (ตัวประมวลผลการประมวลผล 6a) 3 ในตัวอย่างนี้สำหรับแต่ละเดือนของการคาดการณ์เพิ่มการเพิ่มหรือลดลงในช่วงเวลาที่ระบุก่อนช่วงเวลา holdout รอบระยะเวลาก่อนหน้า ค่าเฉลี่ยของช่วง 3 เดือนก่อนหน้า (114 119 137) 3 123.3333 สรุปช่วง 3 เดือนที่ผ่านมาโดยพิจารณาน้ำหนัก (114 1) (119 2) (137 3) 763 ความแตกต่างระหว่างค่า 763 - 123.3333 (1 2 3) 23 อัตราส่วน ( 12 22 32) - 2 3 14 - 12 2 มูลคา 1 ความแตกตางระหวางการทํางาน 232 11.5 คา 2 Average - value1 ratio 123.3333 - 11.5 2 100.3333 Forecast (1 n) value1 value2 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 การคำนวณพยากรณ์จำลองคำนวณยอดขายในเดือนตุลาคม 2547: เฉลี่ย 3 เดือนก่อนหน้า (129 140 131) 3 133.3333 สรุปช่วง 3 เดือนที่ผ่านมาโดยพิจารณาน้ำหนัก (129 1) (140 2) (131 3) 802 ความแตกต่างระหว่าง (1 22) 2 3 14 - 12 2 Value1 ความแตกต่างRatio 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 ขาย ค่าเฉลี่ยของช่วง 3 เดือนก่อนหน้า (140 131 114) 3 128.3333 สรุปช่วง 3 เดือนที่ผ่านมาโดยพิจารณาน้ำหนัก (140 1) (131 2) (114 3) 744 ความแตกต่างระหว่างค่า 744 - 128.3333 (1 2 3) -25.9999 มูลค่า 1 (131 114 119) 3 121.3333 สรุปผลการดำเนินงานในช่วง 3 เดือนที่ผ่านมาโดยพิจารณาน้ำหนัก (3) ค่าใช้จ่ายในการดำเนินงาน 131 1) (114 2) (119 3) 716 ความแตกตางระหวางคา 716 - 121.3333 (1 2 3) -11.9999 คาที่ 1 ความแตกตางระหวาง -11.99992 -5.9999 มูลคา 2 คาเฉลี่ย 121.3333 - (-5.9999) 2 133.3333 พยากรณ์ 4 (-5.9999 ) 133.3333 109.3333 A.8.3 ร้อยละของการคำนวณความถูกต้อง POA (135.33 102.33 109.33) (114 119 137) 100 93.78 A.8.4 การคำนวณค่าเบี่ยงเบนสัมบูรณ์ที่มีค่าเฉลี่ย MAD (135.33 - 114 102.33 - 119 109.33 - 137) 3 21.88 A.9 วิธีที่ 7 - ซีคอน d การประมาณค่าระดับการถดถอยเชิงเส้นกำหนดค่าสำหรับ a และ b ในสูตรการคาดการณ์ Y a bX โดยมีวัตถุประสงค์เพื่อให้ตรงกับข้อมูลประวัติการขาย การประมาณปริญญาที่สองคล้ายกัน อย่างไรก็ตามวิธีนี้กำหนดค่าสำหรับ a, b และ c ในสูตรการคาดการณ์ Y a bX cX2 โดยมีวัตถุประสงค์เพื่อปรับเส้นโค้งให้สอดคล้องกับข้อมูลประวัติการขาย วิธีนี้อาจเป็นประโยชน์เมื่อผลิตภัณฑ์อยู่ในช่วงการเปลี่ยนผ่านระหว่างขั้นตอนของวงจรชีวิต ตัวอย่างเช่นเมื่อผลิตภัณฑ์ใหม่ย้ายจากช่วงแนะนำสู่ช่วงการเติบโตแนวโน้มการขายอาจเพิ่มขึ้น เนื่องจากลำดับที่สองการคาดการณ์สามารถหาอินฟินิตี้ได้อย่างรวดเร็วหรือลดลงเป็นศูนย์ (ขึ้นอยู่กับว่าสัมประสิทธิ์ c เป็นบวกหรือลบ) ดังนั้นวิธีนี้มีประโยชน์ในระยะสั้นเท่านั้น ข้อกำหนดการคาดการณ์: สูตรจะพบ a, b และ c ให้พอดีกับเส้นโค้งให้ตรงกับสามจุด คุณระบุ n ในตัวเลือกการประมวลผล 7a จำนวนช่วงเวลาของข้อมูลที่จะสะสมลงในแต่ละจุดสามจุด ในตัวอย่างนี้ n 3 ดังนั้นข้อมูลการขายจริงสำหรับเดือนเมษายนถึงมิถุนายนจะรวมกันเป็นจุดแรก Q1 ตั้งแต่เดือนกรกฎาคมจนถึงเดือนกันยายนรวมกันเพื่อสร้างไตรมาสที่ 2 และเดือนตุลาคมถึงเดือนธันวาคมรวมเป็นไตรมาสที่ 3 เส้นโค้งจะพอดีกับสามค่า Q1, Q2 และ Q3 ประวัติการขายที่ต้องการ: 3 n งวดสำหรับการคำนวณการคาดการณ์บวกจำนวนช่วงเวลาที่จำเป็นสำหรับการประเมินผลการพยากรณ์ (PBF) จำนวนงวดที่จะรวม (ตัวเลือกการประมวลผล 7a) 3 ในตัวอย่างนี้ใช้เดือนที่แล้ว (3 n) เดือนในช่วงสามเดือน: 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 ขั้นตอนต่อไปคือการคำนวณค่าสัมประสิทธิ์ทั้งสามแบบ a, b และ c เพื่อใช้ในสูตรคาดการณ์ Y a bX cX2 (1) Q1 a bX cX2 (โดยที่ X 1) abc (2) Q2 bx cX2 (where X 2) a 2b 4c (3) Q3 a bX cX2 (where X 3) a 3b 9c แก้สมการทั้งสามสมการหา b, a และ c: ลบสมการ (1) จากสมการ (2) (3) Q3 a 3 (Q2-Q1) - 3c c ท้ายแทนสมการเหล่านี้สำหรับ a และ b ให้เป็นสมการ (2) - (1) Q2 - Q1 b 3c (q2 - Q1) - 3c c Q1 c (Q3 - Q2) (Q1 - Q2) 2 วิธีประมาณค่าที่สองคำนวณ a, b และ c ดังนี้ 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 มกราคมถึงมีนาคมคาดการณ์ (X4): (322 340 - 368) 3 2943 98 ในช่วงเดือนเมษายนถึงมิถุนายน (X5): (322 425 - 575) 3 57.333 หรือ 57 ต่องวดตั้งแต่เดือนกรกฎาคมถึงกันยายน (X6): (322 510 - 828) 3 1.33 หรือ 1 ต่องวดตั้งแต่เดือนตุลาคมถึงธันวาคม (X7) (322 595 - 11273 -70 A.9.2 การคำนวณพยากรณ์แบบจำลองเดือนตุลาคมพฤศจิกายนและธันวาคม 2547 ยอดขาย: Q1 (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 ข (384 - 360) - 3 (-4) 36 328 36 4 (-4) 163 136 A.9.3 เปอร์เซ็นต์การคำนวณความถูกต้อง POA (136 136 136) (114 119 137) 100 110.27 A.9.4 การคำนวณค่าเบี่ยงเบนสัมบูรณ์ที่คำนวณได้ MAD (136 - 114 136 - 119 136 - 137) 3 13.33 A.10 วิธีที่ 8 - วิธีที่ยืดหยุ่นวิธีการที่ยืดหยุ่น (เปอร์เซ็นต์มากกว่า n เดือนก่อน) คล้ายกับวิธีการ 1 ร้อยละเมื่อปีที่แล้ว ทั้งสองวิธีคูณข้อมูลการขายจากช่วงเวลาก่อนหน้าโดยผู้ใช้ที่ระบุแล้วจะคาดการณ์ผลลัพธ์ในอนาคต ในวิธีคิดอัตราส่วนต่อปีที่ผ่านมาการประมาณการจะขึ้นอยู่กับข้อมูลจากช่วงเวลาเดียวกันของปีที่ผ่านมา วิธีการแบบยืดหยุ่นจะเพิ่มความสามารถในการระบุช่วงเวลาอื่นนอกเหนือจากช่วงเวลาเดียวกันของปีที่ผ่านมาเพื่อใช้เป็นเกณฑ์ในการคำนวณ คูณปัจจัย ตัวอย่างเช่นระบุ 1.15 ในตัวเลือกการประมวลผล 8b เพื่อเพิ่มข้อมูลประวัติการขายก่อนหน้านี้โดย 15. ระยะเวลาฐาน ตัวอย่างเช่น n 3 จะทำให้การคาดการณ์ครั้งแรกขึ้นอยู่กับข้อมูลการขายในเดือนตุลาคม 2548 ประวัติการขายขั้นต่ำ: ผู้ใช้ระบุจำนวนงวดย้อนกลับไปยังช่วงเวลาพื้นฐานบวกกับจำนวนช่วงเวลาที่จำเป็นสำหรับการประเมินผลการคาดการณ์ ( PBF) A.10.4 การคำนวณค่าเบี่ยงเบนสัมบูรณ์ที่ระดับความเชื่อมั่น MAD (148 - 114 161 - 119 151 - 137) 3 30 A.11 วิธีที่ 9 - ค่าเฉลี่ยถ่วงน้ำหนักวิธีการถัวเฉลี่ยถ่วงน้ำหนักเคลื่อนที่ (WMA) คล้ายกับวิธีที่ 4 ค่าเฉลี่ยเคลื่อนที่ (MA) อย่างไรก็ตามคุณสามารถกำหนดน้ำหนักการถ่วงน้ำหนักที่ไม่เท่ากันให้กับข้อมูลทางประวัติศาสตร์ได้โดยใช้ Weighted Moving Average วิธีคำนวณค่าเฉลี่ยถ่วงน้ำหนักของประวัติการขายล่าสุดเพื่อให้ได้ภาพที่ประมาณการในระยะสั้น ข้อมูลล่าสุดมักได้รับมอบหมายให้มีน้ำหนักมากกว่าข้อมูลที่เก่ากว่าดังนั้นจึงทำให้ WMA มีการตอบสนองต่อการเปลี่ยนแปลงระดับการขายมากขึ้น อย่างไรก็ตามแนวโน้มการคาดการณ์และข้อผิดพลาดอย่างเป็นระบบยังคงเกิดขึ้นเมื่อประวัติการขายของผลิตภัณฑ์แสดงแนวโน้มที่แข็งแกร่งหรือตามฤดูกาล วิธีนี้ใช้งานได้ดีกว่าสำหรับการคาดการณ์ในระยะสั้นของผลิตภัณฑ์ที่ครบกำหนดมากกว่าผลิตภัณฑ์ที่อยู่ในช่วงการเจริญเติบโตหรือเสื่อมสภาพของวงจรชีวิต n จำนวนระยะเวลาของประวัติการขายที่จะใช้ในการคำนวณคาดการณ์ ตัวอย่างเช่นระบุ n 3 ในตัวเลือกการประมวลผล 9a เพื่อใช้ช่วงเวลาสามช่วงล่าสุดเป็นเกณฑ์สำหรับการฉายในช่วงเวลาถัดไป ค่าที่มากสำหรับ n (เช่น 12) ต้องการประวัติการขายเพิ่มขึ้น ส่งผลให้มีการคาดการณ์ที่มั่นคง แต่จะช้าในการรับรู้ถึงการเปลี่ยนแปลงในระดับของยอดขาย ในทางกลับกันค่าเล็กน้อยสำหรับ n (เช่น 3) จะตอบสนองได้เร็วขึ้นเพื่อเลื่อนระดับการขาย แต่การคาดการณ์อาจผันผวนอย่างกว้างขวางเพื่อให้การผลิตไม่สามารถตอบสนองต่อรูปแบบต่างๆได้ น้ำหนักที่กำหนดให้กับแต่ละช่วงข้อมูลที่ผ่านมา น้ำหนักที่กำหนดต้องเป็น 1.00 ตัวอย่างเช่นเมื่อ n 3 ให้กำหนดน้ำหนักของ 0.6, 0.3 และ 0.1 โดยข้อมูลล่าสุดจะได้รับน้ำหนักมากที่สุด ประวัติการขายที่ต้องการขั้นต่ำ: n บวกจำนวนช่วงเวลาที่จำเป็นสำหรับการประเมินประสิทธิภาพการคาดการณ์ (PBF) MAD (133.5 - 114 121.7 - 119 118.7 - 137) 3 13.5 A.12 วิธีที่ 10 - การทำให้เรียบแบบ Linear วิธีนี้คล้ายกับวิธีที่ 9 Weighted Moving Average (WMA) อย่างไรก็ตามแทนที่จะใช้การกำหนดน้ำหนักโดยพลการให้กับข้อมูลทางประวัติศาสตร์สูตรจะใช้เพื่อกำหนดน้ำหนักที่ลดลงเป็นเชิงเส้นและรวมกันเป็น 1.00 วิธีนี้จะคำนวณถัวเฉลี่ยถ่วงน้ำหนักของประวัติการขายล่าสุดเพื่อให้ได้ภาพที่ฉายในระยะสั้น ตามที่เป็นจริงของเทคนิคการคาดการณ์การเคลื่อนไหวเชิงเส้นทั้งหมดคาดการณ์การคาดการณ์และข้อผิดพลาดอย่างเป็นระบบเกิดขึ้นเมื่อประวัติการขายของผลิตภัณฑ์แสดงแนวโน้มที่แข็งแกร่งหรือรูปแบบตามฤดูกาล วิธีนี้ใช้งานได้ดีกว่าสำหรับการคาดการณ์ในระยะสั้นของผลิตภัณฑ์ที่ครบกำหนดมากกว่าผลิตภัณฑ์ที่อยู่ในช่วงการเจริญเติบโตหรือเสื่อมสภาพของวงจรชีวิต n จำนวนระยะเวลาของประวัติการขายที่จะใช้ในการคำนวณคาดการณ์ ซึ่งระบุไว้ในตัวเลือกการประมวลผล 10a ตัวอย่างเช่นระบุ n 3 ในตัวเลือกการประมวลผล 10b เพื่อใช้ช่วงเวลาสามครั้งล่าสุดเป็นเกณฑ์สำหรับการฉายในช่วงเวลาถัดไป ระบบจะกำหนดน้ำหนักให้กับข้อมูลทางประวัติศาสตร์ที่ลดลงโดยอัตโนมัติและรวมเป็น 1.00 ตัวอย่างเช่นเมื่อ n 3 ระบบจะกำหนดน้ำหนักของ 0.5, 0.3333 และ 0.1 โดยข้อมูลล่าสุดจะได้รับน้ำหนักมากที่สุด ประวัติการขายที่ต้องการขั้นต่ำ: n บวกจำนวนช่วงเวลาที่จำเป็นสำหรับการประเมินประสิทธิภาพการคาดการณ์ (PBF) (ตัวประมวลผล 10a) 3 ในตัวอย่างนี้อัตราส่วนสำหรับระยะเวลาหนึ่งก่อน 3 (n2 n) 2 3 (32 3) 2 36 0.5 อัตราส่วนสองช่วงก่อนหน้า 2 (n2 n ) 2 2 (32 3) 2 26 0.3333 .. อัตราส่วนสามงวดก่อน 1 (n 2 n) 2 1 (32 3) 2 16 0.1666 .. พยากรณ์มกราคม: 137 0.5 119 13 114 16 127.16 หรือ 127 การคาดการณ์เดือนกุมภาพันธ์: 127 0.5 137 13 119 16 129 การคาดการณ์ของเดือนมีนาคม: 129 0.5 127 13 137 16 129.666 หรือ 130 A.12.2 การคำนวณพยากรณ์จำลองคำนวณยอดขายในเดือนตุลาคม 2547 129 16 140 26 131 36 133.6666 พฤศจิกายน 2547 ยอดขาย 140 16 131 26 114 36 124 ธันวาคม 2547 ขาย 131 16 114 26 119 36 119.3333 A.12.3 เปอร์เซ็นต์ของการคำนวณความถูกต้อง POA (133.6666 124 119.3333) (114 119 137) 100 101.891 A.12.4 การคำนวณค่าเบี่ยงเบนสัมบูรณ์เที่ยงตรงหมายถึง MAD (133.6666 - 114 124 - 119 119.3333 - 137) 3 14.1111 A.13 วิธีที่ 11 - วิธีการนี้มีความคล้ายคลึงกับวิธีที่ 10, Linear Smoothing ใน Linear Smoothing ระบบจะกำหนดน้ำหนักให้กับข้อมูลทางประวัติศาสตร์ที่ลดลงเป็นเส้นตรง ระบบจะกำหนดน้ำหนักที่สลายตัวแบบเลขชี้กำลัง สมการพยากรณ์ความเป็นไปได้คือ: พยากรณ์ (การขายจริงก่อนหน้านี้) (1 - a) พยากรณ์ก่อนหน้านี้การคาดการณ์คือค่าเฉลี่ยถ่วงน้ำหนักของยอดขายจริงจากช่วงก่อนหน้าและประมาณการจากช่วงก่อนหน้า a คือน้ำหนักที่ใช้กับยอดขายที่เกิดขึ้นจริงสำหรับงวดก่อนหน้า (1 - a) คือน้ำหนักที่ใช้กับการคาดการณ์ในช่วงก่อนหน้า ค่าที่ถูกต้องสำหรับช่วงตั้งแต่ 0 ถึง 1 และโดยปกติจะอยู่ระหว่าง 0.1 ถึง 0.4 ผลรวมของน้ำหนักคือ 1.00 a (1 - a) 1 คุณควรกำหนดค่าสำหรับค่าคงที่ที่ราบเรียบ a. ถ้าคุณไม่ได้กำหนดค่าสำหรับการปรับให้ราบเรียบระบบจะคำนวณค่าที่สันนิษฐานขึ้นอยู่กับจำนวนรอบระยะเวลาของประวัติการขายที่ระบุไว้ในตัวเลือกการประมวลผล 11a ค่าคงที่ที่ราบเรียบที่ใช้ในการคำนวณค่าเฉลี่ยที่เรียบสำหรับระดับทั่วไปหรือขนาดของยอดขาย ค่าที่ถูกต้องสำหรับช่วงตั้งแต่ 0 ถึง 1 n ช่วงข้อมูลประวัติการขายที่จะรวมไว้ในการคำนวณ โดยทั่วไปหนึ่งปีของข้อมูลประวัติการขายก็เพียงพอที่จะประมาณยอดขายโดยทั่วไป สำหรับตัวอย่างนี้ได้เลือกค่าเล็กน้อยสำหรับ n (n 3) เพื่อลดการคำนวณด้วยตนเองที่จำเป็นสำหรับการตรวจสอบผล การทำให้เรียบแบบเสี้ยว (Exponential smoothing) สามารถสร้างการคาดการณ์โดยอิงตามจุดข้อมูลทางประวัติศาสตร์เพียงอย่างเดียว ประวัติการขายที่ต้องการขั้นต่ำ: n บวกจำนวนช่วงเวลาที่จำเป็นสำหรับการประเมินประสิทธิภาพการคาดการณ์ (PBF) (ตัวประมวลผล 11a) 3 และปัจจัยอัลฟา (ตัวเลือกการประมวลผล 11b) ว่างไว้ในตัวอย่างนี้เป็นปัจจัยสำหรับข้อมูลการขายที่เก่าแก่ที่สุด 2 (11) หรือ 1 เมื่อระบุ alpha เป็นปัจจัยสำหรับ 2 ข้อมูลการขายที่เก่าแก่ที่สุด 2 (12) หรืออัลฟาเมื่อ alpha ระบุปัจจัยสำหรับข้อมูลการขายที่เก่าแก่ที่สุดอันดับที่ 3 3 หรือ alpha เมื่อ alpha ระบุปัจจัยสำหรับข้อมูลการขายล่าสุด 2 (1n) หรือ alpha เมื่อระบุ alpha พฤศจิกายน Sm เฉลี่ย a (เดือนตุลาคมที่เกิดขึ้นจริง) (1 - a) October Sm. เฉลี่ย 1 114 0 0 114 ธันวาคม Sm. เฉลี่ย a (November Actual) (1 - a) พฤศจิกายน Sm. เฉลี่ย 23 119 13 114 117.3333 มกราคมคาดการณ์ (ธันวาคมจริง) (1 - ก) ธันวาคม Sm เฉลี่ย 24 137 24 117.3333 127.16665 หรือ 127 February Forecast มกราคม Forecast 127 March Forecast มกราคม Forecast 127 A.13.2 การคำนวณพยากรณ์แบบจำลองกรกฎาคม 2547 Sm เฉลี่ย 22 129 129 สิงหาคม Sm. เฉลี่ย 23 140 13 129 136.3333 กันยายนกันยายน เฉลี่ย 24 131 24 136.3333 133.6666 ตุลาคม 2547 ยอดขายกันยายนกันยายนศ. เฉลี่ย 133.6666 สิงหาคม, 2547 Sm. เฉลี่ย 22 140 140 กันยายนกันยายน เฉลี่ย 23 131 13 140 134 ตุลาคม Sm. เฉลี่ย 24 114 24 134 124 พฤศจิกายน 2547 ขายกันยายนกันยายน เฉลี่ย 124 กันยายน 2547 Sm. เฉลี่ย 22 131 131 ตุลาคม Sm. เฉลี่ย 23 114 13 131 119.6666 พฤศจิกายนศ. เฉลี่ย 24 119 24 119.6666 119.3333 ยอดขายธันวาคม 2547 ก. ย. Sm. เฉลี่ย 119.3333 A.13.3 ร้อยละของการคำนวณความถูกต้อง POA (133.6666 124 119.3333) (114 119 137) 100 101.891 A.13.4 การคำนวณค่าเบี่ยงเบนสัมบูรณ์ที่มีค่าเฉลี่ย MAD (133.6666 - 114 124 - 119 119.3333 - 137) 3 14.1111 A.14 วิธีที่ 12 - การจัดแจงแบบเสียดสี (Exponential Smoothing) ด้วยเทรนด์และฤดูกาลวิธีนี้คล้ายคลึงกับวิธีที่ 11 Exponential Smoothing ที่คำนวณค่าเฉลี่ยที่ราบเรียบ อย่างไรก็ตามวิธีที่ 12 รวมถึงคำในสมการพยากรณ์เพื่อคำนวณแนวโน้มที่ราบรื่น การคาดการณ์ประกอบด้วยการปรับค่าเฉลี่ยที่ราบเรียบสำหรับแนวโน้มเชิงเส้น เมื่อระบุไว้ในตัวเลือกการประมวลผลการคาดการณ์จะได้รับการปรับตามฤดูกาลด้วยเช่นกัน ค่าคงที่ที่ราบเรียบที่ใช้ในการคำนวณค่าเฉลี่ยที่เรียบสำหรับระดับทั่วไปหรือขนาดของยอดขาย ค่าที่ถูกต้องสำหรับ alpha มีตั้งแต่ 0 ถึง 1 b ค่าคงที่ที่ราบเรียบที่ใช้ในการคำนวณค่าเฉลี่ยที่ราบเรียบสำหรับส่วนประกอบแนวโน้มของการคาดการณ์ ค่าที่ถูกต้องสำหรับช่วงเบต้าตั้งแต่ 0 ถึง 1 ไม่ว่าจะมีการใช้ดัชนีตามฤดูกาลกับการคาดการณ์ a และ b จะไม่ขึ้นกับแต่ละอื่น ๆ พวกเขาไม่ต้องเพิ่มเป็น 1.0 ประวัติการขายที่ต้องการขั้นต่ำ: สองปีบวกระยะเวลาที่จำเป็นสำหรับการประเมินประสิทธิภาพการคาดการณ์ (PBF) วิธีที่ 12 ใช้สมการราบเรียบแบบเอ็กซเรนแนนเชียลและค่าเฉลี่ยที่เรียบง่ายเพียงอย่างเดียวในการคำนวณหาค่าเฉลี่ยที่ราบเรียบแนวโน้มที่เรียบและค่าเฉลี่ยตามฤดูกาลที่เรียบง่าย A.14.1 การคำนวณพยากรณ์ A) ค่าเฉลี่ย MAD แบบเรียบ (122.81 - 114 133.14 - 119 135.33 - 137) 3 8.2 A.15 การประเมินการคาดการณ์คุณสามารถเลือกวิธีคาดการณ์เพื่อสร้างการคาดการณ์ได้ถึงสิบสองครั้งสำหรับแต่ละผลิตภัณฑ์ วิธีการคาดการณ์แต่ละวิธีอาจสร้างการฉายภาพที่แตกต่างกันเล็กน้อย เมื่อมีการคาดการณ์ผลิตภัณฑ์หลายพันรายการจะไม่เป็นไปได้ในการตัดสินใจอย่างเป็นอัตนัยเกี่ยวกับการคาดการณ์ใดในแผนงานของคุณสำหรับแต่ละผลิตภัณฑ์ ระบบประเมินประสิทธิภาพโดยอัตโนมัติสำหรับแต่ละวิธีคาดการณ์ที่คุณเลือกและสำหรับแต่ละผลิตภัณฑ์คาดการณ์ คุณสามารถเลือกระหว่างสองเกณฑ์ประสิทธิภาพ ได้แก่ Mean Absolute Deviation (MAD) และเปอร์เซ็นต์ความถูกต้อง (POA) MAD เป็นตัวชี้วัดข้อผิดพลาดในการคาดการณ์ POA เป็นตัววัดความลำเอียงของการคาดการณ์ เทคนิคการประเมินประสิทธิภาพทั้งสองแบบนี้ต้องการข้อมูลประวัติการขายที่แท้จริงสำหรับผู้ใช้ตามช่วงเวลาที่กำหนด ช่วงเวลาของประวัติล่าสุดนี้เรียกว่าระยะเวลาการระงับหรือช่วงเวลาที่เหมาะสม (PBF) หากต้องการวัดประสิทธิภาพของวิธีการคาดการณ์ให้ใช้สูตรคาดการณ์เพื่อจำลองการคาดการณ์สำหรับระยะเวลาการระงับชั่วคราวในอดีต โดยทั่วไปจะมีความแตกต่างระหว่างข้อมูลการขายที่เกิดขึ้นจริงกับการคาดการณ์แบบจำลองสำหรับระยะเวลาการระงับ เมื่อเลือกวิธีคาดการณ์หลายวิธีกระบวนการเดียวกันนี้จะเกิดขึ้นกับแต่ละวิธี คาดการณ์หลายรายการสำหรับระยะเวลาการระงับและเปรียบเทียบกับประวัติการขายที่รู้จักกันในช่วงเวลาเดียวกัน แนะนำให้ใช้วิธีการคาดการณ์ที่เหมาะสมที่สุดในการคาดการณ์และยอดขายจริงในช่วงระยะเวลาการระงับชั่วคราวเพื่อใช้ในแผนงานของคุณ ข้อเสนอแนะนี้มีไว้สำหรับแต่ละผลิตภัณฑ์โดยเฉพาะและอาจเปลี่ยนจากการคาดการณ์หนึ่งไปเป็นอีกรุ่นหนึ่ง A.16 ค่าเบี่ยงเบนสัมบูรณ์ (MAD) หมายถึงค่าเฉลี่ย (หรือค่าเฉลี่ย) ของค่าสัมบูรณ์ (หรือขนาด) ของความเบี่ยงเบน (หรือข้อผิดพลาด) ระหว่างข้อมูลจริงและข้อมูลที่คาดการณ์ MAD เป็นมาตรวัดขนาดเฉลี่ยของข้อผิดพลาดที่คาดว่าจะได้รับตามวิธีการคาดการณ์และประวัติข้อมูล เนื่องจากค่าสัมบูรณ์ถูกนำมาใช้ในการคำนวณข้อผิดพลาดในเชิงบวกไม่ได้เป็นการยกเลิกข้อผิดพลาดเชิงลบ เมื่อเปรียบเทียบวิธีการคาดการณ์หลายวิธีหนึ่งกับ MAD ที่เล็กที่สุดแสดงให้เห็นว่าน่าเชื่อถือที่สุดสำหรับผลิตภัณฑ์ดังกล่าวในช่วงที่มีการระงับ เมื่อมีการคาดการณ์ที่ไม่เป็นกลางและมีข้อผิดพลาดเกิดขึ้นตามปกติมีความสัมพันธ์ทางคณิตศาสตร์ที่เรียบง่ายระหว่าง MAD และสองค่านิยมทั่วไปของการแจกแจงส่วนเบี่ยงเบนมาตรฐานและ Mean Squared Error: A.16.1 เปอร์เซ็นต์ความถูกต้อง (POA) เปอร์เซ็นต์ความถูกต้อง (POA) คือ วัดความลำเอียงคาดการณ์ เมื่อการคาดการณ์สูงเกินไปอย่างต่อเนื่องสินค้าคงเหลือสะสมและต้นทุนสินค้าคงคลังเพิ่มขึ้น เมื่อการคาดการณ์เป็นไปอย่างต่อเนื่องสองขั้นต่ำสินค้าคงเหลือถูกบริโภคและการบริการลูกค้าลดลง การคาดการณ์ที่ต่ำกว่า 10 หน่วยจากนั้น 8 หน่วยที่สูงเกินไปจากนั้น 2 หน่วยที่สูงเกินไปจะเป็นการคาดการณ์ที่เป็นกลาง ข้อผิดพลาดในเชิงบวกที่ 10 จะถูกยกเลิกโดยข้อผิดพลาดเชิงลบที่ 8 และ 2 ข้อผิดพลาดที่เกิดขึ้นจริง - พยากรณ์เมื่อผลิตภัณฑ์สามารถเก็บไว้ในสินค้าคงคลังและเมื่อการคาดการณ์เป็นกลางจำนวนหุ้นที่ปลอดภัยจะถูกนำมาใช้เพื่อป้องกันข้อผิดพลาด ในสถานการณ์เช่นนี้การกำจัดข้อผิดพลาดในการคาดการณ์ไม่ได้เป็นเรื่องสำคัญเท่าที่ควรในการคาดการณ์ที่เป็นกลาง อย่างไรก็ตามในอุตสาหกรรมบริการสถานการณ์ข้างต้นจะถือเป็นข้อผิดพลาดสามประการ บริการนี้จะขาดแคลนในช่วงแรกและมีปริมาณเกินกว่าสองช่วงเวลา ในการให้บริการขนาดของข้อผิดพลาดในการคาดการณ์มักจะมีความสำคัญมากกว่าการคาดการณ์ ยอดรวมในช่วงการระงับช่วยให้ข้อผิดพลาดในเชิงบวกสามารถยกเลิกข้อผิดพลาดเชิงลบได้ เมื่อยอดขายรวมที่เกิดขึ้นจริงสูงกว่ายอดขายที่คาดการณ์ไว้อัตราส่วนดังกล่าวมีค่ามากกว่า 100 แน่นอนว่าเป็นไปไม่ได้ที่จะมีความแม่นยำมากกว่า 100 เมื่อการคาดการณ์ไม่เป็นกลางอัตราส่วน POA จะเท่ากับ 100 ดังนั้นจึงเป็นที่น่าพอใจมากขึ้นกว่าที่จะเป็น 95 ถูกต้องแม่นยำกว่าที่ถูกต้อง 110 เกณฑ์ POA เลือกวิธีการคาดการณ์ที่มีอัตราส่วน POA ใกล้เคียงกับ 100 การเขียนสคริปต์ในหน้านี้ช่วยเพิ่มการนำทางเนื้อหา แต่ไม่เปลี่ยนเนื้อหาในลักษณะใด ๆ