3 งวด ถัว เฉลี่ยเคลื่อนที่

ค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักมีความสำคัญมากขึ้นกับการเคลื่อนไหวของราคาเมื่อเร็ว ๆ นี้ค่าเฉลี่ยถ่วงน้ำหนักที่ทำปฏิกิริยาได้รวดเร็วกว่าการเปลี่ยนแปลงของราคามากกว่าค่าเฉลี่ย Simple Moving Average (ดูที่ Simple Moving Average) ตัวอย่างการคำนวณค่าเฉลี่ยถ่วงน้ำหนัก (3-period) ที่คำนวณได้ดังต่อไปนี้: ราคาในช่วง 3 วันที่ผ่านมามีจำนวน 5, 4 และ 8 เนื่องจากมี 3 ช่วงคือวันล่าสุด (8) น้ำหนัก 3 วันที่สองเมื่อเร็ว ๆ นี้ (4) ได้รับน้ำหนัก 2 และวันสุดท้ายของช่วงเวลา 3 (5) จะได้รับน้ำหนักเพียงอันเดียว การคำนวณมีดังต่อไปนี้: (3 x 8) (2 x 4) (1 x 5) 6 6.17 ค่าเฉลี่ยถ่วงน้ำหนักเคลื่อนที่ 6.17 เทียบกับการคำนวณค่าเฉลี่ยเคลื่อนที่แบบง่าย 5.67 โปรดทราบว่าการเพิ่มขึ้นของราคาที่เพิ่มขึ้น 8 อันที่เกิดขึ้นในวันล่าสุดสะท้อนให้เห็นได้ดียิ่งขึ้นในการคำนวณ Weighted Moving Average แผนภูมิด้านล่างของหุ้น Wal - Mart แสดงให้เห็นถึงความแตกต่างระหว่าง 10 วัน Weighted Moving Average และ 10 วัน Simple Moving Average: สัญญาณซื้อและขายสำหรับตัวบ่งชี้ Average Weighting Moving Average จะถูกกล่าวถึงในเชิงลึกโดยใช้ตัวบ่งชี้ Simple Moving Average (Average Moving Average) ความแตกต่างระหว่างค่าเฉลี่ยถ่วงน้ำหนักกับค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักค่าเฉลี่ยเคลื่อนที่ในช่วงระยะเวลา 5 ปีขึ้นอยู่กับราคาข้างต้นจะคำนวณโดยใช้สูตรต่อไปนี้: จากสมการข้างต้นราคาเฉลี่ยมากกว่า ระยะเวลาดังกล่าวข้างต้นคือ 90.66 การใช้ค่าเฉลี่ยเคลื่อนที่เป็นวิธีที่มีประสิทธิภาพในการขจัดความผันผวนของราคาที่แข็งแกร่ง ข้อ จำกัด ที่สำคัญคือจุดข้อมูลจากข้อมูลที่เก่ากว่าจะไม่ได้รับการถ่วงน้ำหนักใด ๆ กว่าจุดข้อมูลใกล้จุดเริ่มต้นของชุดข้อมูล นี่คือที่ค่าเฉลี่ยเคลื่อนที่ถ่วงน้ำหนักเข้ามาเล่น ค่าเฉลี่ยถ่วงน้ำหนักกำหนดน้ำหนักให้มากขึ้นกับจุดข้อมูลปัจจุบันมากขึ้นเนื่องจากมีความเกี่ยวข้องมากกว่าจุดข้อมูลในอดีตอันไกลโพ้น ผลรวมของการถ่วงน้ำหนักควรเพิ่มได้ถึง 1 (หรือ 100) ในกรณีของค่าเฉลี่ยเคลื่อนที่แบบง่ายๆการถ่วงน้ำหนักมีการกระจายอย่างเท่าเทียมกันซึ่งเป็นเหตุผลว่าทำไมจึงไม่แสดงในตารางด้านบน ราคาปิดของ AAPLWeighted Movement Average Forecasting Methods: ข้อดีและข้อเสีย Hi, LOVE your Post 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 3 การทำความเข้าใจเกี่ยวกับระดับและวิธีการพยากรณ์อากาศคุณสามารถสร้างการคาดการณ์รายละเอียด (รายการเดี่ยว) และการสรุป (สายผลิตภัณฑ์) ที่สะท้อนถึงรูปแบบความต้องการผลิตภัณฑ์ ระบบวิเคราะห์ยอดขายในอดีตเพื่อคำนวณการคาดการณ์โดยใช้วิธีการคาดการณ์ 12 วิธี การคาดการณ์ประกอบด้วยข้อมูลรายละเอียดที่ระดับรายการและข้อมูลระดับสูงขึ้นเกี่ยวกับสาขาหรือ บริษัท โดยรวม 3.1 เกณฑ์การประเมินประสิทธิภาพการคาดการณ์ทั้งนี้ขึ้นอยู่กับการเลือกตัวเลือกการประมวลผลและแนวโน้มและรูปแบบในข้อมูลการขายวิธีการคาดการณ์บางอย่างทำได้ดีกว่าข้อมูลอื่นที่มีอยู่ในอดีต วิธีการพยากรณ์อากาศที่เหมาะสมสำหรับผลิตภัณฑ์หนึ่งอาจไม่เหมาะสมสำหรับผลิตภัณฑ์อื่น คุณอาจพบว่าวิธีการคาดการณ์ที่ให้ผลลัพธ์ที่ดีในขั้นตอนหนึ่งของวัฏจักรชีวิตของผลิตภัณฑ์ยังคงเหมาะสมตลอดทั้งวงจรชีวิต คุณสามารถเลือกระหว่างสองวิธีเพื่อประเมินประสิทธิภาพปัจจุบันของวิธีการคาดการณ์: เปอร์เซ็นต์ความถูกต้อง (POA) ค่าเบี่ยงเบนสัมบูรณ์ที่แท้จริง (MAD) ทั้งสองวิธีการประเมินผลการปฏิบัติงานเหล่านี้ต้องการข้อมูลการขายในอดีตสำหรับช่วงเวลาที่คุณระบุ ช่วงนี้เรียกว่าระยะเวลาการระงับหรือระยะเวลาที่เหมาะสมที่สุด ข้อมูลในช่วงนี้ใช้เป็นพื้นฐานในการแนะนำวิธีพยากรณ์ที่จะนำมาใช้ในการประมาณการต่อไป คำแนะนำนี้มีไว้สำหรับแต่ละผลิตภัณฑ์โดยเฉพาะและสามารถเปลี่ยนจากการคาดการณ์หนึ่งไปเป็นอีกรุ่นหนึ่ง 3.1.1 Best Fit ระบบแนะนำให้ใช้การคาดการณ์พอดีที่ดีที่สุดโดยใช้วิธีพยากรณ์ที่เลือกไว้กับประวัติคำสั่งขายที่ผ่านมาและเปรียบเทียบการจำลองการคาดการณ์กับประวัติที่เกิดขึ้นจริง เมื่อคุณสร้างการคาดการณ์พอดีที่ดีที่สุดระบบจะเปรียบเทียบประวัติการสั่งขายที่เกิดขึ้นจริงกับการคาดการณ์ในช่วงเวลาที่เฉพาะเจาะจงและคำนวณว่าวิธีการคาดการณ์แต่ละวิธีคาดการณ์ยอดขายอย่างไร จากนั้นระบบจะแนะนำการคาดการณ์ที่ถูกต้องที่สุดให้เหมาะสมที่สุด ภาพนี้แสดงการคาดการณ์พอดีที่ดีที่สุด: รูปที่ 3-1 การคาดการณ์พอดีที่ดีที่สุดระบบจะใช้ขั้นตอนต่อไปนี้เพื่อกำหนดพอดีที่ดีที่สุด: ใช้แต่ละวิธีที่ระบุเพื่อจำลองการคาดการณ์สำหรับระยะเวลาการระงับ เปรียบเทียบยอดขายจริงกับการคาดการณ์แบบจำลองสำหรับระยะเวลาการระงับ คำนวณ POA หรือ MAD เพื่อกำหนดวิธีการพยากรณ์ที่ใกล้เคียงกับยอดขายจริงที่ผ่านมา ระบบใช้ POA หรือ MAD ตามตัวเลือกการประมวลผลที่คุณเลือก แนะนำการคาดการณ์พอดีที่ดีที่สุดโดย POA ที่ใกล้เคียงกับ 100 เปอร์เซ็นต์ (มากกว่าหรือต่ำกว่า) หรือ MAD ที่ใกล้เคียงกับศูนย์มากที่สุด 3.2 วิธีการพยากรณ์อากาศ JD Edwards EnterpriseOne Forecast Management ใช้วิธีการประมาณ 12 วิธีในการพยากรณ์ปริมาณและระบุว่าวิธีใดเหมาะสมที่สุดสำหรับสถานการณ์การคาดการณ์ หัวข้อนี้กล่าวถึง: วิธีที่ 1: ร้อยละเมื่อปีที่แล้ว วิธีที่ 2: คำนวณเปอร์เซ็นต์จากปีที่แล้ว วิธีที่ 3: ปีล่าสุดในปีนี้ วิธีที่ 4: การเคลื่อนที่เฉลี่ย วิธีที่ 5: เส้นประมาณ วิธีที่ 6: การถดถอยของสแควร์น้อยที่สุด วิธีที่ 7: การประมาณปริญญาที่สอง วิธีที่ 8: วิธีการแบบยืดหยุ่น วิธีที่ 9: ค่าเฉลี่ยถ่วงน้ำหนัก วิธีที่ 10: Linear Smoothing วิธีที่ 11: Smoothing แบบ Exponential วิธีที่ 12: การเรียบเนียนแบบเสแสร้งตามแนวโน้มและฤดูกาล ระบุวิธีการที่คุณต้องการใช้ในตัวเลือกการประมวลผลสำหรับโปรแกรม Forecast Generation (R34650) วิธีการเหล่านี้ส่วนใหญ่ให้การควบคุมที่ จำกัด ตัวอย่างเช่นคุณสามารถระบุน้ำหนักที่วางไว้ในข้อมูลทางประวัติศาสตร์ล่าสุดหรือช่วงวันที่ของข้อมูลประวัติที่ใช้ในการคำนวณได้ ตัวอย่างในคำแนะนำระบุขั้นตอนการคำนวณสำหรับแต่ละวิธีการคาดการณ์ที่พร้อมใช้งานโดยให้ข้อมูลประวัติที่เหมือนกัน ตัวอย่างวิธีการในส่วนคู่มือใช้หรือชุดข้อมูลทั้งหมดเหล่านี้ซึ่งเป็นข้อมูลที่ผ่านมาจากสองปีที่ผ่านมา ประมาณการที่คาดการณ์ไว้จะเข้าสู่ปีหน้า ข้อมูลประวัติการขายนี้มีเสถียรภาพกับการเพิ่มขึ้นของฤดูกาลในเดือนกรกฎาคมและธันวาคมเล็กน้อย รูปแบบนี้เป็นลักษณะของผลิตภัณฑ์สำหรับผู้ใหญ่ที่อาจใกล้หมดไป 3.2.1 วิธีที่ 1: ร้อยละเมื่อปีที่แล้ววิธีนี้ใช้สูตรเปอร์เซ็นต์เปอร์เซ็นต์ในปีที่ผ่านมาเพื่อคูณระยะเวลาการคาดการณ์โดยการเพิ่มหรือลดเปอร์เซ็นต์ที่ระบุ เมื่อต้องการคาดการณ์ความต้องการวิธีนี้ต้องการจำนวนรอบระยะเวลาที่เหมาะสมที่สุดและประวัติการขายหนึ่งปี วิธีนี้เป็นประโยชน์ในการคาดการณ์ความต้องการสินค้าตามฤดูกาลที่มีการเติบโตหรือลดลง 3.2.1.1 ตัวอย่าง: วิธีที่ 1: เปอร์เซ็นต์เมื่อปีที่แล้วเปอร์เซ็นต์ของสูตรปีที่แล้วคูณข้อมูลการขายจากปีที่แล้วโดยใช้ปัจจัยที่คุณระบุและคาดการณ์ผลลัพธ์ในปีถัดไป วิธีนี้อาจเป็นประโยชน์ในการจัดทำงบประมาณเพื่อจำลองผลกระทบของอัตราการเติบโตที่ระบุหรือเมื่อประวัติการขายมีองค์ประกอบตามฤดูกาลที่สำคัญ ข้อกำหนดการคาดการณ์: ปัจจัยการคูณ ตัวอย่างเช่นระบุ 110 ในตัวเลือกการประมวลผลเพื่อเพิ่มข้อมูลประวัติการขายปีก่อนหน้า 10 เปอร์เซ็นต์ ประวัติการขายที่ต้องการ: หนึ่งปีสำหรับการคำนวณการคาดการณ์บวกจำนวนของช่วงเวลาที่จำเป็นสำหรับการประเมินประสิทธิภาพการคาดการณ์ (ช่วงเวลาที่เหมาะสมที่สุด) ที่คุณระบุ ตารางนี้เป็นประวัติที่ใช้ในการคำนวณคาดการณ์: การคาดการณ์ในเดือนกุมภาพันธ์เท่ากับ 117 ครั้ง 1.1 128.7 ปัดเศษที่ 129 การคาดการณ์ของเดือนมีนาคมเท่ากับ 115 ครั้ง 1.1 126.5 มวนถึง 127 3.2.2 วิธีที่ 2: คำนวณเปอร์เซ็นต์จากปีที่แล้ววิธีนี้ใช้เปอร์เซ็นต์คำนวณ สูตรปีที่ผ่านมาเพื่อเปรียบเทียบยอดขายที่ผ่านมาของช่วงเวลาที่กำหนดกับยอดขายจากช่วงเดียวกันของปีที่แล้ว ระบบจะกำหนดเปอร์เซ็นต์เพิ่มหรือลดและคูณแต่ละช่วงเวลาตามเปอร์เซ็นต์เพื่อหาการคาดการณ์ เมื่อต้องการคาดการณ์ความต้องการวิธีนี้ต้องการจำนวนของช่วงเวลาของประวัติการสั่งขายรวมทั้งประวัติการขายหนึ่งปี วิธีนี้เป็นประโยชน์ในการคาดการณ์ความต้องการในระยะสั้นสำหรับสินค้าตามฤดูกาลที่มีการเติบโตหรือลดลง 3.2.2.1 ตัวอย่าง: วิธีที่ 2: ร้อยละที่คำนวณได้จากปีที่แล้วเปอร์เซ็นต์คำนวณจากสูตรปีที่แล้วคูณข้อมูลการขายจากปีที่แล้วโดยใช้ปัจจัยที่คำนวณโดยระบบแล้วจึงคำนวณผลลัพธ์ในปีถัดไป วิธีนี้อาจเป็นประโยชน์ในการคาดการณ์ผลกระทบของการขยายอัตราการเติบโตของผลิตภัณฑ์ล่าสุดในปีหน้าโดยยังคงรักษารูปแบบตามฤดูกาลที่มีอยู่ในประวัติการขาย ข้อกำหนดการคาดการณ์: ช่วงของประวัติการขายเพื่อใช้ในการคำนวณอัตราการเติบโต ตัวอย่างเช่นระบุ n เท่ากับ 4 ในตัวเลือกการประมวลผลเพื่อเปรียบเทียบประวัติการขายสำหรับสี่งวดล่าสุดกับช่วงเวลาเดียวกันของปีที่แล้ว ใช้อัตราส่วนที่คำนวณได้เพื่อทำประมาณการปีถัดไป ประวัติการขายที่ต้องการ: หนึ่งปีสำหรับการคำนวณการคาดการณ์บวกระยะเวลาที่จำเป็นสำหรับการประเมินผลการคาดการณ์ (ช่วงเวลาที่เหมาะที่สุด) ตารางนี้เป็นประวัติศาสตร์ที่ใช้ในการคำนวณคาดการณ์โดยให้ n เท่ากับ 4: กุมภาพันธ์เท่ากับ 117 เท่า 0.9766 114.26 ปัดเศษขึ้นเป็น 114 ครั้งประมาณการเดือนมีนาคมเท่ากับ 115 เท่า 0.9766 112.31 ปัดเศษเป็น 112 3.2.3 วิธีที่ 3: ปีล่าสุดถึงปีนี้วิธีนี้ใช้ ยอดขายปีที่ผ่านมาสำหรับการคาดการณ์ปีหน้า เมื่อต้องการคาดการณ์ความต้องการวิธีนี้ต้องการจำนวนรอบระยะเวลาที่เหมาะสมที่สุดรวมทั้งประวัติการสั่งขายหนึ่งปี วิธีนี้เป็นประโยชน์ในการคาดการณ์ความต้องการสำหรับผลิตภัณฑ์ผู้ใหญ่ที่มีระดับความต้องการหรือความต้องการตามฤดูกาลโดยไม่มีแนวโน้ม 3.2.3.1 ตัวอย่าง: วิธีที่ 3: ปีล่าสุดของปีนี้สูตรปีล่าสุดของปีนี้จะทำสำเนาข้อมูลการขายจากปีที่แล้วไปยังปีถัดไป วิธีนี้อาจเป็นประโยชน์ในการจัดทำงบประมาณเพื่อจำลองยอดขายในระดับปัจจุบัน ผลิตภัณฑ์ดังกล่าวเป็นผู้ใหญ่และไม่มีแนวโน้มในระยะยาว แต่อาจมีรูปแบบความต้องการตามฤดูกาลที่สำคัญ ข้อกำหนดการคาดการณ์: ไม่มี ประวัติการขายที่ต้องการ: หนึ่งปีสำหรับการคำนวณการคาดการณ์บวกจำนวนของช่วงเวลาที่จำเป็นสำหรับการประเมินผลการคาดการณ์ (ช่วงเวลาที่เหมาะที่สุด) ตารางนี้เป็นประวัติศาสตร์ที่ใช้ในการคำนวณคาดการณ์: การคาดการณ์ในเดือนมกราคมเท่ากับเดือนมกราคมปีที่แล้วโดยมีค่าคาดการณ์ที่ 128 โดยคาดการณ์เดือนกุมภาพันธ์เท่ากับเดือนกุมภาพันธ์ของปีก่อนโดยมีค่าพยากรณ์เท่ากับ 117 เดือนมีนาคมคาดหมายเท่ากับเดือนมีนาคมของปีที่แล้วโดยมีค่าคาดการณ์ 115. 3.2.4 วิธีที่ 4: การเคลื่อนที่โดยเฉลี่ยวิธีการนี้ใช้สูตร Average Moving เฉลี่ยจำนวนงวดที่ระบุเพื่อแสดงช่วงถัดไป คุณควรคำนวณใหม่บ่อยครั้ง (รายเดือนหรืออย่างน้อยไตรมาส) เพื่อให้สอดคล้องกับระดับความต้องการที่เปลี่ยนแปลงไป เมื่อต้องการคาดการณ์ความต้องการวิธีนี้ต้องการจำนวนงวดที่พอดีกับจำนวนของช่วงเวลาของประวัติการสั่งขาย วิธีนี้เป็นประโยชน์ในการคาดการณ์ความต้องการสำหรับผลิตภัณฑ์ผู้ใหญ่โดยไม่มีแนวโน้ม 3.2.4.1 ตัวอย่าง: วิธีที่ 4: Moving Average Moving Average (MA) เป็นวิธีที่ได้รับความนิยมสำหรับการคำนวณหาค่าเฉลี่ยของยอดขายในช่วงระยะเวลาสั้น ๆ วิธีคาดการณ์ MA ล่าช้ากว่าแนวโน้ม การพยากรณ์ความลำเอียงและข้อผิดพลาดอย่างเป็นระบบเกิดขึ้นเมื่อประวัติการขายของผลิตภัณฑ์แสดงถึงแนวโน้มที่แข็งแกร่งหรือรูปแบบตามฤดูกาล วิธีนี้ใช้งานได้ดีสำหรับการคาดการณ์ในระยะสั้นของผลิตภัณฑ์ที่ครบถ้วนกว่าผลิตภัณฑ์ที่อยู่ในช่วงการเติบโตหรือเสื่อมสภาพของวงจรชีวิต ข้อกำหนดการคาดการณ์: n เท่ากับจำนวนรอบระยะเวลาของประวัติการขายที่จะใช้ในการคำนวณคาดการณ์ ตัวอย่างเช่นระบุ n 4 ในตัวเลือกการประมวลผลเพื่อใช้ช่วงสี่งวดล่าสุดเป็นเกณฑ์สำหรับการฉายในช่วงเวลาถัดไป ค่าที่มากสำหรับ n (เช่น 12) ต้องการประวัติการขายเพิ่มขึ้น ส่งผลให้มีการคาดการณ์ที่มั่นคง แต่ช้าในการรับรู้ถึงการเปลี่ยนแปลงในระดับของยอดขาย ตรงกันข้ามค่าเล็กน้อยสำหรับ n (เช่น 3) สามารถตอบสนองต่อการเปลี่ยนแปลงระดับการขายได้เร็วขึ้น แต่การคาดการณ์อาจผันผวนอย่างมากจนการผลิตไม่สามารถตอบสนองต่อรูปแบบต่างๆได้ ประวัติการขายที่ต้องการ: n บวกจำนวนช่วงเวลาที่จำเป็นสำหรับการประเมินประสิทธิภาพการคาดการณ์ (ช่วงเวลาที่เหมาะที่สุด) ตารางนี้เป็นประวัติที่ใช้ในการคำนวณการคาดการณ์: การคาดการณ์ในเดือนกุมภาพันธ์เท่ากับ 114 119 137 125 4 123.75 124 คำแนะนำมีนาคมเท่ากับ 119 137 125 124 4 126.25 ปัดเศษเป็น 126 3.2.5 วิธีที่ 5 วิธีเส้นตรง ใช้สูตร Linear Approximation เพื่อคำนวณแนวโน้มจากจำนวนรอบระยะเวลาของประวัติการสั่งขายและเพื่อคาดการณ์แนวโน้มนี้กับการคาดการณ์ คุณควรคำนวณแนวโน้มรายเดือนเพื่อตรวจสอบการเปลี่ยนแปลงของแนวโน้ม วิธีนี้ต้องใช้จำนวนงวดที่พอดีกับระยะเวลาการขายของใบสั่งขาย วิธีนี้เป็นประโยชน์ในการคาดการณ์ความต้องการผลิตภัณฑ์ใหม่ ๆ หรือผลิตภัณฑ์ที่มีแนวโน้มในเชิงบวกหรือเชิงลบอย่างสม่ำเสมอซึ่งไม่ได้เกิดจากความผันผวนตามฤดูกาล 3.2.5.1 ตัวอย่าง: วิธีที่ 5: เส้นประมาณเชิงเส้นเส้นประมาณเชิงเส้นคำนวณแนวโน้มที่ขึ้นอยู่กับจุดข้อมูลประวัติการขายสองจุด จุดที่สองกำหนดเส้นแนวโน้มตรงที่คาดการณ์ไว้ในอนาคต ใช้วิธีนี้ด้วยความระมัดระวังเนื่องจากการคาดการณ์ในระยะยาวจะใช้ประโยชน์จากการเปลี่ยนแปลงเพียงจุดข้อมูลสองจุด ข้อกำหนดการคาดการณ์: n เท่ากับจุดข้อมูลในประวัติการขายที่เปรียบเทียบกับจุดข้อมูลล่าสุดเพื่อระบุแนวโน้ม ตัวอย่างเช่นระบุ n 4 เพื่อใช้ความแตกต่างระหว่างเดือนธันวาคม (ข้อมูลล่าสุด) และสิงหาคม (สี่ช่วงก่อนเดือนธันวาคม) เป็นเกณฑ์ในการคำนวณแนวโน้ม ประวัติการขายที่ต้องการขั้นต่ำ: n บวก 1 บวกระยะเวลาที่จำเป็นสำหรับการประเมินผลการคาดการณ์ (ช่วงเวลาที่เหมาะสมที่สุด) ตารางนี้เป็นประวัติศาสตร์ที่ใช้ในการคำนวณคาดการณ์: การคาดการณ์มกราคมของเดือนธันวาคมของปีที่แล้ว 1 (Trend) ซึ่งเท่ากับ 137 (1 ครั้ง 2) 139. การคาดการณ์เดือนกุมภาพันธ์ของปีที่แล้ว 1 (Trend) ซึ่งเท่ากับ 137 (2 ครั้ง 2) 141 การคาดการณ์เดือนมีนาคมของปีที่แล้ว 1 (Trend) ซึ่งเท่ากับ 137 (3 ครั้ง 2) 143. 3.2.6 วิธีที่ 6: การถดถอยของสแควร์น้อยที่สุดวิธีการถดถอยต่ำสุด (LSR) ใช้สมการอธิบายความสัมพันธ์ระหว่างข้อมูลทางประวัติศาสตร์ และกาลเวลา LSR พอดีกับเส้นที่เลือกช่วงของข้อมูลเพื่อให้ผลรวมของสี่เหลี่ยมของความแตกต่างระหว่างจุดขายข้อมูลที่เกิดขึ้นจริงและสายการถดถอยจะลดลง การคาดการณ์คือการคาดการณ์ของเส้นตรงนี้ในอนาคต วิธีนี้ต้องใช้ประวัติข้อมูลการขายสำหรับรอบระยะเวลาที่แสดงด้วยจำนวนงวดที่พอดีกับจำนวนครั้งในอดีตที่ระบุ ข้อกำหนดขั้นต่ำคือจุดข้อมูลทางประวัติศาสตร์สองจุด วิธีนี้เป็นประโยชน์ในการคาดการณ์ความต้องการเมื่อมีแนวโน้มเชิงเส้นอยู่ในข้อมูล 3.2.6.1 ตัวอย่าง: วิธีที่ 6: การถดถอยต่ำสุดการถดถอยเชิงเส้นหรือการถดถอยต่ำสุด (LSR) เป็นวิธีที่ได้รับความนิยมมากที่สุดสำหรับการระบุแนวโน้มเชิงเส้นในข้อมูลการขายในอดีต วิธีการคำนวณค่าสำหรับ a และ b ที่จะใช้ในสูตร: สมการนี้อธิบายถึงเส้นตรงโดยที่ Y แทนยอดขายและ X หมายถึงเวลา การถดถอยเชิงเส้นช้าในการจดจำจุดหักเหและขั้นตอนการทำงานที่เปลี่ยนแปลงไปตามความต้องการ การถดถอยเชิงเส้นตรงกับเส้นตรงกับข้อมูลแม้ว่าข้อมูลจะเป็นแบบตามฤดูกาลหรืออธิบายได้ดีขึ้นโดยใช้เส้นโค้ง เมื่อข้อมูลประวัติการขายเป็นไปตามเส้นโค้งหรือมีรูปแบบฤดูกาลที่แข็งแกร่งคาดการณ์ความลำเอียงและข้อผิดพลาดที่เป็นระบบเกิดขึ้น ข้อกำหนดการคาดการณ์: n เท่ากับระยะเวลาของประวัติการขายที่จะใช้ในการคำนวณค่าสำหรับ a และ b ตัวอย่างเช่นระบุ n 4 เพื่อใช้ประวัติการเข้าชมตั้งแต่เดือนกันยายนถึงธันวาคมเป็นเกณฑ์ในการคำนวณ เมื่อมีข้อมูลจะมีการใช้ n ที่มีขนาดใหญ่กว่า (เช่น n 24) LSR กำหนดเส้นสำหรับจุดข้อมูลเพียงสองจุด สำหรับตัวอย่างนี้ค่าเล็ก ๆ สำหรับ n (n 4) ได้รับเลือกเพื่อลดการคำนวณด้วยตนเองที่จำเป็นต้องใช้เพื่อยืนยันผลลัพธ์ ประวัติการขายที่ต้องการขั้นต่ำ: n งวดบวกระยะเวลาที่จำเป็นสำหรับการประเมินผลการคาดการณ์ (ช่วงเวลาที่เหมาะที่สุด) ตารางนี้เป็นประวัติที่ใช้ในการคำนวณคาดการณ์: การคาดการณ์ในเดือนมีนาคมเท่ากับ 119.5 (7 ครั้ง 2.3) 135.6 คูณเป็น 136. 3.2.7 วิธีที่ 7: การประมาณระดับที่สองในการคาดการณ์การคาดการณ์วิธีนี้ใช้สูตรประมาณที่สองในการประมาณเส้นโค้ง ซึ่งขึ้นอยู่กับจำนวนรอบระยะเวลาของประวัติการขาย วิธีนี้ต้องใช้ระยะเวลาที่เหมาะสมกับจำนวนครั้งของประวัติการสั่งขายครั้งที่สาม วิธีนี้ไม่เป็นประโยชน์ในการคาดการณ์ความต้องการระยะเวลานาน 3.2.7.1 ตัวอย่าง: วิธีที่ 7: การประมาณค่าระดับที่สองการถดถอยเชิงเส้นกำหนดค่าสำหรับ a และ b ในสูตรพยากรณ์ Y a b X โดยมีวัตถุประสงค์เพื่อให้ตรงกับข้อมูลประวัติการขาย แต่วิธีนี้กำหนดค่าสำหรับ a, b และ c ในสูตรการคาดการณ์นี้: Y a b X c X 2 วัตถุประสงค์ของวิธีนี้คือให้พอดีกับเส้นโค้งกับข้อมูลประวัติการขาย วิธีนี้เป็นประโยชน์เมื่อผลิตภัณฑ์อยู่ในช่วงการเปลี่ยนระหว่างรอบชีวิต ตัวอย่างเช่นเมื่อผลิตภัณฑ์ใหม่ย้ายจากช่วงแนะนำสู่ช่วงการเติบโตแนวโน้มการขายอาจเพิ่มขึ้น เนื่องจากลำดับที่สองการคาดการณ์สามารถหาอินฟินิตี้ได้อย่างรวดเร็วหรือลดลงเป็นศูนย์ (ขึ้นอยู่กับว่าสัมประสิทธิ์ c เป็นบวกหรือลบ) วิธีนี้มีประโยชน์ในระยะสั้นเท่านั้น ข้อกำหนดการคาดการณ์: สูตรหา a, b และ c ให้พอดีกับเส้นโค้งให้ตรงสามจุด คุณระบุ n จำนวนช่วงเวลาของข้อมูลที่จะสะสมลงในแต่ละจุดสามจุด ในตัวอย่างนี้ n 3. ข้อมูลการขายจริงสำหรับเดือนเมษายนถึงเดือนมิถุนายนรวมอยู่ในจุดแรก Q1 ตั้งแต่เดือนกรกฎาคมถึงเดือนกันยายนรวมกันเพื่อสร้างไตรมาสที่ 2 และเดือนตุลาคมถึงเดือนธันวาคมรวมเป็นไตรมาสที่ 3 เส้นโค้งจะพอดีกับสามค่า Q1, Q2 และ Q3 ประวัติการขายที่ต้องการ: 3 ครั้ง n งวดสำหรับการคำนวณการคาดการณ์บวกจำนวนช่วงเวลาที่จำเป็นสำหรับการประเมินผลการคาดการณ์ (ช่วงเวลาที่เหมาะสมที่สุด) ตารางนี้เป็นประวัติใช้ในการคำนวณคาดการณ์: Q0 (ม. ค. ) (ก. พ. ) (มี.ค. ) ไตรมาสที่ 1 (เม. ย. ) (มิ.ย. ) (มิ.ย. ) เท่ากับ 125 122 137 384 Q2 (ก. ค. ) (ก. ย. ) (ก. ย. ) เท่ากับ 140 129 131 400 Q3 (ต. ค. ) (พ. ย. ) (ธ. ค. ) ซึ่งเท่ากับ 114 119 137 370 ขั้นตอนต่อไปคือการคำนวณค่าสัมประสิทธิ์ทั้งสามแบบ a, b และ c เพื่อใช้ในสูตรพยากรณ์ Y ab X c X 2 Q1, Q2 และ Q3 จะถูกนำเสนอบนภาพกราฟฟิกซึ่งจะมีการวางแผนเวลาลงบนแกนแนวนอน Q1 หมายถึงยอดขายรวมในเดือนเมษายนพฤษภาคมและมิถุนายนและวางแผนไว้ที่ X 1 Q2 ตรงกับเดือนกรกฎาคมถึง 3 กันยายนตรงกับเดือนตุลาคมถึงธันวาคมและ Q4 หมายถึงเดือนมกราคมถึงเดือนมีนาคม ภาพนี้แสดงให้เห็นถึงการวางแผน Q1, Q2, Q3 และ Q4 สำหรับการประมาณระดับที่สอง: รูปที่ 3-2 การพล็อต Q1, Q2, Q3 และ Q4 สำหรับการประมาณค่าองศาที่สองสามสมการอธิบายจุดสามจุดบนกราฟ: (1) Q1 bX cX 2 โดยที่ X 1 (Q1 abc) (2) Q2 a bX cX 2 โดยที่ X 2 (Q 2 a 2 b 4 c) (3) Q 3 a bX cX 2 โดยที่ X 3 (Q 3 a 3b 9 c) แก้สมการทั้งสาม เพื่อค้นหา b, a และ c: ลบสมการ 1 (1) จากสมการ 2 (2) และแก้ให้ b: (2) ndash (1) Q2 ndash Q1 b 3c b (Q2 ndash Q1) ndash 3c แทนสมการนี้ b สมการ (3): (3) Q3 a 3 (Q2 ndash Q1) ndash 3c 9c a Q3 ndash 3 (Q2 ndash Q1) สุดท้ายแทนสมการเหล่านี้สำหรับ a และ b เป็นสมการ (1): (1) Q3 ndash 2 วิธีการประมาณค่าที่สองคำนวณ a, b และ c ดังนี้ Q3 ndash 3 (Q2 ndash Q1) Q2 Q2 Q2 Q2 Q2 Q2 Q2 Q2 Q2 Q2 Q2 Q2 Q2 Q3 ) 370 ndash 3 (400 ndash 384) 370 ndash 3 (16) 322 b (Q2 ndash Q1) ndash3c (400 nda) sh 384) ndash (3 ครั้ง ndash23) 16 69 85 c (Q3 ndash Q2) (Q1 ndash Q2) 2 (370 ndash 400) (384 ndash 400) 2 ndash23 นี่คือการคํานวณการคาดประมาณองศาที่สอง: Y a bX cX 2 322 85X (ndash23) (X 2) เมื่อ X 4, Q4 322 340 ndash 368 294 การคาดการณ์เท่ากับ 294 3 98 ต่อระยะเวลา เมื่อ X 5, Q5 322 425 ndash 575 172. คาดการณ์เท่ากับ 172 3 58.33 รอบต่อนาทีเป็น 57 ต่องวด เมื่อ X 6, Q6 322 510 ndash 828 4. การคาดการณ์เท่ากับ 4 3 1.33 รอบต่อ 1 ต่อระยะเวลา นี่คือการคาดการณ์ในปีหน้าปีล่าสุดในปีนี้: 3.2.8 วิธีที่ 8: วิธีการแบบยืดหยุ่นวิธีนี้ช่วยให้คุณสามารถเลือกจำนวนที่เหมาะสมที่สุดของช่วงเวลาของประวัติการสั่งขายที่เริ่ม n เดือนก่อนวันที่เริ่มคาดการณ์และ ใช้อัตราร้อยละเพิ่มหรือลดคูณปัจจัยที่จะปรับเปลี่ยนการคาดการณ์ วิธีนี้คล้ายกับวิธีที่ 1 ร้อยละเมื่อปีที่แล้วยกเว้นว่าคุณสามารถระบุจำนวนงวดที่คุณใช้เป็นฐานได้ ขึ้นอยู่กับสิ่งที่คุณเลือกเป็น n วิธีนี้ต้องใช้ระยะเวลาที่พอดีกับจำนวนข้อมูลการขายที่ระบุไว้ วิธีนี้เป็นประโยชน์ในการคาดการณ์ความต้องการแนวโน้มตามแผน 3.2.8.1 ตัวอย่าง: วิธีที่ 8: วิธีที่ยืดหยุ่นวิธีที่ยืดหยุ่น (เปอร์เซ็นต์มากกว่า n เดือนก่อน) คล้ายกับวิธีที่ 1 ร้อยละเมื่อปีที่แล้ว ทั้งสองวิธีคูณข้อมูลการขายจากช่วงเวลาก่อนหน้าโดยใช้ปัจจัยที่ระบุโดยคุณจากนั้นจึงคาดการณ์ผลลัพธ์ดังกล่าวในอนาคต ในวิธีคิดอัตราส่วนต่อปีที่ผ่านมาการประมาณการจะขึ้นอยู่กับข้อมูลจากช่วงเวลาเดียวกันของปีที่ผ่านมา นอกจากนี้คุณยังสามารถใช้วิธีที่ยืดหยุ่นเพื่อระบุช่วงเวลานอกเหนือจากช่วงเดียวกันของปีที่ผ่านมาเพื่อใช้เป็นเกณฑ์ในการคำนวณ คูณปัจจัย ตัวอย่างเช่นระบุ 110 ในตัวเลือกการประมวลผลเพื่อเพิ่มข้อมูลประวัติการขายก่อนหน้านี้ 10 เปอร์เซ็นต์ ระยะฐาน ตัวอย่างเช่น n 4 เป็นสาเหตุให้การคาดการณ์ครั้งแรกขึ้นอยู่กับข้อมูลการขายในเดือนกันยายนปีที่แล้ว ประวัติการขายที่ต้องการขั้นต่ำ: จำนวนงวดย้อนกลับไปยังช่วงเวลาพื้นฐานบวกกับจำนวนช่วงเวลาที่จำเป็นสำหรับการประเมินผลการคาดการณ์ (ช่วงเวลาที่เหมาะสมที่สุด) ตารางนี้เป็นประวัติที่ใช้ในการคำนวณการคาดการณ์: 3.2.9 วิธีที่ 9: ค่าเฉลี่ยถ่วงน้ำหนักถ่วงน้ำหนักสูตรเฉลี่ยถ่วงน้ำหนักมีความคล้ายคลึงกับวิธีที่ 4 สูตรการเคลื่อนที่โดยเฉลี่ยเนื่องจากค่าเฉลี่ยของประวัติการขายในเดือนก่อน ๆ อย่างไรก็ตามด้วยสูตรนี้คุณสามารถกำหนดน้ำหนักสำหรับแต่ละงวดก่อนได้ วิธีนี้ต้องใช้จำนวนงวดที่เลือกรวมทั้งจำนวนงวดที่พอดีกับข้อมูลมากที่สุด คล้ายกับ Moving Average วิธีนี้ล่าช้าไปกว่าแนวโน้มความต้องการดังนั้นวิธีนี้จึงไม่แนะนำสำหรับผลิตภัณฑ์ที่มีแนวโน้มหรือฤดูกาลที่แข็งแกร่ง วิธีนี้เป็นประโยชน์ในการคาดการณ์ความต้องการสำหรับผลิตภัณฑ์ผู้ใหญ่ที่มีความต้องการอยู่ในระดับค่อนข้างมาก 3.2.9.1 ตัวอย่าง: วิธีที่ 9: ค่าเฉลี่ยถ่วงน้ำหนักถ่วงน้ำหนักวิธีเฉลี่ยถ่วงน้ำหนักเฉลี่ยเคลื่อนที่ (WMA) คล้ายกับวิธีที่ 4 ค่าเฉลี่ยเคลื่อนที่ (MA) อย่างไรก็ตามคุณสามารถกำหนดน้ำหนักไม่เท่ากันให้กับข้อมูลที่ผ่านมาเมื่อใช้ WMA วิธีคำนวณค่าเฉลี่ยถ่วงน้ำหนักของประวัติการขายล่าสุดเพื่อให้ได้ภาพที่ประมาณการในระยะสั้น ข้อมูลล่าสุดมักได้รับมอบหมายให้มีน้ำหนักมากกว่าข้อมูลเก่าดังนั้น WMA จะตอบสนองต่อการเปลี่ยนแปลงระดับการขายมากขึ้น อย่างไรก็ตามคาดการณ์อคติและข้อผิดพลาดอย่างเป็นระบบเกิดขึ้นเมื่อประวัติการขายผลิตภัณฑ์แสดงแนวโน้มที่แข็งแกร่งหรือรูปแบบตามฤดูกาล วิธีนี้ใช้ได้ผลดีกับการคาดการณ์ในระยะสั้นของผลิตภัณฑ์ที่ครบถ้วนมากกว่าผลิตภัณฑ์ที่อยู่ในช่วงการเจริญเติบโตหรือเสื่อมสภาพของวงจรชีวิต จำนวนงวดของประวัติการขาย (n) ที่จะใช้ในการคำนวณคาดการณ์ ตัวอย่างเช่นระบุ n 4 ในตัวเลือกการประมวลผลเพื่อใช้ช่วงสี่งวดล่าสุดเป็นเกณฑ์สำหรับการฉายในช่วงเวลาถัดไป ค่าที่มากสำหรับ n (เช่น 12) ต้องการประวัติการขายเพิ่มขึ้น ค่าดังกล่าวส่งผลให้เกิดการคาดการณ์ที่มีเสถียรภาพ แต่ก็ช้าในการรับรู้ถึงการเปลี่ยนแปลงในระดับของยอดขาย ตรงกันข้ามค่าเล็กน้อยสำหรับ n (เช่น 3) ตอบสนองได้เร็วขึ้นเพื่อปรับระดับการขาย แต่การคาดการณ์อาจผันผวนอย่างกว้างขวางเพื่อให้การผลิตไม่สามารถตอบสนองต่อรูปแบบต่างๆได้ จำนวนงวดทั้งหมดสำหรับตัวเลือกการประมวลผล rdquo14 - ช่วงเวลาที่จะรวมกันไม่เกิน 12 เดือน น้ำหนักที่กำหนดให้กับแต่ละช่วงข้อมูลที่ผ่านมา น้ำหนักที่กำหนดให้ต้องรวม 1.00 ตัวอย่างเช่นเมื่อ n 4 ให้กำหนดน้ำหนักของ 0.50, 0.25, 0.15 และ 0.10 โดยข้อมูลล่าสุดที่ได้รับน้ำหนักมากที่สุด ประวัติการขายที่ต้องการขั้นต่ำ: n บวกจำนวนช่วงเวลาที่จำเป็นสำหรับการประเมินผลการคาดการณ์ (ช่วงเวลาที่เหมาะที่สุด) ตารางนี้เป็นประวัติศาสตร์ที่ใช้ในการคำนวณคาดการณ์: การคาดการณ์ในเดือนมกราคมเท่ากับ (131 ครั้ง 0.10) (114 ครั้ง 0.15) (119 ครั้ง 0.25) (137 ครั้ง 0.50) (0.10 0.15 0.25 0.50) 128.45 ปัดเศษขึ้นเป็น 128 การคาดการณ์เดือนกุมภาพันธ์เท่ากับ 114 ครั้ง 0.10) (119 ครั้ง 0.15) (137 ครั้ง 0.25) (128 ครั้ง 0.50) 1 127.5 ปัดเศษเป็น 128 การคาดการณ์เดือนมีนาคมเท่ากับ 119 ครั้ง 0.10 (137 ครั้ง 0.15) (128 ครั้ง 0.25) (128 ครั้ง 0.50) 1 128.45 128. 3.2.10 วิธีที่ 10: การทำให้เรียบแบบ Linear Smoothing วิธีนี้จะคำนวณค่าเฉลี่ยถ่วงน้ำหนักของข้อมูลการขายในอดีต ในการคำนวณวิธีนี้ใช้จำนวนงวดของประวัติการสั่งขาย (ตั้งแต่ 1 ถึง 12) ที่ระบุไว้ในตัวเลือกการประมวลผล ระบบใช้ความคืบหน้าทางคณิตศาสตร์เพื่อชั่งน้ำหนักข้อมูลในช่วงตั้งแต่แรก (น้ำหนักน้อยที่สุด) ไปจนถึงขั้นสุดท้าย (น้ำหนักมากที่สุด) จากนั้นระบบจะแสดงข้อมูลนี้ในแต่ละช่วงเวลาในการคาดการณ์ วิธีนี้ต้องใช้เดือนที่พอดีกับประวัติการสั่งขายสำหรับจำนวนงวดที่ระบุไว้ในตัวเลือกการประมวลผล 3.2.10.1 ตัวอย่าง: วิธีที่ 10: การทำให้เรียบแบบ Linear วิธีนี้คล้ายกับวิธีที่ 9, WMA อย่างไรก็ตามแทนที่จะใช้การกำหนดน้ำหนักโดยพลการให้กับข้อมูลทางประวัติศาสตร์สูตรจะใช้เพื่อกำหนดน้ำหนักที่ลดลงเป็นเชิงเส้นและรวมกันเป็น 1.00 วิธีนี้จะคำนวณถัวเฉลี่ยถ่วงน้ำหนักของประวัติการขายล่าสุดที่จะมาถึงการฉายในระยะสั้น เช่นเดียวกับเทคนิคการคาดการณ์เชิงเส้นของการเคลื่อนที่เชิงเส้นทั้งหมดการพยากรณ์ความลำเอียงและข้อผิดพลาดอย่างเป็นระบบเกิดขึ้นเมื่อประวัติการขายของผลิตภัณฑ์แสดงแนวโน้มที่แข็งแกร่งหรือรูปแบบตามฤดูกาล วิธีนี้ใช้ได้ผลดีกับการคาดการณ์ในระยะสั้นของผลิตภัณฑ์ที่ครบถ้วนมากกว่าผลิตภัณฑ์ที่อยู่ในช่วงการเจริญเติบโตหรือเสื่อมสภาพของวงจรชีวิต n เท่ากับจำนวนรอบระยะเวลาของประวัติการขายที่จะใช้ในการคำนวณคาดการณ์ ตัวอย่างเช่นระบุ n เท่ากับ 4 ในตัวเลือกการประมวลผลเพื่อใช้สี่งวดล่าสุดเป็นเกณฑ์สำหรับการฉายในช่วงเวลาถัดไป ระบบจะกำหนดน้ำหนักให้กับข้อมูลทางประวัติศาสตร์ที่ลดลงเป็นเชิงเส้นและรวมกันเป็น 1.00 ตัวอย่างเช่นเมื่อ n เท่ากับ 4 ระบบจะกำหนดน้ำหนักของ 0.4, 0.3, 0.2 และ 0.1 โดยข้อมูลล่าสุดจะได้รับน้ำหนักมากที่สุด ประวัติการขายที่ต้องการขั้นต่ำ: n บวกจำนวนช่วงเวลาที่จำเป็นสำหรับการประเมินผลการคาดการณ์ (ช่วงเวลาที่เหมาะที่สุด) ตารางนี้เป็นประวัติที่ใช้ในการคำนวณการคาดการณ์: 3.2.11 วิธีที่ 11: การทำให้เรียบแบบสม่ำเสมอ (Exponential Smoothing) วิธีนี้จะคำนวณค่าเฉลี่ยที่ราบเรียบซึ่งเป็นค่าประมาณที่แสดงถึงยอดขายทั่วไปในช่วงเวลาที่ผ่านมา วิธีนี้ต้องใช้ประวัติข้อมูลการขายสำหรับช่วงเวลาที่แสดงด้วยจำนวนงวดที่พอดีกับจำนวนรอบของข้อมูลที่ผ่านมาที่ระบุไว้ ข้อกำหนดขั้นต่ำคือสองช่วงข้อมูลทางประวัติศาสตร์ วิธีนี้เป็นประโยชน์ในการคาดการณ์ความต้องการเมื่อไม่มีแนวโน้มเชิงเส้นอยู่ในข้อมูล 3.2.11.1 ตัวอย่าง: วิธีที่ 11: Smoothing แบบ Exponential วิธีนี้คล้ายกับ Method 10, Linear Smoothing ระบบ Linear Smoothing จะกำหนดน้ำหนักที่ลดลงตามข้อมูลเชิงเส้น ในระบบ Smoning แบบ Exponential ระบบจะกำหนดน้ำหนักที่สลายตัวตามจำนวนที่ระบุ สมการในการพยากรณ์ Exponential Smoothing คือ: อัลฟาพยากรณ์ (การขายจริงก่อนหน้า) (1 ndashal) (พยากรณ์ก่อนหน้านี้) การคาดการณ์คือค่าเฉลี่ยถ่วงน้ำหนักของยอดขายจริงจากช่วงก่อนหน้าและประมาณการจากช่วงก่อนหน้า Alpha คือน้ำหนักที่ใช้กับยอดขายที่เกิดขึ้นจริงในงวดก่อนหน้า (1 ndash alpha) คือน้ำหนักที่ใช้กับการคาดการณ์สำหรับงวดก่อนหน้า ค่าสำหรับอัลฟามีตั้งแต่ 0 ถึง 1 และมักจะตกอยู่ระหว่าง 0.1 ถึง 0.4 ผลรวมของน้ำหนักคือ 1.00 (alpha (1 ndash alpha) 1) คุณควรกำหนดค่าสำหรับค่าคงที่ที่ราบเรียบ alpha ถ้าคุณไม่ได้กำหนดค่าสำหรับการทำให้ราบเรียบค่าคงที่ระบบจะคำนวณค่าสันนิษฐานที่ขึ้นอยู่กับจำนวนรอบระยะเวลาของประวัติการขายที่ระบุไว้ในตัวเลือกการประมวลผล alpha เท่ากับค่าคงที่ที่ราบเรียบที่ใช้ในการคำนวณค่าเฉลี่ยที่ราบเรียบสำหรับระดับทั่วไปหรือขนาดของยอดขาย ค่าสำหรับช่วง alpha ตั้งแต่ 0 ถึง 1 n เท่ากับช่วงข้อมูลประวัติการขายที่จะรวมไว้ในการคำนวณ โดยทั่วไปหนึ่งปีของข้อมูลประวัติการขายจะเพียงพอที่จะประมาณยอดขายโดยทั่วไป สำหรับตัวอย่างนี้ค่าเล็ก ๆ สำหรับ n (n 4) ได้รับเลือกเพื่อลดการคำนวณด้วยตนเองที่จำเป็นต้องใช้เพื่อยืนยันผลลัพธ์ Exponential Smoothing สามารถสร้างการคาดการณ์ที่ขึ้นอยู่กับจุดข้อมูลทางประวัติศาสตร์เพียงอย่างเดียว ประวัติการขายที่ต้องการขั้นต่ำ: n บวกจำนวนช่วงเวลาที่จำเป็นสำหรับการประเมินผลการคาดการณ์ (ช่วงเวลาที่เหมาะที่สุด) ตารางนี้เป็นประวัติศาสตร์ที่ใช้ในการคำนวณการคาดการณ์: 3.2.12 วิธีที่ 12: การทำให้เรียบตามฤดูกาลที่มีแนวโน้มและฤดูกาลตามฤดูกาลวิธีนี้จะคำนวณแนวโน้มดัชนีฤดูกาลและค่าเฉลี่ยที่เรียบเรื่องโดยพลวัตจากประวัติการสั่งขาย ระบบจะใช้ประมาณการของแนวโน้มการคาดการณ์และปรับค่าตามฤดูกาล วิธีนี้ต้องใช้จำนวนงวดที่พอดีกับข้อมูลการขายสูงสุดสองปีและเป็นประโยชน์สำหรับรายการที่มีทั้งแนวโน้มและฤดูกาลในการคาดการณ์ คุณสามารถป้อนปัจจัย alpha และ beta หรือให้ระบบคิดคำนวณได้ ปัจจัยแอลฟาและเบต้าคือค่าคงที่ที่ราบเรียบที่ระบบใช้ในการคำนวณค่าเฉลี่ยที่เรียบสำหรับระดับทั่วไปหรือขนาดของยอดขาย (alpha) และส่วนประกอบแนวโน้มของการคาดการณ์ (เบต้า) 3.2.12.1 ตัวอย่าง: วิธีที่ 12: การเรียบเนียนแบบเสแสร้งด้วยเทรนด์และฤดูกาลวิธีนี้คล้ายคลึงกับวิธีที่ 11 Exponential Smoothing โดยคำนวณค่าเฉลี่ยที่ราบเรียบ อย่างไรก็ตามวิธีที่ 12 รวมถึงคำในสมการพยากรณ์เพื่อคำนวณแนวโน้มที่ราบรื่น การคาดการณ์ประกอบด้วยค่าเฉลี่ยที่ราบรื่นที่ปรับตามแนวโน้มเชิงเส้น เมื่อระบุไว้ในตัวเลือกการประมวลผลการคาดการณ์จะได้รับการปรับตามฤดูกาลด้วยเช่นกัน อัลฟาเท่ากับค่าคงที่ที่ราบเรียบที่ใช้ในการคำนวณค่าเฉลี่ยที่ราบเรียบสำหรับระดับทั่วไปหรือขนาดของยอดขาย ค่าสำหรับช่วงอัลฟ่าตั้งแต่ 0 ถึง 1. เบต้าเท่ากับค่าคงที่ที่ราบเรียบที่ใช้ในการคำนวณค่าเฉลี่ยที่ราบเรียบสำหรับองค์ประกอบแนวโน้มของการคาดการณ์ ค่าสำหรับช่วงเบต้าตั้งแต่ 0 ถึง 1 ไม่ว่าจะใช้ดัชนีตามฤดูกาลกับการคาดการณ์หรือไม่ อัลฟ่าและเบต้าเป็นอิสระจากกัน พวกเขาไม่ต้องรวมถึง 1.0 ประวัติการขายที่ต้องการขั้นต่ำ: หนึ่งปีบวกกับระยะเวลาที่จำเป็นในการประเมินประสิทธิภาพการคาดการณ์ (ช่วงเวลาที่เหมาะที่สุด) เมื่อมีข้อมูลทางประวัติศาสตร์สองปีหรือมากกว่านั้นระบบจะใช้ข้อมูลสองปีในการคำนวณ วิธีที่ 12 ใช้สมการการคำนวณสมรรถนะการคำนวณและค่าเฉลี่ยหนึ่งค่าเฉลี่ยที่เรียบง่ายในการคำนวณหาค่าเฉลี่ยที่ราบรื่นแนวโน้มเรียบและดัชนีตามฤดูกาลโดยเฉลี่ยที่เรียบง่าย ค่าเฉลี่ยของฤดูกาลที่เรียบง่าย: รูปที่ 3-3 ดัชนีเฉลี่ยฤดูกาลเฉลี่ย (Simple Average Seasonal Index) การคาดการณ์จะคำนวณโดยใช้สมการที่สาม: L คือความยาวของฤดูกาล (L เท่ากับ 12 เดือนหรือ 52 สัปดาห์) t คือช่วงเวลาปัจจุบัน m คือจำนวนช่วงเวลาในอนาคตของการคาดการณ์ S คือปัจจัยการปรับตามฤดูกาลแบบทวีคูณที่มีการจัดทำดัชนีไปยังช่วงเวลาที่เหมาะสม ตารางนี้แสดงประวัติที่ใช้ในการคำนวณคาดการณ์: ส่วนนี้จะให้ภาพรวมของการประเมินผลการคาดการณ์และกล่าวถึง: คุณสามารถเลือกวิธีคาดการณ์เพื่อสร้างการคาดการณ์ได้ถึง 12 รายการสำหรับแต่ละผลิตภัณฑ์ วิธีการคาดการณ์แต่ละวิธีอาจสร้างการฉายภาพที่แตกต่างกันเล็กน้อย เมื่อมีการคาดการณ์ผลิตภัณฑ์หลายพันรายการการตัดสินใจแบบอัตนัยจะเป็นไปไม่ได้ที่จะคาดการณ์ว่าจะใช้ในแผนสำหรับแต่ละผลิตภัณฑ์ ระบบประเมินประสิทธิภาพโดยอัตโนมัติสำหรับแต่ละวิธีการคาดการณ์ที่คุณเลือกและสำหรับแต่ละผลิตภัณฑ์ที่คุณคาดการณ์ไว้ คุณสามารถเลือกเกณฑ์การทำงานสองอย่าง ได้แก่ MAD และ POA MAD เป็นตัวชี้วัดข้อผิดพลาดในการคาดการณ์ POA เป็นตัววัดความลำเอียงของการคาดการณ์ ทั้งสองเทคนิคการประเมินผลการปฏิบัติงานเหล่านี้ต้องการข้อมูลประวัติการขายที่เกิดขึ้นจริงตามระยะเวลาที่คุณระบุ ช่วงเวลาของประวัติศาสตร์ที่ผ่านมาซึ่งใช้ในการประเมินผลเรียกว่าระยะเวลาการระงับหรือระยะเวลาที่เหมาะสมที่สุด ในการวัดประสิทธิภาพของวิธีการคาดการณ์ระบบ: ใช้สูตรคาดการณ์เพื่อจำลองการคาดการณ์สำหรับระยะเวลาการระงับชั่วคราวในอดีต ทำให้การเปรียบเทียบระหว่างข้อมูลการขายที่เกิดขึ้นจริงกับการคาดการณ์แบบจำลองสำหรับระยะเวลาการระงับ เมื่อคุณเลือกเมธอดการคาดการณ์หลายวิธีกระบวนการเดียวกันนี้จะเกิดขึ้นกับแต่ละวิธี การคาดการณ์หลายรายการจะถูกคำนวณสำหรับระยะเวลาการระงับและเปรียบเทียบกับประวัติการขายที่รู้จักกันในช่วงเวลาเดียวกัน ขอแนะนำให้ใช้วิธีการคาดการณ์ที่สร้างการจับคู่ที่ดีที่สุด (พอดีที่สุด) ระหว่างการคาดการณ์และยอดขายจริงในช่วงระยะเวลาการระงับชั่วคราวเพื่อใช้ในแผน คำแนะนำนี้เจาะจงสำหรับแต่ละผลิตภัณฑ์และอาจมีการเปลี่ยนแปลงในแต่ละครั้งที่คุณสร้างการคาดการณ์ 3.3.1 ค่าเบี่ยงเบนสัมบูรณ์ที่แท้จริงหมายถึงค่าเฉลี่ยส่วนเบี่ยงเบนสัมบูรณ์ (MAD) หมายถึงค่าเฉลี่ย (หรือค่าเฉลี่ย) ของค่าสัมบูรณ์ (หรือขนาด) ของส่วนเบี่ยงเบน (หรือข้อผิดพลาด) ระหว่างข้อมูลจริงและข้อมูลคาดการณ์ MAD เป็นมาตรวัดขนาดเฉลี่ยของข้อผิดพลาดที่คาดว่าจะได้รับตามวิธีการคาดการณ์และประวัติข้อมูล เนื่องจากค่าสัมบูรณ์ถูกนำมาใช้ในการคำนวณข้อผิดพลาดในเชิงบวกไม่ได้เป็นการยกเลิกข้อผิดพลาดเชิงลบ เมื่อเปรียบเทียบวิธีการพยากรณ์อากาศหลายวิธี MAD หนึ่งที่มี MAD ที่เล็กที่สุดน่าเชื่อถือที่สุดสำหรับผลิตภัณฑ์ดังกล่าวในช่วงที่มีการระงับ 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. เมื่อการคาดการณ์สูงเกินไปอย่างต่อเนื่องสินค้าคงเหลือสะสมและต้นทุนสินค้าคงคลังเพิ่มขึ้น 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. ในการให้บริการขนาดของข้อผิดพลาดในการคาดการณ์มักจะมีความสำคัญมากกว่าการคาดการณ์ 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.