Definição De Média Ponderada De Média Móvel

Média móvel de dados de séries temporais (observações igualmente espaçadas no tempo) de vários períodos consecutivos. Chamado de movimento porque é continuamente recalculado à medida que novos dados se tornam disponíveis, ele progride caindo o valor mais antigo e adicionando o valor mais recente. Por exemplo, a média móvel das vendas de seis meses pode ser calculada tomando a média das vendas de janeiro a junho, depois a média das vendas de fevereiro a julho, depois de março a agosto, e assim por diante. As médias móveis (1) reduzem o efeito de variações temporárias nos dados, (2) melhoram o ajuste dos dados para uma linha (um processo chamado suavização) para mostrar a tendência dos dados mais claramente e (3) realçam qualquer valor acima ou abaixo do valor tendência. Se você está calculando algo com variação muito alta o melhor que você pode ser capaz de fazer é descobrir a média móvel. Eu queria saber qual era a média móvel dos dados, então eu teria uma melhor compreensão de como estávamos fazendo. Quando você está tentando descobrir alguns números que mudam muitas vezes o melhor que você pode fazer é calcular a média móvel. Análise de séries temporais (TSA) PREVISÃO A previsão envolve a geração de um número, conjunto de números ou cenário que corresponde a uma ocorrência futura. É absolutamente essencial para o planejamento de curto e longo alcance. Por definição, uma previsão é baseada em dados passados, em oposição a uma previsão, que é mais subjetiva e baseada em instinto, gut sentir, ou adivinhar. Por exemplo, a notícia da noite dá o tempo x0022forecastx0022 não o tempo x0022prediction. x0022 Independentemente, os termos de previsão e previsão são muitas vezes utilizados inter-changeably. Por exemplo, as definições da técnica de regressão x2014a, por vezes utilizada na previsãox2014, afirmam, em geral, que a sua finalidade é explicar ou x0022predict. x0022 A previsão baseia-se numa série de pressupostos: O passado repetir-se-á. Em outras palavras, o que aconteceu no passado voltará a acontecer no futuro. À medida que o horizonte de previsão se encurta, a precisão de previsão aumenta. Por exemplo, uma previsão para amanhã será mais precisa do que uma previsão para o próximo mês uma previsão para o próximo mês será mais preciso do que uma previsão para o próximo ano e uma previsão para o próximo ano será mais preciso do que uma previsão para dez anos no futuro. A previsão no agregado é mais precisa do que a previsão de itens individuais. Isso significa que uma empresa será capaz de prever a demanda total em todo o seu espectro de produtos com mais precisão do que ele será capaz de prever individual stock-keeping unidades (SKUs). Por exemplo, a General Motors pode prever com mais precisão o número total de carros necessários para o próximo ano do que o número total de Chevrolet Impalas branco com um pacote de opção certa. As previsões raramente são precisas. Além disso, as previsões quase nunca são totalmente exactas. Enquanto alguns são muito próximos, poucos são x0022right sobre o money. x0022 Portanto, é sábio para oferecer uma previsão x0022range. x0022 Se fosse prever uma demanda de 100.000 unidades para o próximo mês, é extremamente improvável que a demanda seria igual a 100.000 exatamente. No entanto, uma previsão de 90.000 a 110.000 forneceria um alvo muito maior para o planejamento. William J. Stevenson enumera uma série de características que são comuns a uma boa previsão: Accuratex2014 algum grau de precisão deve ser determinada e declarada de modo que a comparação pode ser feita para previsões alternativas. Reliablex2014the método de previsão deve consistentemente fornecer uma boa previsão se o usuário está a estabelecer algum grau de confiança. Timelyx2014a uma certa quantidade de tempo é necessário para responder à previsão de modo que o horizonte de previsão deve permitir o tempo necessário para fazer alterações. Fácil de usar e compreender os usuários da previsão deve estar confiante e confortável trabalhando com ele. O custo-efetivo do custo de fazer a previsão não deve superar os benefícios obtidos com a previsão. Técnicas de previsão variam do simples ao extremamente complexo. Estas técnicas são geralmente classificadas como qualitativas ou quantitativas. TÉCNICAS QUALITATIVAS Técnicas qualitativas de previsão são geralmente mais subjetivas do que suas contrapartes quantitativas. As técnicas qualitativas são mais úteis nos estágios iniciais do ciclo de vida do produto, quando há menos dados passados ​​para uso em métodos quantitativos. Métodos qualitativos incluem a técnica Delphi, Nominal Group Technique (NGT), opiniões de força de vendas, pareceres executivos e pesquisa de mercado. A TÉCNICA DELPHI. A técnica Delphi usa um painel de especialistas para produzir uma previsão. Cada perito é convidado a fornecer uma previsão específica para a necessidade em mãos. Depois que as previsões iniciais são feitas, cada perito lê o que cada outro perito escreveu e é, naturalmente, influenciado por suas opiniões. Uma previsão subseqüente é então feita por cada especialista. Cada perito então lê novamente o que cada outro especialista escreveu e é novamente influenciado pelas percepções dos outros. Esse processo se repete até que cada especialista se aproxime do acordo sobre o cenário ou números necessários. TÉCNICA DE GRUPO NOMINAL. A técnica de grupo nominal é semelhante à técnica Delphi, na medida em que utiliza um grupo de participantes, normalmente especialistas. Depois que os participantes respondem a questões relacionadas a previsão, eles classificam suas respostas por ordem de importância relativa percebida. Em seguida, os rankings são coletados e agregados. Eventualmente, o grupo deve chegar a um consenso sobre as prioridades das questões classificadas. OPINIÕES DA FORÇA DE VENDAS. A equipe de vendas é muitas vezes uma boa fonte de informações sobre a demanda futura. O gerente de vendas pode pedir entrada de cada pessoa de vendas e agregar suas respostas em uma previsão composta de força de vendas. Cuidado deve ser exercido ao usar esta técnica como os membros da força de vendas pode não ser capaz de distinguir entre o que os clientes dizem eo que eles realmente fazem. Além disso, se as previsões serão utilizadas para estabelecer quotas de vendas, a força de vendas pode ser tentada a fornecer estimativas mais baixas. OPINIÕES EXECUTIVAS. Às vezes, os gerentes de nível superior se encontram e desenvolvem previsões com base em seu conhecimento de suas áreas de responsabilidade. Isso às vezes é referido como um júri de opinião executiva. PESQUISA DE MERCADO. Na pesquisa de mercado, pesquisas de consumo são usadas para estabelecer demanda potencial. Tais pesquisas de marketing normalmente envolvem a construção de um questionário que solicita informações pessoais, demográficas, econômicas e de marketing. De vez em quando, os pesquisadores de mercado coletam essas informações pessoalmente em pontos de venda e shoppings, onde o consumidor pode experimentar um produto especial, sentir, cheirar e ver. O pesquisador deve ter cuidado para que a amostra de pessoas pesquisadas seja representativa da meta de consumo desejada. TÉCNICAS QUANTITATIVAS Técnicas de previsão quantitativas são geralmente mais objetivas do que suas contrapartes qualitativas. As previsões quantitativas podem ser previsões de séries temporais (ou seja, uma projeção do passado para o futuro) ou previsões baseadas em modelos associativos (ou seja, com base em uma ou mais variáveis ​​explicativas). Dados de séries temporais podem ter comportamentos subjacentes que precisam ser identificados pelo previsor. Além disso, a previsão pode precisar identificar as causas do comportamento. Alguns desses comportamentos podem ser padrões ou variações simplesmente aleatórias. Entre os padrões estão: Tendências, que são os movimentos de longo prazo (para cima ou para baixo) nos dados. A sazonalidade, que produz variações de curto prazo que normalmente estão relacionadas com a época do ano, do mês ou mesmo de um dia específico, como testemunham as vendas no varejo no Natal ou os picos de atividade bancária no primeiro dia do mês e às sextas-feiras. Ciclos, que são variações onduladas durando mais de um ano que são geralmente ligados a condições econômicas ou políticas. Variações irregulares que não refletem o comportamento típico, como um período de tempo extremo ou uma greve sindical. Variações aleatórias, que englobam todos os comportamentos não típicos não explicados pelas outras classificações. Entre os modelos de séries temporais, o mais simples é a previsão naxEFve. Uma previsão naxEFve simplesmente usa a demanda real para o período passado como a demanda prevista para o próximo período. Isto, naturalmente, faz a suposição de que o passado se repetirá. Também pressupõe que quaisquer tendências, sazonalidade ou ciclos são refletidas na demanda do período anterior ou não existem. Um exemplo de previsão naxEFve é apresentado na Tabela 1. Tabela 1 NaxEFve Forecasting Outra técnica simples é o uso da média. Para fazer uma previsão usando a média, basta tomar a média de alguns períodos de dados passados, somando cada período e dividindo o resultado pelo número de períodos. Esta técnica foi encontrada para ser muito eficaz para previsão de curto alcance. As variações da média incluem a média móvel, a média ponderada ea média móvel ponderada. Uma média móvel leva um número predeterminado de períodos, resume sua demanda real e divide-se pelo número de períodos para atingir uma previsão. Para cada período subseqüente, o período mais antigo de dados cai e o período mais recente é adicionado. Assumindo uma média móvel de três meses e usando os dados da Tabela 1, basta adicionar 45 (janeiro), 60 (fevereiro) e 72 (março) e dividir por três para chegar a uma previsão para abril: 45 60 72 177 X00F7 3 59 Para chegar a uma previsão para maio, um iria cair janeirox0027s demanda da equação e adicionar a demanda de abril. A Tabela 2 apresenta um exemplo de uma previsão média móvel de três meses. Tabela 2 Média Móvel de Três Mês Previsão Demanda Real (000x0027s) Uma média ponderada aplica um peso predeterminado a cada mês de dados passados, soma os dados passados ​​de cada período e divide-se pelo total dos pesos. Se o forecaster ajusta os pesos de modo que sua soma seja igual a 1, então os pesos são multiplicados pela demanda real de cada período aplicável. Os resultados são então somados para obter uma previsão ponderada. Geralmente, quanto mais recentes os dados, maior o peso, e quanto mais velhos os dados, menor o peso. Usando o exemplo de demanda, uma média ponderada usando pesos de 0,4. 3. 2 e .1 apresentariam a previsão para Junho como: 60 (.1) 72 (.2) 58 (.3) 40 (.4) 53.8 Os meteorologistas também podem usar uma combinação das projeções de média ponderada e média móvel . Uma previsão da média móvel ponderada atribui pesos a um número predeterminado de períodos de dados reais e calcula a previsão da mesma maneira como descrito acima. Como com todas as previsões em movimento, à medida que cada novo período é adicionado, os dados do período mais antigo são descartados. A Tabela 3 mostra uma média móvel ponderada de três meses utilizando os pesos .5. 3 e .2. Uma forma mais complexa de média móvel ponderada é a suavização exponencial, denominada assim porque o peso cai exponencialmente à medida que os dados envelhecem. Tabela 3 Taxa Mínima Média Ponderada Mensal Ponderada (000x0027s) A suavização exponencial toma a previsão do período anterior x0027s e ajusta-a por uma constante de suavização predeterminada, x03AC (chamado alfa o valor para alfa é menor que um) multiplicado pela diferença na previsão anterior e pela demanda que realmente ocorreu durante o período previamente previsto Erro de previsão). A suavização exponencial é expressa como uma fórmula: Nova previsão previsão anterior alfa (demanda real x2212 previsão anterior) FF x03AC (A x 2212 F) A suavização exponencial requer que o anteciparador comece a previsão em um período passado e trabalhe para a frente para o período para o qual uma corrente Previsão é necessária. Uma quantidade substancial de dados passados ​​e uma previsão inicial ou inicial também são necessárias. A previsão inicial pode ser uma previsão real de um período anterior, a demanda real de um período anterior, ou pode ser estimada pela média de todos ou parte dos dados passados. Existem algumas heurísticas para calcular uma previsão inicial. Por exemplo, a heurística N (2 xF7 x03AC) x2212 1 e uma alfa de 0,5 renderia um N de 3, indicando que o usuário iria média dos três primeiros períodos de dados para obter uma previsão inicial. No entanto, a precisão da previsão inicial não é crítica se um está usando grandes quantidades de dados, uma vez que a suavização exponencial é x0022 self-correção. x0022 Dado períodos suficientes de dados passados, suavização exponencial, eventualmente, fazer correções suficientes para compensar uma inicial razoavelmente impreciso previsão. Usando os dados usados ​​em outros exemplos, uma previsão inicial de 50 e um alfa de .7, uma previsão para fevereiro é calculada como tal: Nova previsão (fevereiro) 50 .7 (45 x2212 50) 41.5 Em seguida, a previsão para março : Nova previsão (Março) 41.5 .7 (60 x2212 41.5) 54.45 Este processo continua até que o forecaster atinja o período desejado. Na Tabela 4 isto seria para o mês de junho, uma vez que a demanda real para junho não é conhecida. Demanda real (000x0027s) Uma extensão de suavização exponencial pode ser usada quando os dados de séries temporais exibem uma tendência linear. Este método é conhecido por vários nomes: suavização dupla tendência ajustada suavização exponencial previsão incluindo tendência (FIT) e Holtx0027s Modelo. Sem ajuste, os resultados de suavização exponencial simples ficarão aquém da tendência, ou seja, a previsão será sempre baixa se a tendência estiver aumentando ou alta se a tendência estiver diminuindo. Com este modelo existem duas constantes de suavização, x03AC e x03B2 com x03B2 representando a componente de tendência. Uma extensão do Modelo Holtx0027s, chamado Método Holt-Winterx0027s, leva em conta tanto a tendência quanto a sazonalidade. Existem duas versões, multiplicativas e aditivas, sendo a multiplicativa a mais utilizada. No modelo aditivo, a sazonalidade é expressa como uma quantidade a ser adicionada ou subtraída da média da série. O modelo multiplicativo expressa a sazonalidade como uma porcentagem x2014 conhecida como parentes sazonais ou índices sazonaisx2014 da média (ou tendência). Estes valores são então multiplicados vezes para incorporar a sazonalidade. Um parente de 0,8 indicaria demanda que é 80 por cento da média, enquanto 1,10 indicaria demanda que é 10 por cento acima da média. Informações detalhadas sobre este método podem ser encontradas na maioria dos manuais de gerenciamento de operações ou em um número de livros sobre previsão. As técnicas associativas ou causais envolvem a identificação de variáveis ​​que podem ser usadas para prever outra variável de interesse. Por exemplo, as taxas de juros podem ser usadas para prever a demanda por refinanciamento doméstico. Tipicamente, isso envolve o uso de regressão linear, onde o objetivo é desenvolver uma equação que resume os efeitos das variáveis ​​preditoras (independentes) sobre a variável (dependente) prevista. Se a variável preditora fosse plotada, o objeto seria obter uma equação de uma reta que minimize a soma dos desvios quadrados da linha (sendo o desvio a distância de cada ponto à linha). A equação apareceria como: ya bx, onde y é a variável predita (dependente), x é a variável preditor (independente), b é a inclinação da linha e a é igual à altura da linha na y - interceptar. Uma vez que a equação é determinada, o usuário pode inserir valores atuais para a variável preditor (independente) para chegar a uma previsão (variável dependente). Se houver mais de uma variável preditora ou se a relação entre preditor e previsão não for linear, a regressão linear simples será inadequada. Para situações com múltiplos preditores, a regressão múltipla deve ser empregada, enquanto que as relações não lineares exigem o uso da regressão curvilínea. FORMAÇÃO ECONÓMETRICA Métodos econométricos, como o modelo de média móvel auto-regressiva (ARIMA), utilizam equações matemáticas complexas para mostrar relações passadas entre demanda e variáveis ​​que influenciam a demanda. Uma equação é derivada e então testada e ajustada para garantir que ela é tão confiável uma representação do relacionamento passado quanto possível. Uma vez feito isso, os valores projetados das variáveis ​​influenciadoras (renda, preços, etc.) são inseridos na equação para fazer uma previsão. AVALIAÇÃO DE PREVISÕES A precisão da previsão pode ser determinada calculando o viés, o desvio absoluto médio (MAD), o erro quadrático médio (MSE) ou o erro médio de percentagem absoluta (MAPE) para a previsão utilizando diferentes valores para alfa. Bias é a soma dos erros de previsão x2211 (FE). Para o exemplo de suavização exponencial acima, o viés calculado seria: (60 x 2212 41,5) (72 x 2212 54,45) (58 x 2212 66,74) (40 x 2212 60,62) 6,69 Se se assume que um viés baixo indica um erro global de previsão baixa, Calcular o viés para um número de potenciais valores de alfa e assumir que o com o menor viés seria o mais preciso. No entanto, cuidado deve ser observado em que imprecisamente imprecisas previsões podem produzir um viés baixo se eles tendem a ser tanto sobre a previsão e sob previsão (negativa e positiva). Por exemplo, ao longo de três períodos, uma empresa pode usar um valor específico de alfa para sobreprevisão em 75.000 unidades (x221275.000), sob previsão de 100.000 unidades (100.000), e depois sobre a previsão de 25.000 unidades (x221225000), rendendo Um viés de zero (x221275.000 100.000 x2212 25.000 0). Em comparação, outro alfa produzindo sobre previsões de 2.000 unidades, 1.000 unidades e 3.000 unidades resultaria em um viés de 5.000 unidades. Se a demanda normal fosse de 100.000 unidades por período, a primeira alfa renderia previsões que estavam desativadas em até 100%, enquanto a segunda alfa ficaria desligada por um máximo de apenas 3%, mesmo que o viés da primeira previsão fosse zero. Uma medida mais segura da precisão de previsão é o desvio absoluto médio (MAD). Para calcular o MAD, o forecaster somar o valor absoluto dos erros de previsão e, em seguida, divide pelo número de previsões (x2211 FE x00F7 N). Tomando o valor absoluto dos erros de previsão, a compensação de valores positivos e negativos é evitada. Isto significa que tanto uma sobreprevisão de 50 como uma previsão inferior a 50 estão desactivadas em 50. Usando os dados do exemplo de suavização exponencial, MAD pode ser calculado como se segue: (60 x 2212 41,5 72 x2212 54,45 58 x2212 66,74 40 x 2212 60,62) XxxF7 4 16.35 Portanto, o previsor está fora de uma média de 16,35 unidades por previsão. Quando comparado com o resultado de outros alfas, o forecaster saberá que o alfa com o menor MAD está produzindo a previsão mais precisa. O erro quadrático médio (MSE) também pode ser utilizado da mesma maneira. MSE é a soma dos erros de previsão ao quadrado dividido por N-1 (x2211 (FE)) x00F7 (N-1). Esquadrando os erros de previsão elimina a possibilidade de compensar números negativos, uma vez que nenhum dos resultados pode ser negativo. Utilizando os mesmos dados acima, o MSE seria: (18.5) (17.55) (x22128.74) (x221220.62) x00F7 3 383.94 Tal como acontece com MAD, o meteorologista pode comparar o MSE de previsões derivadas usando vários valores de alfa e Assumir que o alfa com o menor MSE está produzindo a previsão mais precisa. O erro percentual absoluto médio (MAPE) é o erro percentual absoluto médio. Para chegar ao MAPE deve-se tomar a soma das razões entre o erro de previsão e os tempos reais de demanda 100 (para obter a porcentagem) e dividir por N (x2211 Demanda real x2212 previsão x00F7 Demanda real) xD7 100 x00F7 N. Usando os dados de O exemplo de suavização exponencial, MAPE pode ser calculado da seguinte forma: (18.560 17.5572 8.7458 20.6248) xD7 100 x00F7 4 28.33 Como com MAD e MSE, quanto menor o erro relativo, mais precisa a previsão. Deve-se notar que em alguns casos a capacidade da previsão de mudar rapidamente para responder a mudanças nos padrões de dados é considerada mais importante do que a precisão. Portanto, onex0027s escolha do método de previsão deve refletir o equilíbrio relativo de importância entre a precisão ea capacidade de resposta, conforme determinado pelo previsor. FAZENDO UMA PREVISÃO William J. Stevenson lista o seguinte como as etapas básicas no processo de previsão: Determine a finalidade do forecastx0027s. Fatores como como e quando a previsão será usada, o grau de precisão necessária e o nível de detalhe desejado determinam o custo (tempo, dinheiro, funcionários) que pode ser dedicado à previsão eo tipo de método de previsão a ser utilizado . Estabelecer um horizonte de tempo. Isso ocorre depois que se determinou o propósito da previsão. As previsões a mais longo prazo exigem horizontes de tempo mais longos e vice-versa. Precisão é novamente uma consideração. Selecione uma técnica de previsão. A técnica selecionada depende da finalidade da previsão, do horizonte temporal desejado e do custo permitido. Reunir e analisar dados. A quantidade e o tipo de dados necessários são regidos pelo propósito da previsão, a técnica de previsão selecionada e quaisquer considerações de custo. Faça a previsão. Monitorar a previsão. Avalie o desempenho da previsão e modifique, se necessário. LEITURA ADICIONAL: Finch, Byron J. Operações Agora: Lucratividade, Processos, Desempenho. 2 ed. Boston: McGraw-Hill Irwin, 2006. Green, William H. Análise Econométrica. 5 ed. Upper Saddle River, Nova Jersey: Prentice Hall, 2003. Joppe, Dr. Marion. X0022The Nominal Group Technique. x0022 O Processo de Pesquisa. Disponível em x003C ryerson. ca Stevenson, William J. Gestão de Operações. 8 ed. No modelo de média móvel ponderada (estratégia de previsão 14), cada valor histórico é ponderado com um fator do grupo de ponderação no perfil de previsão univariada. Fórmula para a Média Móvel Ponderada O modelo de média móvel ponderada permite que você pese dados históricos recentes mais pesadamente do que dados mais antigos ao determinar a média. Você faz isso se os dados mais recentes forem mais representativos da demanda futura do que os dados mais antigos. Portanto, o sistema é capaz de reagir mais rapidamente a uma mudança de nível. A precisão desse modelo depende em grande parte da escolha dos fatores de ponderação. Se o padrão da série de tempo mudar, você também deve adaptar os fatores de ponderação. Ao criar um grupo de ponderação, você insere os fatores de ponderação como porcentagens. A soma dos fatores de ponderação não precisa ser 100. Nenhuma previsão ex-post é calculada com esta estratégia de previsão.3 Entendendo Níveis de Previsão e Métodos Você pode gerar previsões de detalhes (item único) e previsões resumidas Padrões de demanda de produtos. O sistema analisa as vendas anteriores para calcular as previsões usando 12 métodos de previsão. As previsões incluem informações detalhadas no nível do item e informações de nível superior sobre uma filial ou a empresa como um todo. 3.1 Critérios de Avaliação do Desempenho da Previsão Dependendo da seleção das opções de processamento e das tendências e padrões nos dados de vendas, alguns métodos de previsão apresentam melhor desempenho do que outros para um determinado conjunto de dados históricos. Um método de previsão apropriado para um produto pode não ser apropriado para outro produto. Você pode achar que um método de previsão que fornece bons resultados em uma fase de um ciclo de vida do produto permanece apropriado ao longo de todo o ciclo de vida. Você pode selecionar entre dois métodos para avaliar o desempenho atual dos métodos de previsão: Porcentagem de precisão (POA). Desvio absoluto médio (MAD). Ambos os métodos de avaliação de desempenho exigem dados de vendas históricos para um período que você especificar. Esse período é chamado de período de retenção ou período de melhor ajuste. Os dados nesse período são usados ​​como base para recomendar qual método de previsão usar na realização da projeção de projeção seguinte. Esta recomendação é específica para cada produto e pode mudar de uma geração de projeção para a próxima. 3.1.1 Melhor Ajuste O sistema recomenda a melhor previsão de ajuste aplicando os métodos de previsão selecionados ao histórico de pedidos de vendas anteriores e comparando a simulação de previsão com o histórico real. Quando você gera uma previsão de ajuste melhor, o sistema compara históricos de pedidos de vendas reais com previsões para um período de tempo específico e calcula como exatamente cada método de previsão diferente previu vendas. Em seguida, o sistema recomenda a previsão mais precisa como o melhor ajuste. Este gráfico ilustra as melhores previsões de ajuste: Figura 3-1 Previsão de melhor ajuste O sistema usa esta seqüência de etapas para determinar o melhor ajuste: Use cada método especificado para simular uma previsão para o período de retenção. Compare as vendas reais com as previsões simuladas para o período de retenção. Calcule o POA ou o MAD para determinar qual método de previsão mais se aproxima das vendas reais passadas. O sistema usa POA ou MAD, com base nas opções de processamento selecionadas. Recomenda uma melhor previsão de ajuste pelo POA que é mais próximo de 100 por cento (mais ou menos) ou o MAD que está mais próximo de zero. 3.2 Métodos de previsão O JD Edwards EnterpriseOne Forecast Management usa 12 métodos para previsão quantitativa e indica qual método fornece o melhor ajuste para a situação de previsão. Esta seção discute: Método 1: Percentagem em relação ao ano passado. Método 2: Percentagem calculada sobre o ano passado. Método 3: Ano passado para este ano. Método 4: Média móvel. Método 5: Aproximação linear. Método 6: Regressão de mínimos quadrados. Método 7: Aproximação do Segundo Grau. Método 8: Método Flexível. Método 9: Média Móvel Ponderada. Método 10: Suavização linear. Método 11: Suavização Exponencial. Método 12: suavização exponencial com tendência e sazonalidade. Especifique o método que você deseja usar nas opções de processamento do programa Forecast Generation (R34650). A maioria desses métodos fornece controle limitado. Por exemplo, o peso colocado em dados históricos recentes ou o intervalo de datas de dados históricos que é usado nos cálculos pode ser especificado por você. Os exemplos no guia indicam o procedimento de cálculo para cada um dos métodos de previsão disponíveis, dado um conjunto idêntico de dados históricos. Os exemplos de métodos no guia usam parte ou todos esses conjuntos de dados, que são dados históricos dos últimos dois anos. A projeção de previsão vai para o próximo ano. Os dados do histórico de vendas são estáveis, com pequenos aumentos sazonais em julho e dezembro. Esse padrão é característico de um produto maduro que pode estar se aproximando de obsolescência. 3.2.1 Método 1: Percentagem em relação ao ano passado Este método utiliza a fórmula Percentagem em relação ao ano passado para multiplicar cada período de previsão pelo aumento ou diminuição percentual especificado. Para prever a demanda, este método requer o número de períodos para o melhor ajuste mais um ano de histórico de vendas. Este método é útil para prever a demanda por itens sazonais com crescimento ou declínio. 3.2.1.1 Exemplo: Método 1: Percentagem em relação ao ano passado A fórmula Porcentagem sobre o ano passado multiplica os dados de vendas do ano anterior por um fator especificado e, em seguida, projeta os resultados ao longo do próximo ano. Este método pode ser útil na orçamentação para simular o efeito de uma taxa de crescimento especificada ou quando o histórico de vendas tem uma componente sazonal significativa. Especificações de previsão: Fator de multiplicação. Por exemplo, especifique 110 na opção de processamento para aumentar os dados do histórico de vendas dos anos anteriores em 10%. Histórico de vendas necessário: Um ano para calcular a previsão, mais o número de períodos necessários para avaliar o desempenho da previsão (períodos de melhor ajuste) que você especifica. Esta tabela é a história utilizada no cálculo da previsão: previsão de fevereiro é igual a 117 vezes 1,1 128,7 arredondado para 129. Previsão de março é igual a 115 vezes 1,1 126,5 arredondado para 127. 3.2.2 Método 2: Percentual calculado sobre o ano passado Este método usa a percentagem calculada mais Fórmula do ano passado para comparar as vendas passadas de períodos especificados às vendas dos mesmos períodos do ano anterior. O sistema determina uma porcentagem de aumento ou diminuição e, em seguida, multiplica cada período pela porcentagem para determinar a previsão. Para prever a demanda, esse método requer o número de períodos do histórico de pedidos de vendas mais um ano de histórico de vendas. Este método é útil para prever a demanda de curto prazo para itens sazonais com crescimento ou declínio. 3.2.2.1 Exemplo: Método 2: Porcentagem calculada sobre o ano passado A fórmula calculada sobre o ano passado multiplica os dados de vendas do ano anterior por um fator que é calculado pelo sistema e, em seguida, projeta esse resultado para o próximo ano. Este método pode ser útil para projetar o efeito de estender a taxa de crescimento recente de um produto para o próximo ano, preservando um padrão sazonal que está presente no histórico de vendas. Especificações de previsão: Faixa de história de vendas para usar no cálculo da taxa de crescimento. Por exemplo, especifique n igual a 4 na opção de processamento para comparar o histórico de vendas dos últimos quatro períodos com esses mesmos quatro períodos do ano anterior. Use a razão calculada para fazer a projeção para o ano seguinte. Histórico de vendas necessário: Um ano para calcular a previsão mais o número de períodos de tempo necessários para avaliar o desempenho da previsão (períodos de melhor ajuste). Esta tabela é a história utilizada no cálculo da previsão, dado n 4: previsão de fevereiro é igual a 117 vezes 0,9766 114,26 arredondado para 114. Previsão de março é igual a 115 vezes 0,9766 112,31 arredondado para 112. 3.2.3 Método 3: Ano passado para este ano Este método usa Vendas nos últimos anos para os próximos anos. Para prever a demanda, este método requer o número de períodos mais adequados mais um ano do histórico de pedidos de vendas. Este método é útil para prever a demanda por produtos maduros com demanda de nível ou demanda sazonal sem uma tendência. 3.2.3.1 Exemplo: Método 3: Ano passado a este ano A fórmula do ano passado para este ano copia os dados de vendas do ano anterior para o ano seguinte. Este método pode ser útil no orçamento para simular vendas no nível atual. O produto é maduro e não tem tendência a longo prazo, mas pode existir um padrão de demanda sazonal significativo. Especificações de previsão: Nenhuma. Histórico de vendas necessário: Um ano para calcular a previsão mais o número de períodos de tempo necessários para avaliar o desempenho da previsão (períodos de melhor ajuste). Esta tabela é a história usada no cálculo da previsão: Previsão de janeiro é igual a janeiro do ano passado com um valor de previsão de 128. Previsão de fevereiro é igual a fevereiro do ano passado com um valor de previsão de 117. Previsão de março é igual a março do ano passado com um valor de previsão de 115. 3.2.4 Método 4: Média móvel Este método usa a fórmula Média Móvel para a média do número especificado de períodos para projetar o próximo período. Você deve recalcular-lo muitas vezes (mensal, ou pelo menos trimestral) para refletir a mudança do nível de demanda. Para prever a demanda, este método requer o número de períodos melhor ajustados mais o número de períodos do histórico de pedidos de vendas. Este método é útil para prever a demanda por produtos maduros sem uma tendência. 3.2.4.1 Exemplo: Método 4: Moving Average Moving Average (MA) é um método popular para a média dos resultados do histórico de vendas recente para determinar uma projeção para o curto prazo. O método de previsão MA está atrás das tendências. O viés de previsão e os erros sistemáticos ocorrem quando o histórico de vendas do produto exibe tendências fortes ou padrões sazonais. Este método funciona melhor para previsões de curto prazo de produtos maduros do que para produtos que estão em estágios de crescimento ou obsolescência do ciclo de vida. Especificações de previsão: n é igual ao número de períodos do histórico de vendas a ser usado no cálculo da previsão. Por exemplo, especifique n 4 na opção de processamento para usar os quatro períodos mais recentes como base para a projeção no próximo período de tempo. Um grande valor para n (como 12) requer mais histórico de vendas. Isso resulta em uma previsão estável, mas é lento para reconhecer mudanças no nível de vendas. Inversamente, um pequeno valor para n (como 3) é mais rápido para responder a mudanças no nível de vendas, mas a previsão pode flutuar tão amplamente que a produção não pode responder às variações. Histórico de vendas necessário: n mais o número de períodos de tempo necessários para avaliar o desempenho da previsão (períodos de melhor ajuste). Esta tabela é a história utilizada no cálculo da previsão: Previsão de fevereiro é igual a (114 119 137 125) 4 123.75 arredondado para 124. Previsão de março é igual a (119 137 125 124) 4 126,25 arredondado para 126. 3.2.5 Método 5: Aproximação linear Este método Usa a fórmula de Aproximação Linear para calcular uma tendência a partir do número de períodos do histórico de pedidos de vendas e projetar essa tendência para a previsão. Você deve recalcular a tendência mensalmente para detectar alterações nas tendências. Esse método requer o número de períodos de melhor ajuste mais o número de períodos especificados do histórico de pedidos de vendas. Este método é útil para prever a procura de novos produtos, ou produtos com tendências positivas ou negativas consistentes que não são devidas a flutuações sazonais. 3.2.5.1 Example: Method 5: Linear Approximation Linear Approximation calculates a trend that is based upon two sales history data points. Esses dois pontos definem uma linha de tendência reta projetada para o futuro. Use this method with caution because long range forecasts are leveraged by small changes in just two data points. Forecast specifications: n equals the data point in sales history that is compared to the most recent data point to identify a trend. For example, specify n 4 to use the difference between December (most recent data) and August (four periods before December) as the basis for calculating the trend. Minimum required sales history: n plus 1 plus the number of time periods that are required for evaluating the forecast performance (periods of best fit). This table is history used in the forecast calculation: January forecast December of past year 1 (Trend) which equals 137 (1 times 2) 139. February forecast December of past year 1 (Trend) which equals 137 (2 times 2) 141. March forecast December of past year 1 (Trend) which equals 137 (3 times 2) 143. 3.2.6 Method 6: Least Squares Regression The Least Squares Regression (LSR) method derives an equation describing a straight line relationship between the historical sales data and the passage of time. LSR fits a line to the selected range of data so that the sum of the squares of the differences between the actual sales data points and the regression line are minimized. The forecast is a projection of this straight line into the future. This method requires sales data history for the period that is represented by the number of periods best fit plus the specified number of historical data periods. The minimum requirement is two historical data points. This method is useful to forecast demand when a linear trend is in the data. 3.2.6.1 Example: Method 6: Least Squares Regression Linear Regression, or Least Squares Regression (LSR), is the most popular method for identifying a linear trend in historical sales data. The method calculates the values for a and b to be used in the formula: This equation describes a straight line, where Y represents sales and X represents time. Linear regression is slow to recognize turning points and step function shifts in demand. Linear regression fits a straight line to the data, even when the data is seasonal or better described by a curve. When sales history data follows a curve or has a strong seasonal pattern, forecast bias and systematic errors occur. Forecast specifications: n equals the periods of sales history that will be used in calculating the values for a and b. For example, specify n 4 to use the history from September through December as the basis for the calculations. When data is available, a larger n (such as n 24) would ordinarily be used. LSR defines a line for as few as two data points. For this example, a small value for n (n 4) was chosen to reduce the manual calculations that are required to verify the results. Minimum required sales history: n periods plus the number of time periods that are required for evaluating the forecast performance (periods of best fit). This table is history used in the forecast calculation: March forecast equals 119.5 (7 times 2.3) 135.6 rounded to 136. 3.2.7 Method 7: Second Degree Approximation To project the forecast, this method uses the Second Degree Approximation formula to plot a curve that is based on the number of periods of sales history. This method requires the number of periods best fit plus the number of periods of sales order history times three. This method is not useful to forecast demand for a long-term period. 3.2.7.1 Example: Method 7: Second Degree Approximation Linear Regression determines values for a and b in the forecast formula Y a b X with the objective of fitting a straight line to the sales history data. Second Degree Approximation is similar, but this method determines values for a, b, and c in the this forecast formula: Y a b X c X 2 The objective of this method is to fit a curve to the sales history data. This method is useful when a product is in the transition between life cycle stages. For example, when a new product moves from introduction to growth stages, the sales trend might accelerate. Devido ao termo de segunda ordem, a previsão pode aproximar-se rapidamente do infinito ou cair para zero (dependendo se o coeficiente c é positivo ou negativo). This method is useful only in the short term. Forecast specifications: the formula find a, b, and c to fit a curve to exactly three points. You specify n, the number of time periods of data to accumulate into each of the three points. In this example, n 3. Actual sales data for April through June is combined into the first point, Q1. Julho a setembro são adicionados em conjunto para criar Q2, e de outubro a dezembro somam para Q3. The curve is fitted to the three values Q1, Q2, and Q3. Required sales history: 3 times n periods for calculating the forecast plus the number of time periods that are required for evaluating the forecast performance (periods of best fit). This table is history used in the forecast calculation: Q0 (Jan) (Feb) (Mar) Q1 (Apr) (May) (Jun) which equals 125 122 137 384 Q2 (Jul) (Aug) (Sep) which equals 140 129 131 400 Q3 (Oct) (Nov) (Dec) which equals 114 119 137 370 The next step involves calculating the three coefficients a, b, and c to be used in the forecasting formula Y a b X c X 2 . Q1, Q2, and Q3 are presented on the graphic, where time is plotted on the horizontal axis. Q1 represents total historical sales for April, May, and June and is plotted at X 1 Q2 corresponds to July through September Q3 corresponds to October through December and Q4 represents January through March. This graphic illustrates the plotting of Q1, Q2, Q3, and Q4 for second degree approximation: Figure 3-2 Plotting Q1, Q2, Q3, and Q4 for second degree approximation Three equations describe the three points on the graph: (1) Q1 a bX cX 2 where X 1(Q1 a b c) (2) Q2 a bX cX 2 where X 2(Q2 a 2b 4c) (3) Q3 a bX cX 2 where X 3(Q3 a 3b 9c) Solve the three equations simultaneously to find b, a, and c: Subtract equation 1 (1) from equation 2 (2) and solve for b: (2) ndash (1) Q2 ndash Q1 b 3c b (Q2 ndash Q1) ndash 3c Substitute this equation for b into equation (3): (3) Q3 a 3(Q2 ndash Q1) ndash 3c 9c a Q3 ndash 3(Q2 ndash Q1) Finally, substitute these equations for a and b into equation (1): (1)Q3 ndash 3(Q2 ndash Q1) (Q2 ndash Q1) ndash 3c c Q1 c (Q3 ndash Q2) (Q1 ndash Q2) 2 The Second Degree Approximation method calculates a, b, and c as follows: a Q3 ndash 3(Q2 ndash Q1) 370 ndash 3(400 ndash 384) 370 ndash 3(16) 322 b (Q2 ndash Q1) ndash3c (400 nda sh 384) ndash (3 times ndash23) 16 69 85 c (Q3 ndash Q2) (Q1 ndash Q2) 2 (370 ndash 400) (384 ndash 400) 2 ndash23 This is a calculation of second degree approximation forecast: Y a bX cX 2 322 85X (ndash23) (X 2 ) When X 4, Q4 322 340 ndash 368 294. The forecast equals 294 3 98 per period. When X 5, Q5 322 425 ndash 575 172. The forecast equals 172 3 58.33 rounded to 57 per period. When X 6, Q6 322 510 ndash 828 4. The forecast equals 4 3 1.33 rounded to 1 per period. This is the forecast for next year, Last Year to This Year: 3.2.8 Method 8: Flexible Method This method enables you to select the best fit number of periods of sales order history that starts n months before the forecast start date, and to apply a percentage increase or decrease multiplication factor with which to modify the forecast. This method is similar to Method 1, Percent Over Last Year, except that you can specify the number of periods that you use as the base. Depending on what you select as n, this method requires periods best fit plus the number of periods of sales data that is indicated. This method is useful to forecast demand for a planned trend. 3.2.8.1 Example: Method 8: Flexible Method The Flexible Method (Percent Over n Months Prior) is similar to Method 1, Percent Over Last Year. Both methods multiply sales data from a previous time period by a factor specified by you, and then project that result into the future. No método Percent Over Last Year, a projeção é baseada em dados do mesmo período do ano anterior. You can also use the Flexible Method to specify a time period, other than the same period in the last year, to use as the basis for the calculations. Fator de multiplicação. For example, specify 110 in the processing option to increase previous sales history data by 10 percent. Base period. For example, n 4 causes the first forecast to be based on sales data in September of last year. Minimum required sales history: the number of periods back to the base period plus the number of time periods that is required for evaluating the forecast performance (periods of best fit). This table is history used in the forecast calculation: 3.2.9 Method 9: Weighted Moving Average The Weighted Moving Average formula is similar to Method 4, Moving Average formula, because it averages the previous months sales history to project the next months sales history. However, with this formula you can assign weights for each of the prior periods. This method requires the number of weighted periods selected plus the number of periods best fit data. Similar to Moving Average, this method lags behind demand trends, so this method is not recommended for products with strong trends or seasonality. This method is useful to forecast demand for mature products with demand that is relatively level. 3.2.9.1 Example: Method 9: Weighted Moving Average The Weighted Moving Average (WMA) method is similar to Method 4, Moving Average (MA). However, you can assign unequal weights to the historical data when using WMA. O método calcula uma média ponderada do histórico de vendas recente para chegar a uma projeção para o curto prazo. More recent data is usually assigned a greater weight than older data, so WMA is more responsive to shifts in the level of sales. However, forecast bias and systematic errors occur when the product sales history exhibits strong trends or seasonal patterns. This method works better for short range forecasts of mature products than for products in the growth or obsolescence stages of the life cycle. The number of periods of sales history (n) to use in the forecast calculation. For example, specify n 4 in the processing option to use the most recent four periods as the basis for the projection into the next time period. Um grande valor para n (como 12) requer mais histórico de vendas. Such a value results in a stable forecast, but it is slow to recognize shifts in the level of sales. Conversely, a small value for n (such as 3) responds more quickly to shifts in the level of sales, but the forecast might fluctuate so widely that production cannot respond to the variations. The total number of periods for the processing option rdquo14 - periods to includerdquo should not exceed 12 months. The weight that is assigned to each of the historical data periods. The assigned weights must total 1.00. For example, when n 4, assign weights of 0.50, 0.25, 0.15, and 0.10 with the most recent data receiving the greatest weight. Minimum required sales history: n plus the number of time periods that are required for evaluating the forecast performance (periods of best fit). This table is history used in the forecast calculation: January forecast equals (131 times 0.10) (114 times 0.15) (119 times 0.25) (137 times 0.50) (0.10 0.15 0.25 0.50) 128.45 rounded to 128. February forecast equals (114 times 0.10) (119 times 0.15) (137 times 0.25) (128 times 0.50) 1 127.5 rounded to 128. March forecast equals (119 times 0.10) (137 times 0.15) (128 times 0.25) (128 times 0.50) 1 128.45 rounded to 128. 3.2.10 Method 10: Linear Smoothing This method calculates a weighted average of past sales data. In the calculation, this method uses the number of periods of sales order history (from 1 to 12) that is indicated in the processing option. The system uses a mathematical progression to weigh data in the range from the first (least weight) to the final (most weight). Then the system projects this information to each period in the forecast. This method requires the months best fit plus the sales order history for the number of periods that are specified in the processing option. 3.2.10.1 Example: Method 10: Linear Smoothing This method is similar to Method 9, WMA. No entanto, em vez de atribuir arbitrariamente ponderações aos dados históricos, uma fórmula é usada para atribuir pesos que diminuem linearmente e somam a 1,00. O método calcula então uma média ponderada do histórico de vendas recente para chegar a uma projeção para o curto prazo. Like all linear moving average forecasting techniques, forecast bias and systematic errors occur when the product sales history exhibits strong trend or seasonal patterns. This method works better for short range forecasts of mature products than for products in the growth or obsolescence stages of the life cycle. n equals the number of periods of sales history to use in the forecast calculation. For example, specify n equals 4 in the processing option to use the most recent four periods as the basis for the projection into the next time period. The system automatically assigns the weights to the historical data that decline linearly and sum to 1.00. For example, when n equals 4, the system assigns weights of 0.4, 0.3, 0.2, and 0.1, with the most recent data receiving the greatest weight. Minimum required sales history: n plus the number of time periods that are required for evaluating the forecast performance (periods of best fit). This table is history used in the forecast calculation: 3.2.11 Method 11: Exponential Smoothing This method calculates a smoothed average, which becomes an estimate representing the general level of sales over the selected historical data periods. This method requires sales data history for the time period that is represented by the number of periods best fit plus the number of historical data periods that are specified. The minimum requirement is two historical data periods. This method is useful to forecast demand when no linear trend is in the data. 3.2.11.1 Example: Method 11: Exponential Smoothing This method is similar to Method 10, Linear Smoothing. In Linear Smoothing, the system assigns weights that decline linearly to the historical data. In Exponential Smoothing, the system assigns weights that exponentially decay. The equation for Exponential Smoothing forecasting is: Forecast alpha (Previous Actual Sales) (1 ndashalpha) (Previous Forecast) The forecast is a weighted average of the actual sales from the previous period and the forecast from the previous period. Alpha is the weight that is applied to the actual sales for the previous period. (1 ndash alpha) is the weight that is applied to the forecast for the previous period. Values for alpha range from 0 to 1 and usually fall between 0.1 and 0.4. The sum of the weights is 1.00 (alpha (1 ndash alpha) 1). You should assign a value for the smoothing constant, alpha. If you do not assign a value for the smoothing constant, the system calculates an assumed value that is based on the number of periods of sales history that is specified in the processing option. alpha equals the smoothing constant that is used to calculate the smoothed average for the general level or magnitude of sales. Values for alpha range from 0 to 1. n equals the range of sales history data to include in the calculations. Generally, one year of sales history data is sufficient to estimate the general level of sales. For this example, a small value for n (n 4) was chosen to reduce the manual calculations that are required to verify the results. Exponential Smoothing can generate a forecast that is based on as little as one historical data point. Minimum required sales history: n plus the number of time periods that are required for evaluating the forecast performance (periods of best fit). This table is history used in the forecast calculation: 3.2.12 Method 12: Exponential Smoothing with Trend and Seasonality This method calculates a trend, a seasonal index, and an exponentially smoothed average from the sales order history. The system then applies a projection of the trend to the forecast and adjusts for the seasonal index. This method requires the number of periods best fit plus two years of sales data, and is useful for items that have both trend and seasonality in the forecast. You can enter the alpha and beta factor, or have the system calculate them. Alpha and beta factors are the smoothing constant that the system uses to calculate the smoothed average for the general level or magnitude of sales (alpha) and the trend component of the forecast (beta). 3.2.12.1 Example: Method 12: Exponential Smoothing with Trend and Seasonality This method is similar to Method 11, Exponential Smoothing, in that a smoothed average is calculated. No entanto, o Método 12 também inclui um termo na equação de previsão para calcular uma tendência suavizada. The forecast is composed of a smoothed average that is adjusted for a linear trend. Quando especificada na opção de processamento, a previsão também é ajustada pela sazonalidade. Alpha equals the smoothing constant that is used in calculating the smoothed average for the general level or magnitude of sales. Values for alpha range from 0 to 1. Beta equals the smoothing constant that is used in calculating the smoothed average for the trend component of the forecast. Values for beta range from 0 to 1. Whether a seasonal index is applied to the forecast. Alpha and beta are independent of one another. They do not have to sum to 1.0. Minimum required sales history: One year plus the number of time periods that are required to evaluate the forecast performance (periods of best fit). When two or more years of historical data is available, the system uses two years of data in the calculations. Method 12 uses two Exponential Smoothing equations and one simple average to calculate a smoothed average, a smoothed trend, and a simple average seasonal index. An exponentially smoothed average: An exponentially smoothed trend: A simple average seasonal index: Figure 3-3 Simple Average Seasonal Index The forecast is then calculated by using the results of the three equations: L is the length of seasonality (L equals 12 months or 52 weeks). t is the current time period. m is the number of time periods into the future of the forecast. S is the multiplicative seasonal adjustment factor that is indexed to the appropriate time period. This table lists history used in the forecast calculation: This section provides an overview of Forecast Evaluations and discusses: You can select forecasting methods to generate as many as 12 forecasts for each product. Each forecasting method might create a slightly different projection. When thousands of products are forecast, a subjective decision is impractical regarding which forecast to use in the plans for each product. The system automatically evaluates performance for each forecasting method that you select and for each product that you forecast. You can select between two performance criteria: MAD and POA. MAD é uma medida do erro de previsão. POA é uma medida do viés de previsão. Both of these performance evaluation techniques require actual sales history data for a period specified by you. The period of recent history used for evaluation is called a holdout period or period of best fit. To measure the performance of a forecasting method, the system: Uses the forecast formulas to simulate a forecast for the historical holdout period. Makes a comparison between the actual sales data and the simulated forecast for the holdout period. When you select multiple forecast methods, this same process occurs for each method. Multiple forecasts are calculated for the holdout period and compared to the known sales history for that same period. The forecasting method that produces the best match (best fit) between the forecast and the actual sales during the holdout period is recommended for use in the plans. This recommendation is specific to each product and might change each time that you generate a forecast. 3.3.1 Mean Absolute Deviation Mean Absolute Deviation (MAD) is the mean (or average) of the absolute values (or magnitude) of the deviations (or errors) between actual and forecast data. MAD é uma medida da magnitude média de erros a esperar, dado um método de previsão e histórico de dados. Como os valores absolutos são usados ​​no cálculo, os erros positivos não cancelam os erros negativos. When comparing several forecasting methods, the one with the smallest MAD is the most reliable for that product for that holdout period. When the forecast is unbiased and errors are normally distributed, a simple mathematical relationship exists between MAD and two other common measures of distribution, which are standard deviation and Mean Squared Error. For example: MAD (Sigma (Actual) ndash (Forecast)) n Standard Deviation, (sigma) cong 1.25 MAD Mean Squared Error cong ndashsigma2 This example indicates the calculation of MAD for two of the forecasting methods. This example assumes that you have specified in the processing option that the holdout period length (periods of best fit) is equal to five periods. 3.3.1.1 Method 1: Last Year to This Year This table is history used in the calculation of MAD, given Periods of Best Fit 5: Mean Absolute Deviation equals (2 1 20 10 14) 5 9.4. Based on these two choices, the Moving Average, n 4 method is recommended because it has the smaller MAD, 9.4, for the given holdout period. 3.3.2 Percent of Accuracy Percent of Accuracy (POA) is a measure of forecast bias. Quando as previsões são consistentemente muito altas, os estoques se acumulam e os custos de estoque aumentam. 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. Nos serviços, a magnitude dos erros de previsão é geralmente mais importante do que o viés previsto. 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. O script nesta página aprimora a navegação de conteúdo, mas não altera o conteúdo de nenhuma forma.