Estágios De Movimento Média Vendas Previsão Técnica

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, ao contrário de uma previsão, Por exemplo, a notícia da noite dá a previsão do tempo não a previsão do tempo Independentemente, os termos previsão e previsão são muitas vezes utilizados inter-changeably Por exemplo, as definições de regressão uma técnica às vezes Usado na previsão geralmente afirmam que seu propósito é explicar ou prever. A previsão é baseada em uma série de suposições. O passado se repetirá Em outras palavras, o que aconteceu no passado acontecerá novamente no futuro. À medida que o horizonte de previsão se encurta , Aumenta a precisão da previsão 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 f Ou no próximo ano e uma previsão para o próximo ano será mais preciso do que uma previsão de dez anos no future. Forecasting no agregado é mais preciso 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 SKU unidades individuais de estoque de manutenção 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. São raramente precisos. Além disso, as previsões quase nunca são totalmente exatas. Enquanto algumas são muito próximas, poucas estão à direita no dinheiro. Portanto, é sábio oferecer um intervalo de previsão Se alguém previu 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 lista um número De características que são comuns a uma boa previsão. Accurate algum grau de precisão deve ser determinado e declarado de modo que a comparação pode ser feita para as previsões alternativas. Reliable o método de previsão deve consistentemente fornecer uma boa previsão se o usuário está a estabelecer algum grau de Confiança. Timely 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 changes. Easy para usar e entender os usuários da previsão deve ser confiante e confortável trabalhar com it. Cost-eficaz O custo de fazer a previsão não deve superar os benefícios obtidos a partir da previsão. Forecasting técnicas variam do simples ao extremamente complexo Estas técnicas são geralmente classificados como qualitativos ou quantitativos. Técnicas QUALITATIVAS. Qualitative técnicas de previsão são geralmente mais subjetivos do que os seus quantitativos As técnicas qualitativas são mais úteis nos estágios iniciais do pr O método Delphi utiliza a técnica de Delphi, técnica de grupo nominal NGT, pareceres de força de vendas, pareceres executivos e pesquisa de mercado. A técnica Delphi usa um painel de especialistas para Produzir uma previsão Cada perito é solicitado 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 feita por cada Especialista Cada perito então lê novamente o que cada outro perito escreveu e é novamente influenciado pelas percepções dos outros Este processo se repete até que cada perito se aproxime do acordo sobre o cenário ou números necessários. Técnica do Grupo Nacional. Técnica do Grupo Nacional é semelhante à técnica Delphi Na medida em que utiliza um grupo de participantes, normalmente peritos. Depois que os participantes respondem a perguntas relacionadas com a previsão, Em 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. VENDAS FORÇA OPINÕES. 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 força de vendas composto previsão 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 , Se as previsões forem usadas para estabelecer quotas de vendas, a força de vendas pode ser tentada a fornecer estimativas mais baixas. OPINIÕES EXECUTIVAS. Às vezes, os gerentes de níveis superiores se encontram e desenvolvem previsões com base em seu conhecimento de suas áreas de responsabilidade. Um júri da opinião executiva. PESQUISA DE MERCADO. Na pesquisa de mercado, os inquéritos de consumidor são usados ​​para estabelecer a demanda potencial tal m A pesquisa de arketing geralmente envolve a construção de um questionário que solicita informações pessoais, demográficas, econômicas e de marketing. Na ocasião, os pesquisadores de mercado coletam essas informações pessoalmente em pontos de venda e shoppings, onde o consumidor pode experimentar gosto, sentir, cheirar e ver um determinado produto As técnicas quantitativas de previsão são geralmente mais objetivas do que suas contrapartes qualitativas. As previsões quantitativas podem ser previsões de séries temporais, isto é, uma projeção do passado para o futuro ou Previsões baseadas em modelos associativos ie 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 simplesmente variações aleatórias Entre os padrões são. Tr Que são movimentos de longo prazo para cima ou para baixo nos dados. A estacionalidade, que produz variações de curto prazo que normalmente estão relacionadas com a época do ano, mês ou mesmo um dia específico, como testemunhado por vendas no varejo no Natal ou a Spikes na atividade bancária no primeiro do mês e nas sextas-feiras. Ciclos, que são variações wavelike que duram mais de um ano que são amarrados geralmente às condições econômicas ou políticas. Variações irregulares que não refletem o comportamento típico, tal como um período do extremo Clima ou greve sindical. Variações randômicas, que englobam todos os comportamentos não típicos não explicados pelas outras classificações. Entre os modelos de séries temporais, o mais simples é a previsão nítida. Uma previsão simples usa simplesmente a demanda real do passado Isto pressupõe, naturalmente, que o passado irá repetir. Também assume que quaisquer tendências, sazonalidade ou ciclos são refletidos na demanda do período anterior ou Não existe Um exemplo de previsão nave é apresentado na Tabela 1.Tabela 1 Na ve Previsão. Uma outra técnica simples é a utilização da média Para fazer uma previsão usando a média, basta tomar a média de alguns períodos de dados passados ​​por Somando cada período e dividindo o resultado pelo número de períodos Esta técnica foi encontrada para ser muito eficaz para a previsão de curto alcance. Variações da média incluem a média móvel, a média ponderada e a média móvel ponderada A média móvel toma um predeterminado Número de períodos, soma sua demanda real e divide pelo número de períodos para alcançar uma previsão. Para cada período subseqüente, o período mais antigo de dados cai e o último período é adicionado. Assumindo uma média móvel de três meses e usando os dados de Na Tabela 1, basta adicionar 45 de janeiro, 60 de fevereiro e 72 de março e dividir por três para chegar a uma previsão para abril de 45 60 72 177 3 59. Para chegar a uma previsão para maio, Tabela 2 apresenta um exemplo de uma previsão média móvel de três meses. Tabela 2 Média Móvel de Três Mês Previsão. Demanda Atual A média ponderada de 000 sA 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 preparador de previsão 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 a Atingir uma previsão ponderada Geralmente, quanto mais recentes forem os dados, maior o peso e mais velhos serão os dados, menor será o peso. Usando o exemplo da demanda, uma média ponderada usando pesos de 4 3 2 e 1 renderá 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 de média móvel ponderada atribui pesos a um número predeterminado de períodos de dados reais e comp A previsão da mesma maneira como descrito acima Como com todas as previsões móveis, como cada novo período é adicionado, os dados do período mais antigo é descartado A tabela 3 mostra uma média móvel ponderada de três meses previsão utilizando os pesos 5 3 e 2. Tabela 3 Média Móvel Ponderada de Três Mês Previsão. Demanda Atual 000 sA forma mais complexa de média móvel ponderada é a suavização exponencial, assim denominada porque o peso cai exponencialmente à medida que os dados envelhecem O alinhamento exponencial toma a previsão do período anterior e ajusta-a por um predeterminado Constante de alinhamento, chamado alfa, o valor para alfa é menor que um multiplicado pela diferença na previsão anterior e a demanda que realmente ocorreu durante o período previamente previsto chamado erro de previsão A suavização exponencial é expressa como tal Previsão FFA F. O suavização exponencial requer que o antecessor comece a previsão em um período passado a A previsão inicial pode ser uma previsão real de um período anterior, a demanda real de um período anterior, ou a demanda real de um período anterior, ou Por exemplo, a heurística N 2 1 e um alfa de 5 renderiam 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 suavização exponencial é auto-correção Dado períodos suficientes de dados passados, suavização exponencial, eventualmente, fazer correções suficientes para compensar Para uma previsão inicial razoavelmente imprecisa Usando os dados usados ​​em outros exemplos, uma previsão inicial de 50 e um alfa de 7, uma previsão para fevereiro é computada como tal. Elenco fevereiro 50 7 45 50 41 5.Próximo, a previsão para Março Nova previsão Março 41 5 7 60 41 5 54 45 Este processo continua até que o meteorologista chegue ao período desejado Na Tabela 4 isso seria para o mês de junho, Demanda real para junho não é conhecido. Atual Demanda 000 s. An extensão de suavização exponencial pode ser usado quando os dados da série de tempo exibe uma tendência linear Este método é conhecido por vários nomes suavização dupla tendência ajustada exponencial suavização previsão incluindo tendência FIT e Holt S Sem ajuste, os resultados simples de suavização exponencial 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 e com a representação da tendência Componente. Uma extensão do modelo de Holt, chamado Método de Holt-Winter, leva em conta tanto a tendência quanto a sazonalidade. Existem duas versões, multiplicativas e aditivas, sendo a multiplicativa a mais utilizada D 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 conhecida como parentes sazonais ou índices sazonais da média ou tendência. Estes valores são então multiplicados vezes em ordem Para incorporar sazonalidade Um parente de 0 8 indicaria a demanda que é 80 por cento da média, enquanto 1 10 indicaria a demanda que é 10 por cento acima da média As informações detalhadas sobre este método podem ser encontradas na maioria dos manuais de gerenciamento de operações ou um de um número De livros sobre previsão. 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 domiciliar Normalmente, isso envolve o uso de regressão linear, onde O objetivo é desenvolver uma equação que resume os efeitos das variáveis ​​preditor independente sobre o E 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 com desvio sendo a distância de cada ponto à linha A equação apareceria como Ya bx, em que y é a variável dependente predita, x é a variável independente do preditor, b é a inclinação da linha e a é igual à altura da linha na interceptação de y Uma vez que a equação é determinada, o usuário pode Inserir valores atuais para a variável independente de previsão para chegar a uma variável dependente da previsão. 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, regressão múltipla Devem ser empregadas, ao passo que as relações não-lineares exigem o uso da regressão curvilínea. PREVISÕES ECONOMÉTRICAS. Métodos econométricos, como o auto-regressivo O modelo integrado de média móvel ARIMA usa equações matemáticas complexas para mostrar relações passadas entre demanda e variáveis ​​que influenciam a demanda Uma equação é derivada e depois testada e ajustada para garantir que ela é tão confiável uma representação do relacionamento passado quanto possível Isto é feito, os valores projetados das variáveis ​​de influência renda, preços, etc são inseridos na equação para fazer uma previsão. EVALUATING FORECASTS. Forecast precisão pode ser determinada por computar o viés, média desvio absoluto MAD, média quadrado erro MSE, ou média Erro percentual absoluto MAPE para a previsão usando valores diferentes para Alpha Bias é a soma dos erros de previsão FE Para o exemplo de suavização exponencial acima, o viés calculado seria 60 41 5 72 54 45 58 66 74 40 60 62 6 69. Se um Assume que um baixo viés indica um erro geral de previsão baixa, pode-se calcular o viés para um número de valores potenciais de alfa e assumir que aquele com o viés mais baixo seria b Porém, ao longo de três períodos, uma empresa pode usar um valor específico de alfa para Sobre a previsão de 75.000 unidades 75.000, sob previsão de 100.000 unidades 100.000, e depois sobre a previsão de 25.000 unidades 25.000, resultando em um desvio de zero 75.000 100.000 25.000 0 Em comparação, um outro alfa rendendo sobre as 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, o primeiro alfa renderia previsões que estavam desligadas em até 100%, enquanto que o segundo alfa seria desligado por um máximo de apenas 3% Bias na primeira previsão foi zero. A medida mais segura de precisão de previsão é o desvio absoluto médio MAD Para calcular o MAD, o forecaster somas o valor absoluto dos erros de previsão e, em seguida, divide por O número de previsões FE N Tomando o valor absoluto dos erros de previsão, a compensação de valores positivos e negativos são evitados Isso significa que tanto uma sobreprevisão de 50 e uma previsão inferior de 50 estão desativados por 50 Usando os dados da exponencial Exemplo, o MAD pode ser calculado da seguinte forma 60 41 5 72 54 45 58 66 74 40 60 62 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 será Sabe que o alfa com o menor MAD está produzindo a previsão mais precisa. Meio erro quadrado MSE também pode ser utilizado da mesma forma MSE é a soma dos erros de previsão ao quadrado dividido por N-1 FE N-1 Squaring 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 8 74 20 62 3 383 94 Tal como com MAD, o previsor pode comparar a MSE das previsões derivadas Usando vários va Lues de alfa e assumir o alfa com o menor MSE está produzindo a previsão mais precisa. O erro médio de porcentagem absoluta 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 percentagem e dividir por N Previsão de demanda real Demanda real 100 N Utilizando os dados do exemplo de suavização exponencial, o MAPE pode ser calculado como se segue 18 5 60 17 55 72 8 74 58 20 62 48 100 4 28 33 Tal como acontece 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, Do método de previsão deve refletir o equilíbrio relativo de importância entre a precisão e a capacidade de resposta, conforme determinado pelo previsor. FAZENDO UMA PREVISÃO. William J Stevenson lista o seguinte como os passos básicos no foreca Determinar o fator de previsão Os 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 podem ser dedicados à previsão e o tipo Do método de previsão a ser utilizado. Estabelecer um horizonte de tempo Isso ocorre depois que um determinou o propósito da previsão Previsões de longo prazo exigem horizontes de tempo mais longo e vice-versa A precisão é novamente uma consideração. Selecione uma técnica de previsão A técnica selecionada depende da finalidade Da previsão, do horizonte de tempo desejado e do custo permitido. Reunir e analisar dados A quantidade e o tipo de dados necessários são regidos pela finalidade da previsão, a técnica de previsão selecionada e quaisquer considerações de custo. Faça a previsão. Monitorize a previsão Avaliar o desempenho da previsão e modificá-la, se necessário. FURTHER READING. Finch, Byron J Operations Now Profitabilidade, Processos, Desempenho 2 ed Boston McGraw-H Dr. Irwin, 2006.Green, William H Análise Econométrica 5 ed Upper Saddle River, Nova Jersey Prentice Hall, 2003.Joppe, Dr. Marion A Técnica do Grupo Nominal O Processo de Pesquisa Disponível de. Stevenson, William J Gerenciamento de Operações 8 ed Boston McGraw-Hill Irwin , 2005. Além disso, leia o artigo sobre a previsão de Wikipedia. A Previsão de Cálculo Examples. A 1 Métodos de Cálculo de Previsão. Two métodos de cálculo de previsões estão disponíveis A maioria destes métodos fornecem controle limitado usuário Por exemplo, o peso colocado em dados históricos recentes ou o O intervalo de datas dos dados históricos usados ​​nos cálculos pode ser especificado Os exemplos a seguir mostram o procedimento de cálculo para cada um dos métodos de previsão disponíveis, considerando um conjunto idêntico de dados históricos. Os exemplos a seguir utilizam os mesmos dados de vendas de 2004 e 2005 para produzir um Previsão de vendas Para além do cálculo da previsão, cada exemplo inclui uma previsão simulada de 2005 para um período de três meses N 19 3, que é então usado para a porcentagem de exatidão e os cálculos de desvio absoluto médio de vendas reais em comparação com a previsão simulada. 2 Critérios de avaliação do desempenho da previsão. Dependendo da sua seleção de opções de processamento e das tendências e padrões existentes nos dados de vendas, Os métodos de previsão funcionarão melhor do que outros para um dado conjunto de dados históricos Um método de previsão que é apropriado para um produto pode não ser apropriado para outro produto Também é improvável que um método de previsão que forneça bons resultados em uma fase do ciclo de vida de um produto Permanecerá apropriado ao longo de todo o ciclo de vida. Você pode escolher entre dois métodos para avaliar o desempenho atual dos métodos de previsão Estes são Desvio Médio Absoluto MAD e Porcentagem de Precisão POA Ambos os métodos de avaliação de desempenho requerem dados históricos de vendas para um usuário especificado período De tempo Este período de tempo é chamado de um período de retenção ou períodos melhor ajuste PBF O dat A neste período é usado como base para recomendar qual dos métodos de previsão para usar na realização da próxima projeção de projeção Esta recomendação é específica para cada produto e pode mudar de uma geração de previsão para a próxima Os dois métodos de avaliação de desempenho de previsão são demonstrados Nas páginas que seguem os exemplos dos doze métodos de previsão. 3 Método 1 - Percentual especificado no ano passado. Este método multiplica os dados de vendas do ano anterior por um fator especificado pelo usuário, por exemplo, 1 10 para um aumento de 10 ou 0 97 Para uma diminuição de 3. Histórico de vendas necessário Um ano para calcular a previsão mais o usuário especificado número de períodos de tempo para avaliar a previsão de desempenho processamento opção 19.A 4 1 Cálculo de Previsão. Range de histórico de vendas para usar no cálculo da taxa de crescimento processamento opção 2a 3 Neste exemplo. Sum os três meses finais de 2005 114 119 137 370.Sum os mesmos três meses para o ano anterior 123 139 133 395.O fator calculado 370 3 95 0 9367.Calcular as previsões. Janeiro de 2005 vendas 128 0 9367 119 8036 ou cerca de 120.Fevereiro, 2005 vendas 117 0 9367 109 5939 ou cerca de 110.March, 2005 vendas 115 0 9367 107 7205 ou cerca de 108.A 4 2 Simulated Forecast Calculation. Sum os três meses de 2005 antes do período holdout julho, agosto, setembro de 140 140 131 400.Sum os mesmos três meses para o ano anterior.141 128 118 387. O fator calculado 400 387 1 033591731.Calculate simulada Previsão. Outubro de 2004 vendas 123 1 033591731 127 13178.Novembro, 2004 vendas 139 1 033591731 143 66925.December, 2004 vendas 133 1 033591731 137 4677.A 4 3 Percentagem de Precisão Cálculo. POA 127 13178 143 66925 137 4677 114 119 137 100 408 26873 370 100 110 3429.A 4 4 Cálculo do Desvio Absoluto Médio. MAD 127 13178 - 114 143 66925 - 119 137 4677- 137 3 13 13178 24 66925 0 4677 3 12 75624.A 5 Método 3 - Último ano até este ano . Este método copia os dados de vendas do ano anterior para o próximo ano. Histórico de vendas necessário Um ano para calcular a previsão Mais o número de períodos de tempo especificados para avaliar a opção de processamento de desempenho de previsão 19.A 6 1 Cálculo de Previsão. Número de períodos a serem incluídos na opção de processamento média 4a 3 neste exemplo. Para cada mês da previsão, a média dos três meses anteriores S previsões de janeiro 114 119 137 370, 370 3 123 333 ou 123. Previsão de fevereiro 119 137 123 379, 379 3 126 333 ou 126. Previsão de mercado 137 123 126 379, 386 3 128 667 ou 129.A 6 2 Previsão simulada Cálculo. Octobre 2005 vendas 129 140 131 3 133 3333.November 2005 vendas 140 131 114 3 128 3333.December 2005 vendas 131 114 119 3 121 3333.A 6 3 Percentagem de Precisão Calculation. POA 133 3333 128 3333 121 3333 114 119 137 100 103 513.A 6 4 Cálculo do Desvio Absoluto Médio. MAD 133 3333 - 114 128 3333 - 119 121 3333 - 137 3 14 7777.A 7 Método 5 - Aproximação linear. A aproximação linear calcula uma tendência com base em dois pontos de dados do histórico de vendas. Esses dois pontos definem uma linha de tendência reta que é projetada para o f Utilize este método com cautela, pois as previsões de longo alcance são alavancadas por pequenas alterações em apenas dois pontos de dados. Histórico de vendas necessário O número de períodos a incluir na opção de processamento de regressão 5a, mais 1 mais o número de períodos de tempo para avaliar o processamento de desempenho de previsão Opção 19.A 8 1 Cálculo de Previsão. Número de períodos a incluir na opção de processamento de regressão 6a 3 neste exemplo. Para cada mês da previsão, adicione o aumento ou diminuição durante os períodos especificados antes do período de retenção do período anterior. Os três meses anteriores 114 119 137 3 123 3333. Sumário dos três meses anteriores com peso considerado. 114 1 119 2 137 3 763.Diferença entre os valores. 763 - 123 3333 1 2 3 23.Ratio 1 2 2 2 3 2 - 2 3 14 - 12 2.Value1 Diferença Relação 23 2 11 5.Value2 Relação de valor médio 1 123 3333 - 11 5 2 100 3333.Forecast 1 n value1 Valor2 4 11 5 100 3333 146 333 ou 146.Forecast 5 11 5 100 3333 157 8333 ou 158.Forecast 6 11 5 100 3333 169 3333 ou 169.A 8 2 Cálculo de Previsão Simulado. October 2004. vendas dos três meses anteriores . 129 140 131 3 133 3333.Resumo dos três meses anteriores com ponderação considerada. 129 1 140 2 131 3 802.Diferença entre os valores. 802 - 133 3333 1 2 3 2.Ratio 1 2 2 2 3 2 - 2 3 14 - 12 2.Value1 Difference Ratio 2 2 1.Value2 Taxa média-valor1 133 3333 - 1 2 131 3333.Forecast 1 n valor1 valor2 4 1 131 3333 135 3333.Novembro 2004 vendas. Average dos três meses anteriores. 140 131 114 3 128 3333.Resumo dos três meses anteriores com ponderação considerada. 140 1 131 2 114 3 744.Diferença entre os valores 744 - 128 3333 1 2 3 -25 9999.Value1 Diferença Relação -25 9999 2 -12 9999.Valor2 Relação média-valor1 128 3333 - -12 9999 2 154 3333.Forecast 4 -12 9999 154 3333 102 3333.December 2004. vendas dos três meses anteriores. 131 114 119 3 121 3333.Resumo dos três meses anteriores com ponderação considerada. 131 1 114 2 119 3 716.Diferença entre os valores. 716 - 121 3333 1 2 3 -11 9999.Value1 Diferença Relação -11 9999 2 -5 9999.Valor2 Relação média-valor1 121 3333 - -5 9999 2 133 3333.Forecast 4 -5 9999 133 3333 109 3333.A 8 3 Percentagem do Cálculo da Precisão. POA 135 33 102 33 109 33 114 119 137 100 93 78.A 8 4 Cálculo do Desvio Absoluto Médio. MAD 135 33 - 114 102 33 - 119 109 33 - 137 3 21 88.A 9 Método 7 - Segundo A regressão linear determina os valores de aeb na fórmula de previsão Y a bX com o objetivo de ajustar uma linha reta aos dados do histórico de vendas A aproximação de segundo grau é semelhante No entanto, este método determina valores para a, b e c em A fórmula de previsão Y a bX cX2 com o objetivo de ajustar uma curva aos dados do histórico de vendas Este método pode ser útil quando um produto está na transição entre estágios de um ciclo de vida Por exemplo, quando um novo produto passa da introdução para as fases de crescimento , A tendência de vendas pode acelerar Devido ao prazo de segunda ordem, a previsão pode rapidamente abordagem Infinito ou queda para zero dependendo se o coeficiente c é positivo ou negativo Portanto, este método é útil somente no curto prazo. Especificações de Força As fórmulas encontram a, b e c para ajustar uma curva a exatamente três pontos Você especifica n na A opção de processamento 7a, o número de períodos de dados para acumular em cada um dos três pontos Neste exemplo n 3 Portanto, os dados de vendas reais de abril a junho são combinados no primeiro ponto, Q1 julho a setembro são adicionados juntos para criar Q2 , E de outubro a dezembro somam a Q3 A curva será ajustada aos três valores Q1, Q2 e Q3. Histórico de vendas necessário 3 n períodos para cálculo da previsão mais o número de períodos necessários para avaliar o desempenho da previsão PBF. Número de Períodos para incluir a opção de processamento 7a 3 neste exemplo. Use os 3 meses anteriores em blocos de três meses. T1 Abr - Jun 125 122 137 384.Q2 Jul - Set 129 140 131 400.Q3 Oct - Dec 114 119 137 370. A etapa seguinte envolve c Alculando os três coeficientes a, b e c a serem utilizados na fórmula de previsão Y a bX cX 2. 1 Q1 a bX cX 2 onde X 1 a b c. 2 Q2 a bX cX 2 em que X 2 a 2b 4c. 3 Q3 a bX cX 2 onde X 3 a 3b 9c. Solve as três equações simultaneamente para encontrar b, a e c. Subtraímos a equação 1 da equação 2 e resolvemos para b. Substituir esta equação para b na equação 3. 3 Q3 a 3 Q2 - Q1 - 3c c. Finalmente, substitua essas equações por aeb na equação 1. O método de Aproximação de Segundo Grau calcula A, b e c da seguinte forma: a Q3 - 3 Q2 - Q1 370 - 3 400 - 384 322.c Q3 - Q2 Q1 - Q2 2 370 - 400 384 - 400 2 -23.b Q2 - Q1 - 3c 400 - 384 - 3 -23 85.Y a bX cX 2 322 85 X -23 X 2.Janeiro até março previsão X 4.322 340 - 368 3 294 3 98 por período. April até junho previsão X 5.322 425 - 575 3 57 333 ou 57 por período. Previsão de julho a setembro X 6. 322 510 - 828 3 1 33 ou 1 por período. Outubro a dezembro X 7. 322 595 - 1127 3 -70.A 9 2 Cálculo de Previsão Simulado. Outubro, Novembro E Dezembro de 2004. Jan. - Mar. 360.Q2 Abr. - Jun. 384.Q3 Jul. - Sep. 400.a 400 - 3 384 - 360 328.c 400 - 384 360 - 384 2 -4.b 384 - 360 - 3 -4 36. 328 36 4 -4 16 3 136.A 9 3 Percentagem do Cálculo da Precisão. POA 136 136 136 114 119 137 100 110 27.A 9 4 Cálculo do Desvio Absoluto Médio. MAD 136 - 114 136 - 119 136 - 137 3 13 33.A 10 Método 8 - Método Flexível. O Método Flexível Percentual ao longo de n Meses Anterior é semelhante ao Método 1, Percentagem ao longo do ano passado Ambos os métodos multiplicam os dados de vendas de um período de tempo anterior por um fator especificado pelo usuário , Então projete esse resultado no futuro No método Percent Over Last Year, a projeção é baseada em dados do mesmo período do ano anterior. O método flexível adiciona a capacidade de especificar um período de tempo diferente do mesmo período do ano passado para Utilizar como base para os cálculos. Factor de multiplicação Por exemplo, especifique 1 15 na opção de processamento 8b para aumentar os dados do histórico de vendas anteriores por 15. Período de base Por exemplo, n 3 fará com que a primeira previsão se baseie em dados de vendas em Outubro, 2005.Mínimo histórico de vendas O usuário especificou número o F períodos para o período de base, mais o número de períodos de tempo necessários para avaliar o desempenho da previsão PBF. A 10 4 Cálculo do Desvio Absoluto Médio. MAD 148 - 114 161 - 119 151 - 137 3 30.A 11 Método 9 - Mudança ponderada Média Móvel Ponderada WMA é semelhante ao Método 4, Média Móvel MA No entanto, com a Média Móvel Ponderada você pode atribuir pesos desiguais aos dados históricos O método calcula uma média ponderada do histórico de vendas recente para chegar a uma projeção para o short term More recent data is usually assigned a greater weight than older data, so this makes WMA more responsive to shifts in the level of sales However, forecast bias and systematic errors still do occur when the product sales history exhibits strong trend or seasonal patterns This method works better for short range forecasts of mature products rather than for products in the growth or obsolescence stages of the life cycle. n the number of periods of sales history to use in the forecast calculation For example, specify n 3 in the processing option 9a to use the most recent three periods as the basis for the projection into the next time period A large value for n such as 12 requires more sales history It results in a stable forecast, but will be slow to recognize shifts in the level of sales On the other hand, a small value for n such as 3 will respond quicker to shifts in the level of sales, but the forecast may fluctuate so widely that production can not respond to the variations. The weight assigned to each of the historical data periods The assigned weights must total to 1 00 For example, when n 3, assign weights of 0 6, 0 3, and 0 1, with the most recent data receiving the greatest weight. Minimum required sales history n plus the number of time periods required for evaluating the forecast performance PBF. MAD 133 5 - 114 121 7 - 119 118 7 - 137 3 13 5.A 12 Method 10 - Linear Smoothing. This method is similar to Method 9, Weighted Moving Average WMA How ever, instead of arbitrarily assigning weights to the historical data, a formula is used to assign weights that decline linearly and sum to 1 00 The method then calculates a weighted average of recent sales history to arrive at a projection for the short term. As is true of all linear moving average forecasting techniques, forecast bias and systematic errors occur when the product sales history exhibits strong trend or seasonal patterns This method works better for short range forecasts of mature products rather than for products in the growth or obsolescence stages of the life cycle. n the number of periods of sales history to use in the forecast calculation This is specified in the processing option 10a For example, specify n 3 in the processing option 10b to use the most recent three periods as the basis for the projection into the next time period The system will automatically assign the weights to the historical data that decline linearly and sum to 1 00 For example, when n 3, the s ystem will assign weights of 0 5, 0 3333, and 0 1, with the most recent data receiving the greatest weight. Minimum required sales history n plus the number of time periods required for evaluating the forecast performance PBF. A 12 1 Forecast Calculation. Number of periods to include in smoothing average processing option 10a 3 in this example. Ratio for one period prior 3 n 2 n 2 3 3 2 3 2 3 6 0 5.Ratio for two periods prior 2 n 2 n 2 2 3 2 3 2 2 6 0 3333.Ratio for three periods prior 1 n 2 n 2 1 3 2 3 2 1 6 0 1666.January forecast 137 0 5 119 1 3 114 1 6 127 16 or 127.February forecast 127 0 5 137 1 3 119 1 6 129.March forecast 129 0 5 127 1 3 137 1 6 129 666 or 130.A 12 2 Simulated Forecast Calculation. October 2004 sales 129 1 6 140 2 6 131 3 6 133 6666.November 2004 sales 140 1 6 131 2 6 114 3 6 124.December 2004 sales 131 1 6 114 2 6 119 3 6 119 3333.A 12 3 Percent of Accuracy Calculation. POA 133 6666 124 119 3333 114 119 137 100 101 891.A 12 4 Mean Absolute Deviation Calculation. MAD 133 6666 - 114 124 - 119 119 3333 - 137 3 14 1111.A 13 Method 11 - Exponential Smoothing. This method is similar to Method 10, Linear Smoothing In Linear Smoothing the system assigns weights to the historical data that decline linearly In exponential smoothing, the system assigns weights that exponentially decay The exponential smoothing forecasting equation is. Forecast a Previous Actual Sales 1 - a Previous Forecast. The forecast is a weighted average of the actual sales from the previous period and the forecast from the previous period a is the weight applied to the actual sales for the previous period 1 - a is the weight applied to the forecast for the previous period Valid values for a range from 0 to 1, and usually fall between 0 1 and 0 4 The sum of the weights is 1 00 a 1 - a 1.You should assign a value for the smoothing constant, a If you do not assign values for the smoothing constant, the system calculates an assumed value based upon the number of periods of sales history specifie d in the processing option 11a. a the smoothing constant used in calculating the smoothed average for the general level or magnitude of sales Valid values for a range from 0 to 1.n the range of sales history data to include in the calculations Generally one year of sales history data is sufficient to estimate the general level of sales For this example, a small value for n n 3 was chosen in order to reduce the manual calculations required to verify the results Exponential smoothing can generate a forecast based on as little as one historical data point. Minimum required sales history n plus the number of time periods required for evaluating the forecast performance PBF. A 13 1 Forecast Calculation. Number of periods to include in smoothing average processing option 11a 3, and alpha factor processing option 11b blank in this example. a factor for the oldest sales data 2 1 1 , or 1 when alpha is specified. a factor for the 2nd oldest sales data 2 1 2 , or alpha when alpha is specified. a factor for the 3rd oldest sales data 2 1 3 , or alpha when alpha is specified. a factor for the most recent sales data 2 1 n , or alpha when alpha is specified. November Sm Avg a October Actual 1 - a October Sm Avg 1 114 0 0 114.December Sm Avg a November Actual 1 - a November Sm Avg 2 3 119 1 3 114 117 3333.January Forecast a December Actual 1 - a December Sm Avg 2 4 137 2 4 117 3333 127 16665 or 127.February Forecast January Forecast 127.March Forecast January Forecast 127.A 13 2 Simulated Forecast Calculation. July, 2004 Sm Avg 2 2 129 129.August Sm Avg 2 3 140 1 3 129 136 3333.September Sm Avg 2 4 131 2 4 136 3333 133 6666.October, 2004 sales Sep Sm Avg 133 6666.August, 2004 Sm Avg 2 2 140 140.September Sm Avg 2 3 131 1 3 140 134.October Sm Avg 2 4 114 2 4 134 124.November, 2004 sales Sep Sm Avg 124.September 2004 Sm Avg 2 2 131 131.October Sm Avg 2 3 114 1 3 131 119 6666.November Sm Avg 2 4 119 2 4 119 6666 119 3333.December 2004 sales Sep Sm Avg 119 3333.A 13 3 Percent of Accuracy Calcula tion. POA 133 6666 124 119 3333 114 119 137 100 101 891.A 13 4 Mean Absolute Deviation Calculation. MAD 133 6666 - 114 124 - 119 119 3333 - 137 3 14 1111.A 14 Method 12 - Exponential Smoothing with Trend and Seasonality. This method is similar to Method 11, Exponential Smoothing in that a smoothed average is calculated However, Method 12 also includes a term in the forecasting equation to calculate a smoothed trend The forecast is composed of a smoothed averaged adjusted for a linear trend When specified in the processing option, the forecast is also adjusted for seasonality. a the smoothing constant used in calculating the smoothed average for the general level or magnitude of sales Valid values for alpha range from 0 to 1.b the smoothing constant used in calculating the smoothed average for the trend component of the forecast Valid values for beta range from 0 to 1.Whether a seasonal index is applied to the forecast. a and b are independent of each other They do not have to add to 1 0.Min imum required sales history two years plus the number of time periods required for evaluating the forecast performance PBF. Method 12 uses two exponential smoothing equations and one simple average to calculate a smoothed average, a smoothed trend, and a simple average seasonal factor. A 14 1 Forecast Calculation. A An exponentially smoothed average. MAD 122 81 - 114 133 14 - 119 135 33 - 137 3 8 2.A 15 Evaluating the Forecasts. You can select forecasting methods to generate as many as twelve forecasts for each product Each forecasting method will probably create a slightly different projection When thousands of products are forecast, it is impractical to make a subjective decision regarding which of the forecasts to use in your plans for each of the products. The system automatically evaluates performance for each of the forecasting methods that you select, and for each of the products forecast You can choose between two performance criteria, Mean Absolute Deviation MAD and Percent of Accur acy POA MAD is a measure of forecast error POA is a measure of forecast bias Both of these performance evaluation techniques require actual sales history data for a user specified period of time This period of recent history is called a holdout period or periods best fit PBF. To measure the performance of a forecasting method, use the forecast formulae to simulate a forecast for the historical holdout period There will usually be differences between actual sales data and the simulated forecast for the holdout period. When multiple forecast methods are selected, this same process occurs for each method Multiple forecasts are calculated for the holdout period, and compared to the known sales history for that same period of time The forecasting method producing the best match best fit between the forecast and the actual sales during the holdout period is recommended for use in your plans This recommendation is specific to each product, and might change from one forecast generation to the ne xt. A 16 Mean Absolute Deviation MAD. MAD is the mean or average of the absolute values or magnitude of the deviations or errors between actual and forecast data MAD is a measure of the average magnitude of errors to expect, given a forecasting method and data history Because absolute values are used in the calculation, positive errors do not cancel out negative errors When comparing several forecasting methods, the one with the smallest MAD has shown to be the most reliable for that product for that holdout period When the forecast is unbiased and errors are normally distributed, there is a simple mathematical relationship between MAD and two other common measures of distribution, standard deviation and Mean Squared Error. A 16 1 Percent of Accuracy POA. Percent of Accuracy POA is a measure of forecast bias When forecasts are consistently too high, inventories accumulate and inventory costs rise When forecasts are consistently two low, inventories are consumed and customer service decline s A forecast that is 10 units too low, then 8 units too high, then 2 units too high, would be an unbiased forecast The positive error of 10 is canceled by negative errors of 8 and 2.Error Actual - Forecast. When a product can be stored in inventory, and when the forecast is unbiased, a small amount of safety stock can be used to buffer the errors In this situation, it is not so important to eliminate forecast errors as it is to generate unbiased forecasts However in service industries, the above situation would be viewed as three errors The service would be understaffed in the first period, then overstaffed for the next two periods In services, the magnitude of forecast errors is usually more important than is forecast bias. The summation over the holdout period allows positive errors to cancel negative errors When the total of actual sales exceeds the total of forecast sales, the ratio is greater than 100 Of course, it is impossible to be more than 100 accurate When a forecast is unbias ed, the POA ratio will be 100 Therefore, it is more desirable to be 95 accurate than to be 110 accurate The POA criteria select the forecasting method that has a POA ratio closest to 100.Scripting on this page enhances content navigation, but does not change the content in any way.3 Understanding Forecast Levels and Methods. You can generate both detail single item forecasts and summary product line forecasts that reflect product demand patterns The system analyzes past sales to calculate forecasts by using 12 forecasting methods The forecasts include detail information at the item level and higher level information about a branch or the company as a whole.3 1 Forecast Performance Evaluation Criteria. Depending on the selection of processing options and on trends and patterns in the sales data, some forecasting methods perform better than others for a given historical data set A forecasting method that is appropriate for one product might not be appropriate for another product You might find that a forecasting method that provides good results at one stage of a product life cycle remains appropriate throughout the entire life cycle. You can select between two methods to evaluate the current performance of the forecasting methods. Percent of accuracy POA. Mean absolute deviation MAD. Both of these performance evaluation methods require historical sales data for a period that you specify This period is called a holdout period or period of best fit The data in this period is used as the basis for recommending which forecasting method to use in making the next forecast projection This recommendation is specific to each product and can change from one forecast generation to the next.3 1 1 Best Fit. The system recommends the best fit forecast by applying the selected forecasting methods to past sales order history and comparing the forecast simulation to the actual history When you generate a best fit forecast, the system compares actual sales order histories to forecasts for a specific time period and computes how accurately each different forecasting method predicted sales Then the system recommends the most accurate forecast as the best fit This graphic illustrates best fit forecasts. Figure 3-1 Best fit forecast. The system uses this sequence of steps to determine the best fit. Use each specified method to simulate a forecast for the holdout periodpare actual sales to the simulated forecasts for the holdout period. Calculate the POA or the MAD to determine which forecasting method most closely matches the past actual sales. The system uses either POA or MAD, based on the processing options that you select. Recommend a best fit forecast by the POA that is closest to 100 percent over or under or the MAD that is closest to zero.3 2 Forecasting Methods. JD Edwards EnterpriseOne Forecast Management uses 12 methods for quantitative forecasting and indicates which method provides the best fit for the forecasting situation. This section discusses. Method 1 Percent Over La st Year. Method 2 Calculated Percent Over Last Year. Method 3 Last Year to This Year. Method 4 Moving Average. Method 5 Linear Approximation. Method 6 Least Squares Regression. Method 7 Second Degree Approximation. Method 8 Flexible Method. Method 9 Weighted Moving Average. Method 10 Linear Smoothing. Method 11 Exponential Smoothing. Method 12 Exponential Smoothing with Trend and Seasonality. Specify the method that you want to use in the processing options for the Forecast Generation program R34650 Most of these methods provide limited control For example, the weight placed on recent historical data or the date range of historical data that is used in the calculations can be specified by you. The examples in the guide indicate the calculation procedure for each of the available forecasting methods, given an identical set of historical data. The method examples in the guide use part or all of these data sets, which is historical data from the past two years The forecast projection goes into next yea r. This sales history data is stable with small seasonal increases in July and December This pattern is characteristic of a mature product that might be approaching obsolescence.3 2 1 Method 1 Percent Over Last Year. This method uses the Percent Over Last Year formula to multiply each forecast period by the specified percentage increase or decrease. To forecast demand, this method requires the number of periods for the best fit plus one year of sales history This method is useful to forecast demand for seasonal items with growth or decline.3 2 1 1 Example Method 1 Percent Over Last Year. The Percent Over Last Year formula multiplies sales data from the previous year by a factor you specify and then projects that result over the next year This method might be useful in budgeting to simulate the affect of a specified growth rate or when sales history has a significant seasonal component. Forecast specifications Multiplication factor For example, specify 110 in the processing option to increas e the previous year s sales history data by 10 percent. Required sales history One year for calculating the forecast, plus the number of time periods that are required for evaluating the forecast performance periods of best fit that you specify. This table is history used in the forecast calculation. February forecast equals 117 1 1 128 7 rounded to 129.March forecast equals 115 1 1 126 5 rounded to 127.3 2 2 Method 2 Calculated Percent Over Last Year. This method uses the Calculated Percent Over Last Year formula to compare the past sales of specified periods to sales from the same periods of the previous year The system determines a percentage increase or decrease, and then multiplies each period by the percentage to determine the forecast. To forecast demand, this method requires the number of periods of sales order history plus one year of sales history This method is useful to forecast short term demand for seasonal items with growth or decline.3 2 2 1 Example Method 2 Calculated Perce nt Over Last Year. The Calculated Percent Over Last Year formula multiplies sales data from the previous year by a factor that is calculated by the system, and then it projects that result for the next year This method might be useful in projecting the affect of extending the recent growth rate for a product into the next year while preserving a seasonal pattern that is present in sales history. Forecast specifications Range of sales history to use in calculating the rate of growth For example, specify n equals 4 in the processing option to compare sales history for the most recent four periods to those same four periods of the previous year Use the calculated ratio to make the projection for the next year. Required sales history One year 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, given n 4.February forecast equals 117 0 9766 114 26 rounde d to 114.March forecast equals 115 0 9766 112 31 rounded to 112.3 2 3 Method 3 Last Year to This Year. This method uses last year s sales for the next year s forecast. To forecast demand, this method requires the number of periods best fit plus one year of sales order history This method is useful to forecast demand for mature products with level demand or seasonal demand without a trend.3 2 3 1 Example Method 3 Last Year to This Year. The Last Year to This Year formula copies sales data from the previous year to the next year This method might be useful in budgeting to simulate sales at the present level The product is mature and has no trend over the long run, but a significant seasonal demand pattern might exist. Forecast specifications None. Required sales history One year 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. January forecast equals January of last year with a forecast value of 128.February forecast equals February of last year with a forecast value of 117.March forecast equals March of last year with a forecast value of 115.3 2 4 Method 4 Moving Average. This method uses the Moving Average formula to average the specified number of periods to project the next period You should recalculate it often monthly, or at least quarterly to reflect changing demand level. To forecast demand, this method requires the number of periods best fit plus the number of periods of sales order history This method is useful to forecast demand for mature products without a trend.3 2 4 1 Example Method 4 Moving Average. Moving Average MA is a popular method for averaging the results of recent sales history to determine a projection for the short term The MA forecast method lags behind trends Forecast bias and systematic errors occur when the product sales history exhibits strong trend or seasonal patterns This method works better for shor t range forecasts of mature products than for products that are in the growth or obsolescence stages of the life cycle. Forecast specifications n equals the number of periods of sales history 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 A large value for n such as 12 requires more sales history It results in a stable forecast, but is slow to recognize shifts in the level of sales Conversely, a small value for n such as 3 is quicker to respond to shifts in the level of sales, but the forecast might fluctuate so widely that production cannot respond to the variations. 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. February forecast equals 114 119 137 125 4 123 75 rounded to 124.March forecast equals 119 137 125 124 4 126 25 rounded to 126.3 2 5 Method 5 Linear Approximation. This method uses the Linear Approximation formula to compute a trend from the number of periods of sales order history and to project this trend to the forecast You should recalculate the trend monthly to detect changes in trends. This method requires the number of periods of best fit plus the number of specified periods of sales order history This method is useful to forecast demand for new products, or products with consistent positive or negative trends that are not due to seasonal fluctuations.3 2 5 1 Example Method 5 Linear Approximation. Linear Approximation calculates a trend that is based upon two sales history data points Those two points define a straight trend line that is projected into the future Use this method with caution 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 2 139.February forecast December of past year 1 Trend which equals 137 2 2 141.March forecast December of past year 1 Trend which equals 137 3 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 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 pe riods 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. 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 Because of the second order term, the forecast can quickly approach infinity or drop to zero depending on whether coefficient c is positive or negative 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 July through September are added together to create Q2, and October through December sum to Q3 The curve is fitted to the three values Q1, Q2, and Q3.Required sales history 3 n periods for calculating the forecast plus the number of time periods 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. Substitute this equation for b into equation 3. 3 Q3 a 3 Q2 Q1 3c 9c a Q3 3 Q2 Q1.Finally, substitute these equations for a and b into equation 1. 1 Q3 3 Q2 Q1 Q2 Q1 3c c Q1.c Q3 Q2 Q1 Q2 2.The Second Degree Approximation method calculates a, b, and c as follows. a Q3 3 Q2 Q1 370 3 400 384 370 3 16 322.b Q2 Q1 3c 400 384 3 23 16 69 85.c Q3 Q2 Q1 Q2 2 370 400 384 400 2 23.This is a calculation of second degree approximation forecast. Y a bX cX 2 322 85X 23 X 2.When X 4, Q4 322 340 368 294 The forecast equals 294 3 98 per period. When X 5, Q5 322 425 575 172 The forecast equals 172 3 58 33 rounded to 57 per period. When X 6, Q6 322 510 828 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 per iods 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 In the Percent Over Last Year method, the projection is based on data from the same time period in the previous year You can also use the Flexible Method to specify a time period, other than the same period in the la st year, to use as the basis for the calculations. Multiplication factor 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 month s sales history to project the next month s 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 The method calculates a weighted average of recent sales history to arrive at a projection for the short term More recent data is usually assigned a greater weight than older data, so 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 proce ssing option to use the most recent four periods as the basis for the projection into the next time period A large value for n such as 12 requires more sales history 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 14 - periods to include 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 forec ast equals 131 0 10 114 0 15 119 0 25 137 0 50 0 10 0 15 0 25 0 50 128 45 rounded to 128.February forecast equals 114 0 10 119 0 15 137 0 25 128 0 50 1 127 5 rounded to 128.March forecast equals 119 0 10 137 0 15 128 0 25 128 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 month s 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 However, instead of arbitrarily assigning weights to the historical data, a formula is used to assign weights that decline linearly and sum to 1 00 The method then calculates a weighted average of recent sales history to arrive at a projection for the short term 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 p lus 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 P revious Actual Sales 1 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 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 1 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. 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 However, Method 12 also includes a term in the forecasting equation to calculate a smoothed trend The forecast is composed of a smoothed average that is adjusted for a linear trend When specified in the processing option, the forecast is also adjusted for seasonality. 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 on e 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 pr ovides 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 is a measure of forecast error POA is a measure of forecast bias Both of these performance evaluation techniques require actual sales history data for a 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 is a measure of the average magnitude of errors to expect, given a forecasting method and data history Because absolute values are used in the calculation, positive errors do not cancel out negative errors When comparing several forecasting methods, the one with the smallest MA D 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 Actual Forecast n. Standard Deviation, 1 25 MAD. Mean Squared Error 2.This example indicates the calculation of MAD for two of the forecasting methods This example assumes that you have specified in the processing option that the holdout period length periods of best fit is equal to five periods.3 3 1 1 Method 1 Last Year to This Year. This table is history used in the calculation of MAD, given Periods of Best Fit 5.Mean Absolute Deviation equals 2 1 20 10 14 5 9 4.Based on these two choices, the Moving Average, n 4 method is recommended because it has the smaller MAD, 9 4, for the given holdout period.3 3 2 Percent of Accuracy. Percent of Accuracy POA is a measure of forecast bias When forecast s are consistently too high, inventories accumulate and inventory costs rise When forecasts are consistently too low, inventories are consumed and customer service declines A forecast that is 10 units too low, then 8 units too high, then 2 units too high is an unbiased forecast The positive error of 10 is canceled by negative errors of 8 and 2. Error Actual Forecast. When a product can be stored in inventory, and when the forecast is unbiased, a small amount of safety stock can be used to buffer the errors In this situation, eliminating forecast errors is not as important as generating unbiased forecasts However, in service industries, the previous situation is viewed as three errors The service is understaffed in the first period, and then overstaffed for the next two periods In services, the magnitude of forecast errors is usually more important than is forecast bias. POA Forecast sales during holdout period Actual sales during holdout period 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 fore cast, 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.