Moving Average Forecasting. Introduction Wie Sie vielleicht erraten, wir sind auf der Suche nach einigen der primitivsten Ansätze zur Prognose Aber hoffentlich sind diese zumindest eine lohnende Einführung in einige der Computing-Fragen im Zusammenhang mit der Umsetzung von Prognosen in Kalkulationstabellen. In diesem Sinne werden wir weiter vorbei Beginnend am Anfang und beginnen mit Moving Average Prognosen zu arbeiten. Moving Average Prognosen Jeder ist vertraut mit gleitenden durchschnittlichen Prognosen unabhängig davon, ob sie glauben, sie sind alle College-Studenten tun sie die ganze Zeit Denken Sie an Ihre Testergebnisse in einem Kurs, wo Sie gehen werden Haben vier Tests während des Semesters Lassen Sie Sie davon ausgehen, Sie haben eine 85 auf Ihrem ersten Test. Was würden Sie vorhersagen, für Ihre zweite Test-Score. Was denkst du, dein Lehrer würde für Ihre nächste Test-Score vorauszusagen. Was denkst du, deine Freunde können voraussagen Für deine nächste Testpartitur. Was denkst du, deine Eltern könnten für deinen nächsten Testbericht voraussagen. Unabhängig von all dem Blabbing, den du deinen Freunden und Eltern machen kannst, sind sie und dein Lehrer sehr wahrscheinlich, dass du etwas in der Gegend bekommst Von der 85 Sie gerade bekommen. Well, jetzt lassen Sie s davon ausgehen, dass trotz Ihrer Selbst-Förderung zu Ihren Freunden, Sie über-schätzen Sie sich selbst und Figur können Sie weniger für den zweiten Test zu studieren und so erhalten Sie eine 73.Now was sind Alle betroffenen und unbeteiligten gehen zu antizipieren Sie werden auf Ihrem dritten Test Es gibt zwei sehr wahrscheinlich Ansätze für sie, um eine Schätzung zu entwickeln, unabhängig davon, ob sie es mit Ihnen teilen. Sie können sich selbst sagen, Dieser Kerl ist immer bläst Rauch Über seine smarts Er wird eine weitere 73 bekommen, wenn er Glück hat. Maybe die Eltern werden versuchen, mehr unterstützen und sagen, Nun, so weit haben Sie eine 85 und eine 73 bekommen, so vielleicht sollten Sie sich auf eine 85 73 2 79 Ich weiß es nicht, vielleicht, wenn du weniger feiern musstest und den Wiesel an der ganzen Stelle wedeln würdest und wenn du anfingst, viel mehr zu studieren, kannst du eine höhere Punktzahl bekommen. Von diesen Schätzungen werden tatsächlich durchschnittliche Prognosen getragen. Die erste ist nur Ihre jüngsten Score zu prognostizieren Ihre zukünftige Leistung Dies wird als eine gleitende durchschnittliche Prognose mit einer Periode von Daten. Die zweite ist auch eine gleitende durchschnittliche Prognose aber mit zwei Perioden von data. Let s davon ausgehen, dass alle diese Menschen Zerschlagung Auf deinem großen Verstand hast du dich verärgert und du entscheidest, den dritten Test aus deinen eigenen Gründen gut zu machen und eine höhere Punktzahl vor deinen Verbündeten zu setzen. Du nimmst den Test und dein Ergebnis ist eigentlich ein Allein, auch dich selbst , Ist beeindruckt. So jetzt haben Sie die endgültige Prüfung des Semesters kommen und wie üblich fühlen Sie sich die Notwendigkeit, goad jeder in die Herstellung ihrer Vorhersagen darüber, wie Sie tun, auf den letzten Test Nun, hoffentlich sehen Sie das Muster. Jetzt, hoffentlich Du siehst das Muster, das du glaubst, ist das genaueste. Whistle Während wir arbeiten Jetzt kehren wir zu unserer neuen Reinigungsfirma zurück, die von deiner entfremdeten Halbschwester namens Whistle angefangen hat. Wir arbeiten Wir haben einige vergangene Verkaufsdaten, die durch den folgenden Abschnitt dargestellt werden Kalkulationstabelle Wir stellen zunächst die Daten für eine dreiseitige gleitende durchschnittliche Prognose dar. Der Eintrag für Zelle C6 sollte sein. Jetzt kannst du diese Zellformel in die anderen Zellen C7 bis C11 kopieren. Nichts, wie sich der Durchschnitt über die aktuellsten historischen Daten bewegt Verwendet genau die drei letzten Perioden, die für jede Vorhersage zur Verfügung stehen Sie sollten auch bemerken, dass wir nicht wirklich brauchen, um die Vorhersagen für die vergangenen Perioden zu machen, um unsere jüngste Vorhersage zu entwickeln. Dies ist definitiv anders als das exponentielle Glättungsmodell Vergangenheit Vorhersagen, weil wir sie in der nächsten Web-Seite verwenden, um die Vorhersagegültigkeit zu messen. Jetzt möchte ich die analogen Ergebnisse für eine zwei Periode gleitende durchschnittliche Prognose zu präsentieren. Der Eintrag für Zelle C5 sollte. Jetzt können Sie diese Zelle Formel auf zu kopieren Die anderen Zellen C6 bis C11.Notice, wie jetzt nur die beiden letzten Stücke von historischen Daten für jede Vorhersage verwendet werden Wieder habe ich die Vergangenheit Vorhersagen für illustrative Zwecke und für spätere Verwendung in der Prognosevalidierung enthalten. Einige andere Dinge, die von Bedeutung sind Hinweis: Für eine m-Periode gleitende durchschnittliche Prognose nur die m aktuellsten Datenwerte verwendet werden, um die Vorhersage Nichts anderes ist notwendig. Für eine m-Periode gleitende durchschnittliche Prognose, wenn Vergangenheit Vorhersagen, beachten Sie, dass die erste Vorhersage tritt in der Periode M 1.Both von diesen Fragen wird sehr wichtig sein, wenn wir unseren Code entwickeln. Entwicklung der Moving Average Function Jetzt müssen wir den Code für die gleitende Durchschnittprognose entwickeln, die flexibler genutzt werden kann Der Code folgt Beachten Sie, dass die Eingaben für die Anzahl der Perioden, die Sie in der Prognose verwenden möchten und das Array von historischen Werten Sie können es in beliebiger Arbeitsmappe speichern, die Sie wollen. Funktion MovingAverage Historical, NumberOfPeriods Als Single Declaring und Initialisierung von Variablen Dim Item Als Variant Dim Zähler als Integer Dim Accumulation als Single Dim HistoricalSize als Integer. Initialisierung von Variablen Zähler 1 Akkumulation 0. Ermittlung der Größe des Historischen Arrays HistoricalSize. For Counter 1 Zu NumberOfPeriods. Akkumulation der passenden Anzahl der letzten bisher beobachteten Werte. Accumulation Accumulation Historical HistoricalSize - NumberOfPeriods Counter. MovingAverage Accumulation NumberOfPeriods. The Code wird in der Klasse erklärt Sie wollen die Funktion auf der Tabelle zu positionieren, so dass das Ergebnis der Berechnung erscheint, wo es sollte Wie die folgenden. Wenn die Berechnung eines laufenden gleitenden Durchschnitt, Platzierung der Durchschnitt in der mittleren Zeitspanne ist sinnvoll. Im vorigen Beispiel haben wir den Durchschnitt der ersten 3 Zeiträume berechnet und platziert sie neben Periode 3 Wir hätten den Durchschnitt in Die Mitte des Zeitintervalls von drei Perioden, das heißt, neben Periode 2 Das funktioniert gut mit seltsamen Zeiträumen, aber nicht so gut für gleichmäßige Zeiträume Also wo würden wir den ersten gleitenden Durchschnitt platzieren, wenn M 4.Technisch, das Bewegen Durchschnittlich würde bei t 2 5, 3 fallen 5. Um dieses Problem zu vermeiden, glätten wir die MA s mit M 2 So glätten wir die geglätteten Werte. Wenn wir eine gerade Anzahl von Ausdrücken beurteilen, müssen wir die geglätteten Werte glätten. Die folgende Tabelle Zeigt die Ergebnisse mit M 4.3 Verstehen von Prognoseebenen und Methoden. Sie können sowohl Detail-Einzelprojektprognosen als auch zusammenfassende Produktlinienprognosen generieren, die Produktnachfragemuster widerspiegeln. Das System analysiert vergangene Verkäufe, um Prognosen mit 12 Prognosemethoden zu berechnen. Die Prognosen beinhalten Detailinformationen an der Positionsebene und übergeordnete Informationen über eine Zweigniederlassung oder das Unternehmen als Ganzes.3 1 Prognose Leistungsbewertungskriterien. Abhängig von der Auswahl der Verarbeitungsoptionen und von Trends und Mustern in den Verkaufsdaten sind einige Prognosemethoden besser als andere für eine gegebene Historische Datensatz Eine Prognosemethode, die für ein Produkt geeignet ist, ist möglicherweise nicht für ein anderes Produkt geeignet. Sie könnten feststellen, dass eine Prognosemethode, die in einem Stadium eines Produktlebenszyklus gute Ergebnisse liefert, während des gesamten Lebenszyklus angemessen bleibt Zwei Methoden, um die aktuelle Leistung der Prognosemethoden zu bewerten. Percent der Genauigkeit POA. Mean absolute Abweichung MAD. Bei dieser Performance-Evaluierung Methoden erfordern historische Verkaufsdaten für einen Zeitraum, den Sie angeben Dieser Zeitraum wird als Halteperiode oder Periode der besten fit genannt Die Daten in diesem Zeitraum dienen als Grundlage für die Empfehlung, welche Prognosemethode bei der Herstellung der nächsten Prognoseprojektion verwendet werden soll. Diese Empfehlung ist für jedes Produkt spezifisch und kann von einer Prognoseerzeugung zum nächsten ändern.3 1 1 Best Fit. Das System empfiehlt Die Best-Fit-Prognose durch die Anwendung der ausgewählten Prognosemethoden auf die vergangene Verkaufsauftragsgeschichte und den Vergleich der Prognosesimulation mit dem aktuellen Verlauf Wenn Sie eine Best-Fit-Prognose generieren, vergleicht das System die tatsächlichen Kundenauftragsgeschichten mit Prognosen für einen bestimmten Zeitraum und berechnet, wie genau Jede andere Prognosemethode vorhergesagt Verkäufe Dann empfiehlt das System die genaueste Prognose als die beste Passform Diese Grafik veranschaulicht beste fit Prognosen. Figure 3-1 Best Fit Prognose. Das System nutzt diese Reihenfolge der Schritte, um die beste fit. Use jede angegebene Methode zu bestimmen Um eine Prognose für die Holdout-Periodpare-Ist-Verkäufe an die simulierten Prognosen für die Holdout-Periode zu simulieren. Berechnen Sie die POA oder die MAD, um festzustellen, welche Prognosemethode am engsten mit dem bisherigen tatsächlichen Umsatz übereinstimmt. Das System verwendet entweder POA oder MAD, basierend auf der Verarbeitung Optionen, die Sie auswählen. Erstellen Sie eine Best-Fit-Prognose von der POA, die am nächsten zu 100 Prozent über oder unter oder die MAD, die am nächsten zu Null ist.3 2 Forecasting Methoden. JD Edwards EnterpriseOne Forecast Management verwendet 12 Methoden für die quantitative Prognose und zeigt, welche Methode bietet die beste Passform für die Prognosesituation. Dieser Abschnitt diskutiert. Method 1 Prozent über letztes Jahr. Method 2 berechnete Prozent über letztes Jahr. Method 3 Letztes Jahr zu diesem Jahr. Method 4 Moving Average. Method 5 Lineare Approximation. Method 6 Least Squares Regression. Method 7 Second Degree Approximation. Method 8 Flexible Methode. Method 9 Weighted Moving Average. Method 10 Lineare Glättung. Method 11 Exponentielle Glättung. Method 12 Exponentielle Glättung mit Trend und Seasonality. Specify die Methode, die Sie in der Verarbeitung verwenden möchten Optionen für das Prognoseerzeugungsprogramm R34650 Die meisten dieser Methoden bieten eine begrenzte Kontrolle. Beispielsweise kann das Gewicht der letzten historischen Daten oder der Datumsbereich der historischen Daten, die in den Berechnungen verwendet werden, von Ihnen angegeben werden. Die Beispiele in der Anleitung geben an Berechnungsverfahren für jede der verfügbaren Prognosemethoden, bei einem identischen Satz von historischen Daten. Die Methodenbeispiele im Leitfaden verwenden Teil oder alle diese Datensätze, die historische Daten aus den vergangenen zwei Jahren sind Die Prognoseprojektion geht ins nächste Jahr. Diese Verkaufsgeschichte Daten sind stabil mit kleinen saisonalen Zunahmen im Juli und Dezember Dieses Muster ist charakteristisch für ein reifes Produkt, das sich der Obsoleszenz nähern könnte.3 2 1 Methode 1 Prozent über letztes Jahr. Diese Methode verwendet die Percent Over Last Year Formel, um jedes zu multiplizieren Prognosezeitraum um die angegebene prozentuale Zunahme oder Abnahme. Um die Nachfrage zu prognostizieren, erfordert diese Methode die Anzahl der Perioden für die beste Passform plus ein Jahr der Verkaufsgeschichte Diese Methode ist nützlich, um die Nachfrage nach saisonalen Gegenständen mit Wachstum oder Rückgang zu prognostizieren.3 2 1 1 Beispiel Methode 1 Prozent über letztes Jahr Die Percent Over Last Year Formel multipliziert die Verkaufsdaten aus dem Vorjahr mit einem Faktor, den Sie angeben und dann Projekte, die sich im nächsten Jahr ergeben. Diese Methode könnte bei der Budgetierung nützlich sein, um den Einfluss eines bestimmten Wachstums zu simulieren Rate oder wenn die Verkaufsgeschichte eine signifikante saisonale Komponente hat. Forecast-Spezifikationen Multiplikationsfaktor Geben Sie z. B. 110 in der Verarbeitungsoption an, um die Vorjahresdaten um 10 Prozent zu erhöhen. Benötigte Verkaufshistorie Ein Jahr für die Berechnung der Prognose plus die Nummer Von Zeiträumen, die für die Bewertung der prognostizierten Leistungsperioden der besten Anpassung erforderlich sind, die Sie angeben. Diese Tabelle ist Geschichte, die in der Prognoseberechnung verwendet wird. Februarprognose entspricht 117 1 1 128 7 gerundet auf 129.Märzvorhersage entspricht 115 1 1 126 5 gerundet Auf 127,3 2 2 Methode 2 Berechneter Prozentsatz über letztes Jahr. Diese Methode verwendet die Berechnungsperiode über letztes Jahr Formel, um die vergangenen Verkäufe von bestimmten Perioden zu Verkäufen von den gleichen Perioden des Vorjahres zu vergleichen Das System bestimmt eine prozentuale Zunahme oder Abnahme und Dann multipliziert jede Periode mit dem Prozentsatz, um die Prognose zu bestimmen. Um die Nachfrage zu prognostizieren, erfordert diese Methode die Anzahl der Perioden des Kundenauftragsverlaufs plus ein Jahr der Verkaufsgeschichte Diese Methode ist nützlich, um kurzfristige Nachfrage nach saisonalen Gegenständen mit Wachstum oder Abnahme zu prognostizieren. 3 2 2 1 Beispiel Methode 2 Berechneter Prozentsatz über letztes Jahr Die berechnete Percent Over Last Year Formel multipliziert Umsatzdaten aus dem Vorjahr mit einem Faktor, der vom System berechnet wird, und dann projektiert das Ergebnis für das nächste Jahr Diese Methode könnte Nützlich sein bei der Projektion der Auswirkungen der Erweiterung der jüngsten Wachstumsrate für ein Produkt in das nächste Jahr unter Beibehaltung eines saisonalen Muster, das in der Verkaufsgeschichte vorhanden ist. Forecast Spezifikationen Bereich der Verkaufsgeschichte bei der Berechnung der Wachstumsrate verwenden, z. B. n Entspricht 4 in der Verarbeitungsoption, um die Verkaufsgeschichte für die letzten vier Perioden auf die gleichen vier Perioden des Vorjahres zu vergleichen. Verwenden Sie das berechnete Verhältnis, um die Projektion für das nächste Jahr zu machen. Benötigte Verkaufshistorie Ein Jahr für die Berechnung der Prognose plus der Anzahl Von Zeiträumen, die für die Bewertung der prognostizierten Leistungsperioden der besten Anpassung erforderlich sind. Diese Tabelle ist die Geschichte, die bei der Prognoseberechnung verwendet wird. 4.Februarprognose entspricht 117 0 9766 114 26 gerundet auf 114.Märzvorhersage entspricht 115 0 9766 112 31 Abgerundet auf 112,3 2 3 Methode 3 Letztes Jahr in diesem Jahr. Diese Methode nutzt den Vorjahresumsatz für das nächste Jahr s Prognose. To Prognose Nachfrage, erfordert diese Methode die Anzahl der Perioden am besten fit plus ein Jahr der Verkaufsauftrag Geschichte Diese Methode ist Nützlich für die Prognose der Nachfrage nach ausgereiften Produkten mit Niveau Nachfrage oder saisonale Nachfrage ohne Trend.3 2 3 1 Beispiel Methode 3 Letztes Jahr zu diesem Jahr. Das letzte Jahr zu diesem Jahr Formel kopiert Umsatzdaten vom Vorjahr auf das nächste Jahr Diese Methode Könnte in der Budgetierung nützlich sein, um Verkäufe auf der gegenwärtigen Ebene zu simulieren Das Produkt ist reif und hat keinen Trend auf lange Sicht, aber ein bedeutendes saisonales Nachfragemuster könnte existieren. Forecast Spezifikationen Keine. Required Verkaufsgeschichte Ein Jahr für die Berechnung der Prognose plus die Zahl Von Zeiträumen, die für die Bewertung der prognostizierten Performance-Perioden der besten fit. This Tabelle ist Geschichte verwendet in der Prognose Berechnung. Januar Prognose entspricht Januar des letzten Jahres mit einem Prognosewert von 128.Februar Prognose entspricht Februar des vergangenen Jahres mit einer Prognose Wert von 117.Märzvorhersage entspricht März des letzten Jahres mit einem Prognosewert von 115,3 2 4 Methode 4 Moving Average. This Methode verwendet die Moving Average Formel, um die angegebene Anzahl von Perioden zu projizieren, um den nächsten Zeitraum zu projizieren Sie sollten es nur monatlich neu berechnen, Oder mindestens vierteljährlich, um dem sich ändernden Bedarfsniveau Rechnung zu tragen. Um die Nachfrage zu prognostizieren, erfordert diese Methode die Anzahl der Perioden, die am besten geeignet sind, sowie die Anzahl der Perioden der Kundenauftragsgeschichte. Diese Methode ist nützlich, um die Nachfrage nach ausgereiften Produkten ohne Trend zu prognostizieren.3 2 4 1 Beispiel Methode 4 Moving Average. Moving Average MA ist eine beliebte Methode zur Mittelung der Ergebnisse der jüngsten Verkaufsgeschichte, um eine Projektion für kurzfristig zu bestimmen. Die MA-Prognosemethode ist hinter den Trends zurückgegangen. Vorhersagevorhersage und systematische Fehler treten auf, wenn die Produktverkaufsgeschichte einen starken Trend aufweist Oder saisonale Muster Diese Methode arbeitet besser für Kurzstreckenprognosen von reifen Produkten als für Produkte, die sich in den Wachstums - oder Obsoleszenzstufen des Lebenszyklus befinden. Forecast-Spezifikationen n entspricht der Anzahl der Perioden der Verkaufsgeschichte, die bei der Prognoseberechnung verwendet werden soll. Spezifizieren n 4 in der Verarbeitungsoption, um die letzten vier Perioden als Grundlage für die Projektion in den nächsten Zeitraum zu verwenden. Ein großer Wert für n wie 12 erfordert mehr Verkaufsgeschichte Es führt zu einer stabilen Prognose, ist aber langsam, um Verschiebungen zu erkennen In der Ebene der Verkäufe Umgekehrt ist ein kleiner Wert für n wie 3 ist schneller auf Verschiebungen in der Ebene des Umsatzes zu reagieren, aber die Prognose könnte so weit schwanken, dass die Produktion nicht auf die Variationen reagieren kann. Benötigte Umsatz Geschichte n plus die Anzahl der Zeiträume, die für die Bewertung der prognostizierten Leistungsperioden der besten Anpassung erforderlich sind. Diese Tabelle ist Geschichte, die in der Prognoseberechnung verwendet wird. Februarprognose entspricht 114 119 137 125 4 123 75 gerundet auf 124.Märzvorhersage entspricht 119 137 125 124 4 126 25 abgerundet Zu 126.3 2 5 Methode 5 Lineare Approximation. Diese Methode verwendet die Linear Approximation Formel, um einen Trend aus der Anzahl der Perioden des Kundenauftragsverlaufs zu berechnen und diesen Trend auf die Prognose zu projizieren. Sie sollten den Trend monatlich neu berechnen, um Änderungen in Trends zu erkennen Methode erfordert die Anzahl der Perioden der besten Anpassung plus die Anzahl der spezifizierten Perioden des Verkaufsauftragsverlaufs Diese Methode ist nützlich, um die Nachfrage nach neuen Produkten oder Produkten mit konsequenten positiven oder negativen Trends, die nicht auf saisonale Schwankungen zurückzuführen sind, zu prognostizieren.3 2 5 1 Beispiel Methode 5 Lineare Approximation. Linear Approximation berechnet einen Trend, der auf zwei Verkaufsgeschichte Datenpunkten basiert. Diese beiden Punkte definieren eine gerade Trendlinie, die in die Zukunft projiziert wird. Verwenden Sie diese Methode mit Vorsicht, da Langstreckenprognosen durch kleine Änderungen in nur gereinigt werden Zwei Datenpunkte. Forecast-Spezifikationen n entspricht dem Datenpunkt in der Verkaufshistorie, der mit dem aktuellsten Datenpunkt verglichen wird, um einen Trend zu identifizieren. Geben Sie z. B. n 4 an, um den Unterschied zwischen den letzten Daten des letzten Jahres und dem August vier Perioden vor dem Dezember zu verwenden Grundlage für die Berechnung des Trends. Minimum erforderliche Verkaufsgeschichte n plus 1 plus die Anzahl der Zeiträume, die für die Bewertung der prognostizierten Performance-Perioden der besten fit. This Tabelle ist Geschichte verwendet in der Prognose Berechnung. Januar Prognose Dezember des vergangenen Jahres 1 Trend Das entspricht 137 1 2 139.Februarprognose Dezember des vergangenen Jahres 1 Trend entspricht 137 2 2 141.Märzvorhersage Dezember des vergangenen Jahres 1 Trend entspricht 137 3 2 143,3 2 6 Methode 6 Least Squares Regression. Least Squares Regression LSR-Methode Leitet eine Gleichung ab, die eine geradlinige Beziehung zwischen den historischen Verkaufsdaten und dem Ablauf der Zeit beschreibt. LSR passt auf eine Zeile zu dem ausgewählten Datenbereich, so dass die Summe der Quadrate der Unterschiede zwischen den tatsächlichen Verkaufsdatenpunkten und der Regressionsgeraden minimiert wird Die Prognose ist eine Projektion dieser Geraden in die Zukunft. Diese Methode erfordert Umsatzdatenverlauf für den Zeitraum, der durch die Anzahl der Perioden am besten passt und die angegebene Anzahl historischer Datenperioden repräsentiert wird. Die Mindestanforderung ist zwei historische Datenpunkte Diese Methode Ist nützlich, um die Nachfrage zu prognostizieren, wenn ein linearer Trend in den Daten liegt.3 2 6 1 Beispiel Methode 6 Least Squares Regression. Linear Regression oder Least Squares Regression LSR, ist die beliebteste Methode zur Identifizierung eines linearen Trends in historischen Verkaufsdaten Die Methode Berechnet die Werte für a und b, die in der Formel verwendet werden sollen. Diese Gleichung beschreibt eine Gerade, wobei Y den Verkauf repräsentiert und X die Zeit darstellt. Lineare Regression ist langsam, um Wendepunkte zu erkennen und Schrittfunktionsverschiebungen in der Nachfrage Lineare Regression passt zu einer Geraden zu Die Daten, auch wenn die Daten saisonal oder besser durch eine Kurve beschrieben werden. Wenn die Verkaufsgeschichte Daten einer Kurve folgen oder ein starkes saisonales Muster haben, prognostizieren Vorhersage und systematische Fehler. Forecast Spezifikationen n entspricht den Perioden der Verkaufsgeschichte, die verwendet werden Berechnen der Werte für a und b Zum Beispiel geben Sie n 4 an, um den Verlauf von September bis Dezember als Grundlage für die Berechnungen zu verwenden. Wenn Daten verfügbar sind, wird ein größeres n wie n 24 gewöhnlich verwendet werden. LSR definiert eine Zeile für nur wenige Als zwei Datenpunkte Für dieses Beispiel wurde ein kleiner Wert für nn 4 gewählt, um die manuellen Berechnungen zu reduzieren, die erforderlich sind, um die Ergebnisse zu überprüfen. Minimum erforderliche Verkaufsgeschichte n Perioden plus die Anzahl der Zeiträume, die für die Bewertung der Prognoseperformance benötigt werden Von best fit. This Tabelle ist Geschichte verwendet in der Prognoseberechnung. Märzvorhersage entspricht 119 5 7 2 3 135 6 gerundet auf 136,3 2 7 Methode 7 Zweite Grad Approximation. Um die Prognose zu projizieren, verwendet diese Methode die zweite Grad Approximation Formel zu plotten Eine Kurve, die auf der Anzahl der Perioden der Verkaufsgeschichte basiert. Diese Methode erfordert die Anzahl der Perioden am besten passt plus die Anzahl der Perioden der Kundenauftrag Geschichte mal drei Diese Methode ist nicht sinnvoll, um die Nachfrage nach einem langfristigen Zeitraum zu prognostizieren.3 2 7 1 Beispiel Methode 7 Zweite Grad Approximation. Linear Regression bestimmt Werte für a und b in der Prognoseformel Y ab X mit dem Ziel, eine Gerade an die Verkaufsgeschichte Daten anzupassen Zweite Grad Approximation ist ähnlich, aber diese Methode bestimmt Werte für A, b und c in dieser Prognoseformel. Ziel dieser Methode ist es, eine Kurve an die Verkaufsgeschichte Daten anzupassen Diese Methode ist nützlich, wenn ein Produkt im Übergang zwischen Lebenszyklusstadien ist. Zum Beispiel, wenn ein neues Produkt sich bewegt Von der Einführung in die Wachstumsstadien könnte sich der Umsatztrend beschleunigen. Aufgrund des zweiten Termins kann sich die Prognose schnell an die Unendlichkeit richten oder auf Null fallen, je nachdem, ob der Koeffizient c positiv oder negativ ist. Diese Methode ist nur kurzfristig sinnvoll Formel finden Sie a, b und c, um eine Kurve auf genau drei Punkte zu setzen. Sie geben n an, die Anzahl der Zeitperioden der Daten, die sich in jedem der drei Punkte ansammeln. In diesem Beispiel werden n 3 Aktuelle Verkaufsdaten für April bis Juni kombiniert In den ersten Punkt, Q1 Juli bis September werden zusammen addiert, um Q2 zu erstellen, und Oktober bis Dezember Summe zu Q3 Die Kurve ist an die drei Werte Q1, Q2 und Q3 angepasst. Benötigte Verkaufsgeschichte 3 n Perioden für die Berechnung der Prognose plus der Anzahl der Zeiträume, die für die Auswertung der prognostizierten Performance-Perioden der besten fit. This Tabelle ist Geschichte verwendet in der Prognose Berechnung. Q0 Jan Feb Mär. Q1 Apr Mai Jun, die gleich 125 122 137 384.Q2 Jul Aug Sep, die 140 entspricht 129 131 400.Q3 Okt. Nov Dez, was 114 119 137 370 entspricht. Der nächste Schritt beinhaltet die Berechnung der drei Koeffizienten a, b und c, die in der Prognoseformel Y ab X c X 2.Q1, Q2 und Q3 verwendet werden sollen Präsentiert auf der Grafik, wo die Zeit auf der horizontalen Achse aufgetragen ist Q1 stellt den historischen Gesamtumsatz für April, Mai und Juni dar und ist auf X 1 Q2 entspricht Juli bis September Q3 entspricht Oktober bis Dezember und Q4 steht für Januar bis März Grafik zeigt die Auftragung von Q1, Q2, Q3 und Q4 für die Näherung des zweiten Grades. Abbildung 3-2 Plotten Q1, Q2, Q3 und Q4 für die Näherung des zweiten Grades. Drei Gleichungen beschreiben die drei Punkte auf dem Graphen. 1 Q1 a bX cX 2 wobei X 1 Q1 a b c 2 Q2 a bX cX 2 wobei X 2 Q2 a 2b 4c ist. 3 Q3 a bX cX 2 wobei X 3 Q3 a 3b 9c. Solve die drei Gleichungen gleichzeitig zu finden b, a und c. Subtract Gleichung 1 1 aus Gleichung 2 2 und lösen für b. Substitut diese Gleichung für b in Gleichung 3. 3 Q3 a 3 Q2 Q1 3c 9c a Q3 3 Q2 Q1.Schneiden Sie diese Gleichungen für a und b in Gleichung 1. 1 Q3 3 Q2 Q1 Q2 Q1 3c c Q1.c Q3 Q2 Q1 Q2 2.Die zweite Grad-Approximation-Methode Berechnet a, b und c wie folgt. 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.Dieses Ist eine Berechnung des zweiten Grades Näherungsvorhersage. Y a bX cX 2 322 85X 23 X 2.When X 4, Q4 322 340 368 294 Die Prognose entspricht 294 3 98 pro Periode. Wenn X 5, Q5 322 425 575 172 Die Prognose entspricht 172 3 58 33 gerundet auf 57 pro Periode. Wenn X 6, Q6 322 510 828 4 Die Prognose entspricht 4 3 1 33 gerundet auf 1 pro Periode. Dies ist die Prognose für das nächste Jahr, letztes Jahr zu diesem Jahr.3 2 8 Methode 8 Flexible Method. This-Methode ermöglicht es Ihnen, die bestmögliche Anzahl von Perioden des Verkaufsauftragsverlaufs auszuwählen, die n Monate vor dem voraussichtlichen Startdatum beginnen und einen prozentualen Anstieg oder Verringerung des Multiplikationsfaktors anwenden, um die Prognose zu ändern. Diese Methode ist ähnlich Zu Methode 1, Prozent über letztes Jahr, mit der Ausnahme, dass Sie die Anzahl der Perioden angeben können, die Sie als Basis verwenden. Abhängig davon, was Sie als n auswählen, erfordert diese Methode Perioden am besten und plus die Anzahl der angegebenen Perioden der Verkaufsdaten Diese Methode ist nützlich, um die Nachfrage nach einem geplanten Trend zu prognostizieren.3 2 8 1 Beispiel Methode 8 Flexible Methode. Die Flexible Methode Prozent über n Monate Prior ist ähnlich wie Methode 1, Prozent über letztes Jahr Beide Methoden multiplizieren Verkaufsdaten aus einem früheren Zeitraum Durch einen von Ihnen angegebenen Faktor und dann Projekt, das in die Zukunft führt In der Percent Over Last Year Methode basiert die Projektion auf Daten aus dem gleichen Zeitraum im Vorjahr. Sie können auch die Flexible Methode verwenden, um einen Zeitraum anzugeben , Abgesehen von der gleichen Periode im letzten Jahr, als Grundlage für die Berechnungen zu verwenden. Multiplikationsfaktor Geben Sie z. B. 110 in der Verarbeitungsoption an, um die vorherigen Verkaufsgeschichte-Daten um 10 Prozent zu erhöhen. Basisperiode Beispielsweise bedeutet n 4 die Erste Prognose auf Umsatzdaten im September des vergangenen Jahres basieren. Minimum erforderlich Umsatz Geschichte die Anzahl der Perioden zurück auf die Basis Zeitraum plus die Anzahl der Zeiträume, die für die Bewertung der Prognose Performance Perioden der besten fit. This Tabelle ist Geschichte In der Prognoseberechnung verwendet.3 2 9 Methode 9 Gewichteter beweglicher Durchschnitt. Die gewichtete bewegliche durchschnittliche Formel ist ähnlich wie Methode 4, Moving Average Formel, weil es im Durchschnitt des Verkaufsgeschäfts des Vormonats liegt, um die Verkaufsgeschichte des nächsten Monats zu projizieren Diese Formel können Sie Gewichte für jede der vorherigen Perioden zuordnen. Diese Methode erfordert die Anzahl der gewichteten Perioden ausgewählt plus die Anzahl der Perioden am besten passen Daten Ähnlich wie Moving Average, diese Methode hinter den Nachfrage Trends, so dass diese Methode ist nicht für Produkte empfohlen Mit starken Trends oder Saisonalität Diese Methode ist nützlich, um die Nachfrage nach ausgereiften Produkten mit einer Nachfrage zu veranschaulichen, die relativ gering ist.3 2 9 1 Beispiel Methode 9 Gewichteter bewegter Durchschnitt Die gewichtete bewegliche durchschnittliche WMA-Methode ähnelt Methode 4, Moving Average MA Jedoch, Sie können den historischen Daten bei der Verwendung von WMA ungleiche Gewichte zuordnen. Die Methode berechnet einen gewichteten Durchschnitt der letzten Verkaufsgeschichte, um kurzfristig eine Projektion zu erreichen. Neuere Daten werden in der Regel ein größeres Gewicht als ältere Daten zugewiesen, so dass WMA eher darauf ankommt Verschiebungen im Umsatzniveau Allerdings treten prognostizierte Vorurteile und systematische Fehler auf, wenn die Produktverkäufe Geschichte starke Trends oder saisonale Muster aufweist. Diese Methode arbeitet besser für kurzfristige Prognosen von reifen Produkten als für Produkte in den Wachstums - oder Obsoleszenzstadien des Lebenszyklus. Die Anzahl der Perioden der Verkaufsgeschichte n, die in der Prognoseberechnung verwendet werden soll. Zum Beispiel geben Sie n 4 in der Verarbeitungsoption an, um die letzten vier Perioden als Grundlage für die Projektion in den nächsten Zeitraum zu verwenden. Ein großer Wert für n wie zB 12 erfordert mehr Verkaufsgeschichte Ein solcher Wert führt zu einer stabilen Prognose, aber es ist langsam, Verschiebungen im Verkaufsniveau zu erkennen. Umgekehrt reagiert ein kleiner Wert für n, wie z. B. 3, schneller auf Verschiebungen des Umsatzes, aber die Prognose Könnte so weit schwanken, dass die Produktion nicht auf die Variationen reagieren kann. Die Gesamtzahl der Perioden für die Verarbeitungsoption 14 - Perioden, die einbezogen werden sollen, sollte 12 Monate nicht überschreiten. Das Gewicht, das jedem der historischen Datenperioden zugeordnet ist. Die zugeteilten Gewichte müssen insgesamt sein 1 00 Zum Beispiel, wenn n 4, Gewichte von 0 50, 0 25, 0 15 und 0 10 mit den letzten Daten, die das größte Gewicht erhalten, zuordnen. Minimum erforderliche Verkaufsgeschichte n plus die Anzahl der Zeiträume, die für die Auswertung erforderlich sind Die prognostizierten Leistungsperioden der besten fit. This Tabelle ist Geschichte verwendet in der Prognose Berechnung. Januar Prognose entspricht 131 0 10 114 0 15 119 0 25 137 0 50 0 10 0 15 0 25 0 50 128 45 gerundet auf 128.Februar Prognose gleich ist 114 0 10 119 0 15 137 0 25 128 0 50 1 127 5 abgerundet auf 128.Märzvorhersage entspricht 119 0 10 137 0 15 128 0 25 128 0 50 1 128 45 gerundet auf 128,3 2 10 Methode 10 Lineare Glättung. Diese Methode berechnet Ein gewichteter Durchschnitt der vergangenen Verkaufsdaten Bei der Berechnung verwendet diese Methode die Anzahl der Perioden des Kundenauftragsverlaufs von 1 bis 12, die in der Verarbeitungsoption angegeben ist. Das System verwendet eine mathematische Progression, um Daten im Bereich vom ersten geringsten Gewicht zu wiegen Auf das endgültigste Gewicht Dann projiziert das System diese Informationen zu jeder Periode in der Prognose. Diese Methode erfordert den Monat am besten passt plus den Kundenauftragsverlauf für die Anzahl der Perioden, die in der Verarbeitungsoption angegeben sind. 2 10 1 Beispiel Methode 10 Lineare Glättung. Dieses Verfahren ähnelt Methode 9, WMA Jedoch, anstatt willkürlich Gewichte zu den historischen Daten zuzuordnen, wird eine Formel verwendet, um Gewichte zuzuordnen, die linear abfallen und auf 1 00 summieren. Die Methode berechnet dann einen gewichteten Durchschnitt der letzten Verkäufe Geschichte, um kurzfristig eine Projektion zu erreichen Wie alle linearen gleitenden durchschnittlichen Prognosetechniken, prognostizierte Bias und systematische Fehler auftreten, wenn die Produktverkäufe Geschichte starken Trend oder saisonale Muster zeigt Diese Methode funktioniert besser für kurze Reichweite Prognosen von reifen Produkten als für Produkte in Die Wachstums - oder Obsoleszenzstadien des Lebenszyklus. n entspricht der Anzahl der Perioden der Verkaufsgeschichte, die bei der Prognoseberechnung verwendet werden soll. Beispielsweise ist n gleich 4 in der Verarbeitungsoption, um die letzten vier Perioden als Grundlage für die Projektion zu verwenden Die nächste Zeitperiode Das System ordnet die Gewichte automatisch den historischen Daten zu, die linear abfallen und auf 1 00 summieren. Wenn z. B. n gleich 4 ist, weist das System Gewichte von 0 4, 0 3, 0 2 und 0 1 mit dem Die jüngsten Daten, die das größte Gewicht erhalten. Minimum erforderliche Verkaufsgeschichte n plus die Anzahl der Zeiträume, die für die Auswertung der prognostizierten Leistungsperioden der besten fit. This Tabelle verwendet werden, wird die Geschichte in der Prognoseberechnung verwendet.3 2 11 Methode 11 Exponentielle Glättung. Diese Methode berechnet einen geglätteten Durchschnitt, der zu einer Schätzung wird, die das allgemeine Umsatzniveau über die ausgewählten historischen Datenperioden repräsentiert. Diese Methode erfordert eine Verkaufsdatenhistorie für den Zeitraum, der durch die Anzahl der Perioden am besten angepasst wird, sowie die Anzahl der historischen Daten Perioden, die spezifiziert werden Die Mindestanforderung ist zwei historische Datenperioden Diese Methode ist nützlich, um die Nachfrage zu prognostizieren, wenn kein linearer Trend in den Daten vorliegt.3 2 11 1 Beispiel Methode 11 Exponentielle Glättung. Dieses Verfahren ähnelt Methode 10, Lineare Glättung in Linear Glättung, das System weist Gewichte zu, die linear zu den historischen Daten abfallen In der Exponential-Glättung weist das System Gewichte auf, die exponentiell abklingen. Die Gleichung für die Exponential-Glättungsvorhersage ist. Forecast Vorherige Tatsächliche Verkäufe 1 Vorherige Prognose Die Prognose ist ein gewichteter Durchschnitt des tatsächlichen Umsatzes Aus der vorherigen Periode und der Prognose aus der vorherigen Periode Alpha ist das Gewicht, das auf den tatsächlichen Umsatz für die vorherige Periode 1 angewendet wird, ist das Gewicht, das auf die Prognose für die vorherige Periode angewendet wird Werte für Alpha-Bereich von 0 bis 1 und in der Regel Fallen zwischen 0 1 und 0 4 Die Summe der Gewichte beträgt 1 00 1 1. Sie sollten einen Wert für die Glättungskonstante zuweisen, alpha Wenn Sie keinen Wert für die Glättungskonstante zuordnen, berechnet das System einen angenommenen Wert Auf die Anzahl der Perioden der Verkaufsgeschichte, die in der Verarbeitungsoption angegeben ist. Erhältlich die Glättungskonstante, die verwendet wird, um den geglätteten Durchschnitt für den allgemeinen Level oder die Größe des Umsatzes zu berechnen. Values für Alpha-Bereich von 0 bis 1.n entspricht dem Bereich Der Umsatzgeschichte Daten in die Berechnungen enthalten. Generisch, ein Jahr der Umsatz Geschichte Daten reicht aus, um die allgemeine Umsatzniveau zu schätzen. Für dieses Beispiel wurde ein kleiner Wert für nn 4 gewählt, um die manuellen Berechnungen zu reduzieren, die erforderlich sind, um zu überprüfen Ergebnisse Exponentielle Glättung kann eine Prognose generieren, die auf so wenig wie einem historischen Datenpunkt basiert. Minimum erforderliche Verkaufsgeschichte n plus die Anzahl der Zeiträume, die für die Auswertung der prognostizierten Leistungsperioden der besten fit. This Tabelle ist Geschichte verwendet in der Prognoseberechnung.3 2 12 Methode 12 Exponentielle Glättung mit Trend und Seasonality. This-Methode berechnet einen Trend, einen saisonalen Index und einen exponentiell geglätteten Durchschnitt aus dem Kundenauftragsverlauf. Das System wendet dann eine Projektion des Trends auf die Prognose an und passt sich an Der saisonale index. This-Methode erfordert die Anzahl der Perioden am besten fit plus zwei Jahre Verkaufsdaten und ist nützlich für Elemente, die sowohl Trend und Saisonalität in der Prognose Sie können die Alpha-und Beta-Faktor eingeben, oder das System berechnen sie Alpha Und Beta-Faktoren sind die Glättungskonstante, die das System verwendet, um den geglätteten Durchschnitt für das allgemeine Niveau oder die Größe des Umsatzes Alpha und die Trendkomponente der Prognose beta zu berechnen.3 2 12 1 Beispiel Methode 12 Exponentielle Glättung mit Trend und Seasonality. This-Methode Ähnelt Methode 11, Exponentialglättung, da ein geglätteter Durchschnitt berechnet wird. Allerdings enthält Methode 12 auch einen Term in der Prognosegleichung, um einen geglätteten Trend zu berechnen. Die Prognose setzt sich aus einem geglätteten Durchschnitt zusammen, der für einen linearen Trend eingestellt ist In der Verarbeitungsoption wird die Prognose auch für die Saisonalität angepasst. Alpha entspricht der Glättungskonstante, die bei der Berechnung des geglätteten Durchschnitts für die allgemeine Ebene oder Größe der Verkäufe verwendet wird. Werte für Alpha-Bereich von 0 bis 1.Beta entspricht der Glättungskonstante, die Wird bei der Berechnung des geglätteten Mittelwertes für die Trendkomponente der Prognose verwendet. Values für Beta-Bereich von 0 bis 1.Während ein saisonaler Index auf die Prognose angewendet wird. Alpha und Beta sind unabhängig voneinander Sie müssen nicht auf 1 summieren 0.Minimum erforderliche Verkaufsgeschichte Ein Jahr plus die Anzahl der Zeiträume, die erforderlich sind, um die voraussichtlichen Leistungsperioden der besten Anpassung zu bewerten Wenn zwei oder mehr Jahre historische Daten verfügbar sind, verwendet das System zwei Jahre Daten in den Berechnungen Verwendet zwei exponentielle Glättungsgleichungen und einen einfachen Durchschnitt, um einen geglätteten Durchschnitt, einen geglätteten Trend und einen einfachen durchschnittlichen saisonalen Index zu berechnen. Ein exponentiell geglätteter Durchschnitt. Ein exponentiell geglätteter Trend. Ein einfacher durchschnittlicher saisonaler Index. Figur 3-3 Einfacher durchschnittlicher Saisonindex. Die Prognose wird dann berechnet, indem man die Ergebnisse der drei Gleichungen verwendet. L ist die Länge der Saisonalität L gleich 12 Monate oder 52 Wochen. t ist die aktuelle Zeitspanne. m ist die Anzahl der Zeiträume in die Zukunft der Prognose. S ist der multiplikative saisonale Anpassungsfaktor, der auf die entsprechende Zeitspanne indiziert ist. Diese Tabelle listet die Geschichte auf, die in der Prognoseberechnung verwendet wird. Dieser Abschnitt gibt einen Überblick über die Prognoseauswertungen und diskutiert. Sie können Prognosemethoden auswählen, um so viele wie 12 Prognosen zu generieren Jedes Produkt Jede Prognosemethode könnte eine etwas andere Projektion verursachen Wenn Tausende von Produkten prognostiziert werden, ist eine subjektive Entscheidung unpraktisch, welche Prognose in den Plänen für jedes Produkt zu verwenden ist. Das System wertet automatisch die Leistung für jede Prognosemethode aus, die Sie auswählen und für jeden Produkt, das Sie prognostizieren Sie können zwischen zwei Leistungskriterien wählen MAD und POA MAD ist ein Maß für die Prognose Fehler POA ist ein Maß für die Prognose Bias Beide dieser Performance-Bewertung Techniken erfordern tatsächliche Umsatz Geschichte Daten für einen Zeitraum von Ihnen angegeben Zeitraum der jüngsten Geschichte Verwendet für die Auswertung wird als Halteperiode oder Periode der besten fit. To messen die Leistung einer Prognose Methode, das System. Uses die Prognose Formeln zu simulieren eine Prognose für die historische Holdout Zeitraum. Makes einen Vergleich zwischen den tatsächlichen Verkaufsdaten und die Simulierte Prognose für die Holdout-Periode. Wenn Sie mehrere Prognosemethoden auswählen, tritt dieser Vorgang für jede Methode auf. Mehrere Prognosen werden für den Haltezeitraum berechnet und mit dem bekannten Verkaufsverlauf für denselben Zeitraum verglichen. Die Prognosemethode, die die beste Übereinstimmung am besten passt Zwischen der Prognose und dem tatsächlichen Umsatz während der Halteperiode wird für die Verwendung in den Plänen empfohlen Diese Empfehlung ist spezifisch für jedes Produkt und könnte sich jedes Mal ändern, wenn Sie eine Prognose erzeugen.3 3 1 Mittlere Absolute Abweichung. Mean Absolute Abweichung MAD ist der Mittelwert 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 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 forecasts 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 forecast, the more variables can affect the forecast. A forecast for a product family tends to be more accurate than a forecast for individual members of the product family. Some errors cancel each other as the forecasts for individual items summarize into the group, thus creating a more accurate forecast.3 4 3 Forecast Considerations. You should not rely exclusively on past data to forecast future demands These circumstances might affect the business, and require you to review and modify the forecast. New products that have no past data. Plans for future sales promotion. Changes in national and international politics. New laws and government regulations. Weather changes and natural disasters. Innovations from competition. You can use long term trend analysis to influence the design of the forecasts. Leading economic indicators.3 4 4 Forecasting Process. You use the Refresh Actuals program R3465 to copy data from the Sales Order History File table F42119 , the Sales Order Detail File table F4211 , or both, into either the Forecast File table F3460 or the Forecast Summary File table F3400 , depending on the kind of forecast that you plan to generate. Scripting on this page enhances content navigation, but does not change the content in any way.
No comments:
Post a Comment