Rmse Gleitenden Durchschnitt

Der DAX enthält einige statistische Aggregationsfunktionen, wie zB Durchschnitt, Varianz und Standardabweichung. Andere typische statistische Berechnungen erfordern, dass Sie längere DAX-Ausdrücke schreiben. Excel, von diesem Gesichtspunkt, hat eine viel reichere Sprache. Die statistischen Muster sind eine Sammlung von gemeinsamen statistischen Berechnungen: Median, Modus, gleitenden Durchschnitt, Perzentil und Quartil. Wir danken Colin Banfield, Gerard Brückl und Javier Guilln, deren Blogs einige der folgenden Muster inspiriert haben. Grundmuster Beispiel Die Formeln in diesem Muster sind die Lösungen für spezifische statistische Berechnungen. Mit Hilfe von Standard-DAX-Funktionen kann der Mittelwert (arithmetischer Mittelwert) eines Wertsatzes berechnet werden. DURCHSCHNITT. Gibt den Durchschnitt aller Zahlen in einer numerischen Spalte zurück. AVERAGEA. Gibt den Durchschnitt aller Zahlen in einer Spalte zurück und behandelt sowohl Text als auch nicht-numerische Werte (nicht numerische und leere Textwerte zählen als 0). AVERAGEX. Berechnen Sie den Durchschnitt für einen Ausdruck, der über einer Tabelle ausgewertet wird. Moving Average Der gleitende Durchschnitt ist eine Berechnung, um Datenpunkte zu analysieren, indem eine Reihe von Mittelwerten verschiedener Teilmengen des vollständigen Datensatzes erstellt wird. Sie können viele DAX-Techniken verwenden, um diese Berechnung zu implementieren. Die einfachste Technik besteht darin, AVERAGEX zu verwenden, eine Tabelle der gewünschten Granularität zu iterieren und für jede Iteration den Ausdruck zu berechnen, der den einzelnen Datenpunkt generiert, der im Durchschnitt verwendet werden soll. Die folgende Formel berechnet beispielsweise den gleitenden Durchschnitt der letzten 7 Tage, vorausgesetzt, dass Sie eine Datumstabelle in Ihrem Datenmodell verwenden. Mit AVERAGEX berechnen Sie automatisch das Maß auf jeder Granularität. Bei der Verwendung einer Maßnahme, die aggregiert werden kann (wie z. B. SUM), kann ein anderer Ansatz, der auf CALCULATE basiert, schneller sein. Sie können diesen alternativen Ansatz in der Gesamtheit der Moving Average finden. Sie können Standard-DAX-Funktionen verwenden, um die Varianz eines Wertsatzes zu berechnen. VAR. S. Liefert die Varianz von Werten in einer Spalte, die eine Sample-Population darstellt. VAR. P. Gibt die Varianz von Werten in einer Spalte zurück, die die gesamte Population darstellt. VARX. S. Gibt die Varianz eines Ausdrucks zurück, der über eine Tabelle ausgewertet wird, die eine Sample-Population darstellt. VARX. P. Gibt die Varianz eines Ausdrucks zurück, der über eine Tabelle ausgewertet wird, die die gesamte Population repräsentiert. Standardabweichung Sie können Standard-DAX-Funktionen verwenden, um die Standardabweichung eines Wertsatzes zu berechnen. STDEV. S. Liefert die Standardabweichung von Werten in einer Spalte, die eine Stichprobenpopulation darstellt. STDEV. P. Gibt die Standardabweichung von Werten in einer die gesamte Population repräsentierenden Spalte zurück. STDEVX. S. Gibt die Standardabweichung eines Ausdrucks zurück, der über eine Tabelle ausgewertet wird, die eine Probenpopulation darstellt. STDEVX. P. Gibt die Standardabweichung eines Ausdrucks zurück, der über eine Tabelle ausgewertet wird, die die gesamte Population darstellt. Der Median ist der numerische Wert, der die höhere Hälfte einer Population von der unteren Hälfte trennt. Wenn es eine ungerade Anzahl von Zeilen gibt, ist der Median der Mittelwert (Sortierung der Zeilen vom niedrigsten zum höchsten Wert). Wenn es eine gerade Anzahl von Zeilen gibt, ist dies der Mittelwert der beiden mittleren Werte. Die Formel ignoriert leere Werte, die nicht als Teil der Bevölkerung betrachtet werden. Das Ergebnis ist identisch mit der MEDIAN-Funktion in Excel. Abbildung 1 zeigt einen Vergleich zwischen dem von Excel zurückgegebenen Ergebnis und der entsprechenden DAX-Formel für die mittlere Berechnung. Abbildung 1 Beispiel der Medianberechnung in Excel und DAX. Der Modus ist der Wert, der am häufigsten in einem Satz von Daten angezeigt wird. Die Formel ignoriert leere Werte, die nicht als Teil der Bevölkerung betrachtet werden. Das Ergebnis ist identisch mit den MODE - und MODE. SNGL-Funktionen in Excel, die nur den minimalen Wert zurückgeben, wenn es mehrere Modi in den betrachteten Wertsätzen gibt. Die Excel-Funktion MODE. MULT würde alle Modi zurückgeben, aber Sie können sie nicht als Maßnahme in DAX implementieren. Abbildung 2 vergleicht das Ergebnis, das von Excel mit der entsprechenden DAX-Formel für die Modusberechnung zurückgegeben wird. Abbildung 2 Beispiel für die Modusberechnung in Excel und DAX. Perzentil Das Perzentil ist der Wert, unter dem ein bestimmter Prozentsatz der Werte in einer Gruppe sinkt. Die Formel ignoriert leere Werte, die nicht als Teil der Bevölkerung betrachtet werden. Die Berechnung in DAX erfordert mehrere Schritte, die im Abschnitt Vollständiges Muster beschrieben werden und zeigt, wie die gleichen Ergebnisse der Excel-Funktionen PERCENTILE, PERCENTILE. INC und PERCENTILE. EXC zu erhalten sind. Die Quartile sind drei Punkte, die einen Satz von Werten in vier gleiche Gruppen teilen, wobei jede Gruppe ein Viertel der Daten umfasst. Sie können die Quartile mit dem Percentile-Muster nach diesen Korrespondenzen berechnen: Erstes Quartil-Unterquartil 25. Perzentil Zweites Quartil-Median 50. Perzentil Drittes Quartil-Oberquartil 75. Perzentil Komplettes Muster Einige statistische Berechnungen haben eine längere Beschreibung des gesamten Musters, da Haben Sie möglicherweise verschiedene Implementierungen abhängig von Datenmodellen und anderen Anforderungen. Gleitender Durchschnitt Normalerweise werten Sie den gleitenden Durchschnitt aus, indem Sie auf den Taggranularitätsgrad verweisen. Die allgemeine Vorlage der folgenden Formel hat diese Marker: ltnumberofdaysgt ist die Anzahl der Tage für den gleitenden Durchschnitt. Ltdatecolumngt ist die Datumspalte der Datumstabelle, wenn Sie eine oder die Datumspalte der Tabelle mit Werten haben, wenn keine separate Datumstabelle vorhanden ist. Ltmeasuregt ist die zu berechnende Größe als gleitender Durchschnitt. Das einfachste Muster verwendet die Funktion AVERAGEX in DAX, die automatisch nur die Tage berücksichtigt, für die es einen Wert gibt. Alternativ können Sie die folgende Vorlage in Datenmodellen ohne Datumstabelle und mit einer aggregierten Maßnahme (wie zB SUM) über den gesamten betrachteten Zeitraum verwenden. Die vorhergehende Formel berücksichtigt einen Tag ohne entsprechende Daten als Maß, das 0-Wert hat. Dies kann nur geschehen, wenn Sie eine separate Datumstabelle haben, die Tage enthalten kann, für die es keine entsprechenden Transaktionen gibt. Sie können den Nenner für den Durchschnitt nur über die Anzahl der Tage, für die es Transaktionen mit dem folgenden Muster gibt, festlegen: ltfacttablegt ist die Tabelle, die mit der Datumstabelle verknüpft ist und die von der Maßeinheit berechneten Werte enthält. Sie können die DATESBETWEEN - oder DATESINPERIOD-Funktionen anstelle von FILTER verwenden, aber diese arbeiten nur in einer regulären Datumstabelle, während Sie das oben beschriebene Muster auch auf nicht-reguläre Datumstabellen und auf Modelle anwenden können, die keine Datumstabelle haben. Betrachten Sie zum Beispiel die verschiedenen Ergebnisse, die durch die beiden folgenden Maßnahmen hervorgerufen werden. In Abbildung 3 sehen Sie, dass es keine Verkäufe am 11. September 2005 gibt. Allerdings ist dieses Datum in der Tabelle Datum enthalten, also gibt es 7 Tage (vom 11. September bis 17. September), die nur 6 Tage mit Daten haben. Abbildung 3 Beispiel einer gleitenden Durchschnittsberechnung unter Berücksichtigung und Ignorierung von Terminen ohne Umsatz. Die Maßnahme Moving Average 7 Tage hat eine niedrigere Zahl zwischen dem 11. September und 17. September, weil es berücksichtigt 11. September als Tag mit 0 Verkäufe. Wenn Sie Tage ohne Umsatz ignorieren möchten, dann verwenden Sie die Maßnahme Durchschnittliche 7 Tage Keine Zero. Dies könnte der richtige Ansatz sein, wenn Sie eine vollständige Datumstabelle haben, aber Sie Tage ohne Transaktionen ignorieren möchten. Mit dem Moving Average 7 Tage Formel ist das Ergebnis korrekt, da AVERAGEX automatisch nur Leerwerte berücksichtigt. Beachten Sie, dass Sie die Leistung eines gleitenden Durchschnitts verbessern können, indem Sie den Wert in einer berechneten Spalte einer Tabelle mit der gewünschten Granularität wie Datum, Datum und Produkt beibehalten. Der dynamische Berechnungsansatz mit einer Maßnahme bietet jedoch die Möglichkeit, einen Parameter für die Anzahl von Tagen des gleitenden Mittelwerts zu verwenden (z. B. ersetzen Sie die Anzahl von Tagen mit einem Maß, das das Parametertabellenmuster implementiert). Der Median entspricht dem 50. Perzentil, das Sie mit dem Perzentilmuster berechnen können. Das Medianmuster ermöglicht es Ihnen, die Medianberechnung mit einem einzigen Maßstab zu optimieren und zu vereinfachen, anstelle der verschiedenen Maßnahmen, die das Perzentilmuster erfordert. Sie können diesen Ansatz verwenden, wenn Sie den Median für die in ltvaluecolumngt enthaltenen Werte berechnen, wie unten gezeigt: Um die Leistung zu verbessern, möchten Sie möglicherweise den Wert einer Kennzahl in einer berechneten Spalte beibehalten, wenn Sie den Median für die Ergebnisse von erhalten möchten Eine Maßnahme im Datenmodell. Bevor Sie diese Optimierung durchführen, sollten Sie die MedianX-Berechnung anhand der folgenden Vorlage mit diesen Markierungen implementieren: ltgranularitytablegt ist die Tabelle, die die Granularität der Berechnung definiert. Beispielsweise könnte es sich um die Datumstabelle handeln, wenn Sie den Mittelwert einer auf Tagesebene berechneten Maßnahme berechnen wollen, oder es könnte VALUES (8216DateYearMonth) sein, wenn Sie den Median einer auf der Monatsstufe berechneten Maßeinheit berechnen möchten. Ltmeasuregt ist das Maß für die Berechnung für jede Zeile der ltgranularitytablegt für die mittlere Berechnung. Ltmeasuretablegt ist die Tabelle, die die von ltmeasuregt verwendeten Daten enthält. Wenn z. B. das ltgranularitytablegt eine Dimension wie 8216Date8217 ist, wird das ltmeasuretablegt 8216Internet Sales8217 sein, das die Internet Sales Amount-Spalte enthält, die durch das Internet-Gesamtumsatzmaß summiert wird. Beispielsweise können Sie den Median des Gesamtverkaufs für alle Kunden in Adventure Works wie folgt schreiben: Tip Das folgende Muster: wird verwendet, um Zeilen aus ltgranularitytablegt zu entfernen, die keine entsprechenden Daten in der aktuellen Auswahl haben. Es ist ein schnellerer Weg, als den folgenden Ausdruck zu verwenden: Sie können jedoch den gesamten CALCULATETABLE-Ausdruck durch nur ltgranularitytablegt ersetzen, wenn Sie leere Werte des ltmeasuregt als 0 betrachten möchten. Die Performance der MedianX-Formel hängt von der Anzahl der Zeilen in der Tabelle ab Und die Komplexität der Maßnahme. Wenn die Leistung schlecht ist, können Sie das ltmeasuregt-Ergebnis in einer berechneten Spalte des lttablegt fortbestehen, aber dies wird die Fähigkeit des Anwendens von Filtern auf die mittlere Berechnung bei der Abfragezeit beeinträchtigen. Perzentile Excel hat zwei verschiedene Implementierungen der Perzentilberechnung mit drei Funktionen: PERCENTILE, PERCENTILE. INC und PERCENTILE. EXC. Sie geben alle das K-te Perzentil der Werte zurück, wobei K im Bereich von 0 bis 1 liegt. Der Unterschied besteht darin, daß PERCENTILE und PERCENTILE. INC K als einen Inklusionsbereich betrachten, während PERCENTILE. EXC den K-Bereich 0 bis 1 als exklusiv betrachtet . Alle diese Funktionen und ihre DAX-Implementierungen erhalten einen Perzentilwert als Parameter, den wir K. ltKgt-Perzentilwert im Bereich von 0 bis 1 nennen. Die beiden DAX-Implementierungen von Perzentil erfordern ein paar ähnliche Maßnahmen, die aber unterschiedlich genug sind Zwei verschiedene Satz von Formeln. Die in jedem Muster definierten Maßnahmen sind: KPerc. Der Perzentilwert entspricht ltKgt. PercPos. Die Position des Perzentils in dem sortierten Satz von Werten. ValueLow. Der Wert unterhalb der Perzentilposition. WertHigh. Der Wert über der Perzentilposition. Perzentil. Die endgültige Berechnung des Perzentils. Sie benötigen die ValueLow - und ValueHigh-Maßnahmen, falls das PercPos einen Dezimalteil enthält, da Sie dann zwischen ValueLow und ValueHigh interpolieren müssen, um den richtigen Perzentilwert zurückzugeben. Fig. 4 zeigt ein Beispiel der Berechnungen, die mit Excel - und DAX-Formeln durchgeführt werden, wobei beide Algorithmen von Perzentil (inklusive und exklusiv) verwendet werden. Abbildung 4 Perzentilberechnungen mit Excel-Formeln und der äquivalenten DAX-Berechnung. In den folgenden Abschnitten führen die Percentile-Formeln die Berechnung von Werten aus, die in einer Tabellenspalte DataValue gespeichert sind, während die PercentileX-Formeln die Berechnung auf Werte ausführen, die durch eine bei einer gegebenen Granularität berechnete Kennzahl zurückgegeben werden. Percentile Inclusive Die Percentile Inclusive-Implementierung ist die folgende. Percentile Exclusive Die Percentile Exclusive-Implementierung ist die folgende. PercentileX Inclusive Die PercentileX Inclusive-Implementierung basiert auf folgender Vorlage: ltgranularitytablegt ist die Tabelle, die die Granularität der Berechnung definiert. Beispielsweise könnte es sich um die Datumstabelle handeln, wenn Sie das Perzentil einer Kennzahl auf Tagesebene berechnen möchten, oder es könnte VALUES (8216DateYearMonth) sein, wenn Sie das Perzentil einer Kennzahl auf der Monatsstufe berechnen möchten. Ltmeasuregt ist das Maß für die Berechnung für jede Zeile von ltgranularitytablegt für die Perzentilberechnung. Ltmeasuretablegt ist die Tabelle, die die von ltmeasuregt verwendeten Daten enthält. Wenn zum Beispiel das ltgranularitytablegt eine Dimension wie 8216Date, 8217 ist, dann ist das ltmeasuretablegt 8216Sales8217, das die Summenspalte enthält, die durch das Gesamtbetragsmaß summiert wird. Beispielsweise können Sie den PercentileXInc des Gesamtbetrags von Verkäufen für alle Daten in der Datumstabelle wie folgt schreiben: PercentileX Exclusive Die PercentileX Exclusive-Implementierung basiert auf der folgenden Vorlage, wobei dieselben Markierungen verwendet werden, die in PercentileX Inclusive verwendet werden: Zum Beispiel Sie Kann die PercentileXExc des Gesamtbetrags der Verkäufe für alle Daten in der Datumstabelle wie folgt schreiben: Halten Sie mich informiert über bevorstehende Muster (Newsletter). Deaktivieren Sie die Datei frei herunterladen. Veröffentlicht am 17. März 2014 von3 Verstehen von Prognoseebenen und - methoden Sie können sowohl Detailprognosen (Einzelposten) als auch Zusammenfassungs - (Produktlinien) Prognosen erstellen, die Produktbedarfsmuster widerspiegeln. Das System analysiert die bisherigen Verkäufe, um die Prognosen mit Hilfe von 12 Prognosemethoden zu berechnen. Die Prognosen umfassen Detailinformationen auf Positionsebene und übergeordnete Informationen über eine Branche oder das Unternehmen als Ganzes. 3.1 Kriterien für die Bewertung der Projektergebnisse Abhängig von der Auswahl der Verarbeitungsoptionen und der Trends und Muster in den Verkaufsdaten sind einige Prognosemethoden für einen bestimmten historischen Datensatz besser als andere. Eine für ein Produkt geeignete Prognosemethode ist möglicherweise nicht für ein anderes Produkt geeignet. Sie können feststellen, dass eine Prognosemethode, die gute Ergebnisse in einem Stadium eines Produktlebenszyklus bereitstellt, über den gesamten Lebenszyklus hinweg angemessen bleibt. Sie können zwischen zwei Methoden wählen, um die aktuelle Leistung der Prognosemethoden zu bewerten: Prozent der Genauigkeit (POA). Mittlere absolute Abweichung (MAD). Diese beiden Leistungsbewertungsmethoden erfordern historische Verkaufsdaten für einen angegebenen Zeitraum. Dieser Zeitraum wird als Halteperiode oder Periode der besten Passung bezeichnet. Die Daten in diesem Zeitraum dienen als Grundlage für die Empfehlung, welche Prognosemethode bei der nächsten Prognoseprojektion verwendet wird. Diese Empfehlung ist spezifisch für jedes Produkt und kann von einer Prognosegeneration zur nächsten wechseln. 3.1.1 Best Fit Das System empfiehlt die Best-Fit-Prognose, indem die ausgewählten Prognosemethoden auf die Vergangenheit des Bestellverlaufs angewendet und die Prognosesimulation mit dem aktuellen Verlauf verglichen werden. Wenn Sie eine Best-Fit-Prognose generieren, vergleicht das System die tatsächlichen Kundenauftragshistorien mit Prognosen für einen bestimmten Zeitraum und berechnet, wie genau die einzelnen Prognosemethoden den Umsatz prognostizieren. Dann empfiehlt das System die genaueste Prognose als die beste Passform. Diese Grafik veranschaulicht die besten Anpassungsprognosen: Abbildung 3-1 Best-Fit-Prognose Das System verwendet diese Sequenz von Schritten, um die beste Anpassung zu ermitteln: Verwenden Sie jede angegebene Methode, um eine Prognose für die Halteperiode zu simulieren. Vergleichen Sie die tatsächlichen Verkäufe mit den simulierten Prognosen für die Halteperiode. Berechnen Sie die POA oder die MAD, um zu bestimmen, welche Prognosemethode am ehesten mit den bisherigen tatsächlichen Umsätzen übereinstimmt. Das System verwendet entweder POA oder MAD, basierend auf den Verarbeitungsoptionen, die Sie auswählen. Empfehlen Sie eine Best-Fit-Prognose durch die POA, die am nächsten zu 100 Prozent (über oder unter) oder die MAD, die am nächsten zu Null ist. 3.2 Prognosemethoden JD Edwards EnterpriseOne Forecast Management nutzt 12 Methoden zur quantitativen Prognose und zeigt an, welche Methode die beste Prognosesituation bietet. Dieser Abschnitt behandelt: Methode 1: Prozent über dem letzten Jahr. Methode 2: Berechnet Prozent über Letztes Jahr. Methode 3: Letztes Jahr zu diesem Jahr. Methode 4: Gleitender Durchschnitt. Methode 5: Lineare Approximation. Methode 6: Least Squares Regression. Methode 7: Zweite Grad Approximation. Methode 8: Flexible Methode. Methode 9: Gewichteter gleitender Durchschnitt. Methode 10: Lineare Glättung. Methode 11: Exponentielle Glättung. Methode 12: Exponentielle Glättung mit Trend - und Saisonalität. Geben Sie die Methode an, die Sie in den Verarbeitungsoptionen für das Prognosegenerierungsprogramm (R34650) verwenden möchten. Die meisten dieser Methoden bieten eine begrenzte Kontrolle. Zum Beispiel können Sie das Gewicht, das auf die jüngsten historischen Daten oder den Zeitraum der historischen Daten, die in den Berechnungen verwendet wird, platziert werden. Die Beispiele in dem Leitfaden zeigen die Berechnungsprozedur für jede der verfügbaren Prognosemethoden an, wenn ein identischer Satz von historischen Daten vorliegt. Die Methodenbeispiele im Leitfaden verwenden einen Teil oder alle dieser Datensätze, die historische Daten der letzten zwei Jahre sind. Die Prognose geht ins nächste Jahr. Diese Verkäufe Geschichte Daten ist stabil mit kleinen saisonalen Zunahmen im Juli und Dezember. Dieses Muster ist charakteristisch für ein reifes Produkt, das sich der Veralterung nähern könnte. 3.2.1 Methode 1: Prozentsatz über letztem Jahr Diese Methode verwendet die Prozentsatz über letztes Jahr Formel, um jede Prognoseperiode mit der angegebenen prozentualen Erhöhung oder Abnahme zu multiplizieren. Zur Prognose der Nachfrage, erfordert diese Methode die Anzahl der Perioden für die beste Passform plus ein Jahr der Umsatz Geschichte. Diese Methode ist nützlich, um die Nachfrage nach saisonalen Produkten mit Wachstum oder Rückgang prognostizieren. 3.2.1.1 Beispiel: Methode 1: Prozentsatz über dem letzten Jahr Die Formel "Prozent über letztes Jahr" multipliziert die Umsatzdaten des Vorjahres mit einem Faktor, den Sie angeben, und dann Projekte, die sich über das nächste Jahr ergeben. Diese Methode kann in der Budgetierung nützlich sein, um den Einfluss einer bestimmten Wachstumsrate zu simulieren, oder wenn die Verkaufsgeschichte eine signifikante saisonale Komponente aufweist. Prognose Spezifikationen: Multiplikationsfaktor. Geben Sie beispielsweise 110 in der Verarbeitungsoption an, um die Verkaufsverlaufsdaten der letzten Jahre um 10 Prozent zu erhöhen. Erforderliche Verkaufsgeschichte: Ein Jahr für die Berechnung der Prognose plus die Anzahl der Zeiträume, die für die Bewertung der Prognoseperformance (Perioden der besten Übereinstimmung) erforderlich sind, die Sie angeben. Diese Tabelle wird in der Prognoseberechnung verwendet: Die Februarprognose entspricht 117 mal 1,1 128,7 gerundet auf 129. Die Märzprognose entspricht 115 mal 1,1 126,5 gerundet auf 127. 3.2.2 Methode 2: Berechneter Prozentsatz über letztem Jahr Diese Methode verwendet den berechneten Prozentsatz Letztes Jahr Formel, um die vergangenen Verkäufe der angegebenen Perioden mit Verkäufen aus den gleichen Perioden des Vorjahres zu vergleichen. Das System ermittelt einen prozentualen Anstieg oder Abfall und multipliziert dann jede Periode mit dem Prozentsatz, um die Prognose zu bestimmen. Um die Nachfrage prognostizieren zu können, benötigt diese Methode die Anzahl der Perioden der Kundenauftragshistorie plus einem Jahr der Verkaufsgeschichte. Diese Methode ist nützlich, um die kurzfristige Nachfrage nach Saisonartikeln mit Wachstum oder Rückgang prognostizieren. 3.2.2.1 Beispiel: Methode 2: Berechneter Prozentsatz über Letztes Jahr Die Formel des berechneten Prozentsatzes über dem letzten Jahr multipliziert Umsatzdaten des Vorjahres mit einem Faktor, der vom System berechnet wird, und dann projiziert er das Ergebnis für das nächste Jahr. Diese Methode könnte bei der Projektion der Auswirkungen der Ausweitung der jüngsten Wachstumsrate für ein Produkt in das nächste Jahr nützlich sein, während ein saisonales Muster, das in der Verkaufsgeschichte vorhanden ist. Prognose Spezifikationen: Bereich der Umsatzgeschichte für die Berechnung der Wachstumsrate zu verwenden. Geben Sie z. B. n gleich 4 in der Verarbeitungsoption an, um die Verkaufsgeschichte der letzten vier Perioden mit denselben vier Perioden des Vorjahres zu vergleichen. Verwenden Sie das berechnete Verhältnis, um die Projektion für das nächste Jahr zu machen. Erforderliche Verkaufsgeschichte: Ein Jahr für die Berechnung der Prognose plus die Anzahl der Zeiträume, die für die Bewertung der Prognoseperformance (Perioden der besten Passung) erforderlich sind. Diese Tabelle ist die Vorgeschichte, die bei der Prognoseberechnung verwendet wird: n 4: Februar-Prognose entspricht 117 mal 0,9766 114,26 gerundet auf 114. März-Prognose entspricht 115 mal 0,9766 112,31 gerundet auf 112. 3.2.3 Methode 3: Letztes Jahr in diesem Jahr Diese Methode wird verwendet Letzten Jahren Umsatz für die nächsten Jahre Prognose. Um die Nachfrage prognostizieren zu können, erfordert diese Methode die Anzahl der Perioden, die am besten geeignet sind, plus einem Jahr der Kundenauftragshistorie. Diese Methode ist nützlich, um die Nachfrage nach ausgereiften Produkten mit Niveau Nachfrage oder saisonale Nachfrage ohne Trend prognostizieren. 3.2.3.1 Beispiel: Methode 3: Letztes Jahr zu diesem Jahr Die Formel "Letztes Jahr in diesem Jahr" kopiert die Verkaufsdaten des Vorjahres bis zum nächsten Jahr. Diese Methode könnte in der Budgetierung nützlich sein, um Verkäufe auf dem gegenwärtigen Niveau zu simulieren. Das Produkt ist reif und hat keinen Trend auf lange Sicht, aber ein erhebliches saisonales Nachfrage-Muster könnte existieren. Vorhersagevorgaben: Keine. Erforderliche Verkaufsgeschichte: Ein Jahr für die Berechnung der Prognose plus die Anzahl der Zeiträume, die für die Bewertung der Prognoseperformance (Perioden der besten Passung) erforderlich sind. Diese Tabelle ist Geschichte in der Prognose Berechnung verwendet: Januar-Prognose entspricht Januar des letzten Jahres mit einem Prognosewert von 128. Februar-Prognose entspricht Februar des letzten Jahres mit einem Prognosewert von 117. März-Prognose entspricht März des letzten Jahres mit einem Prognosewert von 115. 3.2.4 Methode 4: Moving Average Diese Methode verwendet die Moving Average-Formel, um die angegebene Anzahl von Perioden zu berechnen, um die nächste Periode zu projizieren. Sie sollten es häufig neu berechnen (monatlich oder mindestens vierteljährlich), um den sich ändernden Bedarf zu reflektieren. Um die Nachfrage prognostizieren zu können, erfordert diese Methode die Anzahl der Perioden, die am besten passen, plus die Anzahl der Perioden der Kundenauftragshistorie. Diese Methode ist nützlich, um die Nachfrage nach reifen Produkten ohne Trend prognostizieren. 3.2.4.1 Beispiel: Methode 4: Moving Average Moving Average (MA) ist eine beliebte Methode zur Mittelung der Ergebnisse der letzten Verkaufsgeschichte, um eine Projektion kurzfristig zu bestimmen. Die MA-Prognosemethode bleibt hinter Trends zurück. Forecast Bias und systematische Fehler auftreten, wenn die Produktverkäufe Geschichte zeigt starke Trend-oder saisonale Muster. Diese Methode funktioniert besser für Kurzstrecken-Prognosen von reifen Produkten als für Produkte, die in den Wachstums-oder Obsoleszenz Stufen des Lebenszyklus sind. Prognosespezifikationen: n entspricht der Anzahl der Perioden der Verkaufsgeschichte, die in der Prognoserechnung verwendet werden sollen. Geben Sie beispielsweise n 4 in der Verarbeitungsoption an, um die letzten vier Perioden als Grundlage für die Projektion in die nächste Zeitperiode zu verwenden. Ein großer Wert für n (wie 12) erfordert mehr Umsatz Geschichte. Es resultiert in einer stabilen Prognose, ist aber langsam zu erkennen Verschiebungen in der Höhe des Umsatzes. Umgekehrt ist ein kleiner Wert für n (wie z. B. 3) schneller auf Verschiebungen im Umsatzniveau zu reagieren, aber die Prognose könnte so weit schwanken, dass die Produktion nicht auf die Variationen reagieren kann. Erforderliche Verkaufsgeschichte: n plus Anzahl der Zeiträume, die für die Bewertung der Prognoseperformance (Perioden der besten Abstimmung) erforderlich sind. Diese Tabelle wird in der Prognoserechnung verwendet: Februar-Prognose entspricht (114 119 137 125) 4 123,75 gerundet auf 124. Märzprognose entspricht (119 137 125 124) 4 126,25 gerundet auf 126. 3.2.5 Methode 5: Lineare Approximation Diese Methode Verwendet die Formel zur linearen Approximation, um einen Trend aus der Anzahl der Perioden des Kundenauftragsverlaufs zu berechnen und diesen Trend zur Prognose zu projizieren. Sie sollten den Trend monatlich neu berechnen, um Änderungen in Trends zu erkennen. Diese Methode erfordert die Anzahl der Perioden der besten Übereinstimmung plus die Anzahl der angegebenen Perioden der Kundenauftragshistorie. Diese Methode ist nützlich, um die Nachfrage nach neuen Produkten oder Produkten mit konstanten positiven oder negativen Trends, die nicht aufgrund von saisonalen Schwankungen sind prognostiziert. 3.2.5.1 Beispiel: Methode 5: Lineare Approximation Lineare Approximation berechnet einen Trend, der auf zwei Verkaufsverlaufsdatenpunkten basiert. Diese beiden Punkte definieren eine gerade Linie, die in die Zukunft projiziert wird. Verwenden Sie diese Methode mit Vorsicht, weil Langstreckenvorhersagen durch kleine Änderungen an nur zwei Datenpunkten genutzt werden. Prognosespezifikationen: n entspricht dem Datenpunkt in der Verkaufsgeschichte, der mit dem aktuellsten Datenpunkt verglichen wird, um einen Trend zu identifizieren. Geben Sie beispielsweise n 4 an, um die Differenz zwischen Dezember (jüngste Daten) und August (vier Perioden vor Dezember) als Grundlage für die Berechnung des Trends zu verwenden. Mindestens erforderlicher Umsatzverlauf: n plus 1 plus Anzahl der Zeiträume, die für die Bewertung der Prognoseperformance (Perioden der besten Abstimmung) erforderlich sind. Diese Tabelle wird in der Prognoseberechnung verwendet: Januar-Prognose Dezember des vergangenen Jahres 1 (Trend) 137 (1-mal 2) 139. Februar-Prognose Dezember des vergangenen Jahres 1 (Trend) 137 (2-mal 2) 141. März-Prognose Dezember des vergangenen Jahres 1 (Trend) entspricht 137 (3 mal 2) 143. 3.2.6 Methode 6: Least Squares Regression Die Methode der Least Squares Regression (LSR) leitet eine Gleichung ab, die eine lineare Beziehung zwischen den historischen Verkaufsdaten beschreibt Und der Lauf der Zeit. LSR paßt auf eine Zeile zum ausgewählten Datenbereich, so daß die Summe der Quadrate der Differenzen zwischen den tatsächlichen Verkaufsdatenpunkten und der Regressionsgeraden minimiert wird. Die Prognose ist eine Projektion dieser Geraden in die Zukunft. Diese Methode erfordert Verkaufsdatenhistorie für den Zeitraum, der durch die Anzahl der bestmöglichen Perioden plus der angegebenen Anzahl von historischen Datenperioden dargestellt wird. Die Mindestanforderung sind zwei historische Datenpunkte. Diese Methode ist nützlich, um die Nachfrage zu prognostizieren, wenn ein linearer Trend in den Daten ist. 3.2.6.1 Beispiel: Methode 6: Least Squares Regression Lineare Regression oder Least Squares Regression (LSR) ist die beliebteste Methode, um einen linearen Trend in historischen Verkaufsdaten zu identifizieren. Das Verfahren berechnet die Werte für a und b, die in der Formel verwendet werden sollen: Diese Gleichung beschreibt eine Gerade, wobei Y für Verkäufe steht und X für Zeit steht. Lineare Regression ist langsam zu erkennen, Wendepunkte und Schritt Funktion Verschiebungen in der Nachfrage. Die lineare Regression passt auf eine gerade Linie zu den Daten, selbst wenn die Daten saisonal oder besser durch eine Kurve beschrieben werden. Wenn Verkaufsgeschichte-Daten einer Kurve folgen oder ein starkes saisonales Muster aufweisen, treten Vorhersage-Bias und systematische Fehler auf. Prognosespezifikationen: n entspricht den Perioden der Verkaufsgeschichte, die bei der Berechnung der Werte für a und b verwendet werden. Geben Sie beispielsweise n 4 an, um die Historie von September bis Dezember als Grundlage für die Berechnungen zu verwenden. Wenn Daten verfügbar sind, würde ein grßeres n (wie beispielsweise n 24) gewöhnlich verwendet werden. LSR definiert eine Zeile für so wenige wie zwei Datenpunkte. Für dieses Beispiel wurde ein kleiner Wert für n (n 4) gewählt, um die manuellen Berechnungen zu reduzieren, die erforderlich sind, um die Ergebnisse zu verifizieren. Mindestens erforderlicher Umsatzverlauf: n Perioden plus Anzahl der Zeiträume, die für die Bewertung der Prognoseperformance (Perioden der besten Abstimmung) erforderlich sind. Diese Tabelle wird in der Prognoseberechnung verwendet: Die Märzprognose entspricht 119,5 (7 mal 2,3) 135,6 auf 136 gerundet. 3.2.7 Methode 7: Zweite Grad Approximation Um die Prognose zu projizieren, verwendet diese Methode die Zweite Grad-Approximationsformel, um eine Kurve darzustellen Die auf der Anzahl der Verkaufsphasen beruht. Diese Methode erfordert die Anzahl der Perioden am besten geeignet plus die Anzahl der Perioden der Verkaufsauftragsverlauf mal drei. Diese Methode ist nicht geeignet, die Nachfrage nach einem langfristigen Zeitraum zu prognostizieren. 3.2.7.1 Beispiel: Methode 7: Second Degree Approximation Die lineare Regression ermittelt Werte für a und b in der Prognoseformel Y a b X mit dem Ziel, eine Gerade an die Verkaufsgeschichtsdaten anzupassen. Zweite Grad Approximation ist ähnlich, aber dieses Verfahren bestimmt Werte für a, b und c in dieser Prognose Formel: Y a b X c X 2 Das Ziel dieses Verfahrens ist es, eine Kurve auf die Verkaufsgeschichte Daten passen. Dieses Verfahren ist nützlich, wenn sich ein Produkt im Übergang zwischen den Lebenszyklusstufen befindet. Wenn sich beispielsweise ein neues Produkt von der Einführung in die Wachstumsstadien bewegt, könnte sich die Absatzentwicklung beschleunigen. Wegen des Termes der zweiten Ordnung kann die Prognose schnell an die Unendlichkeit heranreichen oder auf Null fallen (abhängig davon, ob der Koeffizient c positiv oder negativ ist). Diese Methode ist nur kurzfristig nutzbar. Prognose Spezifikationen: die Formel finden a, b und c, um eine Kurve auf genau drei Punkte passen. Sie geben n die Anzahl der Zeitperioden an, die in jedem der drei Punkte akkumuliert werden sollen. In diesem Beispiel ist n 3. Die tatsächlichen Verkaufsdaten für April bis Juni sind in den ersten Punkt Q1 zusammengefasst. Juli bis September werden addiert, um Q2 zu schaffen, und Oktober bis Dezember Summe zu Q3. Die Kurve ist an die drei Werte Q1, Q2 und Q3 angepasst. Erforderliche Verkaufsgeschichte: 3 mal n Perioden für die Berechnung der Prognose plus die Anzahl der Zeiträume, die für die Bewertung der Prognoseperformance (Perioden der besten Passform) erforderlich sind. Diese Tabelle wird in der Prognoserechnung verwendet: Q0 (Jan) (Feb) (Mar) Q1 (Apr) (Mai) (Jun), die 125 122 137 384 Q2 (Jul) (Aug) (Sep) entspricht 140 129 entspricht Der nächste Schritt besteht darin, die drei Koeffizienten a, b und c zu berechnen, die in der Prognoseformel Y ab X c X 2 verwendet werden sollen. Q1, Q2 und Q3 werden auf der Grafik dargestellt, wobei die Zeit auf der horizontalen Achse aufgetragen ist. Q1 stellt die gesamten historischen Verkäufe für April, Mai und Juni dar und ist auf X 1 Q2 dargestellt, entspricht Juli bis September Q3 entspricht Oktober bis Dezember und Q4 repräsentiert Januar bis März. Diese Grafik illustriert die Darstellung von Q1, Q2, Q3 und Q4 für die Näherung des zweiten Grades: Abbildung 3-2 Darstellung von Q1, Q2, Q3 und Q4 zur Näherung des zweiten Grades Drei Gleichungen beschreiben die drei Punkte des Graphen: (1) Q1 (Q2 a 2b 4c) (3) Q3 a bX cX 2 mit X 3 (Q3 a 3b 9c) Lösen Sie die drei Gleichungen gleichzeitig (2) ndash (1) Q2 ndash Q1 b 3c b (Q2 ndash Q1) ndash 3c Ersetzen Sie die Gleichung 1 (1) aus Gleichung 2 (2) und lösen Sie für b: B in Gleichung (3): (3) Q3 a 3 (Q2 ndash Q1) ndash 3c 9c a Q3 ndash 3 (Q2 ndash Q1) Schließe diese Gleichungen für a und b in Gleichung (1): (1) Q3 ndash ein (Q2 ndash Q2) 2 Das zweite Approximationsverfahren berechnet a, b und c wie folgt: a Q3 ndash 3 (Q2 ndash Q1) (Q2 ndash Q1) (Q2 ndash Q1) ) (N3) n0 (n3) n0 (n2) n0 (n3) n0 (n) n (n) 370 ndash 400) (384 ndash 400) 2 ndash23 Dies ist eine Berechnung der Näherungsprognose des zweiten Grades: Y a bX cX 2 322 85X (ndash23) (X 2) Wenn X 4, Q4 322 340 ndash 368 294. Die Prognose entspricht 294 3 98 pro Zeitraum. Wenn X 5, Q5 322 425 ndash 575 172. Die Prognose entspricht 172 3 58,33 auf 57 pro Periode gerundet. Wenn X 6, Q6 322 510 ndash 828 4. Die Prognose ist 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 Methode Mit dieser Methode können Sie die bestmögliche Anzahl von Perioden des Verkaufsauftragsverlaufs auswählen, die n Monate vor dem Startdatum der Prognose beginnt Wenden Sie einen prozentualen Anstieg oder Abnahme Multiplikationsfaktor, mit dem die Prognose zu ändern. Diese Methode ähnelt Methode 1, Prozent über dem letzten Jahr, außer dass Sie die Anzahl der Perioden angeben können, die Sie als Basis verwenden. 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 der Percent Over Last Year Methode basiert die Projektion auf Daten aus dem gleichen Zeitraum des Vorjahres. You can also use the Flexible Method to specify a time period, other than the same period in the last year, to use as the basis for the calculations. Multiplikationsfaktor. For example, specify 110 in the processing option to increase previous sales history data by 10 percent. Base period. For example, n 4 causes the first forecast to be based on sales data in September of last year. Minimum required sales history: the number of periods back to the base period plus the number of time periods that is required for evaluating the forecast performance (periods of best fit). This table is history used in the forecast calculation: 3.2.9 Method 9: Weighted Moving Average The Weighted Moving Average formula is similar to Method 4, Moving Average formula, because it averages the previous months sales history to project the next months sales history. However, with this formula you can assign weights for each of the prior periods. This method requires the number of weighted periods selected plus the number of periods best fit data. Similar to Moving Average, this method lags behind demand trends, so this method is not recommended for products with strong trends or seasonality. This method is useful to forecast demand for mature products with demand that is relatively level. 3.2.9.1 Example: Method 9: Weighted Moving Average The Weighted Moving Average (WMA) method is similar to Method 4, Moving Average (MA). However, you can assign unequal weights to the historical data when using WMA. Die Methode berechnet einen gewichteten Durchschnitt der letzten Verkaufsgeschichte, um zu einer Projektion für die kurzfristige kommen. More recent data is usually assigned a greater weight than older data, so WMA is more responsive to shifts in the level of sales. However, forecast bias and systematic errors occur when the product sales history exhibits strong trends or seasonal patterns. This method works better for short range forecasts of mature products than for products in the growth or obsolescence stages of the life cycle. The number of periods of sales history (n) to use in the forecast calculation. For example, specify n 4 in the processing option to use the most recent four periods as the basis for the projection into the next time period. Ein großer Wert für n (wie 12) erfordert mehr Umsatz Geschichte. Such a value results in a stable forecast, but it is slow to recognize shifts in the level of sales. Conversely, a small value for n (such as 3) responds more quickly to shifts in the level of sales, but the forecast might fluctuate so widely that production cannot respond to the variations. The total number of periods for the processing option rdquo14 - periods to includerdquo should not exceed 12 months. The weight that is assigned to each of the historical data periods. The assigned weights must total 1.00. For example, when n 4, assign weights of 0.50, 0.25, 0.15, and 0.10 with the most recent data receiving the greatest weight. Minimum required sales history: n plus the number of time periods that are required for evaluating the forecast performance (periods of best fit). This table is history used in the forecast calculation: January forecast equals (131 times 0.10) (114 times 0.15) (119 times 0.25) (137 times 0.50) (0.10 0.15 0.25 0.50) 128.45 rounded to 128. February forecast equals (114 times 0.10) (119 times 0.15) (137 times 0.25) (128 times 0.50) 1 127.5 rounded to 128. March forecast equals (119 times 0.10) (137 times 0.15) (128 times 0.25) (128 times 0.50) 1 128.45 rounded to 128. 3.2.10 Method 10: Linear Smoothing This method calculates a weighted average of past sales data. In the calculation, this method uses the number of periods of sales order history (from 1 to 12) that is indicated in the processing option. The system uses a mathematical progression to weigh data in the range from the first (least weight) to the final (most weight). Then the system projects this information to each period in the forecast. This method requires the months best fit plus the sales order history for the number of periods that are specified in the processing option. 3.2.10.1 Example: Method 10: Linear Smoothing This method is similar to Method 9, WMA. Jedoch wird anstelle der willkürlichen Zuweisung von Gewichten zu den historischen Daten eine Formel verwendet, um Gewichtungen zuzuweisen, die linear abnehmen und auf 1,00 summieren. Das Verfahren berechnet dann einen gewichteten Durchschnitt der letzten Verkaufsgeschichte, um zu einer Projektion für die kurze Zeit zu gelangen. Like all linear moving average forecasting techniques, forecast bias and systematic errors occur when the product sales history exhibits strong trend or seasonal patterns. This method works better for short range forecasts of mature products than for products in the growth or obsolescence stages of the life cycle. n equals the number of periods of sales history to use in the forecast calculation. For example, specify n equals 4 in the processing option to use the most recent four periods as the basis for the projection into the next time period. The system automatically assigns the weights to the historical data that decline linearly and sum to 1.00. For example, when n equals 4, the system assigns weights of 0.4, 0.3, 0.2, and 0.1, with the most recent data receiving the greatest weight. Minimum required sales history: n plus the number of time periods that are required for evaluating the forecast performance (periods of best fit). This table is history used in the forecast calculation: 3.2.11 Method 11: Exponential Smoothing This method calculates a smoothed average, which becomes an estimate representing the general level of sales over the selected historical data periods. This method requires sales data history for the time period that is represented by the number of periods best fit plus the number of historical data periods that are specified. The minimum requirement is two historical data periods. This method is useful to forecast demand when no linear trend is in the data. 3.2.11.1 Example: Method 11: Exponential Smoothing This method is similar to Method 10, Linear Smoothing. In Linear Smoothing, the system assigns weights that decline linearly to the historical data. In Exponential Smoothing, the system assigns weights that exponentially decay. The equation for Exponential Smoothing forecasting is: Forecast alpha (Previous Actual Sales) (1 ndashalpha) (Previous Forecast) The forecast is a weighted average of the actual sales from the previous period and the forecast from the previous period. Alpha is the weight that is applied to the actual sales for the previous period. (1 ndash alpha) is the weight that is applied to the forecast for the previous period. Values for alpha range from 0 to 1 and usually fall between 0.1 and 0.4. The sum of the weights is 1.00 (alpha (1 ndash alpha) 1). You should assign a value for the smoothing constant, alpha. If you do not assign a value for the smoothing constant, the system calculates an assumed value that is based on the number of periods of sales history that is specified in the processing option. alpha equals the smoothing constant that is used to calculate the smoothed average for the general level or magnitude of sales. Values for alpha range from 0 to 1. n equals the range of sales history data to include in the calculations. Generally, one year of sales history data is sufficient to estimate the general level of sales. For this example, a small value for n (n 4) was chosen to reduce the manual calculations that are required to verify the results. Exponential Smoothing can generate a forecast that is based on as little as one historical data point. Minimum required sales history: n plus the number of time periods that are required for evaluating the forecast performance (periods of best fit). This table is history used in the forecast calculation: 3.2.12 Method 12: Exponential Smoothing with Trend and Seasonality This method calculates a trend, a seasonal index, and an exponentially smoothed average from the sales order history. The system then applies a projection of the trend to the forecast and adjusts for the seasonal index. This method requires the number of periods best fit plus two years of sales data, and is useful for items that have both trend and seasonality in the forecast. You can enter the alpha and beta factor, or have the system calculate them. Alpha and beta factors are the smoothing constant that the system uses to calculate the smoothed average for the general level or magnitude of sales (alpha) and the trend component of the forecast (beta). 3.2.12.1 Example: Method 12: Exponential Smoothing with Trend and Seasonality This method is similar to Method 11, Exponential Smoothing, in that a smoothed average is calculated. Das Verfahren 12 enthält jedoch auch einen Ausdruck in der Prognose-Gleichung, um einen geglätteten Trend zu berechnen. The forecast is composed of a smoothed average that is adjusted for a linear trend. Wenn in der Verarbeitungsoption angegeben, wird die Prognose auch saisonbedingt angepasst. Alpha equals the smoothing constant that is used in calculating the smoothed average for the general level or magnitude of sales. Values for alpha range from 0 to 1. Beta equals the smoothing constant that is used in calculating the smoothed average for the trend component of the forecast. Values for beta range from 0 to 1. Whether a seasonal index is applied to the forecast. Alpha and beta are independent of one another. They do not have to sum to 1.0. Minimum required sales history: One year plus the number of time periods that are required to evaluate the forecast performance (periods of best fit). When two or more years of historical data is available, the system uses two years of data in the calculations. Method 12 uses two Exponential Smoothing equations and one simple average to calculate a smoothed average, a smoothed trend, and a simple average seasonal index. An exponentially smoothed average: An exponentially smoothed trend: A simple average seasonal index: Figure 3-3 Simple Average Seasonal Index The forecast is then calculated by using the results of the three equations: L is the length of seasonality (L equals 12 months or 52 weeks). t is the current time period. m is the number of time periods into the future of the forecast. S is the multiplicative seasonal adjustment factor that is indexed to the appropriate time period. This table lists history used in the forecast calculation: This section provides an overview of Forecast Evaluations and discusses: You can select forecasting methods to generate as many as 12 forecasts for each product. Each forecasting method might create a slightly different projection. When thousands of products are forecast, a subjective decision is impractical regarding which forecast to use in the plans for each product. The system automatically evaluates performance for each forecasting method that you select and for each product that you forecast. You can select between two performance criteria: MAD and POA. MAD ist ein Maß für den Prognosefehler. POA ist ein Maß für die Vorhersage. 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 ist ein Maß für die durchschnittliche Größe der zu erwartenden Fehler bei einer Prognosemethode und einem Datenverlauf. Da bei der Berechnung absolute Werte verwendet werden, werden positive Fehler nicht negativ ausgewertet. When comparing several forecasting methods, the one with the smallest MAD is the most reliable for that product for that holdout period. When the forecast is unbiased and errors are normally distributed, a simple mathematical relationship exists between MAD and two other common measures of distribution, which are standard deviation and Mean Squared Error. For example: MAD (Sigma (Actual) ndash (Forecast)) n Standard Deviation, (sigma) cong 1.25 MAD Mean Squared Error cong ndashsigma2 This example indicates the calculation of MAD for two of the forecasting methods. This example assumes that you have specified in the processing option that the holdout period length (periods of best fit) is equal to five periods. 3.3.1.1 Method 1: Last Year to This Year This table is history used in the calculation of MAD, given Periods of Best Fit 5: Mean Absolute Deviation equals (2 1 20 10 14) 5 9.4. Based on these two choices, the Moving Average, n 4 method is recommended because it has the smaller MAD, 9.4, for the given holdout period. 3.3.2 Percent of Accuracy Percent of Accuracy (POA) is a measure of forecast bias. Wenn die Prognosen konsequent zu hoch sind, sammeln sich die Vorräte an und die Lagerhaltungskosten steigen. When forecasts are consistently too low, inventories are consumed and customer service declines. A forecast that is 10 units too low, then 8 units too high, then 2 units too high is an unbiased forecast. The positive error of 10 is canceled by negative errors of 8 and 2. (Error) (Actual) ndash (Forecast) When a product can be stored in inventory, and when the forecast is unbiased, a small amount of safety stock can be used to buffer the errors. In this situation, eliminating forecast errors is not as important as generating unbiased forecasts. However, in service industries, the previous situation is viewed as three errors. The service is understaffed in the first period, and then overstaffed for the next two periods. In Services ist die Größenordnung der Prognosefehler in der Regel wichtiger als die prognostizierte Bias. POA (SigmaForecast sales during holdout period) (SigmaActual sales during holdout period) times 100 percent The summation over the holdout period enables positive errors to cancel negative errors. When the total of forecast sales exceeds the total of actual sales, the ratio is greater than 100 percent. Of course, the forecast cannot be more than 100 percent accurate. When a forecast is unbiased, the POA ratio is 100 percent. A 95 percent accuracy rate is more desirable than a 110 percent accurate rate. The POA criterion selects the forecasting method that has a POA ratio that is closest to 100 percent. This example indicates the calculation of POA for two forecasting methods. This example assumes that you have specified in the processing option that the holdout period length (periods of best fit) is equal to five periods. 3.3.2.1 Method 1: Last Year to This Year This table is history used in the calculation of MAD, given Periods of Best Fit 5: 3.4.2 Forecast Accuracy These statistical laws govern forecast accuracy: A long term forecast is less accurate than a short term forecast because the further into the future you project the forecast, the more variables can affect the forecast. A forecast for a product family tends to be more accurate than a forecast for individual members of the product family. Some errors cancel each other as the forecasts for individual items summarize into the group, thus creating a more accurate forecast. 3.4.3 Forecast Considerations You should not rely exclusively on past data to forecast future demands. These circumstances might affect the business, and require you to review and modify the forecast: New products that have no past data. Plans for future sales promotion. Changes in national and international politics. New laws and government regulations. Weather changes and natural disasters. Innovations from competition. You can use long term trend analysis to influence the design of the forecasts: Leading economic indicators. 3.4.4 Forecasting Process You use the Refresh Actuals program (R3465) to copy data from the Sales Order History File table (F42119), the Sales Order Detail File table (F4211), or both, into either the Forecast File table (F3460) or the Forecast Summary File table (F3400), depending on the kind of forecast that you plan to generate. Scripting on this page enhances content navigation, but does not change the content in any way. Peramalan Sederhana (Single Moving Average vs Single Exponential Smoothing) Mungkin sebagian besar diantara kita pernah mendengar tentang teknik peramalan. Tentunya bukan dukun peramal, melainkan tekni untuk meramalkan prognose suatu daten deret waktu zeitreihen. Peramalan merupakan suatu teknik yang penting bagi perusahaan atau pemerintah dalam mengambil kebijakan. Dalam meramal Suatu nilai Pada masa yang akan datang bukan berarti hasil Yang didapatkan ialah sama persis, melainkan merupakan Suatu pendekatan alternatif Yang lumrah dalam ilmu statistik. Pada tulisan ini akan dibahas contoh kasus peramalan menggunakan teknik Beweglicher Durchschnitt Dan Exponentielle Glättung. Kedua Teknik ini merupakan tekni Prognose Yang sangat Sederhana karena tidak melibatkan asumsi Yang kompleks seperti Pada tekni Prognose ARIMA, ARCHGARCH, ECM, VECM, VAR, dsb. Meskipun demikian, asumsi Daten stasioner haruslah terpenuhi untuk meramal. Beweglicher Durchschnitt merupakan teknik peramalan berdasarkan rata-rata bergerak dari nilai-nilai masa lalu, misalkan rata-rata bergerak 3 tahunan, 4 bulanan, 5 mingguan, dll. Akan tetapi teknik ini tidak disarankan untuk data time series yang menunjukkan adanya pengaruh trend dan musiman. Moving average terbagi menjadi single moving average dan double moving average. Exponentielle Glättung . hampir sama dengan gleitenden Durchschnitt yaitu merupakan Teknik prognostiziert Yang Sederhana, tetapi Telah menggunakan Suatu penimbang dengan besaran antara 0 hingga 1. Jika nilai w mendekati nilai 1 maka hasil Prognose cenderung mendekati nilai obseervasi, sedangkan jika nilai w mendekati nilai 0, maka hasil Prognose mengarah Ke nilai ramalan sebelumnya. Exponentielle Glättung terboi menjadi einzigen exponentiellen Glättung als doppelte exponentielle Glättung. Kali ini, akan dibahas perbandingan metode single moving average dengan single exponential smoothing. Pemimpin Safira Strand Resto ingin mengetahui omzet restoran Pada Januari 2013 Ia meminta sang manajer untuk mengestimasi nilai tersebut dengan Daten omzet bulanan Dari bulan Juni 2011 sampai Desember 2012 Berbekal pengetahuan di bidang statistik, sang manajer melakukan forcast dengan metode Einzel Durchschnitt 3 bulanan dan bewegen Einzelne exponentielle Glättung (w0,4). Einzelne Moving Durchschnittliche Pada tabel di atas prognose ramalan bulan September 2011 yaitu 128,667 juta rupiah diperoleh dari penjumlahan omzet bulan Juni, August, Agustus 2011 dibagi dengan angka gleitender Durchschnitt (m3). Angka forecast pada bulan Oktober 2011 yaitu 127 juta rupiah diperoleh dari penjumlah omzet bulan Juli, Agustus, September 2011 dibagi dengan angka moving average tiga bulanan (m3). Perhitungan serupa dilakukan hingga ditemukan hasil vorausschau bulan Januar 2013 sebesar 150,667 juta rupiah. Dapat diinterpretasikan bahwa omzet bulan Januari 2013 diperkirakan senilai 150, 667 juta rupiah atau mengalami penurunan sebesar 1,333 juta rupiah dibanding dengan omzet Desember 2012 sebesar 152 juta rupiah. Perhatikan baris pada bulan Juni-Agustus 2011 kolom Forecast hingga error tidak memiliki nilai, karena peramalan pada bulan-bulan tersebut tidak tersedia data moving average 3 bulanan, bulan sebelumnya. Selanjutnya untuk Melihat kebaikan hasil ramalan digunaka RMSE (root mean square error) Untuk RMSE perhitungan, Mula-Mula dicari nilai Fehler atau Selisih antara nilai aktual dan ramalan (omzet Prognose), kemudian kuadrat nilai-nilai tersebut untuk Masing-Masing Daten bulanan. Lalu, jumlahkan seluruh nilai Fehler yang telah dikuadratkan. Terakhir hitung nilai RMSE dengan rumus di atas atau lebih gambangnya, bagi nilai penjumlahan error yang telah dikuadratkan dengan banyaknya observasi dan hasilnya lalu di akarkan. Pada tabel di atas, banyaknya observasi yaitu 16 (mulai dari September 2011-Desember 2012). Single Exponential Smoothing. Selanjutnya kita akan melakukan peramalan dengan metode Einzelne Exponentialglättung. Metode ini menggunak nilai penimbang yang dapat diperoleh dari operationen statistik tertentu (bisa proporsi tertentu), namun dapat juga ditentukan oleh peneliti. Kali ini akan digunakan nilai w 4. Forecast W0,4 Ycap(t1) (juta rp.) Nilai ramalan pada bulan Juni 2011 yaitu 137,368 juta rupiah diperoleh dari rata-rata omzet dari bulan Juni 2011 hingga bulan Desember 2012. Nilai ramalan pada bulan Juli 2011 yaitu 134,821 juta rupiah diperoleh dari perhitungan dengan rumus di atas, dengan kata lain nilai ramalan bulan Juli 2011 diperoleh dari hasil kali w0,4 dan nilai aktual omzet bulan Juli 2011 dijumlahkan dengan hasil kali (1-0,4) serta nila ramalan bulan Juni 2011 sebesar 134,821 juta rupiah. Lakukan perhitungan tersebut hingga mendapatkan angka ramalan untuk bulan Januari 2013 Hasil ramalan omzet untuk bulan Januari 2013 yaitu 149.224 juta Rupiah atau turun sebesar 2776 juta Rupiah. Kemudian hitung nilai RMSE dengan rumus seperti pada perhitungan RMSE moving average . Hanya saja jumlah observasi berbeda. Pada tabel di atas jumlah obervasi (m) yaitu 19 lebih banyak dibanding dengan metode simple moving average 3 bulanan (16) karena pada metode eksponensial perhitungan ramalan dapat dimulai dari data pada periode awal. RMSE metode single exponential smoothing sebesar 1,073. Selanjutnya dari kedua metode di atas akan dibandingkan mana hasil yang terbaik. Untuk hal tersebut maka, bandingkan nilai RMSE dari kedua metode. Metode daneben RMSE terkecil dapat dinyatakan sebagai metode terbaik untuk meramal. RMSE mov. average 0,946, RMSE exp. smoothing 1,073. RMSE mov. average lt RMSE exp. smoothing. Kesimpulanya bahwa metode moving average lebih baik dalam melakukan peramalan, sehingga omzet pada bulan Januari 2013 diperkirakan sebesar 150,667 juta rupiah (meskipun memiliki nilai yang lebih rendah daripada bulan sebelumnya). (Untuk Materi Yang Lebih jelas, silakan dicari di buku-buku referensi Analisis Time Series, misalnya Enders, Walter 2004. Angewandte Ökonometrie Time Series Second Edition New Jersey:.... Willey Kalo contoh soal dalam tulisan ini, Saya kutip Dari buku modul Kuliah