استخدم متوسط متحرك لمدة 3 أيام للتنبؤ بالطلب على الفترة 7

طرق السلسلة الزمنية طرق التسلسل الزمني هي تقنيات إحصائية تستخدم البيانات التاريخية المتراكمة على مدى فترة زمنية. تفترض طرق السلاسل الزمنية أن ما حدث في الماضي سيستمر في المستقبل. وكما توحي السلسلة الزمنية للاسم، فإن هذه الأساليب تربط التنبؤ بعامل واحد فقط - الوقت. وهي تشمل المتوسط ​​المتحرك، والتجانس الأسي، وخط الاتجاه الخطي، وهي من بين الأساليب الأكثر شعبية للتنبؤ قصير المدى بين شركات الخدمات والتصنيع. وتفترض هذه الأساليب أن أنماط أو اتجاهات تاريخية يمكن التعرف عليها مع مرور الوقت ستكرر نفسها. المتوسط ​​المتحرك يمكن أن تكون توقعات السلاسل الزمنية بسيطة مثل استخدام الطلب في الفترة الحالية للتنبؤ بالطلب في الفترة المقبلة. ويسمى هذا أحيانا توقعات ساذجة أو بديهية. 4 على سبيل المثال، إذا كان الطلب هو 100 وحدة هذا الأسبوع، والتوقعات لأسابيع الطلب المقبل هو 100 وحدة إذا كان الطلب تبين أن 90 وحدة بدلا من ذلك، ثم الطلب أسابيع التالية هو 90 وحدة، وهلم جرا. هذا النوع من طريقة التنبؤ لا يأخذ في الاعتبار سلوك الطلب التاريخي فإنه يعتمد فقط على الطلب في الفترة الحالية. وهو يتفاعل مباشرة مع حركة عادية، عشوائية في الطلب. وتستخدم طريقة المتوسط ​​المتحرك البسيط عدة قيم للطلب خلال الماضي القريب لوضع توقعات. وهذا يميل إلى إبطاء أو إبطال الزيادات العشوائية والنقصان في التوقعات التي تستخدم فترة واحدة فقط. إن المتوسط ​​المتحرك البسيط مفيد للتنبؤ بالطلب المستقر ولا يظهر أي سلوك واضح في الطلب، مثل الاتجاه أو النمط الموسمي. يتم حساب المتوسطات المتحركة لفترات محددة، مثل ثلاثة أشهر أو خمسة أشهر، وهذا يتوقف على مدى رغبة المتنبأ في تسهيل بيانات الطلب. وكلما طالت فترة المتوسط ​​المتحرك، كلما كان الأمر أكثر سلاسة. صيغة حساب المتوسط ​​المتحرك البسيط هي حساب متوسط ​​متحرك بسيط تقوم شركة توريد الورق الفوري بتزويد وتوريد اللوازم المكتبية إلى الشركات والمدارس والوكالات داخل دائرة نصف قطرها 50 ميلا من مستودعها. إن أعمال توريد المكاتب تنافسية، والقدرة على تقديم الطلبات فورا هي عامل في الحصول على عملاء جدد والحفاظ على العملاء القدامى. (عادة ما تطلب المكاتب عدم تشغيلها عند انخفاض الإمدادات، ولكن عندما تنفد تماما، ونتيجة لذلك، فإنها تحتاج إلى أوامرها على الفور.) مدير الشركة يريد أن يكون بعض السائقين كافية والمركبات المتاحة لتسليم أوامر على الفور و لديهم مخزون كاف في المخزون. ولذلك، فإن المدير يريد أن يكون قادرا على التنبؤ بعدد الطلبات التي ستحدث خلال الشهر المقبل (أي للتنبؤ الطلب على الولادات). من سجلات أوامر التسليم، تراكمت الإدارة البيانات التالية خلال الأشهر ال 10 الماضية، والتي تريد حساب المتوسطات المتحركة 3 و 5 أشهر. دعونا نفترض أن هذا هو نهاية تشرين الأول / أكتوبر. والتنبؤ الناتج عن المتوسط ​​المتحرك لمدة 3 أشهر أو 5 أشهر هو عادة للشهر التالي بالتسلسل، وهو في هذه الحالة هو نوفمبر. ويحسب المتوسط ​​المتحرك من الطلب على الأوامر خلال الأشهر الثلاثة السابقة بالتسلسل وفقا للمعادلة التالية: يحسب المتوسط ​​المتحرك لمدة 5 أشهر من بيانات 5 أشهر السابقة من بيانات الطلب على النحو التالي: الشهران 3 و 5 أشهر يبين الجدول التالي توقعات المتوسط ​​المتحرك لجميع أشهر بيانات الطلب. في الواقع، فإن توقعات نوفمبر فقط على أساس الطلب الشهري الأخير سيتم استخدامها من قبل المدير. ومع ذلك، فإن التوقعات السابقة للأشهر السابقة تسمح لنا بمقارنة التوقعات مع الطلب الفعلي لمعرفة مدى دقة طريقة التنبؤ - أي مدى نجاحها. المتوسطات الثلاثة والخمسة أشهر يميل كل من التنبؤات المتحركة المتوسطة في الجدول أعلاه إلى إبطاء التباين الذي يحدث في البيانات الفعلية. ويمكن ملاحظة تأثير التمهيد هذا في الشكل التالي الذي تم فيه فرض متوسطات لمدة 3 أشهر و 5 أشهر على رسم بياني للبيانات الأصلية: إن المتوسط ​​المتحرك لمدة 5 أشهر في الشكل السابق يزيل التقلبات إلى حد أكبر من المتوسط ​​المتحرك لمدة 3 أشهر. غير أن متوسط ​​الأشهر الثلاثة يعكس بصورة أوثق أحدث البيانات المتاحة لمدير الإمدادات المكتبية. وبصفة عامة، فإن التنبؤات باستخدام المتوسط ​​المتحرك لفترة أطول أبطأ من أجل الاستجابة للتغيرات الأخيرة في الطلب مقارنة بتلك التي أجريت باستخدام متوسطات متحركة أقصر. فالفترات الإضافية للبيانات تضعف السرعة التي تستجيب بها التوقعات. وكثيرا ما يتطلب تحديد العدد المناسب من الفترات لاستخدامها في توقعات المتوسط ​​المتحرك قدرا من التجارب التجريبية والخطأ. أما عيب أسلوب المتوسط ​​المتحرك فهو أنه لا يتفاعل مع التغيرات التي تحدث لسبب ما، مثل الدورات والتأثيرات الموسمية. وعادة ما يتم تجاهل العوامل التي تسبب التغيرات. وهي في الأساس طريقة ميكانيكية، تعكس البيانات التاريخية بطريقة متسقة. ومع ذلك، فإن طريقة المتوسط ​​المتحرك تتميز بكونها سهلة الاستخدام وسريعة وغير مكلفة نسبيا. وبصفة عامة، يمكن لهذه الطريقة أن توفر توقعات جيدة على المدى القصير، ولكن لا ينبغي دفعها بعيدا جدا في المستقبل. المتوسط ​​المتحرك المرجح يمكن تعديل طريقة المتوسط ​​المتحرك لتعكس تقلبات البيانات بشكل أوثق. في طريقة المتوسط ​​المتحرك المرجح، يتم تعيين الأوزان إلى أحدث البيانات وفقا للمعادلة التالية: يبدو أن بيانات الطلب لخدمات الكمبيوتر بيإم (المبينة في الجدول الخاص بالمثال 10.3) تتبع اتجاها خطييا متزايدا. وتريد الشركة حساب خط اتجاه خطي لمعرفة ما إذا كان أكثر دقة من التجانس الأسي وتوقعات التمهيد الأسي المعدلة التي تم تطويرها في المثالين 10.3 و 10.4. وفيما يلي القيم المطلوبة لحسابات المربعات الصغرى: باستخدام هذه القيم، تحسب معلمات خط الاتجاه الخطي على النحو التالي: ولذلك، فإن معادلة خط الاتجاه الخطي هي لحساب التنبؤات للفترة 13، والسماح x 13 في الخطية خط الاتجاه: يظهر الرسم البياني التالي خط الاتجاه الخطي مقارنة مع البيانات الفعلية. ويبدو أن خط الاتجاه يعكس بشكل وثيق البيانات الفعلية - أي أن يكون مناسبا - ومن ثم سيكون نموذجا جيدا للتنبؤ بهذه المشكلة. ومع ذلك، فإن عيب خط الاتجاه الخطي هو أنه لن يتكيف مع تغيير في الاتجاه، حيث أن الأساليب التنبؤ الأسي التنبؤات وهذا هو، فمن المفترض أن جميع التوقعات المستقبلية سوف تتبع خط مستقيم. هذا يحد من استخدام هذه الطريقة إلى إطار زمني أقصر الذي يمكن أن تكون مؤكدة نسبيا أن الاتجاه لن يتغير. التسويات الموسمية نمط موسمي هو زيادة متكررة وانخفاض في الطلب. العديد من العناصر الطلب تظهر السلوك الموسمية. وتتبع مبيعات الملابس أنماطا موسمية سنوية، حيث يزداد الطلب على الملابس الدافئة في الخريف والشتاء ويتراجع في الربيع والصيف مع زيادة الطلب على الملابس الباردة. الطلب على العديد من البنود التجزئة، بما في ذلك اللعب والمعدات الرياضية والملابس والأجهزة الإلكترونية، والهامب، والديك الرومي، والنبيذ، والفاكهة، وزيادة خلال موسم الأعياد. زيادة الطلب بطاقة معايدة جنبا إلى جنب مع أيام خاصة مثل عيد الحب وعيد الأم. ويمكن أيضا أن تحدث الأنماط الموسمية على أساس شهري أو أسبوعي أو حتى يومي. بعض المطاعم لديها ارتفاع الطلب في المساء مما كان عليه في الغداء أو في عطلة نهاية الأسبوع بدلا من أيام الأسبوع. حركة المرور - وبالتالي المبيعات - في مراكز التسوق تلتقط يومي الجمعة والسبت. هناك عدة طرق لتعكس الأنماط الموسمية في توقعات سلسلة زمنية. سنصف إحدى الطرق البسيطة باستخدام عامل موسمي. والعامل الموسمي هو قيمة رقمية تضرب في التوقعات العادية للحصول على توقعات معدلة موسميا. طريقة واحدة لتطوير الطلب على العوامل الموسمية هي تقسيم الطلب على كل فترة موسمية حسب الطلب السنوي الإجمالي، وفقا للمعادلة التالية: العوامل الموسمية الناتجة بين 0 و 1.0 هي في الواقع نسبة من إجمالي الطلب السنوي المخصص ل في كل موسم. وتضاعف هذه العوامل الموسمية في الطلب المتوقع سنويا لإعطاء التنبؤات المعدلة لكل موسم. حساب توقعات مع التعديلات الموسمية تنمو مزارع عظام الترقب من بيع الديك الرومي إلى شركة لتجهيز اللحوم على مدار السنة. ومع ذلك، من الواضح موسم الذروة خلال الربع الرابع من العام، من أكتوبر إلى ديسمبر. وقد شهدت مزارع عظمون الطلب على الديوك الرومي على مدى السنوات الثلاث الماضية المبينة في الجدول التالي: ولأن لدينا ثلاث سنوات من بيانات الطلب، يمكننا حساب العوامل الموسمية عن طريق قسمة الطلب الفصلي الكلي على مدى ثلاث سنوات من الطلب الكلي على مدى السنوات الثلاث : بعد ذلك، نريد مضاعفة الطلب المتوقع للعام القادم، 2000، من خلال كل من العوامل الموسمية للحصول على الطلب المتوقع لكل ربع سنة. ولتحقيق ذلك، نحتاج إلى توقعات الطلب لعام 2000. وفي هذه الحالة، وبما أن بيانات الطلب الواردة في الجدول يبدو أنها تظهر اتجاها متزايدا بشكل عام، فإننا نحسب خط اتجاه خطي لثلاث سنوات من البيانات الواردة في الجدول للحصول على الخام تقديرات التوقعات: وهكذا، فإن التوقعات لعام 2000 هي 58.17، أو 58.170 الديك الرومي. وباستخدام هذه التوقعات السنوية للطلب، فإن التنبؤات المعدلة موسميا، سف i، لعام 2000 هي مقارنة هذه التوقعات الفصلية بقيم الطلب الفعلية في الجدول، ويبدو أنها تقديرات توقعات جيدة نسبيا، مما يعكس كلا من التغيرات الموسمية في البيانات و الاتجاه التصاعدي العام. 10-12. كيف تكون طريقة المتوسط ​​المتحرك مشابهة للتجانس الأسي 10-13. ما تأثير على نموذج تمهيد الأسي وزيادة ثابت تمهيد لديها 10-14. كيف يختلف تعديل الأسي تعديل تختلف عن الأسي تمهيد 10-15. ما يحدد اختيار ثابت تمهيد للاتجاه في تعديل نموذج الأسي تعديل 10-16. وفي أمثلة الفصل لأساليب السلاسل الزمنية، كان من المفترض دائما أن تكون توقعات البداية هي نفس الطلب الفعلي في الفترة الأولى. اقتراح طرق أخرى يمكن أن تكون مشتقة التنبؤ البداية في الاستخدام الفعلي. 10-17. كيف يختلف نموذج التنبؤ بالخط الاتجاهي الخطي عن نموذج الانحدار الخطي للتنبؤ 10-18. من نماذج السلاسل الزمنية المعروضة في هذا الفصل، بما في ذلك المتوسط ​​المتحرك والمتوسط ​​المتحرك المرجح، والتجانس الأسي وتعديل الأسي المعدل، وخط الاتجاه الخطي، أي واحد تعتبره الأفضل لماذا 10-19. ما هي المزايا التي عدلت التجانس الأسي على خط الاتجاه الخطي للطلب المتوقع الذي يظهر اتجاها 4 K. B. كاهن وجيه ت. منتزر، التنبؤ في المستهلك والأسواق الصناعية، مجلة توقعات الأعمال 14، لا. 2 (صيف 1995): 21-28.3 فهم مستويات وأساليب التنبؤ يمكنك توليد كل من التنبؤات (بند واحد) والتنبؤات (خط الانتاج) التنبؤات التي تعكس أنماط الطلب على المنتجات. ويقوم النظام بتحليل المبيعات السابقة لحساب التوقعات باستخدام 12 طريقة للتنبؤ. وتشمل التوقعات معلومات تفصيلية على مستوى البند ومعلومات أعلى مستوى عن فرع أو الشركة ككل. 3.1 معايير تقييم أداء التوقعات اعتمادا على اختيار خيارات المعالجة وعلى الاتجاهات والأنماط في بيانات المبيعات، فإن بعض أساليب التنبؤ تؤدي أداء أفضل من غيرها بالنسبة لمجموعة بيانات تاريخية معينة. قد لا تكون طريقة التنبؤ المناسبة لمنتج واحد مناسبة لمنتج آخر. قد تجد أن طريقة التنبؤ التي توفر نتائج جيدة في مرحلة واحدة من دورة حياة المنتج لا تزال مناسبة طوال دورة الحياة بأكملها. يمكنك الاختيار بين طريقتين لتقييم الأداء الحالي لطرق التنبؤ: النسبة المئوية للدقة (بوا). متوسط ​​الانحراف المطلق (درهم). تتطلب كل من طرق تقييم الأداء هذه بيانات مبيعات سابقة لفترة تحددها. وتسمى هذه الفترة فترة الانتظار أو فترة من أفضل ملاءمة. وتستخدم البيانات في هذه الفترة كأساس للتوصية باستخدام طريقة التنبؤ في وضع توقعات التوقعات التالية. هذه التوصية خاصة بكل منتج ويمكن أن تتغير من جيل واحد إلى آخر. 3.1.1 أفضل ملاءمة يوصى النظام بأفضل توقعات مناسبة من خلال تطبيق أساليب التنبؤ المختارة على تاريخ طلب المبيعات السابق ومقارنة محاكاة التنبؤ بالتاريخ الفعلي. عندما تقوم بتوليد توقعات أفضل مناسبة، يقارن النظام تواريخ أوامر المبيعات الفعلية للتنبؤات لفترة زمنية محددة ويحسب مدى دقة كل طريقة تنبؤ مختلفة توقعت المبيعات. ثم يوصي النظام التنبؤ الأكثر دقة كما الأنسب. ويوضح هذا الرسم البياني أفضل التنبؤات: الشكل 3-1 أفضل التنبؤات المناسبة يستخدم النظام هذا التسلسل من الخطوات لتحديد أفضل ملاءمة: استخدم كل طريقة محددة لمحاكاة توقعات لفترة الاستبقاء. قارن المبيعات الفعلية بالتنبؤات المحاكية لفترة الاستبعاد. احسب بوا أو ماد لتحديد طريقة التنبؤ التي تتطابق بشكل وثيق مع المبيعات الفعلية السابقة. يستخدم النظام إما بوا أو درهم، استنادا إلى خيارات المعالجة التي تحددها. التوصية بتوقعات أفضل من قبل بوا التي هي الأقرب إلى 100 في المئة (أكثر أو أقل) أو درهم الذي هو الأقرب إلى الصفر. 3.2 طرق التنبؤ جد إدواردز إنتربريسون إدارة التنبؤات تستخدم 12 طريقة للتنبؤ الكمي وتشير إلى الطريقة التي توفر أفضل ملاءمة لحالة التنبؤ. يناقش هذا القسم: الطريقة 1: النسبة المئوية عن العام الماضي. الطريقة الثانية: النسبة المئوية المحسوبة خلال العام الماضي. الطريقة الثالثة: السنة الماضية لهذا العام. الطريقة الرابعة: المتوسط ​​المتحرك. الطريقة 5: التقريب الخطي. الطريقة 6: أقل المربعات الانحدار. الطريقة 7: الدرجة الثانية التقريب. الطريقة الثامنة: الطريقة المرنة. الطريقة التاسعة: المتوسط ​​المتحرك المرجح. طريقة 10: خطي تجانس. طريقة 11: الأسي تمهيد. طريقة 12: الأسي تمهيد مع الاتجاه والموسمية. حدد الطريقة التي تريد استخدامها في خيارات المعالجة لبرنامج توليد التوقعات (R34650). معظم هذه الطرق توفر رقابة محدودة. على سبيل المثال، يمكن تحديد الوزن الذي تم وضعه على البيانات التاريخية الحديثة أو النطاق الزمني للبيانات التاريخية المستخدمة في الحسابات من قبلك. وتشير الأمثلة الواردة في الدليل إلى طريقة الحساب لكل طريقة من طرق التنبؤ المتاحة، بالنظر إلى مجموعة متطابقة من البيانات التاريخية. تستخدم أمثلة الطريقة في الدليل جزءا أو كل مجموعات البيانات هذه، وهي بيانات تاريخية من العامين الماضيين. وتذهب التوقعات المتوقعة إلى العام المقبل. هذه البيانات تاريخ المبيعات مستقرة مع الزيادات الموسمية الصغيرة في شهري يوليو وديسمبر. هذا النمط هو سمة من المنتجات الناضجة التي قد تقترب من التقادم. 3.2.1 الطريقة 1: النسبة المئوية في السنة الماضية تستخدم هذه الطريقة صيغة النسبة المئوية خلال السنة الماضية لمضاعفة كل فترة توقع بنسبة الزيادة أو النقصان المحددة المئوية. للتنبؤ الطلب، وهذا الأسلوب يتطلب عدد من فترات لأفضل صالح بالإضافة إلى سنة واحدة من تاريخ المبيعات. هذه الطريقة مفيدة للتنبؤ بالطلب على الأصناف الموسمية مع النمو أو الانخفاض. 3.2.1.1 مثال: الطريقة الأولى: النسبة المئوية خلال السنة الماضية تضاعف صيغة النسبة المئوية من صيغة العام الماضي بيانات المبيعات عن العام السابق بعامل تحدده ثم المشاريع التي ينتج عنها العام التالي. قد تكون هذه الطريقة مفيدة في وضع الميزانيات لمحاكاة تأثير معدل نمو محدد أو عندما يكون تاريخ المبيعات مكونا موسميا هاما. مواصفات التنبؤ: عامل الضرب. على سبيل المثال، حدد 110 في خيار المعالجة لزيادة بيانات سجل مبيعات السنوات السابقة بنسبة 10٪. سجل المبيعات المطلوب: سنة واحدة لحساب التوقعات، بالإضافة إلى عدد الفترات الزمنية المطلوبة لتقييم أداء التنبؤ (فترات أفضل ملاءمة) التي تحددها. هذا الجدول هو التاريخ المستخدم في حساب التنبؤات: توقعات فبراير تساوي 117 مرة 1.1 128.7 مقربة إلى 129. توقعات مارس تساوي 115 مرة 1.1 126.5 مقربة إلى 127. 3.2.2 الطريقة الثانية: النسبة المئوية المحسوبة خلال السنة الماضية تستخدم هذه الطريقة النسبة المحسوبة صيغة العام الماضي لمقارنة المبيعات السابقة لفترات محددة للمبيعات من نفس الفترات من العام السابق. ويحدد النظام نسبة مئوية من الزيادة أو النقصان، ثم يضاعف كل فترة حسب النسبة المئوية لتحديد التوقعات. للتنبؤ الطلب، وهذا الأسلوب يتطلب عدد من فترات من تاريخ النظام المبيعات بالإضافة إلى سنة واحدة من تاريخ المبيعات. وهذه الطريقة مفيدة للتنبؤ بالطلب على المدى القصير على الأصناف الموسمية مع النمو أو الانخفاض. 3.2.2.1 مثال: الطريقة الثانية: النسبة المئوية المحسوبة خلال السنة الماضية النسبة المئوية المحسوبة خلال صيغة السنة الماضية تضاعف بيانات المبيعات عن السنة السابقة بعامل يتم حسابه من قبل النظام، ومن ثم يقوم بتشغيل تلك النتيجة للعام التالي. قد يكون هذا الأسلوب مفيدا في إسقاط تأثير توسيع معدل النمو الأخير للمنتج في العام المقبل مع الحفاظ على نمط موسمي موجود في تاريخ المبيعات. مواصفات التوقعات: مجموعة من تاريخ المبيعات لاستخدامها في حساب معدل النمو. على سبيل المثال، حدد n يساوي 4 في خيار المعالجة لمقارنة سجل المبيعات للفترات الأربع الأخيرة بتلك الفترات الأربع نفسها من العام السابق. استخدام نسبة المحسوبة لجعل الإسقاط للعام المقبل. تاريخ المبيعات المطلوب: سنة واحدة لحساب التوقعات بالإضافة إلى عدد الفترات الزمنية المطلوبة لتقييم أداء التنبؤات (فترات أفضل ملاءمة). هذا الجدول هو التاريخ المستخدم في حساب التوقعات، نظرا ن 4: توقعات فبراير يساوي 117 مرة 0.9766 114.26 مقربة إلى 114. توقعات مارس يساوي 115 مرة 0.9766 112.31 مقربة إلى 112. 3.2.3 الطريقة 3: السنة الماضية لهذا العام يستخدم هذا الأسلوب مبيعات العام الماضي للسنوات المقبلة المتوقع. للتنبؤ الطلب، وهذا الأسلوب يتطلب عدد من فترات أفضل تناسب بالإضافة إلى سنة واحدة من تاريخ النظام المبيعات. هذه الطريقة مفيدة للتنبؤ بالطلب على المنتجات الناضجة مع الطلب على مستوى أو الطلب الموسمي دون اتجاه. 3.2.3.1 مثال: الطريقة الثالثة: السنة الماضية إلى السنة الحالية تقوم صيغة السنة الماضية لهذا العام بنسخ بيانات المبيعات من السنة السابقة إلى السنة التالية. قد تكون هذه الطريقة مفيدة في إعداد الميزانية لمحاكاة المبيعات على المستوى الحالي. المنتج ناضج وليس له أي اتجاه على المدى الطويل، ولكن قد يكون هناك نمط الطلب الموسمي كبير. مواصفات التوقعات: لا شيء. تاريخ المبيعات المطلوب: سنة واحدة لحساب التوقعات بالإضافة إلى عدد الفترات الزمنية المطلوبة لتقييم أداء التنبؤات (فترات أفضل ملاءمة). هذا الجدول هو التاريخ المستخدم في حساب التوقعات: توقعات يناير تساوي يناير من العام الماضي مع قيمة توقعات 128. توقعات فبراير تساوي فبراير من العام الماضي مع قيمة التوقعات 117. توقعات مارس تساوي مارس من العام الماضي مع قيمة التنبؤ 115-4-2-4 الطريقة 4: المتوسط ​​المتحرك تستخدم هذه الطريقة صيغة المتوسط ​​المتحرك لمتوسط ​​العدد المحدد للفترات لعرض الفترة التالية. يجب عليك إعادة حسابها في كثير من الأحيان (شهريا أو على الأقل ربع سنوي) لتعكس تغيير مستوى الطلب. للتنبؤ الطلب، وهذا الأسلوب يتطلب عدد من فترات أفضل تناسب بالإضافة إلى عدد من فترات من تاريخ النظام المبيعات. هذه الطريقة مفيدة للتنبؤ الطلب على المنتجات الناضجة دون الاتجاه. 3.2.4.1 مثال: الطريقة 4: متوسط ​​متوسط ​​الحركة المتحرك (ما) هو طريقة شعبية لتحديد متوسط ​​تاريخ المبيعات الأخير لتحديد إسقاط على المدى القصير. طريقة التنبؤ ما تتخلف عن الاتجاهات. يحدث التحيز التنبؤي والأخطاء المنهجية عندما يظهر تاريخ مبيعات المنتجات اتجاها قويا أو أنماطا موسمية. هذا الأسلوب يعمل بشكل أفضل للتنبؤات قصيرة المدى من المنتجات الناضجة من المنتجات التي هي في مراحل النمو أو التقادم من دورة الحياة. مواصفات التنبؤ: n يساوي عدد الفترات من تاريخ المبيعات لاستخدامها في حساب التوقعات. على سبيل المثال، حدد n 4 في خيار المعالجة لاستخدام أحدث أربع فترات كأساس للتوقعات في الفترة الزمنية التالية. قيمة كبيرة ل n (مثل 12) يتطلب المزيد من المبيعات التاريخ. فإنه يؤدي إلى توقعات مستقرة، ولكن بطيئة في الاعتراف التحولات في مستوى المبيعات. على العكس من ذلك، فإن قيمة صغيرة ل n (مثل 3) هي أسرع للرد على التحولات في مستوى المبيعات، ولكن التوقعات قد تتقلب على نطاق واسع بحيث أن الإنتاج لا يمكن أن تستجيب لهذه الاختلافات. سجل المبيعات المطلوب: n بالإضافة إلى عدد الفترات الزمنية المطلوبة لتقييم أداء التوقعات (فترات تناسب أفضل). هذا الجدول هو التاريخ المستخدم في حساب التوقعات: توقعات فبراير تساوي (114 119 137 125) 4 123.75 مقربة إلى 124. توقعات مارس تساوي (119 137 125 124) 4 126.25 مقربة إلى 126. 3.2.5 الطريقة 5: تقريب خطي هذه الطريقة يستخدم صيغة التقريب الخطي لحساب اتجاه من عدد الفترات من تاريخ أمر المبيعات ولعرض هذا الاتجاه إلى التوقعات. يجب عليك إعادة حساب الاتجاه الشهري للكشف عن التغيرات في الاتجاهات. يتطلب هذا الأسلوب عدد الفترات من أفضل تناسب بالإضافة إلى عدد من فترات محددة من تاريخ أمر المبيعات. وهذه الطريقة مفيدة للتنبؤ بالطلب على منتجات جديدة أو منتجات ذات اتجاهات إيجابية أو سلبية متسقة لا ترجع إلى التقلبات الموسمية. 3.2.5.1 مثال: الطريقة 5: تقريب خطي يحسب التقريب الخطي اتجاه يستند إلى نقطتي بيانات تاريخ المبيعات. وتحدد هاتان النقطتان خط اتجاه مستقيمي متوقع في المستقبل. استخدم هذه الطريقة بحذر لأن التوقعات طويلة المدى تستفيد من التغييرات الصغيرة في نقطتي بيانات فقط. مواصفات التنبؤ: n يساوي نقطة البيانات في تاريخ المبيعات الذي يقارن إلى أحدث نقطة البيانات لتحديد الاتجاه. على سبيل المثال، حدد n 4 لاستخدام الفرق بين ديسمبر (أحدث البيانات) وأغسطس (أربع فترات قبل ديسمبر) كأساس لحساب الاتجاه. الحد الأدنى المطلوب لسجل المبيعات: n زائد 1 بالإضافة إلى عدد الفترات الزمنية المطلوبة لتقييم أداء التنبؤات (الفترات الأكثر ملائمة). هذا الجدول هو التاريخ المستخدم في حساب التوقعات: توقعات كانون الثاني / يناير من العام الماضي 1 (الاتجاه) التي تساوي 137 (1 مرة 2) 139. توقعات شباط / فبراير من العام الماضي 1 (الاتجاه) التي تساوي 137 (2 مرة 2) 141. توقعات آذار / مارس من العام الماضي 1 (الاتجاه) تساوي 137 (3 مرات 2) 143. 3.2.6 الطريقة 6: انحدار المربعات الصغرى تستمد طريقة انحدار المربعات الصغرى (لسر) معادلة تصف علاقة خط مستقيم بين بيانات المبيعات التاريخية و مرور الوقت. لسر يناسب خط إلى مجموعة مختارة من البيانات بحيث يتم تقليل مجموع مربعات الاختلافات بين نقاط بيانات المبيعات الفعلية وخط الانحدار. التوقعات هي توقعات هذا الخط المستقيم في المستقبل. تتطلب هذه الطريقة تاريخ بيانات المبيعات للفترة التي يمثلها عدد الفترات الأكثر ملاءمة بالإضافة إلى العدد المحدد لفترات البيانات التاريخية. الحد الأدنى المطلوب هو نقطتي بيانات تاريخيتين. هذه الطريقة مفيدة للتنبؤ بالطلب عند وجود اتجاه خطي في البيانات. 3.2.6.1 مثال: الطريقة 6: انحدار المربعات الصغرى الانحدار الخطي، أو انحدار المربعات الصغرى (لسر)، هي الطريقة الأكثر شعبية لتحديد اتجاه خطي في بيانات المبيعات التاريخية. وتحسب الطريقة القيمتين a و b المطلوب استخدامها في الصيغة: تصف هذه المعادلة خطا مستقيما، حيث تمثل Y المبيعات وتمثل X الوقت. الانحدار الخطي بطيء في التعرف على نقاط التحول والتحولات وظيفة خطوة في الطلب. الانحدار الخطي يناسب خط مستقيم على البيانات، حتى عندما تكون البيانات موسمية أو أفضل وصفها منحنى. عندما تتبع بيانات تاريخ المبيعات منحنى أو لديها نمط موسمي قوي، يحدث التحيز المتوقع والأخطاء المنهجية. مواصفات التوقعات: n تساوي فترات تاريخ المبيعات التي سيتم استخدامها في حساب قيم a و b. على سبيل المثال، حدد n 4 لاستخدام السجل من سبتمبر إلى ديسمبر كأساس للحسابات. وعندما تكون البيانات متاحة، عادة ما تستخدم أكبر n (مثل n 24). يحدد لسر خطا لعدد قليل من نقطتي بيانات. على سبيل المثال، تم اختيار قيمة صغيرة ل n (n 4) لتقليل الحسابات اليدوية المطلوبة للتحقق من النتائج. الحد الأدنى المطلوب من تاريخ المبيعات: عدد الفترات الزمنية بالإضافة إلى عدد الفترات الزمنية المطلوبة لتقييم أداء التوقعات (الفترات الأكثر ملائمة). هذا الجدول هو التاريخ المستخدم في حساب التنبؤات: توقعات مارس تساوي 119.5 (7 مرات 2.3) 135.6 مقربة إلى 136. 3.2.7 الطريقة 7: الدرجة الثانية التقريب لعرض التوقعات، يستخدم هذا الأسلوب صيغة تقريب الدرجة الثانية لرسم منحنى التي تقوم على عدد من فترات من تاريخ المبيعات. يتطلب هذا الأسلوب عدد من فترات أفضل تناسب بالإضافة إلى عدد من فترات من أجل ترتيب المبيعات مرات ثلاثة. هذه الطريقة ليست مفيدة للتنبؤ بالطلب على المدى الطويل. 3.2.7.1 مثال: الطريقة 7: الدرجة الثانية التقريب يحدد الانحدار الخطي القيم ل a و b في صيغة التنبؤ Y a b X بهدف تركيب خط مستقيم على بيانات تاريخ المبيعات. الدرجة الثانية تقريب، ولكن هذه الطريقة تحدد القيم ل a و b و c في صيغة التنبؤ هذه: Y a b x c X 2 الهدف من هذا الأسلوب هو ملاءمة منحنى لبيانات تاريخ المبيعات. هذه الطريقة مفيدة عندما يكون المنتج في مرحلة الانتقال بين مراحل دورة الحياة. على سبيل المثال، عندما يتحرك منتج جديد من مرحلة مقدمة إلى مراحل النمو، قد يتسارع اتجاه المبيعات. بسبب مصطلح الترتيب الثاني، يمكن التنبؤ بسرعة الاقتراب اللانهاية أو انخفاض إلى الصفر (اعتمادا على ما إذا كان معامل ج إيجابي أو سلبي). هذه الطريقة مفيدة فقط على المدى القصير. مواصفات التنبؤ: الصيغة تجد a، b، و c لتناسب منحنى إلى بالضبط ثلاث نقاط. يمكنك تحديد n، وعدد الفترات الزمنية للبيانات لتتراكم في كل من النقاط الثلاث. في هذا المثال، n 3. يتم دمج بيانات المبيعات الفعلية للفترة من أبريل إلى يونيو في النقطة الأولى، Q1. يوليو إلى سبتمبر تضاف معا لخلق Q2، وأكتوبر خلال ديسمبر المبلغ إلى Q3. تم تركيب المنحنى على القيم الثلاثة Q1 و Q2 و Q3. تاريخ المبيعات المطلوب: 3 مرات n فترات لحساب التوقعات بالإضافة إلى عدد الفترات الزمنية المطلوبة لتقييم أداء التنبؤ (فترات من أفضل تناسب). هذا الجدول هو التاريخ المستخدم في حساب التوقعات: Q0 (يناير) (فبراير) (مارس) Q1 (أبريل) (مايو) (يونيو) الذي يساوي 125 122 137 384 Q2 (يوليو) (أغسطس) (سبتمبر) الذي يساوي 140 129 131 400 Q3 (أكتوبر) (نوفمبر) (ديسمبر) الذي يساوي 114 119 137 370 تتضمن الخطوة التالية حساب المعاملات الثلاثة a و b و c لاستخدامها في صيغة التنبؤ Y أب x c X 2. يتم عرض Q1 و Q2 و Q3 على الرسم البياني، حيث يتم رسم الوقت على المحور الأفقي. Q1 يمثل إجمالي المبيعات التاريخية لشهر أبريل ومايو ويونيو ويتم رسمها في X 1 Q2 يتوافق مع يوليو حتى سبتمبر Q3 يتوافق من أكتوبر حتى ديسمبر و Q4 يمثل يناير حتى مارس. ويوضح هذا الرسم تخطيطات Q1 و Q2 و Q3 و Q4 للحصول على تقريب من الدرجة الثانية: الشكل 3-2 التآمر Q1 و Q2 و Q3 و Q4 للحصول على تقريب من الدرجة الثانية ثلاث معادلات تصف النقاط الثلاث على الرسم البياني: (1) Q1 بكس سك 2 حيث X 1 (Q1 أبك) (2) Q2 a بكس سك 2 حيث X 2 (Q2 a 2b 4c) (3) Q3 a بكس سك 2 حيث X 3 (Q3 a 3b 9c) حل المعادلات الثلاث في وقت واحد (1) من المعادلة 2 (2) وحل b: (2) نداش (1) Q2 نداش Q1 b 3c b (Q2 نداش Q1) ندش 3c استبدال هذه المعادلة ل (3) Q3 3 (Q2 نداش Q1) نداش 3C 9C Q3 نداش 3 (Q2 نداش Q1) وأخيرا، استبدل هذه المعادلات ب و b في المعادلة (1): (1) Q3 نداش (Q2 نداش Q1) (Q2 نداش Q1) نداش 3c ج Q1 ج (Q3 نداش Q2) (Q1 نداش Q2) 2 طريقة التقريب الدرجة الثانية تحسب a و b و c على النحو التالي: Q3 نداش 3 (Q2 نداش Q1 ) 370 ندش 3 (400 ندش 384) 370 ندش 3 (16) 322 ب (Q2 نداش Q1) ndash3c (400 ندا ش 384) نداش (3 مرات ndash23) 16 69 85 ج (Q3 نداش Q2) (Q1 نداش Q2) 2 (370 نداش 400) (384 نداش 400) 2 ndash23 هذا هو حساب من الدرجة الثانية تقدير تقريبي: Y بكس سك 2 322 85X (ndash23) (X 2) عندما يكون X 4، Q4 322 340 ندش 368 294. تبلغ التوقعات 294 3 98 لكل فترة. عندما يكون X 5، Q5 322 425 نداش 575 172. وتقدر التوقعات 172 3 58.33 مقربة إلى 57 لكل فترة. عندما X 6، Q6 322 510 نداش 828 4. توقعات يساوي 4 3 1.33 تقريب إلى 1 في الفترة. هذا هو التوقعات للعام المقبل، السنة الماضية إلى هذا العام: 3.2.8 الطريقة 8: طريقة مرنة تمكنك هذه الطريقة لتحديد أفضل عدد مناسب من فترات من تاريخ النظام المبيعات التي تبدأ قبل أشهر من تاريخ بدء التنبؤ، وإلى تطبيق عامل زيادة أو نقصان في النسبة المئوية لتعديل التوقعات. هذه الطريقة مشابهة الأسلوب 1، النسبة المئوية خلال العام الماضي، إلا أنه يمكنك تحديد عدد الفترات التي تستخدمها كقاعدة. اعتمادا على ما تحدده n، تتطلب هذه الطريقة فترات تناسب أفضل بالإضافة إلى عدد فترات بيانات المبيعات المشار إليها. وهذه الطريقة مفيدة للتنبؤ بالطلب على الاتجاه المخطط. 3.2.8.1 مثال: الطريقة 8: الطريقة المرنة الأسلوب المرن (النسبة المئوية خلال الأشهر السابقة) يشبه الأسلوب 1، النسبة المئوية خلال العام الماضي. كلتا الطريقتين تضاعف بيانات المبيعات من فترة زمنية سابقة بعامل محدد من قبلك، ومن ثم عرض هذه النتيجة في المستقبل. في طريقة النسبة المئوية خلال العام الماضي، يستند الإسقاط إلى بيانات من نفس الفترة الزمنية في العام السابق. يمكنك أيضا استخدام طريقة مرنة لتحديد فترة زمنية، بخلاف نفس الفترة من العام الماضي، لاستخدامها كأساس للحسابات. عامل الضرب. على سبيل المثال، حدد 110 في خيار المعالجة لزيادة بيانات سجل المبيعات السابقة بنسبة 10٪. فترة الأساس. علی سبیل المثال، یسبب الرقم 4 التنبؤ الأول علی أساس بیانات المبیعات في شھر سبتمبر من العام الماضي. الحد الأدنى المطلوب من تاريخ المبيعات: عدد الفترات التي تعود إلى فترة الأساس بالإضافة إلى عدد الفترات الزمنية المطلوبة لتقييم أداء التوقعات (فترات أفضل ملاءمة). هذا الجدول هو التاريخ المستخدم في حساب التوقعات: 3.2.9 الطريقة 9: المتوسط ​​المتحرك المتوسط ​​يشبه متوسط ​​المتوسط ​​المتحرك المتوسط ​​الصيغة 4، صيغة المتوسط ​​المتحرك، لأنه متوسط ​​سجل مبيعات الأشهر السابقة لعرض تاريخ مبيعات الأشهر التالية. ومع ذلك، مع هذه الصيغة يمكنك تعيين الأوزان لكل من الفترات السابقة. تتطلب هذه الطريقة عدد الفترات المرجحة المختارة بالإضافة إلى عدد الفترات التي تناسب البيانات. على غرار المتوسط ​​المتحرك، هذه الطريقة متخلفة عن اتجاهات الطلب، لذلك لا يوصى باستخدام هذه الطريقة للمنتجات ذات الاتجاهات القوية أو الموسمية. هذا الأسلوب هو مفيد للتنبؤ الطلب على المنتجات الناضجة مع الطلب الذي هو مستوى نسبيا. 3.2.9.1 مثال: الطريقة 9: المتوسط ​​المتحرك المتوسط ​​يشبه أسلوب المتوسط ​​المتحرك المتوسط ​​(ويم) الطريقة 4، المتوسط ​​المتحرك (ما). ومع ذلك، يمكنك تعيين أوزان غير متكافئة للبيانات التاريخية عند استخدام وما. وتحسب الطريقة المتوسط ​​المرجح لتاريخ المبيعات الأخير للوصول إلى إسقاط على المدى القصير. عادة ما يتم تعيين بيانات أكثر حداثة وزنا أكبر من البيانات القديمة، لذلك وما هو أكثر استجابة للتحولات في مستوى المبيعات. ومع ذلك، يحدث التحيز التنبؤي والأخطاء المنهجية عندما يظهر تاريخ مبيعات المنتجات اتجاهات قوية أو أنماط موسمية. هذا الأسلوب يعمل بشكل أفضل للتنبؤات قصيرة المدى من المنتجات الناضجة من المنتجات في مراحل النمو أو التقادم من دورة الحياة. عدد الفترات من تاريخ المبيعات (ن) لاستخدامها في حساب التوقعات. على سبيل المثال، حدد n 4 في خيار المعالجة لاستخدام أحدث أربع فترات كأساس للتوقعات في الفترة الزمنية التالية. قيمة كبيرة ل n (مثل 12) يتطلب المزيد من المبيعات التاريخ. هذه القيمة تؤدي إلى توقعات مستقرة، ولكن بطيئة الاعتراف التحولات في مستوى المبيعات. وعلى العكس من ذلك، فإن قيمة صغيرة ل n (مثل 3) تستجيب بسرعة أكبر للتحولات في مستوى المبيعات، ولكن التوقعات قد تتقلب على نطاق واسع بحيث لا يمكن للإنتاج أن يستجيب للتغيرات. يجب ألا يتجاوز العدد الإجمالي للفترات لخيار المعالجة rdquo14 - الفترات المرسلة إلى إينلوديدردو 12 شهرا. الوزن الذي تم تعيينه لكل من فترات البيانات التاريخية. يجب أن تكون الأوزان المخصصة 1.00. على سبيل المثال، عندما ن 4، تعيين أوزان 0.50، 0.25، 0.15، 0.10 مع أحدث البيانات التي تتلقى أكبر قدر من الوزن. الحد الأدنى المطلوب لسجل المبيعات: n بالإضافة إلى عدد الفترات الزمنية المطلوبة لتقييم أداء التوقعات (فترات أفضل ملاءمة). هذا الجدول هو التاريخ المستخدم في حساب التنبؤات: توقعات يناير تساوي (131 مرة 0.10) (114 مرة 0.15) (119 مرة 0.25) (137 مرة 0.50) (0.10 0.15 0.25 0.50) 128.45 مقربة إلى 128. توقعات فبراير تساوي (114 مرة 0.12) (119 مرة 0.15) (137 مرة 0.25) (128 مرة 0.50) 1 127.5 مقربة إلى 128. توقعات مارس تساوي (119 مرة 0.10) (137 مرة 0.15) (128 مرة 0.25) (128 مرة 0.50) 1 128.45 128. 10-2-10 الطريقة 10: التجانس الخطي تحسب هذه الطريقة المتوسط ​​المرجح لبيانات المبيعات السابقة. في الحساب، يستخدم هذا الأسلوب عدد فترات تاريخ طلب المبيعات (من 1 إلى 12) المشار إليه في خيار المعالجة. يستخدم النظام تطور رياضي ل وزن البيانات في نطاق من الأول (أقل الوزن) إلى النهائي (معظم الوزن). ثم يقوم النظام بتطوير هذه المعلومات لكل فترة في التوقعات. تتطلب هذه الطريقة أشهر مناسبة بالإضافة إلى سجل أوامر المبيعات لعدد الفترات المحددة في خيار المعالجة. 3.2.10.1 مثال: الطريقة 10: تمهيد خطي تشبه هذه الطريقة الطريقة 9، وما. ومع ذلك، بدلا من تعيين تعسفي للأوزان للبيانات التاريخية، يتم استخدام صيغة لتعيين الأوزان التي تنخفض خطيا ويجمع إلى 1.00. ثم تحسب الطريقة المتوسط ​​المرجح لتاريخ المبيعات الأخير للتوصل إلى إسقاط على المدى القصير. مثل جميع تقنيات التنبؤ المتوسط ​​المتحرك الخطي، والتحيز التنبؤي والأخطاء المنهجية تحدث عندما يظهر تاريخ مبيعات المنتجات اتجاه قوي أو أنماط موسمية. هذا الأسلوب يعمل بشكل أفضل للتنبؤات قصيرة المدى من المنتجات الناضجة من المنتجات في مراحل النمو أو التقادم من دورة الحياة. n يساوي عدد فترات تاريخ المبيعات لاستخدامها في حساب التوقعات. على سبيل المثال، حدد n يساوي 4 في خيار المعالجة لاستخدام أحدث أربع فترات كأساس للتوقعات في الفترة الزمنية التالية. يقوم النظام تلقائيا بتعيين أوزان البيانات التاريخية التي تنخفض خطيا وتجمع إلى 1.00. على سبيل المثال، عندما يساوي n 4، يعين النظام أوزان 0،4 و 0،3 و 0،2 و 0،1، مع تلقي أحدث البيانات أكبر وزن. الحد الأدنى المطلوب لسجل المبيعات: n بالإضافة إلى عدد الفترات الزمنية المطلوبة لتقييم أداء التوقعات (فترات أفضل ملاءمة). هذا الجدول هو التاريخ المستخدم في حساب التوقعات: 3.2.11 الطريقة 11: التماسك الأسي تحسب هذه الطريقة متوسطا سلسا، والذي يصبح تقديرا يمثل المستوى العام للمبيعات خلال فترات البيانات التاريخية المختارة. تتطلب هذه الطريقة تاريخ بيانات المبيعات للفترة الزمنية التي يمثلها عدد الفترات التي تناسبها بشكل أفضل بالإضافة إلى عدد فترات البيانات التاريخية المحددة. والشرط الأدنى هو فترتان للبيانات التاريخية. هذه الطريقة مفيدة للتنبؤ بالطلب عند عدم وجود اتجاه خطي في البيانات. 3.2.11.1 مثال: الطريقة 11: تمهيد الأسي يشبه هذا الأسلوب الطريقة 10، التمهيد الخطي. في التنعيم الخطي، يعين النظام الأوزان التي تنخفض خطيا إلى البيانات التاريخية. في التماسك الأسي، يعين النظام الأوزان التي تسوس بشكل كبير. معادلة التنبؤ الأسي المستمر: التنبؤ ألفا (المبيعات الفعلية السابقة) (1 ندشالفا) (التوقعات السابقة) التوقعات هي المتوسط ​​المرجح للمبيعات الفعلية من الفترة السابقة والتوقعات من الفترة السابقة. ألفا هو الوزن الذي يتم تطبيقه على المبيعات الفعلية للفترة السابقة. (1 ندش ألفا) هو الوزن الذي يتم تطبيقه على التوقعات للفترة السابقة. تتراوح قيم ألفا من 0 إلى 1 وتتراوح عادة بين 0.1 و 0.4. مجموع الأوزان هو 1.00 (ألفا (1 نداش ألفا) 1). يجب تعيين قيمة ثابت ثابت، ألفا. إذا لم تقم بتعيين قيمة ثابت التمهيد، يقوم النظام بحساب قيمة مفترضة تستند إلى عدد فترات سجل المبيعات المحددة في خيار المعالجة. ألفا يساوي ثابت التجانس الذي يستخدم لحساب المتوسط ​​المنعم للمستوى العام أو حجم المبيعات. قيم نطاق ألفا من 0 إلى 1. n تساوي نطاق بيانات سجل المبيعات لتضمينها في الحسابات. عموما، سنة واحدة من بيانات تاريخ المبيعات كافية لتقدير المستوى العام للمبيعات. على سبيل المثال، تم اختيار قيمة صغيرة ل n (n 4) لتقليل الحسابات اليدوية المطلوبة للتحقق من النتائج. ويمكن أن يؤدي التمهيد الأسي إلى توليد توقعات تستند إلى نقطة بيانات تاريخية واحدة فقط. الحد الأدنى المطلوب لسجل المبيعات: n بالإضافة إلى عدد الفترات الزمنية المطلوبة لتقييم أداء التوقعات (فترات أفضل ملاءمة). هذا الجدول هو التاريخ المستخدم في حساب التوقعات: 3.2.12 الطريقة 12: التماسك الأسي مع الاتجاه والموسمية تحسب هذه الطريقة اتجاه، ومؤشر موسمية، ومتوسط ​​ممتع أضعافا مضاعفة من تاريخ أمر المبيعات. ويطبق النظام بعد ذلك إسقاطا للاتجاه نحو التنبؤات ويعدل للمؤشر الموسمي. وتتطلب هذه الطريقة عدد الفترات التي تناسب على نحو أفضل بالإضافة إلى بيانات مبيعات لمدة سنتين، وهي مفيدة للبنود التي لها اتجاه وموسمية في التنبؤات. يمكنك إدخال عامل ألفا وبيتا، أو لديك نظام حساب لهم. عاملا ألفا وبيتا هما ثابت التجانس الذي يستخدمه النظام لحساب المتوسط ​​المنعم للمستوى العام أو حجم المبيعات (ألفا) وعنصر الاتجاه للتنبؤ (بيتا). 3.2.12.1 مثال: الطريقة 12: تمهيد الأسي مع الاتجاه والموسمية هذا الأسلوب مشابه لطريقة 11، الأسي تمهيد، في أن يتم حساب متوسط ​​سلسة. ومع ذلك، تتضمن الطريقة 12 أيضا مصطلحا في معادلة التنبؤ لحساب اتجاه سلس. وتتكون التوقعات من متوسط ​​سلس يتم تعديله لاتجاه خطي. عندما يتم تحديده في خيار المعالجة، يتم تعديل التوقعات أيضا للموسمية. يساوي ألفا ثابت التجانس الذي يستخدم في حساب المتوسط ​​الملمس للمستوى العام أو حجم المبيعات. قيم نطاق ألفا من 0 إلى 1. يساوي بيتا ثابت التجانس المستخدم في حساب المتوسط ​​الميسر لعنصر الاتجاه للتنبؤ. قيم نطاق بيتا من 0 إلى 1. ما إذا كان يتم تطبيق مؤشر موسمية على التوقعات. ألفا وبيتا مستقلة عن بعضها البعض. ليس لديهم ما يصل إلى 1.0. الحد الأدنى المطلوب من تاريخ المبيعات: سنة واحدة بالإضافة إلى عدد الفترات الزمنية المطلوبة لتقييم أداء التوقعات (فترات أفضل ملاءمة). وعندما يتوفر عامان أو أكثر من البيانات التاريخية، يستخدم النظام سنتين من البيانات في الحسابات. تستخدم الطريقة 12 معادلتين أسيتين سموثينغ ومتوسط ​​بسيط واحد لحساب المتوسط ​​السلس، واتجاه سلس، ومؤشر موسمية متوسط ​​بسيط. متوسط ​​متوسط ​​موحد بسيط: مؤشر متوسط ​​بسيط للموسم: الشكل 3-3 مؤشر متوسط ​​موحد بسيط يتم حساب التوقعات باستخدام نتائج المعادلات الثلاث: L هو طول الموسمية (L يساوي 12 شهرا أو 52 أسبوعا). t هي الفترة الزمنية الحالية. م هو عدد الفترات الزمنية في مستقبل التوقعات. S هو عامل التعديل الموسمية المضاعف الذي يتم فهرسته إلى الفترة الزمنية المناسبة. يسرد هذا الجدول التاريخ المستخدم في حساب التوقعات: يقدم هذا القسم لمحة عامة عن تقييمات التوقعات ويناقش: يمكنك اختيار أساليب التنبؤ لتوليد ما يصل إلى 12 توقعات لكل منتج. وقد تخلق كل طريقة للتنبؤ إسقاطا مختلفا قليلا. عندما يتم التنبؤ بآلاف المنتجات، يكون القرار الشخصي غير عملي فيما يتعلق بالتنبؤ باستخدامه في الخطط لكل منتج. يقوم النظام تلقائيا بتقييم الأداء لكل طريقة تنبؤ تحددها ولكل منتج تتوقعه. يمكنك الاختيار بين معيارين للأداء: ماد و بوا. ماد هو مقياس لخطأ التنبؤ. بوا هو مقياس للتحيز المتوقع. يتطلب كل من تقنيات تقييم الأداء هذه بيانات تاريخ المبيعات الفعلية لفترة تحددها أنت. وتسمى فترة التاريخ الحديث المستخدمة للتقييم فترة الانتظار أو فترة من أفضل ملاءمة. لقياس أداء طريقة التنبؤ، النظام: يستخدم الصيغ المتوقعة لمحاكاة توقعات لفترة الاستحقاق التاريخية. إجراء مقارنة بين بيانات المبيعات الفعلية والتوقعات المحاكية لفترة الاستبعاد. عند تحديد أساليب متعددة للتنبؤ، تحدث هذه العملية نفسها لكل طريقة. يتم احتساب توقعات متعددة لفترة الاستحواذ ومقارنة مع تاريخ المبيعات المعروفة عن نفس الفترة. ويوصى باستخدام طريقة التنبؤ التي تنتج أفضل مطابقة (أفضل ملاءمة) بين التوقعات والمبيعات الفعلية خلال فترة الاستبعاد لاستخدامها في الخطط. هذه التوصية خاصة بكل منتج وقد تتغير في كل مرة تنشئ فيها توقعات. 3.3.1 متوسط ​​الانحراف المطلق يعني الانحراف المطلق (ماد) متوسط ​​(أو متوسط) القيم المطلقة (أو حجمها) للانحرافات (أو الأخطاء) بين البيانات الفعلية والمتوقعة. ماد هو مقياس لمتوسط ​​حجم الأخطاء المتوقع، نظرا لطريقة التنبؤ وتاريخ البيانات. ولأن القيم المطلقة تستخدم في الحساب، فإن الأخطاء الإيجابية لا تلغي الأخطاء السلبية. عند مقارنة عدة طرق التنبؤ، واحد مع أصغر درهم هو الأكثر موثوقية لهذا المنتج لفترة الاستيلاء عليها. وعندما تكون التوقعات غير متحيزة وتوزع الأخطاء عادة، توجد علاقة رياضية بسيطة بين تدبيرين عاديين آخرين من التوزيع المداري، وهما الانحرافان المعياريان وخطأ متوسط ​​التربيع. على سبيل المثال: درهم (سيغما (أكتوال) نداش (توقعات)) n الانحراف المعياري، (سيغما) كونج 1.25 درهم متوسط ​​تربيع خطأ ndashsigma2 يشير هذا المثال إلى حساب ماد لطريقتين للتنبؤ. يفترض هذا المثال أنك حددت في خيار المعالجة أن طول فترة الإيقاف (فترات أفضل ملاءمة) يساوي خمس فترات. 3.3.1.1 الطريقة األولى: السنة األخيرة إلى السنة الحالية هذا الجدول هو التاريخ المستخدم في حساب الدرهم، نظرا لفترات أفضل صالح 5: متوسط ​​االنحراف المطلق يساوي) 2 1 20 10 14 (5 9.4. واستنادا إلى هذين الخيارين، يوصى باستخدام المتوسط ​​المتحرك، n 4 لأنه يحتوي على أصغر درهم، 9.4، لفترة الاستراحة المعطاة. 3.3.2 النسبة المئوية لنسبة دقة الدقة (بوا) هي مقياس للتحيز المتوقع. وعندما تكون التوقعات مرتفعة جدا، تتراكم المخزونات وتزداد تكاليف الحصر. 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. وفي الخدمات، يكون حجم أخطاء التنبؤ عادة أكثر أهمية مما هو متوقع. 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. Weighted Moving Average Forecasting Methods: Pros and Cons Hi, LOVE your Post. كان يتساءل عما إذا كان يمكن أن تطرح فوثر. نحن نستخدم ساب. في ذلك هناك مجموعة مختارة يمكنك اختيار قبل تشغيل توقعاتك دعا التهيئة. إذا قمت بتحديد هذا الخيار يمكنك الحصول على نتيجة التنبؤ، إذا قمت بتشغيل توقعات مرة أخرى، في نفس الفترة، ولا تحقق التهيئة التغييرات النتيجة. لا أستطيع معرفة ما تقوم به التهيئة. أعني، ماثماتيكالي. أي نتيجة توقع هي الأفضل لحفظها واستخدامها على سبيل المثال. والتغييرات بين الاثنين ليست في الكمية المتوقعة ولكن في ماد وخطأ، والسلامة مخزون وكميات البوليفيين. لست متأكدا مما إذا كنت تستخدم ساب. مرحبا شكرا لشرح ذلك إفيسيانتلي أيضا غ. thanks again Jaspreet Leave a Reply Cancel reply Most Popular Posts About Shmula Pete Abilla is the founder of Shmula and the character, Kanban Cody. وقد ساعد الشركات مثل الأمازون، زابوس، باي، باككونتري، وغيرها من خفض التكاليف وتحسين تجربة العملاء. وهو يفعل ذلك من خلال طريقة منهجية لتحديد نقاط الألم التي تؤثر على العملاء والأعمال، ويشجع مشاركة واسعة من الشركات الزميلة لتحسين العمليات الخاصة بهم. هذا الموقع هو مجموعة من تجاربه انه يريد أن أشاطركم. يمكنك البدء في التنزيلات المجانية