Esimerkki Of Painotettu Liikkuvan Keskiarvon Ennustaminen

Ennustaminen edellyttää lukujen, numeroiden tai skenaarion syntymistä, joka vastaa tulevaa tapahtumaa. On ehdottoman välttämätöntä lyhyen kantaman ja pitkän aikavälin suunnittelulle. Määritelmän mukaan ennuste perustuu aikaisempaan tietoon, ennusteen sijaan, Joka on subjektiivisempi ja perustuu vaistoon, suolen tuntemiseen tai arvaamaan Esimerkiksi iltauutiset antavat sääennusteen ei sääennusteen Ehdottomasti termejä ennustetaan ja ennustetaan usein vaihtelevasti Esimerkiksi regressiomäärittelyjen avulla tekniikka joskus Ennusteessa käytetään yleensä sitä, että sen tarkoitus on selittää tai ennustaa. Lähetys perustuu useisiin oletuksiin. Aiempi toistuu itsensä Toisin sanoen, mitä aiemmin tapahtui, tapahtuu tulevaisuudessa uudelleen. Koska ennustehorisontti lyhenee Ennustettu tarkkuus kasvaa Esimerkiksi huomisen ennuste on tarkempi kuin ensi kuun ennuste, ensi kuun ennuste on tarkempi kuin ennusteen f Tai ensi vuonna ja ensi vuoden ennuste on tarkempi kuin ennuste kymmeneksi vuodeksi tulevaisuudessa. Forecasting on kokonaisuudessaan tarkempi kuin yksittäisten kohteiden ennustaminen Tämä tarkoittaa sitä, että yritys pystyy ennakoimaan kokonaiskysyntää koko spektrinsa Tuotteista tarkemmin kuin se pystyy ennustamaan yksittäisiä varastokokonaisuuksia SKU: t Esimerkiksi General Motors voi tarkemmin ennakoida ensi vuodelle tarvittavien autojen kokonaismäärän kuin valkoisen Chevrolet Impalasin kokonaismäärä, jossa on tietty lisävaruste. Ovat harvoin tarkkoja Lisäksi ennusteet eivät ole koskaan täysin tarkkoja Vaikka jotkut ovat hyvin lähellä, harvat ovat oikeassa rahassa Siksi on viisasta tarjota ennustettu alue Jos joku ennustaa kysynnän 100 000 yksikköä seuraavan kuukauden, se on Äärimmäisen epätodennäköistä, että kysyntä olisi 100 000: n tarkkuus kuitenkin. 90 000-110 000 ennuste antaisi kuitenkin huomattavasti suuremman suunnitellun tavoitteen. William J Stevenson Jotka ovat yhteisiä hyvään ennusteeseen. Varmista, että tietty tarkkuus on määritettävä ja ilmoitettava siten, että vertailu voidaan tehdä vaihtoehtoisiin ennusteisiin. Arvioidun menetelmän on oltava johdonmukaisesti hyvä ennuste, jos käyttäjällä on jonkinasteinen Luottamus. Jotain aikaa tarvitaan ennusteeseen reagoimiseksi, joten ennustehorisonttiin on annettava aikaa muutosten tekemiseen. Helppokäyttöinen ja ymmärrettävä ennusteiden käyttäjien on oltava luottavainen ja mukava työskennellä sen kanssa. Edullinen Ennusteiden tekemisestä aiheutuvat kustannukset eivät saa olla suuremmat kuin ennusteesta saadut hyödyt. Lähetystekniikat vaihtelevat yksinkertaisesta erittäin monimutkaiseen. Nämä tekniikat luokitellaan tavallisesti kvalitatiivisiksi tai kvantitatiivisiksi. KVALITATIVE TECHNIQUES. Qualitative forecasting techniques ovat yleensä subjektiivisempia kuin niiden määrälliset Vastapuolet Kvalitatiiviset tekniikat ovat hyödyllisempää aikaisemmissa vaiheissa PR Elinkaari, kun kvantitatiivisissa menetelmissä on vähemmän tietoja. Kvantitatiivisiin menetelmiin kuuluvat Delphi-tekniikka, Nominal Group Technique NGT, myyntihenkilöstön mielipiteet, johtopäätökset ja markkinatutkimus. DELPHI-TECHNIQUE. Delphi-tekniikalla käytetään asiantuntijaryhmää Tuottaa ennusteesta Jokainen asiantuntija pyydetään antamaan tarpeeseen tarkka ennuste Kun alkuperäiset ennusteet on tehty, jokainen asiantuntija lukee mitä jokainen muu asiantuntija kirjoitti ja heidän näkemyksensä luonnollisesti vaikuttavat. Jokaisen Asiantuntija sitten lukee uudestaan, mitä jokainen muu asiantuntija kirjoitti ja vaikuttaa jälleen muiden käsityksiin Tämä prosessi toistuu, kunnes jokainen asiantuntija suostuu tarvittavaan skenaarioon tai numeroihin. NOMINAL GROUP TECHNIQUE. Nominal Group Technique on samanlainen kuin Delphi-tekniikka Sillä se hyödyntää osallistujaryhmää, yleensä asiantuntijoita. Kun osallistujat vastaavat ennusteisiin liittyviin kysymyksiin, he asettavat vastuunsa Sitten luokitukset kerätään ja yhdistetään Lopulta ryhmän tulee päästä yhteisymmärrykseen sijoittuneiden asioiden painopisteistä. SÄÄNTÖJEN VASTAANOTTOJA. Myyntitoimisto on usein hyvä tietolähde tulevasta kysynnästä. Myyntipäällikkö Voi pyytää kullekin myyntihenkilölle panosta ja yhdistää vastauksensa myyntiyhdistelmäkomponenttiennusteeseen. Käytettäessä tätä tekniikkaa on noudatettava varovaisuutta, koska myyntihenkilöstön jäsenet eivät välttämättä kykene erottamaan toisistaan ​​mitä asiakkaat sanovat ja mitä he todella tekevät. , Jos ennusteita käytetään myyntikiintiöiden määrittämiseen, myyntihenkilöstö voi olla houkutteleva toimittamaan alhaisempia arvioita. EDELLISET LAUSUNNOT. Jotkut ylimmän tason johtajat kohtaavat ja kehittävät ennusteita tietämyksensä perusteella vastuualueistaan. Tätä kutsutaan joskus Johtajan lausunnon tuomaristo. MARKET RESEARCH. In markkinatutkimuksessa kuluttajatutkimuksia käytetään potentiaalisen kysynnän luomiseen Arkistotutkimukseen kuuluu yleensä kyselylomake, joka hakee henkilökohtaisia, väestötieteellisiä, taloudellisia ja markkinointitietoja. Markkina-tutkijat keräävät tällaisia ​​tietoja henkilökohtaisesti vähittäismyymälöissä ja ostoskeskuksissa, joissa kuluttaja voi kokea makua, tuntua, hajuaan ja nähdä tietyn tuotteen Tutkijan on oltava varovainen, että tutkittujen ihmisten näyte edustaa haluttua kuluttajan tavoitetta. VAHVISTOTEKNIIKAT. Kvantitatiiviset ennustustekniikat ovat yleensä objektiivisempia kuin niiden laadulliset vastapuolet. Määrälliset ennusteet voivat olla aikasarjan ennusteita eli ennustaminen menneisyydestä tulevaisuuteen tai Yhdentymismalleihin perustuvat ennusteet eli yhden tai useamman selittävän muuttujan perusteella Aikasarjatietoihin voi liittyä taustalla olevia käyttäytymismalleja, jotka ennustajan on tunnistettava Lisäksi ennuste saattaa joutua tunnistamaan syyt käyttäytymiseen Jotkut näistä käyttäytymisistä voivat olla malleja Tai yksinkertaisesti satunnaisia ​​muunnelmia Kuviot ovat. Tr Jotka ovat pitkän aikavälin liikkeitä ylöspäin tai alaspäin dataa. Seality, joka tuottaa lyhytaikaisia ​​muunnelmia, jotka liittyvät tavallisesti vuoden, kuukauden tai jopa jonkin tietyn päivän aikaan, kuten vähittäismyynti jouluna tai Piikkejä pankkitoiminnassa kuukauden ensimmäisellä ja perjantaisin. Työkierrokset, jotka ovat aaltomaisia ​​muunnelmia, jotka kestävät yli vuoden, jotka ovat tavallisesti sidoksissa taloudellisiin tai poliittisiin olosuhteisiin. Säännölliset vaihtelut, jotka eivät kuvasta tyypillistä käyttäytymistä, kuten äärirajan Sää tai ammattiyhdistys. Satunnaiset vaihtelut, jotka käsittävät kaikki epätyypilliset käyttäytymiset, joita muut luokitukset eivät huomioi. Aikasarjamalleissa yksinkertaisin on ennuste A na ennuste yksinkertaisesti käyttää menneisyyden tosiasiallista kysyntää Ajanjakso ennustettu kysyntä seuraavalle kaudelle Tämä tietenkin tekee olettamuksesta, että menneisyys toistetaan. Se myös olettaa, että kaikki suuntaukset, kausiluonteisuus tai syklit joko heijastuvat edellisen kauden kysyntään tai Ei ole olemassa Esimerkki na ve - ennusteesta on esitetty taulukossa 1. Taulukko 1 Na ve ennuste. Toinen yksinkertainen tekniikka on keskiarvojen käyttäminen Jos haluat tehdä ennustuksen käyttämällä keskiarvoa, yksinkertaisesti otetaan huomioon jonkin verran aikaisempien tietojen jaksoja Summaamalla kunkin jakson ja jakamalla tulos ajanjaksolla Tämä tekniikka on todettu erittäin tehokkaaksi lyhyen kantaman ennustukselle. Keskimääräiset vaihteluvälit sisältävät liikkuvan keskiarvon, painotetun keskiarvon ja painotetun liukuvan keskiarvon. Liikkuva keskiarvo sisältää ennalta määrätyn Kausien lukumäärä, summa niiden todellinen kysyntä ja jakautuminen ennustejaksojen määrällä Jokaisen myöhemmän ajanjakson osalta vanhin tietojakauma laskeutuu ja viimeinen ajanjakso lisätään. Olettaen kolmen kuukauden liukuvan keskiarvon ja käyttämällä tietoja Taulukossa 1 lisätään vain 45. tammikuuta, 60. helmikuuta ja 72. maaliskuuta ja jaetaan kolmella tavalla huhtikuun 45 60 72 177 3 59 ennusteeseen. Toukokuun ennusteeseen päästään tammikuussa N kysyntä yhtälöstä ja lisää kysyntää huhtikuusta. Taulukko 2 on esimerkki kolmen kuukauden liukuva keskiennusteesta. Taulukko 2 Kolmen kuukauden siirtymä keskimääräinen ennuste. Aktuaalinen kysyntä 000 sA painotettu keskiarvo koskee ennalta määritettyä painoa kutakin aikaisempien tietojen kuukausia, Summaa aiemmin kerätyt tiedot kustakin ajanjaksosta ja jakaa painojen kokonaismäärän mukaan Jos ennustaja säätää painoja siten, että niiden summa on yhtä suuri kuin 1, painot kerrotaan kunkin sovellettavan ajan todellisen kysynnän perusteella. Tulokset summataan sitten yhteen Saavuttaa painotettu ennuste Yleisesti ottaen sitä, mitä uudempia tietoja suurempi paino on, ja mitä vanhemmat tiedot pienemmät painon mukaan. Kysynnän esimerkin avulla painotettu keskiarvo käyttäen painoja 4 3 2 ja 1 tuottaisi kesäkuun ennusteeksi 60 1 72 2 58 3 40 4 53 8.Forecasters voivat myös käyttää painotetun keskiarvon ja liukuvien keskimääräisten ennusteiden yhdistelmää Painotettu liikkuva keskiennuste antaa painot ennalta määrätyn määrän todellisten tietojen jaksoja ja comp Kuten kaikki edellä kuvatut ennusteet Kuten kaikkien ennusteiden mukaan, kun jokainen uusi jakso lisätään, vanhin kausi hylätään. Taulukossa 3 esitetään kolmen kuukauden painotettu liukuva keskiennuste käyttäen painoja 5 3 ja 2. Taulukko 3 Kolmen kuukauden painotettu keskimääräinen siirtoennuste. Aktuaalinen kysyntä 000 sA monimutkaisempi painotetun liikkuvan keskiarvon muoto on eksponentiaalinen tasoitus, nimeltään sen vuoksi, että paino putoaa eksponentiaalisesti datan aikakautena. Exponential tasoitus vie edellisen jakson ennusteesta ja säätää sitä ennalta määrätyllä Tasoittava vakio, jota kutsutaan alfa-alfa-arvoksi, on pienempi kuin yksi kerrottuna edellisen ennusteen erolla ja aiemmin ennustetun ajanjakson aikana tosiasiallisesti tapahtuneen kysynnän, jota kutsutaan ennusteeksi virheeksi, eksponentiaalinen tasoitus ilmaistaan ​​kaavamaisesti sellaisenaan Uusi ennuste ennustava ennuste alfa todellinen kysyntä edellinen Ennuste FFA F. Eksponentiaalinen tasoittaminen edellyttää, että ennustaja aloittaa ennusteet aikaisemmalla kaudella a Nd työskentely eteenpäin ajanjaksoon, jolle tarvitaan nykyinen ennuste Tarvitaan myös huomattava määrä aikaisempia tietoja sekä aloitus - tai alustava ennuste. Ensimmäinen ennuste voi olla todellinen ennuste edellisestä kaudesta, todellinen kysyntä aikaisemmasta kaudesta tai Se voidaan arvioida laskemalla keskiarvo koko menneisyydestä tai osasta aiemmista tiedoista. Joitakin heuristiikkaa olemassa olevan ennusteen laskemiseksi Esimerkiksi heuristinen N 2 1 ja alfa 5 tuottaisivat N: n 3, mikä osoittaa, että käyttäjä keskimäärin kolmen ensimmäisen jakson Alkuperäisen ennusteen saaminen Ei kuitenkaan ole kriittinen, jos suuria määriä tietoja käytetään, koska eksponentiaalinen tasoitus on itsekorjaus Koska aikaisempien tietojen aika on riittänyt, eksponentiaalinen tasoitus tekee lopulta tarpeeksi korjauksia kompensoimaan Kohtuullisen epätäsmällisen alustavan ennusteen Muissa esimerkeissä käytetyistä tiedoista käytetään alustavaa ennustetta 50 ja alfa 7, helmikuun ennuste lasketaan sellaiseksi Uusi ennuste Cast February 50 7 45 50 41 5. Seuraavaksi ennuste maaliskuulle Uusi ennuste maaliskuu 41 5 7 60 41 5 54 45 Tämä prosessi jatkuu, kunnes ennustaja saavuttaa halutun ajan Taulukossa 4 tämä olisi kesäkuulle, koska Todellinen kysyntä kesäkuulle ei tiedetä. Aktuaalinen kysyntä 000 s. Eksponentiaalisen tasoituksen laajentamista voidaan käyttää, kun aikasarjatieto osoittaa lineaarista suuntausta. Tätä menetelmää tunnetaan useilla nimillä kaksoissimäyttävä trendikorostettu eksponentti tasoitusennuste mukaan lukien trendi FIT ja Holt S Malli Ilman säätöä yksinkertaisten eksponenttien tasoitustulokset viivästyvät trendin, eli ennuste on aina alhainen, jos suuntaus on kasvussa tai korkea, jos suuntaus laskee. Tällä mallilla on kaksi tasoitusvaketta ja edustavat trendiä Komponentti. Holtin mallin laajentaminen, nimeltään Holt-Winter s menetelmä, huomioi sekä suuntauksen että kausivaihtelun. Siinä on kaksi versiota, kertolaskuja ja lisäaineita, ja kertaluonteinen on laajimmin käytetty D Lisäainemallissa kausivaihtelu ilmaistaan ​​määrästä, joka lisätään tai vähennetään sarjamedialta. Moninkertaistumismalli ilmaisee kausivaihtelun prosentteina, joka tunnetaan kausittaisina sukulaisina tai kausittaisina indeksinä keskiarvosta tai trendistä. Nämä ovat sitten kerrottujen aikajaksojen arvot Sisällyttämään kausivaihteluun 0 8: n sukulaisuus viittaisi kysyntään, joka on 80 prosenttia keskiarvosta, kun taas 1 10 osoittaa kysyntää, joka on 10 prosenttia keskimääräistä suurempi. Yksityiskohtaiset tiedot tästä menetelmästä löytyvät useimmista johtamismenetelmien oppaista tai yhdestä numerosta Ennusteiden kirjaa. Liitännäiset tai kausaaliset tekniikat koskevat muuttujien tunnistamista, joita voidaan käyttää ennustamaan toisen kiinnostuksen kohteena olevan muuttujan. Esimerkiksi korkotasoa voidaan käyttää ennakoimaan kotirahoitusoperaatiota. Tyypillisesti tämä tarkoittaa lineaarisen regressiolin käyttöä, jossa Tavoitteena on kehittää yhtälö, joka tiivistää ennustajien itsenäisten muuttujien vaikutukset niihin Ennustettu riippuva muuttuja Jos ennustajan muuttuja piirrettiin, kohde olisi saada suoran viivan yhtälö, joka minimoi neliön poikkeamat summan viivasta, jolloin poikkeama on etäisyys jokaisesta pisteestä riviin. Tämä yhtälö näyttäisi olevan Ya bx, jossa y on ennustettu riippuva muuttuja, x on ennustajan riippumaton muuttuja, b on linjan kaltevuus ja a on yhtä suuri kuin linjan korkeus y-interceptissa Kun yhtälö määritetään, käyttäjä voi Lisää ennustajan riippumattoman muuttujan nykyiset arvot, jotta saadaan ennustettu riippuva muuttuja. Jos on olemassa useampi kuin yksi ennustaja-muuttuja tai jos ennustajan ja ennusteiden välinen suhde ei ole lineaarinen, yksinkertainen lineaarinen regressio ei riitä Tilanteissa, joissa on useita ennustajia, Tulisi käyttää, kun taas epälineaariset suhteet edellyttävät käyrän regressiota. EKONOMETRINEN ENNAKOINTI. Ekonometriset menetelmät, kuten autoregressiivinen Integroitu liikkuvan keskiarvon malli ARIMA, käytä monimutkaisia ​​matemaattisia yhtälöitä osoittamaan aiempia suhteita kysynnän ja muuttujien välillä, jotka vaikuttavat kysyntään Yhtälö on johdettu ja testattu ja hienosäädetty sen varmistamiseksi, että se on mahdollisimman luotettava edellisen suhteen esitys kerran Tämä tehdään, ennusteeseen tehdään ennusteita, jotka vaikuttavat muuttuvien tulojen, hintojen jne. Ennusteisiin. Ennusteen arvottaminen. Ennakoinnin tarkkuus voidaan määrittää laskemalla esijännitys, keskimääräinen absoluuttinen poikkeama MAD, keskimääräinen neliövirhe MSE tai keskiarvo Absoluuttinen prosentuaalinen virhe MAPE ennusteelle, joka käyttää erilaisia ​​arvoja alfa Bias on ennustejoukkojen FE summa. Edellä esitetyn eksponentiaalisen tasausmallin tapauksessa laskettu bias olisi 60 41 5 72 54 45 58 66 74 40 60 62 6 69.Jos yksi Olettaa, että alhainen bias osoittaa yleisesti alhaisen ennustevirheen, voisi laskea alhaisten potentiaalisten arvojen esijännitys ja olettaa, että alimmalla biasilla olisi b E on kuitenkin tarkka mutta varovaisuutta on kuitenkin noudatettava siinä, että villisti epätäsmälliset ennusteet voivat tuottaa alhaista puolueellisuutta, jos ne ovat yleensä sekä ennusteita että ennusteita negatiivisia ja positiivisia. Esimerkiksi yritys voi käyttää kolmen eri ajanjakson aikana tietyn arvon alfa-arvoa Yli ennustettu 75 000 yksikköä 75 000, ennustettu 100 000 yksikköä 100 000 ja sitten yli ennustettu 25 000 yksikköä 25 000, mikä tuottaa epätarkkuuden 0 75 000 100 000 25 000 0 Vertailun vuoksi toinen alfa tuotto yli 2000 yksikköä, 1000 yksikköä ja 3000 yksikköä Johtaisi 5 000 yksikköön. Jos normaali kysyntä oli 100 000 yksikköä yhtäjaksoisesti, ensimmäinen alfa tuotti ennusteita, jotka olivat jopa 100 prosenttia alhaisimmillaan, kun taas toinen alfa olisi pois vain korkeintaan 3 prosenttia, vaikka Ennusteessa bias oli nolla. Ennustetun tarkkuuden turvallisempi mitta on keskimääräinen absoluuttinen poikkeama MAD MAD: n laskemiseksi ennustaja summaa ennustevirheiden absoluuttisen arvon ja jakaa sen jälkeen Ennusteiden lukumäärä FE N Suorittamalla ennustevirheiden absoluuttinen arvo vältetään positiivisten ja negatiivisten arvojen kompensointi Tämä merkitsee sitä, että molemmat 50: n ja alle 50: n ennustearvot ovat pois päältä 50 käyttämällä eksponentiaalisten Tasoittava esimerkki, MAD voidaan laskea seuraavasti 60 41 5 72 54 45 58 66 74 40 60 62 4 16 35 Tästä syystä ennustaja on pois keskimäärin 16 35 yksikköä ennusteessa Verrattuna muihin alfa-tuloksiin, Tietävät, että alhaisin MAD: llä saadaan tarkin ennuste. Mean-neliövirhe MSE voidaan käyttää samalla tavalla MSE on ennustevirheiden summa jaettuna N-1 FE N-1 Ennustevirheiden neliöinti eliminoi Mahdollisuutta poistaa negatiiviset luvut, koska yksikään tulos ei voi olla negatiivinen. Käyttämällä samoja tietoja kuin edellä, MSE olisi 18 5 17 55 8 74 20 62 3 383 94 Kuten MAD: llä, ennustaja voi verrata MSE: Käyttäen erilaisia ​​va Alfa-arvot ja oletetaan, että alempi MSE: n ansiosta saadaan tarkin ennuste. Keskimääräinen absoluuttinen prosentuaalinen virhe MAPE on keskimääräinen absoluuttinen prosentuaalinen virhe MAPE: n saavuttamiseksi on otettava summan suhteet ennustevirheen ja todellisten kysyntään 100 saada prosenttiosuus ja jakaa N: llä Todellinen kysyntäennuste Todellinen kysyntä 100 N Exponential tasoitusesimerkin tietojen avulla MAPE voidaan laskea seuraavasti 18 5 60 17 55 72 8 74 58 20 62 48 100 4 28 33 Kuten MAD Ja MSE, sitä pienempi on suhteellinen virhe, sitä tarkempi ennuste. On huomattava, että joissakin tapauksissa ennusteiden kyky muuttua nopeasti vastaamaan datamallien muutoksiin pidetään tärkeämpiä kuin tarkkuus. Ennustemenetelmän pitäisi heijastaa ennusteiden tarkkuuden ja reagointikyvyn välistä merkitsevää suhteellista tasapainoa, kuten ennustaja määrittelee. ESITTÄMINEN. William J Stevenson laatii seuraavat perusvaiheet Sting-prosessi. Tarkenna ennusteiden tarkoitus Tarkkailijat, kuten miten ja milloin ennuste käytetään, vaaditun tarkkuuden aste ja haluttu yksityiskohtaisuus määrittävät kustannusajan, rahan, työntekijöiden, joita voidaan käyttää ennusteeseen ja tyyppiin Käytä ennustemenetelmää, jota käytetään. Verkonajan luominen Tämä tapahtuu sen jälkeen kun yksi on määritellyt ennusteen tarkoitus Pitkän aikavälin ennusteet edellyttävät pitempiaikaisia ​​horjoreita ja päinvastoin Tarkkuus on jälleen huomioitava. Valitse ennustustekniikka Valittu tekniikka riippuu tarkoituksesta Ennusteesta, halutusta aikajaksoista ja sallitusta kustannuksesta. Kerää ja analysoi tietoja Tarvittavien tietojen määrä ja tyyppi määräytyvät ennusteiden avulla, valittu ennustustekniikka ja mahdolliset kustannusnäkökohdat. Tee ennuste. Tarkkaile ennuste Arvioi ennusteiden suorituskykyä ja muokkaa niitä tarvittaessa. LISÄLETTÄVYYSTÄ. Finnair, Byron J Toiminnot nyt kannattavuus, prosessit, suorituskyky 2 ja Boston McGraw-H Sairaala Irwin, 2006.Green, William H ekonometrinen analyysi, 5 ed Ylisaddlejoki, NJ Prentice Hall, 2003.Joppe, Dr Marion Nimellinen ryhmätekniikka Tutkimusprosessi on saatavana osoitteesta Stevenson, William J Operations Management 8 ed Boston McGraw-Hill Irwin , 2005.Lue myös artikkeli Ennusteesta Wikipediasta. Ennusteennusteiden esimerkkejä. 1 Ennusteiden laskentamenetelmät. Saatavilla on kaksitoista ennusteiden laskentamenetelmiä. Useimmat näistä menetelmistä mahdollistavat rajoitetun käyttäjän valvonnan. Esimerkiksi viimeisimpien historiallisten tietojen tai Laskentamenetelmissä käytetyt historiatiedot voidaan määrittää Seuraavissa esimerkeissä esitetään kunkin käytettävissä olevan ennustemenetelmän laskentamenetelmä, kun otetaan huomioon samanlaiset historiatiedot. Seuraavat esimerkit käyttävät samoja vuosien 2004 ja 2005 myyntitietoja vuoden 2006 Ennusteennuste Ennusteen laskennan lisäksi jokaisessa esimerkissä on simuloitu vuoden 2005 ennuste kolmen kuukauden jakson käsittelyvaihtoehdosta N 19 3, jota käytetään sitten prosenttiosuuteen tarkkuuden ja absoluuttisen keskiarvon keskiarvojen laskennassa todellisen myynnin verrattuna simuloituun ennusteeseen. 2 Ennusteiden arviointikriteerit. Valitsemalla prosessointivaihtoehdoista ja myynninedistämistietoihin perustuvista suuntauksista ja malleista jotkut Ennustemenetelmät toimivat paremmin kuin toiset tietylle historialliselle tietueelle Yhden tuotteen soveltuvuus ennustemenetelmä ei ehkä ole sopiva toiselle tuotteelle On myös epätodennäköistä, että ennustemenetelmä, joka tuottaa hyviä tuloksia tuotteen elinkaaren jossakin vaiheessa Pysyvät sopivia koko elinkaaren ajan. Voit valita kahden menetelmän arvioidaksesi ennusteiden nykyisen suorituskyvyn. Nämä ovat keskiarvon absoluuttinen poikkeama MAD ja tarkkuus prosenttiosuus POA Molemmat suorituskyvyn arviointimenetelmät edellyttävät historiallista myyntitietoa käyttäjän määrätylle ajanjaksolle Aika Tätä ajanjaksoa kutsutaan pidätysjaksoksi tai ajanjaksoiksi parhaiten sopivaksi PBF Dat A käytetään tältä ajanjaksona perustana suositelluille ennustejohtamismenetelmille, joita käytetään seuraavan ennusteennusteen tekemisessä. Tämä suositus on jokaiselle tuotteelle ominaista, ja se voi muuttua ennustetusta sukupolvesta toiseen. Kahden ennakoivan arvioinnin menetelmät on osoitettu Kolmella ennakointimenetelmällä. 3 Menetelmä 1 - Määritetty prosenttiosuus edellisvuodesta. Tämä menetelmä kertoo edellisen vuoden myyntitiedot käyttäjän määrittämästä tekijästä esimerkiksi 1 10 10: n suuruiseksi tai 0 97: n 3: n laskua varten. Tarpeellinen myyntihistoria Vuosi ennustearvon laskemiseksi sekä käyttäjän määrittämä määrä aikavälejä arvioidun suorituskyvyn käsittelyvaihtoehdon arvioimiseksi 19.A 4 1 Ennustalaskelma. Tässä esimerkissä. Summa vuoden 2005 viimeiset kolme kuukautta 114 119 137 370. Summa samaa kolmen kuukauden ajan edellisvuodesta 123 139 133 395.Laskettu tekijä 370 3 95 0 9367. Laske ennusteet. January 2005 myynti 128 0 9367 119 8036 tai noin 120.Kaikki vuoden 2005 myynti 117 0 9367 109 5939 tai noin 110.March, 2005 myynti 115 0 9367 107 7205 tai noin 108.A 4 2 Simuloitu ennuste Laskelma. Summa kolme kuukautta 2005 ennen pidempiä jaksoja heinäkuu, elokuu, syyskuu129 140 131 400. Summa saman kolmen kuukauden aikana edelliseltä vuodelta.141 128 118 387.Laskettu kerroin 400 387 1 033591731.Lasketaan simuloitu Ennuste. Vuoden lokakuu 2004 myynti 123 1 033591731 127 13178. marraskuu 2004 myynti 139 1 033591731 143 66925 joulukuu 2004 myynti 133 1 033591731 137 4677.A 4 3 prosentti tarkkuuden laskemisesta. POA 127 13178 143 66925 137 4677 114 119 137 100 408 26873 370 100 110 3429.A 4 4 Keskimääräinen absoluuttinen poikkeamalaskenta. MAD 127 13178 - 114 143 66925 - 119 137 4677- 137 3 13 13178 24 66925 0 4677 3 12 75624.A 5 Menetelmä 3 - Viime vuonna tähän vuoteen Tämä menetelmä kopioi myyntitiedot edelliseltä vuodelta seuraavaan vuoteen. Tarpeellinen myyntihistoria Vuosi ennusteiden laskemiseksi Sekä ennustetun suorituskyvyn prosessointivaihtoehdon 19.A 6 arvioitujen aikajaksojen lukumäärän. 6 1 Ennustalaskelma. Tässä esimerkissä keskimääräiseen prosessointivaihtoehtoon 4a 3 sisällytettävien aikajaksojen lukumäärä. Ennusteiden kunkin kuukauden aikana keskimäärin edellisen kolmen kuukauden Sademääräennuste 114 119 137 370, 370 3 123 333 tai 123. Heikkoennuste 119 137 123 379, 379 3 126 333 tai 126.March-ennuste 137 123 126 379, 386 3 128 667 tai 129.A 6 2 Simuloitu ennuste Laskelma. Lokakuu 2005 myynti 129 140 131 3 133 3333.November 2005 myynti 140 131 114 3 128 3333.Joulukuu 2005 myynti 131 114 119 3 121 3333.A 6 3 Tarkkuuslaskennan prosenttiosuus. POA 133 3333 128 3333 121 3333 114 119 137 100 103 513.A 6 4 Keskimääräinen absoluuttinen poikkeamalaskenta. MAD 133 3333 - 114 128 3333 - 119 121 3333 - 137 3 14 7777.A 7 Menetelmä 5 - Lineaarinen approksimointi. Lineaarinen approksimaatio laskee trendin, joka perustuu kahteen myyntihistoriatietopisteeseen. Nämä kaksi pistettä muodostavat suoran trendilinjan, joka on esitelty f: hen Käytä tätä menetelmää varoen, sillä pitkän aikavälin ennusteita hyödynnetään pienillä muutoksilla vain kahdessa datapisteessä. Myyntiretkellä tarvittava määrä Kausien lukumäärä, jotka sisällytetään regressio-prosessointivaihtoehdoksi 5a, plus 1 sekä ennustetun suorituskyvyn käsittelyn arviointikausien määrä Vaihtoehto 19.A 8 1 Ennustalaskelma. Tässä esimerkissä sisällytetään regressio-prosessointivaihtoehtoon 6a 3 sisällytettävien kausien lukumäärä. Ennusteiden kunkin kuukauden aikana lisätään lisäys tai vähennys määritettyjen jaksojen aikana ennen edellisen jakson pitenemisen jaksoa. Edelliseltä kolmelta kuukaudelta 114 119 137 3 123 3333.Esimerkki edellisistä kolmesta kuukaudesta painotettuna. 114 1 119 2 137 3 763. Arvojen välinen ero. 763 - 123 3333 1 2 3 23.Ratio 1 2 2 2 3 2 - 2 3 14 - 12 2.Value1 Erotussuhde 23 2 11 5.Value2 Keskiarvo - arvo1 suhde 123 3333 - 11 5 2 100 3333.Forecast 1 n arvo1 Arvo2 4 11 5 100 3333 146 333 tai 146. Lähetetty 5 11 5 100 3333 157 8333 tai 158. Lähetetty 6 11 5 100 3333 169 3333 tai 169.A 8 2 Simuloitu ennuste laskenta. Lokakuun 2004 myynti. Edellisten kolmen kuukauden keskiarvo . 129 140 131 3 133 3333.Etsi yhteenveto edellisistä kolmesta kuukaudesta, kun otetaan huomioon paino. 129 1 140 2 131 3 802. Arvojen välinen ero. 802 - 133 3333 1 2 3 2.Ratio 1 2 2 2 3 2 - 2 3 14 - 12 2.Value1 Erotussuhde 2 2 1.Value2 Keskiarvo - arvo1 suhde 133 3333 - 1 2 131 3333.Forecast 1 n arvo1 arvo2 4 1 131 3333 135 3333.Edellä 2004 myynti. Edellisen kolmen kuukauden keskiarvo. 140 131 114 3 128 3333.Esimerkki edellisistä kolmesta kuukaudesta painotettuna. Arvot 744 - 128 3333 1 2 3 -25 9999.Value1 Erotussuhde -25 9999 2 -12 9999.Value2 Keskiarvo - arvo1 suhde 128 3333 - -12 9999 2 154 3333.Forecast 4 -12 9999 154 3333 102 3333.Joulukuu 2004 myynti. Edellisten kolmen kuukauden keskiarvo. 131 114 119 3 121 3333.Esimerkki edellisistä kolmesta kuukaudesta, painotettuna. 131 1 114 2 119 3 716. Arvojen välinen ero. 716 - 121 3333 1 2 3 -11 9999.Value1 Erotussuhde -11 9999 2 -5 9999.Value2 Keskiarvo - arvo1 suhde 121 3333 - -5 9999 2 133 3333.Forecast 4 -5 9999 133 3333 109 3333.A 8 3 Prosentuaalinen tarkkuuslaskenta. POA 135 33 102 33 109 33 114 119 137 100 93 78.A 8 4 Keskimääräinen absoluuttinen poikkeamalaskenta. MAD 135 33 - 114 102 33 - 119 109 33 - 137 3 21 88.A 9 Menetelmä 7 - Toinen Degree Approximation. Linear Regression määrittää arvot a ja b ennuste kaavassa Y a bX tavoite sovittaa suora viiva myyntihistoriatiedot Toinen aste Applaatio on samanlainen Tämä menetelmä kuitenkin määrittää arvot a, b ja c in Ennuste kaava Y a bX cX2, jonka tarkoituksena on sovittaa käyrä myyntihistoriatietoihin Tämä menetelmä voi olla hyödyllinen silloin, kun tuote siirtyy elinkaaren eri vaiheissa Esimerkiksi kun uusi tuote siirtyy johdannosta kasvuvaiheisiin , Myyntikehitys voi kiihtyä Toisen kertaluvun aikavälin vuoksi ennuste voi nopeasti lähestyä Ääretön tai pudota nollaan riippuen siitä, onko kerroin c positiivinen vai negatiivinen. Siksi tämä menetelmä on hyödyllinen vain lyhyellä aikavälillä. Lähetyksen tekniset tiedot Kaavat löytävät a, b ja c sopivan käyrän määrittämiseen täsmälleen kolmeen pisteeseen. Prosessointivaihtoehdon 7a kerättävien tietojen aikavälien määrä kertyy jokaiseen näistä kolmesta kohdasta Tässä esimerkissä n 3 Tämän vuoksi huhtikuun ja kesäkuun väliset varsinaiset myyntitiedot yhdistetään ensimmäiseen pisteeseen, Q1 heinäkuu-syyskuu lisätään yhteen muodostaen Q2 , Ja lokakuun ja joulukuun välinen summa Q3: een Käyrä asetetaan kolmeen arvoon Q1, Q2 ja Q3.Erätetty myyntihistoria 3 n jaksot ennustearvon laskemiseksi sekä ennustetun suorituskyvyn PBF arvioinnissa tarvittavien aikajaksojen lukumäärää. Jaksot käsittelemään tässä esimerkissä käsittelyvaihtoehtoa 7a 3. Käytä edellisiä 3 n kuukauden kolmen kuukauden lohkossa. Huhtikuu - kesäkuu 125 122 137 384.Q2 Jul - 129 129 140 131 400.Q3 loka - joulukuu 114 119 137 370. Seuraava askel c Aletaan laskea kolmen kertoimen a, b ja c avulla ennuste kaavassa Y a bX cX 2. 1 Q1 a bX cX 2 jossa X 1 a b c. 2 Q2 a bX cX 2 jossa X2 a 2b 4c. 3 Q3 a bX cX 2 jossa X 3 a 3b 9c. Sulje kolme yhtälöä samanaikaisesti löytää b, a ja c. Subtract yhtälö 1 yhtälöstä 2 ja ratkaise b. Vaihda tämä yhtälö b: ksi yhtälöön 3. 3 Q3 a 3 Q2 - Q1 - 3c c Lopuksi korvataan nämä a ja b yhtälöt yhtälöön 1. Q3 - 3 Q2 - Q1 q2 - Q1 - 3c c Q1.c Q3 - Q2 Q1 - Q2 2.The Second Degree Approximation - menetelmä laskee A, b ja c seuraavasti. Q3 - 3 Q2 - Q1 370 - 3 400 - 384 322.c Q3 - Q2 Q1 - Q2 2 370 - 400 384 - 400 2 -23.b Q2 - Q1 - 3c 400 - 384 - 3 -23 85.Y a bX cX 2 322 85 X -23 X 2.January kautta maaliskuu ennuste X 4. 322 340 - 368 3 294 3 98 per jaksolla. Kaikki kesäkuuennuste X 5. 322 425 - 575 3 57 333 tai 57. Joulukuussa syyskuun ennusteessa X 6. 322 510 - 828 3 1 33 tai 1 per jakso. Lokakuu joulukuuhun X 7. 322 595 - 1127 3 -70.A 9 2 Simuloitu ennuste laskenta. Lokakuu, marraskuu Ja joulukuun 2004 myynti. Q1 tammi - maaliskuu 360.Q2 huhti - kesäkuu 384.Q3 heinäkuu - syyskuu 400.a 400 - 3 384 - 360 328.c 400 - 384 360 - 384 2 -4.b 384 - 360 - 3 -4 36. 328 36 4 -4 16 3 136.A 9 3 Tarkkuuslaskennan prosenttiosuus PL 136 136 136 114 119 137 100 110 27.A 9 4 Keskimääräinen absoluuttinen poikkeamalaskenta. MAD 136 - 114 136 - 119 136 - 137 3 13 33.A 10 Menetelmä 8 - Joustava menetelmä. Joustava menetelmä prosentteina yli kuukausia. Prior on samanlainen kuin menetelmä 1, prosentti viime vuoteen verrattuna. Molemmat menetelmät kertaavat myyntitiedot edellisestä aikajaksosta käyttäjän määrittämän tekijän , Sitten projekti tämän tuloksen tulevaisuuteen Viime vuoden menetelmä prosentteina ennuste perustuu ennalta edellisen vuoden vastaavaan ajanjaksoon verrattuna. Joustava menetelmä lisää kykyä määrittää muu kuin viime vuoden vastaavaan ajanjaksoon verrattuna Käytä laskentaperusteina. Monistuskerroin Esimerkiksi, määritä prosessointivaihtoehdossa 8b 1 15 lisätä aiempia myyntihistoriatietoja 15: een. Vaihejakso Esimerkiksi n 3 aiheuttaa ensimmäisen ennusteen perustuvan myyntitietoihin Lokakuu 2005.Minimum myyntihistoria Käyttäjän määrittämä numero o F jaksot takaisin perusjaksolle sekä ennakoidun suorituskyvyn arvioimiseen tarvittavien aikajaksojen lukumäärä. 10 4 Keskimääräinen absoluuttinen poikkeamalaskenta. MAD 148 - 114 161 - 119 151 - 137 3 30.A 11 Menetelmä 9 - Painotettu siirto Keskimäärin. Painotettu liikkuva keskiarvo WMA - menetelmä on samanlainen kuin menetelmän 4, keskimääräinen siirtymä MA. Painotetun siirrettävän keskiarvon avulla voit kuitenkin määrittää epätasaiset painot historiallisiin tietoihin. Menetelmä laskee viimeaikaisen myyntihistorian painotetun keskiarvon saadakseen ennusteesta short term More recent data is usually assigned a greater weight than older data, so this makes WMA more responsive to shifts in the level of sales However, forecast bias and systematic errors still do occur when the product sales history exhibits strong trend or seasonal patterns This method works better for short range forecasts of mature products rather than for products in the growth or obsolescence stages of the life cycle. n the number of periods of sales history to use in the forecast calculation For example, specify n 3 in the processing option 9a to use the most recent three periods as the basis for the projection into the next time period A large value for n such as 12 requires more sales history It results in a stable forecast, but will be slow to recognize shifts in the level of sales On the other hand, a small value for n such as 3 will respond quicker to shifts in the level of sales, but the forecast may fluctuate so widely that production can not respond to the variations. The weight assigned to each of the historical data periods The assigned weights must total to 1 00 For example, when n 3, assign weights of 0 6, 0 3, and 0 1, with the most recent data receiving the greatest weight. Minimum required sales history n plus the number of time periods required for evaluating the forecast performance PBF. MAD 133 5 - 114 121 7 - 119 118 7 - 137 3 13 5.A 12 Method 10 - Linear Smoothing. This method is similar to Method 9, Weighted Moving Average WMA How ever, instead of arbitrarily assigning weights to the historical data, a formula is used to assign weights that decline linearly and sum to 1 00 The method then calculates a weighted average of recent sales history to arrive at a projection for the short term. As is true of all linear moving average forecasting techniques, forecast bias and systematic errors occur when the product sales history exhibits strong trend or seasonal patterns This method works better for short range forecasts of mature products rather than for products in the growth or obsolescence stages of the life cycle. n the number of periods of sales history to use in the forecast calculation This is specified in the processing option 10a For example, specify n 3 in the processing option 10b to use the most recent three periods as the basis for the projection into the next time period The system will automatically assign the weights to the historical data that decline linearly and sum to 1 00 For example, when n 3, the s ystem will assign weights of 0 5, 0 3333, and 0 1, with the most recent data receiving the greatest weight. Minimum required sales history n plus the number of time periods required for evaluating the forecast performance PBF. A 12 1 Forecast Calculation. Number of periods to include in smoothing average processing option 10a 3 in this example. Ratio for one period prior 3 n 2 n 2 3 3 2 3 2 3 6 0 5.Ratio for two periods prior 2 n 2 n 2 2 3 2 3 2 2 6 0 3333.Ratio for three periods prior 1 n 2 n 2 1 3 2 3 2 1 6 0 1666.January forecast 137 0 5 119 1 3 114 1 6 127 16 or 127.February forecast 127 0 5 137 1 3 119 1 6 129.March forecast 129 0 5 127 1 3 137 1 6 129 666 or 130.A 12 2 Simulated Forecast Calculation. October 2004 sales 129 1 6 140 2 6 131 3 6 133 6666.November 2004 sales 140 1 6 131 2 6 114 3 6 124.December 2004 sales 131 1 6 114 2 6 119 3 6 119 3333.A 12 3 Percent of Accuracy Calculation. POA 133 6666 124 119 3333 114 119 137 100 101 891.A 12 4 Mean Absolute Deviation Calculation. MAD 133 6666 - 114 124 - 119 119 3333 - 137 3 14 1111.A 13 Method 11 - Exponential Smoothing. This method is similar to Method 10, Linear Smoothing In Linear Smoothing the system assigns weights to the historical data that decline linearly In exponential smoothing, the system assigns weights that exponentially decay The exponential smoothing forecasting equation is. Forecast a Previous Actual Sales 1 - a Previous Forecast. The forecast is a weighted average of the actual sales from the previous period and the forecast from the previous period a is the weight applied to the actual sales for the previous period 1 - a is the weight applied to the forecast for the previous period Valid values for a range from 0 to 1, and usually fall between 0 1 and 0 4 The sum of the weights is 1 00 a 1 - a 1.You should assign a value for the smoothing constant, a If you do not assign values for the smoothing constant, the system calculates an assumed value based upon the number of periods of sales history specifie d in the processing option 11a. a the smoothing constant used in calculating the smoothed average for the general level or magnitude of sales Valid values for a range from 0 to 1.n the range of sales history data to include in the calculations Generally one year of sales history data is sufficient to estimate the general level of sales For this example, a small value for n n 3 was chosen in order to reduce the manual calculations required to verify the results Exponential smoothing can generate a forecast based on as little as one historical data point. Minimum required sales history n plus the number of time periods required for evaluating the forecast performance PBF. A 13 1 Forecast Calculation. Number of periods to include in smoothing average processing option 11a 3, and alpha factor processing option 11b blank in this example. a factor for the oldest sales data 2 1 1 , or 1 when alpha is specified. a factor for the 2nd oldest sales data 2 1 2 , or alpha when alpha is specified. a factor for the 3rd oldest sales data 2 1 3 , or alpha when alpha is specified. a factor for the most recent sales data 2 1 n , or alpha when alpha is specified. November Sm Avg a October Actual 1 - a October Sm Avg 1 114 0 0 114.December Sm Avg a November Actual 1 - a November Sm Avg 2 3 119 1 3 114 117 3333.January Forecast a December Actual 1 - a December Sm Avg 2 4 137 2 4 117 3333 127 16665 or 127.February Forecast January Forecast 127.March Forecast January Forecast 127.A 13 2 Simulated Forecast Calculation. July, 2004 Sm Avg 2 2 129 129.August Sm Avg 2 3 140 1 3 129 136 3333.September Sm Avg 2 4 131 2 4 136 3333 133 6666.October, 2004 sales Sep Sm Avg 133 6666.August, 2004 Sm Avg 2 2 140 140.September Sm Avg 2 3 131 1 3 140 134.October Sm Avg 2 4 114 2 4 134 124.November, 2004 sales Sep Sm Avg 124.September 2004 Sm Avg 2 2 131 131.October Sm Avg 2 3 114 1 3 131 119 6666.November Sm Avg 2 4 119 2 4 119 6666 119 3333.December 2004 sales Sep Sm Avg 119 3333.A 13 3 Percent of Accuracy Calcula tion. POA 133 6666 124 119 3333 114 119 137 100 101 891.A 13 4 Mean Absolute Deviation Calculation. MAD 133 6666 - 114 124 - 119 119 3333 - 137 3 14 1111.A 14 Method 12 - Exponential Smoothing with Trend and Seasonality. This method is similar to Method 11, Exponential Smoothing in that a smoothed average is calculated However, Method 12 also includes a term in the forecasting equation to calculate a smoothed trend The forecast is composed of a smoothed averaged adjusted for a linear trend When specified in the processing option, the forecast is also adjusted for seasonality. a the smoothing constant used in calculating the smoothed average for the general level or magnitude of sales Valid values for alpha range from 0 to 1.b the smoothing constant used in calculating the smoothed average for the trend component of the forecast Valid values for beta range from 0 to 1.Whether a seasonal index is applied to the forecast. a and b are independent of each other They do not have to add to 1 0.Min imum required sales history two years plus the number of time periods required for evaluating the forecast performance PBF. Method 12 uses two exponential smoothing equations and one simple average to calculate a smoothed average, a smoothed trend, and a simple average seasonal factor. A 14 1 Forecast Calculation. A An exponentially smoothed average. MAD 122 81 - 114 133 14 - 119 135 33 - 137 3 8 2.A 15 Evaluating the Forecasts. You can select forecasting methods to generate as many as twelve forecasts for each product Each forecasting method will probably create a slightly different projection When thousands of products are forecast, it is impractical to make a subjective decision regarding which of the forecasts to use in your plans for each of the products. The system automatically evaluates performance for each of the forecasting methods that you select, and for each of the products forecast You can choose between two performance criteria, Mean Absolute Deviation MAD and Percent of Accur acy POA MAD is a measure of forecast error POA is a measure of forecast bias Both of these performance evaluation techniques require actual sales history data for a user specified period of time This period of recent history is called a holdout period or periods best fit PBF. To measure the performance of a forecasting method, use the forecast formulae to simulate a forecast for the historical holdout period There will usually be differences between actual sales data and the simulated forecast for the holdout period. When multiple forecast methods are selected, this same process occurs for each method Multiple forecasts are calculated for the holdout period, and compared to the known sales history for that same period of time The forecasting method producing the best match best fit between the forecast and the actual sales during the holdout period is recommended for use in your plans This recommendation is specific to each product, and might change from one forecast generation to the ne xt. A 16 Mean Absolute Deviation MAD. MAD is the mean or average of the absolute values or magnitude of the deviations or errors between actual and forecast data MAD is a measure of the average magnitude of errors to expect, given a forecasting method and data history Because absolute values are used in the calculation, positive errors do not cancel out negative errors When comparing several forecasting methods, the one with the smallest MAD has shown to be the most reliable for that product for that holdout period When the forecast is unbiased and errors are normally distributed, there is a simple mathematical relationship between MAD and two other common measures of distribution, standard deviation and Mean Squared Error. A 16 1 Percent of Accuracy POA. Percent of Accuracy POA is a measure of forecast bias When forecasts are consistently too high, inventories accumulate and inventory costs rise When forecasts are consistently two low, inventories are consumed and customer service decline s A forecast that is 10 units too low, then 8 units too high, then 2 units too high, would be an unbiased forecast The positive error of 10 is canceled by negative errors of 8 and 2.Error Actual - Forecast. When a product can be stored in inventory, and when the forecast is unbiased, a small amount of safety stock can be used to buffer the errors In this situation, it is not so important to eliminate forecast errors as it is to generate unbiased forecasts However in service industries, the above situation would be viewed as three errors The service would be understaffed in the first period, then overstaffed for the next two periods In services, the magnitude of forecast errors is usually more important than is forecast bias. The summation over the holdout period allows positive errors to cancel negative errors When the total of actual sales exceeds the total of forecast sales, the ratio is greater than 100 Of course, it is impossible to be more than 100 accurate When a forecast is unbias ed, the POA ratio will be 100 Therefore, it is more desirable to be 95 accurate than to be 110 accurate The POA criteria select the forecasting method that has a POA ratio closest to 100.Scripting on this page enhances content navigation, but does not change the content in any way. What s the difference between moving average and weighted moving average. A 5-period moving average, based on the prices above, would be calculated using the following formula. Based on the equation above, the average price over the period listed above was 90 66 Using moving averages is an effective method for eliminating strong price fluctuations The key limitation is that data points from older data are not weighted any differently than data points near the beginning of the data set This is where weighted moving averages come into play. Weighted averages assign a heavier weighting to more current data points since they are more relevant than data points in the distant past The sum of the weighting should add u p to 1 or 100 In the case of the simple moving average, the weightings are equally distributed, which is why they are not shown in the table above. Closing Price of AAPL.