Peramalan melibatkan pembuatan sejumlah, kumpulan angka, atau skenario yang sesuai dengan kejadian di masa depan. Hal ini mutlak penting untuk perencanaan jarak dekat dan jangka panjang. Menurut definisi, perkiraan didasarkan pada data masa lalu, yang bertentangan dengan prediksi, Yang lebih subyektif dan berdasarkan naluri, naluri usus, atau tebak Misalnya, berita malam memberi ramalan cuaca bukan prediksi cuaca Apapun, istilah ramalan dan prediksi sering digunakan secara bergantian Misalnya, definisi regresi teknik kadang kala. Digunakan dalam peramalan umumnya menyatakan bahwa tujuannya adalah untuk menjelaskan atau memprediksi. Forecasting didasarkan pada sejumlah asumsi. Masa lalu akan berulang dengan sendirinya. Dengan kata lain, apa yang telah terjadi di masa lalu akan terjadi lagi di masa depan. Seperti perkiraan horizon yang semakin pendek , Perkiraan kenaikan akurasi Misalnya, ramalan untuk besok akan lebih akurat dari perkiraan untuk bulan depan perkiraan untuk bulan depan akan lebih akurat daripada perkiraan f Atau tahun depan dan perkiraan untuk tahun depan akan lebih akurat daripada perkiraan selama sepuluh tahun di masa depan. Penarikan secara agregat lebih akurat daripada perkiraan item individual Ini berarti bahwa perusahaan akan dapat meramalkan permintaan total atas keseluruhan spektrumnya. Produk lebih akurat daripada yang dapat meramalkan unit penyimpanan stok individu SKU Misalnya, General Motors dapat memperkirakan secara lebih akurat jumlah mobil yang dibutuhkan untuk tahun depan daripada jumlah Chevrolet Impalas putih dengan paket pilihan tertentu. Jarang akurat Selain itu, perkiraan hampir tidak pernah benar-benar akurat. Sementara beberapa di antaranya sangat dekat, hanya sedikit yang benar dalam hal ini. Oleh karena itu, bijaksana untuk menawarkan perkiraan kisaran Jika seseorang meramalkan permintaan 100.000 unit untuk bulan depan, itu adalah Sangat tidak mungkin bahwa permintaan akan sama dengan 100.000 persis Namun, perkiraan 90.000 sampai 110.000 akan memberikan target perencanaan yang jauh lebih besar. William J Stevenson mencantumkan angka Ber karakteristik yang umum untuk perkiraan yang baik. Akurat beberapa tingkat akurasi harus ditentukan dan dinyatakan sehingga perbandingan dapat dilakukan terhadap perkiraan alternatif. Metode perkiraan yang dapat diandalkan secara konsisten harus memberikan perkiraan yang baik jika pengguna menetapkan beberapa tingkat Confidence. Timely sejumlah waktu yang diperlukan untuk merespon ramalan sehingga cakrawala peramalan harus memungkinkan untuk waktu yang diperlukan untuk membuat perubahan. Mudah untuk menggunakan dan memahami pengguna ramalan harus yakin dan nyaman bekerja dengannya. Biaya-efektif Biaya pembuatan ramalan seharusnya tidak melebihi manfaat yang diperoleh dari perkiraan. Teknik penempaan berkisar dari yang sederhana sampai yang sangat rumit. Teknik ini biasanya diklasifikasikan bersifat kualitatif atau kuantitatif. TEKNIK KUALITATIF. Teknik peramalan kuantitatif umumnya lebih subjektif daripada kuantitatif mereka. Teknik kualitatif lebih berguna pada tahap awal pr Mengurangi siklus hidup, bila data di masa lalu tidak ada untuk digunakan dalam metode kuantitatif Metode kualitatif meliputi teknik Delphi, Teknik Kelompok Nominal NGT, opini tenaga penjualan, pendapat eksekutif, dan riset pasar. Teknik DELPHI TECHNIQUE. Teknik Delphi menggunakan panel ahli untuk Menghasilkan ramalan Setiap ahli diminta untuk memberikan perkiraan yang spesifik untuk kebutuhan di tangan Setelah prakiraan awal dibuat, setiap ahli membaca apa yang oleh setiap ahli lainnya menulis dan, tentu saja, dipengaruhi oleh pandangan mereka. Perkiraan berikutnya kemudian dibuat oleh masing-masing Ahli Setiap ahli kemudian membaca lagi apa yang oleh setiap ahli lainnya menulis dan sekali lagi dipengaruhi oleh persepsi orang lain. Proses ini berulang dengan sendirinya sampai masing-masing ahli mendekati kesepakatan mengenai skenario atau angka yang dibutuhkan. TEKNIK KELOMPOK KELOMPOK. Nominal Group Technique mirip dengan teknik Delphi. Dalam hal itu memanfaatkan sekelompok peserta, biasanya para ahli Setelah para peserta menanggapi pertanyaan terkait perkiraan, mereka menentukan peringkat mereka Ses dalam urutan kepentingan yang dianggap penting Kemudian rangking dikumpulkan dan digabungkan Akhirnya, kelompok tersebut harus mencapai konsensus mengenai prioritas isu-isu peringkat. PEMBAGIAN FORCE FORUM. Staf penjualan sering merupakan sumber informasi yang baik mengenai permintaan masa depan Manajer penjualan Mungkin meminta masukan dari setiap orang penjualan dan mengumpulkan tanggapan mereka ke dalam perkiraan komparator tenaga penjualan Perhatian harus dilakukan saat menggunakan teknik ini karena anggota tenaga penjualan mungkin tidak dapat membedakan antara apa yang pelanggan katakan dan apa yang sebenarnya mereka lakukan. , Jika perkiraan akan digunakan untuk menetapkan kuota penjualan, tenaga penjualan mungkin tergoda untuk memberikan perkiraan yang lebih rendah. PENDAPAT EKSEKUTIF. Kadang manajer tingkat atas bertemu dan mengembangkan perkiraan berdasarkan pengetahuan mereka tentang wilayah tanggung jawab mereka. Hal ini kadang-kadang disebut sebagai Juri opini eksekutif. PENELITIAN MEREKA. Dalam riset pasar, survei konsumen digunakan untuk menetapkan permintaan potensial. M Penelitian arketing biasanya melibatkan pembuatan kuesioner yang meminta informasi pribadi, demografis, ekonomi, dan pemasaran. Kadang-kadang, periset pasar mengumpulkan informasi semacam itu secara langsung di gerai ritel dan mal, di mana konsumen dapat merasakan, merasakan, mencium, dan melihat produk tertentu. Peneliti harus berhati-hati agar sampel orang yang disurvei mewakili target konsumen yang diinginkan. TEKNIK PERHATIAN. Teknik peramalan kuantitatif umumnya lebih obyektif daripada rekan kualitatifnya. Perkiraan kuantitatif dapat menjadi perkiraan deret waktu yaitu proyeksi masa lalu ke masa depan atau Prakiraan berdasarkan model asosiatif yaitu berdasarkan satu atau lebih variabel penjelas Data deret waktu mungkin memiliki perilaku mendasar yang perlu diidentifikasi oleh peramal Selain itu, perkiraan mungkin perlu mengidentifikasi sebab-sebab perilaku Beberapa perilaku ini mungkin merupakan pola Atau hanya variasi acak Di antara pola-pola itu Berakhir, yang merupakan pergerakan jangka panjang ke atas atau ke bawah dalam data. Seasonality, yang menghasilkan variasi jangka pendek yang biasanya berhubungan dengan waktu tahun, bulan, atau bahkan hari tertentu, seperti yang disaksikan oleh penjualan eceran pada Natal atau Lonjakan aktivitas perbankan pada bulan pertama dan pada hari Jumat. Siklus, yang merupakan variasi mirip gelombang yang berlangsung lebih dari setahun yang biasanya terkait dengan kondisi ekonomi atau politik. Variasi reguler yang tidak mencerminkan perilaku khas, seperti periode ekstrem. Cuaca atau pemogokan serikat. Variasi acak, yang mencakup semua perilaku non-khas yang tidak dicatat oleh klasifikasi lainnya. Diantara model deret waktu, yang paling sederhana adalah perkiraan yang telah diperkirakan hanya menggunakan permintaan aktual untuk masa lalu. Periode sebagai perkiraan permintaan untuk periode berikutnya Hal ini, tentu saja, membuat asumsi bahwa masa lalu akan berulang juga mengasumsikan bahwa setiap tren, musim, atau siklus tercermin dalam permintaan atau periode sebelumnya Tidak ada Contoh peramalan na ve disajikan pada Tabel 1.Table 1 Na ve Forecasting. Teknik sederhana lainnya adalah penggunaan rata-rata. Untuk membuat perkiraan menggunakan rata-rata, kita hanya menghitung rata-rata beberapa periode periode data sebelumnya oleh Menjumlahkan setiap periode dan membagi hasilnya dengan jumlah periode Teknik ini telah ditemukan sangat efektif untuk peramalan jangka pendek. Variasi rata-rata meliputi rata-rata bergerak, rata-rata tertimbang, dan rata-rata pergerakan tertimbang Rata-rata bergerak mengambil yang telah ditentukan sebelumnya. Jumlah periode, jumlah permintaan aktual mereka, dan dibagi dengan jumlah periode untuk mencapai perkiraan Untuk setiap periode berikutnya, periode data tertua turun dan periode terakhir ditambahkan Dengan asumsi rata-rata pergerakan tiga bulan dan menggunakan data dari Tabel 1, satu akan menambahkan 45 Januari, 60 Februari, dan 72 Maret dan membaginya menjadi tiga sampai pada perkiraan untuk April 45 60 72 177 3 59. Untuk sampai pada perkiraan untuk bulan Mei, seseorang akan turun pada bulan Januari Permintaan dari persamaan dan menambahkan permintaan dari bulan April Tabel 2 menyajikan contoh perkiraan rata-rata bergerak tiga bulan. Tabel 2 Tiga Bulan Bergerak Rata-rata Ramalan Ramalan Rata-rata 000 sA rata-rata menggunakan bobot yang telah ditentukan sebelumnya untuk setiap bulan data sebelumnya, Jumlah data masa lalu dari setiap periode, dan dibagi dengan total bobot Jika peramal menyesuaikan bobot sehingga jumlah mereka sama dengan 1, maka bobot dikalikan dengan permintaan aktual setiap periode yang berlaku Hasilnya kemudian dijumlahkan menjadi Mencapai perkiraan tertimbang Umumnya, semakin baru data semakin tinggi bobotnya, semakin tua data semakin kecil bobotnya. Dengan menggunakan contoh permintaan, rata-rata tertimbang menggunakan bobot 4 3 2, dan 1 akan menghasilkan ramalan untuk bulan Juni sampai 60 1 72 2 58 3 40 4 53 8. Pemanasan juga dapat menggunakan kombinasi rata-rata tertimbang dan perkiraan rata-rata bergerak Prediksi rata-rata bergerak tertimbang memberikan bobot pada jumlah data aktual dan komponan yang telah ditentukan sebelumnya. Memperkirakan ramalan dengan cara yang sama seperti yang dijelaskan di atas. Seiring dengan semua perkiraan pergerakan, karena setiap periode baru ditambahkan, data dari periode tertua dibuang. Tabel 3 menunjukkan perkiraan rata-rata pergerakan tertimbang tiga bulan dengan menggunakan bobot 5 3, dan 2. Tabel 3 Rata-rata Bergerak Berarah Rata-rata Beribu Bulanan. Permintaan Demokratis 000 sA bentuk yang lebih kompleks dari rata-rata bergerak tertimbang adalah perataan eksponensial, dinamakan demikian karena beratnya turun secara eksponensial karena data usia Exponential smoothing mengambil perkiraan periode sebelumnya dan menyesuaikannya dengan yang telah ditentukan sebelumnya. Smoothing konstan, yang disebut alpha nilai alpha kurang dari satu dikalikan dengan selisih ramalan sebelumnya dan permintaan yang benar-benar terjadi selama periode yang diperkirakan sebelumnya yang disebut forecast error Eksponensial smoothing dinyatakan secara simultan seperti perkiraan perkiraan sebelumnya perkiraan alpha aktual permintaan sebelumnya. Ramalan FFA F. Exponency smoothing mengharuskan peramal untuk memulai ramalan pada periode yang lalu a Nd bekerja maju ke periode dimana perkiraan saat ini diperlukan Sejumlah besar data masa lalu dan perkiraan awal atau awal juga diperlukan Perkiraan awal dapat menjadi perkiraan aktual dari periode sebelumnya, permintaan aktual dari periode sebelumnya, atau Dapat diperkirakan dengan rata-rata semua atau sebagian data masa lalu Beberapa heuristik ada untuk menghitung perkiraan awal Misalnya, heuristik N 2 1 dan alfa 5 akan menghasilkan N dari 3, yang mengindikasikan bahwa pengguna akan rata-rata tiga periode pertama Data untuk mendapatkan perkiraan awal Namun, keakuratan perkiraan awal tidak penting jika seseorang menggunakan data dalam jumlah besar, karena pemulusan eksponensial mengoreksi diri sendiri Mengingat cukup banyak periode data sebelumnya, pemulusan eksponensial pada akhirnya akan membuat koreksi yang cukup untuk mengimbangi Untuk perkiraan awal yang cukup akurat Dengan menggunakan data yang digunakan dalam contoh lain, perkiraan awal 50, dan alfa 7, perkiraan untuk bulan Februari dihitung seperti kedepan Cast 50 Februari 7 45 50 41 5. Selanjutnya, perkiraan untuk perkiraan Maret Baru 41 Maret 5 7 60 41 5 54 45 Proses ini berlanjut sampai peramal mencapai periode yang diinginkan Pada Tabel 4 ini adalah untuk bulan Juni, sejak Permintaan aktual untuk bulan Juni tidak diketahui. Permintaan Demokratis 000 s. Sebuah perpanjangan pemulusan eksponensial dapat digunakan saat data deret waktu menunjukkan tren linier. Metode ini dikenal dengan beberapa ramalan smoothing eksponensial trend perataan modular yang disesuaikan dengan tren termasuk tren FIT dan Holt. Model tanpa penyesuaian, hasil smoothing eksponensial sederhana akan tertinggal tren, yaitu ramalan akan selalu rendah jika trennya meningkat, atau tinggi jika trennya menurun. Dengan model ini ada dua konstanta pemulusan, dan dengan mewakili tren. Komponen. Perpanjangan Model Holt, yang disebut Metode Holt-Winter, mempertimbangkan tren dan musiman Ada dua versi, multiplikatif dan aditif, dengan multiplicative yang paling banyak digunakan. D Dalam model aditif, musiman diekspresikan sebagai kuantitas yang akan ditambahkan atau dikurangkan dari rata-rata seri. Model perkalian menunjukkan musim musiman sebagai persentase yang dikenal sebagai kerabat musiman atau indeks musiman rata-rata atau tren. Nilai ini kemudian dikalikan dengan nilai dalam urutan Untuk menggabungkan musiman A relatif dari 0 8 akan mengindikasikan permintaan yaitu 80 persen dari rata-rata, sementara 1 10 akan mengindikasikan permintaan yaitu 10 persen di atas rata-rata Informasi terperinci mengenai metode ini dapat ditemukan di sebagian besar buku teks manajemen operasi atau satu dari sejumlah Buku tentang peramalan. Teknik asosiatif atau kausal melibatkan identifikasi variabel yang dapat digunakan untuk memprediksi variabel bunga lainnya. Misalnya, suku bunga dapat digunakan untuk meramalkan permintaan refinancing rumah Biasanya, ini melibatkan penggunaan regresi linier, di mana Tujuannya adalah untuk mengembangkan sebuah persamaan yang merangkum efek dari variabel independen prediktor pada th E variabel dependen yang diperkirakan Jika variabel prediktor diplot, objeknya adalah untuk mendapatkan persamaan garis lurus yang meminimalkan jumlah penyimpangan kuadrat dari garis dengan penyimpangan adalah jarak dari setiap titik ke garis. Persamaan tersebut akan muncul sebagai Ya bx, dimana y adalah variabel dependen yang diprediksi, x adalah variabel bebas prediktor, b adalah kemiringan garis, dan a sama dengan tinggi garis pada intercept y Setelah persamaan ditentukan, pengguna dapat Masukkan nilai saat ini untuk variabel independen prediktor hingga mencapai variabel dependen perkiraan. Jika ada lebih dari satu variabel prediktor atau jika hubungan antara prediktor dan ramalan tidak linier, regresi linier sederhana tidak akan memadai. Untuk situasi dengan banyak prediktor, regresi berganda Harus dipekerjakan, sementara hubungan non linier memerlukan penggunaan regresi curvilinear. METODE EKONOMETRIK. Metode koordinat, seperti autoregresif Model ARIMA moving average yang terintegrasi, menggunakan persamaan matematis yang kompleks untuk menunjukkan hubungan masa lalu antara permintaan dan variabel yang mempengaruhi permintaan. Persamaan diturunkan dan kemudian diuji dan disesuaikan untuk memastikan bahwa itu dapat diandalkan representasi dari hubungan masa lalu mungkin Sekali Hal ini dilakukan, proyeksi nilai variabel yang mempengaruhi pendapatan, harga, dll dimasukkan ke dalam persamaan untuk membuat perkiraan. METODE PENILAIAN FORECASTS. Untuk akurasi dapat ditentukan dengan menghitung bias, mean deviasi absolut MAD, mean square error MSE, atau mean Kesalahan persen absolut MAPE untuk perkiraan menggunakan nilai yang berbeda untuk alpha Bias adalah penjumlahan dari kesalahan perkiraan FE Untuk contoh smoothing eksponensial di atas, bias yang dihitung adalah 60 41 5 72 54 45 58 66 74 40 60 62 6 69. Jika satu Mengasumsikan bahwa bias rendah menunjukkan kesalahan perkiraan secara keseluruhan rendah, seseorang dapat menghitung bias untuk sejumlah nilai potensial alpha dan berasumsi bahwa yang memiliki bias terendah akan b E yang paling akurat Namun, kehati-hatian harus diperhatikan dalam ramalan yang tidak akurat tersebut dapat menghasilkan bias rendah jika mereka cenderung mengalami perkiraan dan perkiraan awal negatif dan positif. Misalnya, selama tiga periode, perusahaan dapat menggunakan nilai alfa tertentu untuk Lebih dari perkiraan 75.000 unit 75.000, di bawah perkiraan 100.000 unit 100.000, dan kemudian diperkirakan lebih dari 25.000 unit 25.000, menghasilkan bias nol 75.000 100.000 25.000 0 Sebagai perbandingan, alpha lain menghasilkan perkiraan dari 2.000 unit, 1.000 unit, dan 3.000 unit Akan menghasilkan bias 5.000 unit Jika permintaan normal 100.000 unit per periode, alfa pertama akan menghasilkan perkiraan yang turun sebanyak 100 persen sementara alpha kedua akan turun maksimal 3 persen, meskipun Bias pada perkiraan pertama adalah zero. Sebuah ukuran yang lebih aman dari perkiraan akurasi adalah mean deviasi absolut MAD Untuk menghitung MAD, peramal menentukan nilai absolut dari kesalahan perkiraan dan kemudian membaginya dengan Jumlah prakiraan FE N Dengan mengambil nilai absolut dari kesalahan perkiraan, offset nilai positif dan negatif dihindari Ini berarti bahwa perkiraan di atas 50 dan perkiraan di bawah 50 dinihari dengan 50 Menggunakan data dari eksponensial Contoh smoothing, MAD dapat dihitung sebagai berikut 60 41 5 72 54 45 58 66 74 40 60 62 4 16 35 Oleh karena itu, peramal tersebut rata-rata mencapai 16 35 unit per perkiraan Bila dibandingkan dengan hasil alfa lainnya, peramal akan Ketahuilah bahwa alfa dengan MAD terendah menghasilkan ramalan paling akurat. Kesalahan kuadrat minimum MSE juga dapat digunakan dengan cara yang sama MSE adalah jumlah kesalahan perkiraan kuadrat dibagi dengan N-1 FE N-1 Squaring kesalahan perkiraan menghilangkan Kemungkinan mengimbangi angka negatif, karena tidak ada hasilnya yang negatif. Memanfaatkan data yang sama seperti di atas, MSE akan menjadi 18 5 17 55 8 74 20 62 3 383 94 Seperti pada MAD, peramal dapat membandingkan MSE perkiraan yang diturunkan Menggunakan berbagai va Lues alfa dan asumsikan alfa dengan MSE paling rendah menghasilkan ramalan paling akurat. Kesalahan persentase absolut absolut MAPE adalah kesalahan persentase absolut rata-rata Untuk sampai pada MAPE seseorang harus memperhitungkan jumlah rasio antara kesalahan perkiraan dan waktu permintaan aktual 100 untuk mendapatkan persentase dan bagi dengan N Perkiraan permintaan aktual Permintaan aktual 100 N Dengan menggunakan data dari contoh smoothing eksponensial, MAPE dapat dihitung sebagai berikut 18 5 60 17 55 72 8 74 58 20 62 48 100 4 28 33 Seperti pada MAD Dan MSE, semakin rendah kesalahan relatif ramalan yang lebih akurat. Perlu dicatat bahwa dalam beberapa kasus kemampuan ramalan untuk berubah dengan cepat untuk merespons perubahan pola data dianggap lebih penting daripada akurasi. Oleh karena itu, pilihan satu s Metode peramalan harus mencerminkan keseimbangan kepentingan antara ketepatan dan ketanggapan relatif, seperti yang ditentukan oleh peramal. MAKING FORECAST. William J Stevenson mencantumkan hal-hal berikut sebagai langkah dasar di foreca Proses menyengat. Menentukan perkiraan tujuan Faktor-faktor seperti bagaimana dan kapan ramalan akan digunakan, tingkat akurasi yang dibutuhkan, dan tingkat detail yang diinginkan menentukan waktu biaya, uang, karyawan yang bisa dipersembahkan untuk ramalan dan jenisnya. Metode peramalan yang akan digunakan. Menetapkan cakrawala waktu Hal ini terjadi setelah seseorang menentukan tujuan perkiraan Perkiraan jangka panjang memerlukan cakrawala waktu yang lebih lama dan sebaliknya Akurasi lagi menjadi pertimbangan. Pilih teknik peramalan Teknik yang dipilih bergantung pada tujuan Dari perkiraan, cakrawala waktu yang diinginkan, dan biaya yang diijinkan. Mengumpulkan dan menganalisis data Jumlah dan jenis data yang dibutuhkan diatur oleh perkiraan tujuan, teknik peramalan yang dipilih, dan pertimbangan biaya. Pikirkan perkiraan. Pantau perkiraan Evaluasi kinerja ramalan dan modifikasi, jika perlu. PEMBACAAN LEBIH LANJUT. Finch, Byron J Operations Now Profitability, Processes, Performance 2 ed Boston McGraw-H Sakit Irwin, 2006.Green, William H Analisis Ekonometrik 5 ed Upper Saddle River, NJ Prentice Hall, 2003.Joppe, Dr Marion Teknik Kelompok Nominal Proses Penelitian yang Tersedia from. Stevenson, William J Operations Management 8 ed Boston McGraw-Hill Irwin , 2005. Juga baca artikel tentang Peramalan dari Wikipedia. Contoh Perhitungan Prakiraan. Metode Perkiraan Forecast 1. Beberapa metode untuk menghitung perkiraan tersedia. Sebagian besar metode ini menyediakan kontrol pengguna yang terbatas. Misalnya, bobot yang ditempatkan pada data historis terkini atau Rentang tanggal data historis yang digunakan dalam perhitungan dapat ditentukan Contoh berikut menunjukkan prosedur perhitungan untuk masing-masing metode peramalan yang ada, dengan data set historis yang identik. Contoh berikut menggunakan data penjualan 2004 dan 2005 yang sama untuk menghasilkan tahun 2006 Perkiraan penjualan Selain perhitungan perkiraan, masing-masing contoh mencakup perkiraan simulasi tahun 2004 untuk periode tiga bulan periode pemrosesan optio N 19 3 yang kemudian digunakan untuk persen ketepatan dan mean perhitungan deviasi absolut penjualan aktual dibandingkan dengan perkiraan simulasi. 2 Kriteria Penilaian Kinerja Perkiraan Perkiraan. Tergantung pada pilihan pilihan pemrosesan dan pada tren dan pola yang ada dalam data penjualan, beberapa Metode peramalan akan berkinerja lebih baik daripada yang lain untuk kumpulan data historis tertentu Metode peramalan yang sesuai untuk satu produk mungkin tidak sesuai untuk produk lain. Kemungkinan juga metode peramalan yang memberikan hasil yang baik pada satu tahap siklus hidup produk. Akan tetap sesuai sepanjang keseluruhan siklus hidup. Anda dapat memilih antara dua metode untuk mengevaluasi kinerja metode peramalan saat ini. Ini adalah Mean Absolute Deviation MAD dan Proscent of Accuracy POA Kedua metode evaluasi kinerja ini memerlukan data penjualan historis untuk periode yang ditentukan pengguna. Waktu Jangka waktu ini disebut periode holdout atau periode yang paling sesuai PBF dat A dalam periode ini digunakan sebagai dasar untuk merekomendasikan metode peramalan mana yang akan digunakan dalam membuat perkiraan proyeksi berikutnya. Rekomendasi ini khusus untuk setiap produk, dan dapat berubah dari satu perkiraan generasi ke generasi berikutnya. Metode evaluasi kinerja perkiraan dua ditunjukkan Di halaman berikut contoh dari dua belas metode peramalan. 3 Metode 1 - Persentase Tertentu Selama Tahun Lalu. Metode ini mengalikan data penjualan dari tahun sebelumnya dengan faktor yang ditentukan pengguna misalnya, 1 10 untuk kenaikan 10, atau 0 97 Untuk penurunan 3. Riwayat penjualan yang diperlukan Satu tahun untuk menghitung perkiraan ditambah jumlah periode waktu yang ditentukan pengguna untuk mengevaluasi opsi pemrosesan kinerja perkiraan 19.A 4 1 Perhitungan Forecast. Range sejarah penjualan yang digunakan untuk menghitung opsi pemrosesan faktor pertumbuhan 2a 3 Dalam contoh ini. Selama tiga bulan terakhir tahun 2005 114 119 137 370.Sum tiga bulan yang sama untuk tahun sebelumnya 123 139 133 395. Faktor perhitungan 370 3 95 0 9367.Menghitung ramalan. Sebuah bulan Januari 2005 penjualan 128 0 9367 119 8036 atau sekitar 120.Februari, 2005 penjualan 117 0 9367 109 5939 atau sekitar 110. Maret 2005 penjualan 115 0 9367 107 7205 atau sekitar 108.A 4 2 Simulated Forecast Calculation. Sum tiga bulan di tahun 2005 sebelum periode holdout Juli, Agustus, Sept.129 140 131 400.Sum tiga bulan yang sama untuk tahun sebelumnya.141 128 118 387. Faktor yang dihitung 400 387 1 033591731.Chalulasi simulasi Forecast. October, 2004 sales 123 1 033591731 127 13178.November, 2004 penjualan 139 1 033591731 143 66925.Desember, 2004 penjualan 133 1 033591731 137 4677.A 4 3 Persen Perhitungan Akurasi. POA 127 13178 143 66925 137 4677 114 119 137 100 408 26873 370 100 110 3429.A 4 4 Perhitungan Deviasi Absolut rata-rata. MAD 127 13178 - 114 143 66925 - 119 137 4677- 137 3 13 13178 24 66925 0 4677 3 12 75624.A 5 Metode 3 - Tahun lalu sampai tahun ini . Metode ini menyalin data penjualan dari tahun sebelumnya ke tahun depan. Riwayat penjualan yang Diperlukan Satu tahun untuk menghitung ramalan Ditambah dengan jumlah periode waktu yang ditentukan untuk mengevaluasi opsi pemrosesan kinerja perkiraan 19.A 6 1 Prakiraan Perhitungan. Jumlah periode yang harus disertakan dalam opsi pemrosesan rata-rata 4a 3 pada contoh ini. Untuk setiap bulan perkiraan, rata-rata tiga bulan sebelumnya S data. Januari ramalan 114 119 137 370, 370 3 123 333 atau 123. Ramalan februari 119 137 123 379, 379 3 126 333 atau 126.Mesin besar 137 123 126 379, 386 3 128 667 atau 129.A 6 2 Perkiraan simulasi Perhitungan. Oktober 2005 penjualan 129 140 131 3 133 3333.November 2005 penjualan 140 131 114 3 128 3333.December 2005 penjualan 131 114 119 3 121 3333.A 6 3 Persen Perhitungan Akurasi. POA 133 3333 128 3333 121 3333 114 119 137 100 103 513.A 6 4 Perhitungan Deviasi Mutlak Rata-rata. MAD 133 3333 - 114 128 3333 - 119 121 3333 - 137 3 14 7777.A 7 Metode 5 - Pendekatan Linier. Perkiraan Waktu menghitung tren berdasarkan dua titik data penjualan historis. Kedua titik tersebut menentukan garis lurus yang diproyeksikan ke f Gunakan metode ini dengan hati-hati, perkiraan jangka panjang diimbangi oleh perubahan kecil hanya dalam dua titik data. Riwayat penjualan yang disyaratkan Jumlah periode yang termasuk dalam opsi pemrosesan regresi 5a, ditambah 1 ditambah jumlah periode waktu untuk mengevaluasi peramalan kinerja perkiraan Pilihan 19.A 8 1 Forecast Calculation. Number periode untuk dimasukkan dalam opsi pemrosesan regresi 6a 3 pada contoh ini. Untuk setiap bulan perkiraan, tambahkan kenaikan atau penurunan selama periode yang ditentukan sebelum periode holdout periode sebelumnya. Tiga bulan sebelumnya 114 119 137 3 123 3333.Summary dari tiga bulan sebelumnya dengan bobot yang dipertimbangkan. 114 1 119 2 137 3 763.Menuarkan antara nilai. 763 - 123 3333 1 2 3 23.Rasio 1 2 2 2 3 2 - 2 3 14 - 12 2.Value1 Rasio Selisih 23 2 11 5.Value2 Rasio average - value1 123 3333 - 11 5 2 100 3333.Forecast 1 n value1 Nilai2 4 11 5 100 3333 146 333 atau 146.Forecast 5 11 5 100 3333 157 8333 atau 158.Forecast 6 11 5 100 3333 169 3333 atau 169.A 8 2 Perhitungan Prakiraan Simulasi. Penjualan Oktober 2004. Rata-rata tiga bulan sebelumnya . 129 140 131 3 133 3333.Summary dari tiga bulan sebelumnya dengan berat dipertimbangkan. 129 1 140 2 131 3 802.Difference antara nilai-nilai. 802 - 133 3333 1 2 3 2.Rasio 1 2 2 2 3 2 - 2 3 14 - 12 2.Value1 Rasio Selisih 2 2 1.Value2 Rasio average - value1 133 3333 - 1 2 131 3333.Forecast 1 n value1 value2 4 1 131 3333 135 3333. Penjualan bulan November 2004. Rata-rata tiga bulan sebelumnya. 140 131 114 3 128 3333.Summary dari tiga bulan sebelumnya dengan berat dipertimbangkan. 140 1 131 2 114 3 744.Differensi antara nilai 744 - 128 3333 1 2 3 -25 9999.Value1 Rasio Selisih -25 9999 2 -12 9999.Value2 Rasio average - value1 128 3333 - -12 9999 2 154 3333.Forecast 4 -12 9999 154 3333 102 3333.Desember 2004 penjualan. Rata-rata tiga bulan sebelumnya. 131 114 119 3 121 3333.Summary dari tiga bulan sebelumnya dengan berat dipertimbangkan. 131 1 114 2 119 3 716. Perbedaan antara nilai. 716 - 121 3333 1 2 3 -11 9999.Value1 Rasio Selisih -11 9999 2 -5 9999.Value2 Rasio average - value1 121 3333 - -5 9999 2 133 3333.Forecast 4 -5 9999 133 3333 109 3333.A 8 3 Persentase Perhitungan Akurasi. POA 135 33 102 33 109 33 114 119 137 100 93 78.A 8 4 Perhitungan Deviasi Absolut Mutual. MAD 135 33 - 114 102 33 - 119 109 33 - 137 3 21 88.A 9 Metode 7 - Kedua Derajat Approximation. Linear Regression menentukan nilai a dan b dalam ramalan ramalan Y a bX dengan tujuan untuk menyesuaikan garis lurus dengan data sejarah penjualan Pendekatan Derajat Gelombang Kedua serupa Namun, metode ini menentukan nilai a, b, dan c dalam Rumus ramalan Y a bX cX2 dengan tujuan untuk menyesuaikan kurva dengan data riwayat penjualan Metode ini mungkin berguna bila suatu produk berada dalam transisi antara tahap siklus hidup Misalnya, ketika sebuah produk baru bergerak dari pengenalan tahap pertumbuhan , Tren penjualan bisa berakselerasi Karena istilah order kedua, perkiraan bisa cepat mendekati Tak terhingga atau turun ke nol tergantung pada apakah koefisien c positif atau negatif Oleh karena itu, metode ini hanya berguna dalam jangka pendek. Spesifikasi pilot Rumus menemukan a, b, dan c agar sesuai dengan kurva pada tiga titik yang tepat. Opsi pemrosesan 7a, jumlah periode waktu data yang terakumulasi menjadi masing-masing dari tiga titik. Dalam contoh ini n 3 Oleh karena itu, data penjualan aktual untuk bulan April sampai Juni digabungkan ke poin pertama, Q1 Juli sampai September ditambahkan bersamaan untuk menciptakan Q2 , Dan Oktober sampai Desember ke Q3 Kurva akan disesuaikan dengan tiga nilai Q1, Q2, dan Q3. Riwayat penjualan yang disyaratkan 3 n periode untuk menghitung perkiraan ditambah jumlah periode waktu yang diperlukan untuk mengevaluasi kinerja perkiraan PBF. Jumlah Periode untuk memasukkan opsi pemrosesan 7a 3 dalam contoh ini. Gunakan 3 bulan sebelumnya dalam blok tiga bulan. Q1 Apr - Jun 125 122 137 384.Q2 Jul - Sep 129 140 131 400.Q3 Okt - Des 114 119 137 370. Langkah selanjutnya melibatkan c Menguraikan tiga koefisien a, b, dan c yang akan digunakan dalam rumus peramalan Y a bX cX 2. 1 Q1 a bX cX 2 dimana X 1 a b c. 2 Q2 a bX cX 2 dimana X 2 a 2b 4c. 3 Q3 a bX cX 2 dimana X 3 a 3b 9c. Solve tiga persamaan secara simultan untuk menemukan persamaan b, a, dan c. Subtract 1 dari persamaan 2 dan selesaikan untuk b. Substitusikan persamaan ini untuk b ke persamaan 3. 3 Q3 a 3 Q2 - Q1 - 3c c. Finally, ganti persamaan ini untuk a dan b ke dalam persamaan 1. Q3 - Q2 - Q1 - Q2 - Q1 - 3c c Q1 - Q2 - Q2 Q1 - Q2 2. Metode Perkiraan Tingkat Dua menghitung A, b, dan c sebagai berikut: 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 sampai Maret meramalkan X 4. 322 340 - 368 3 294 3 98 per periode. April melalui ramalan Juni X 5. 322 425 - 575 3 57 333 atau 57 per periode. July melalui perkiraan September X 6. 322 510 - 828 3 1 33 atau 1 per periode. Oktober sampai Desember X 7. 322 595 - 1127 3 -70.A 9 2 Perhitungan Prakiraan Simulasi. Oktober, November Dan Desember, 2004 penjualan. Q1 Jan - Mar 360.Q2 Apr - Jun 384.Q3 Juli - Sep 400.a 400 - 3 384 - 360 328.c 400 - 384 360 - 384 2 -4.b 384 - 360 - 3 -4 36. 328 36 4 -4 16 3 136.A 9 3 Persen Perhitungan Akurasi. POA 136 136 136 114 119 137 100 110 27.A 9 4 Perhitungan Deviasi Absolut rata-rata. MAD 136 - 114 136 - 119 136 - 137 3 13 33.A 10 Metode 8 - Metode Fleksibel Metode Fleksibel Persen Lebih dari n Bulan Sebelumnya serupa dengan Metode 1, Persen Selama Tahun Lalu Kedua metode tersebut melipatgandakan data penjualan dari periode waktu sebelumnya oleh faktor yang ditentukan pengguna , Maka proyek yang menuju ke masa depan Dalam metode Persen Selama Tahun Lalu, proyeksi didasarkan pada data dari periode waktu yang sama tahun sebelumnya. Metode Fleksibel menambahkan kemampuan untuk menentukan jangka waktu selain periode yang sama tahun lalu untuk Gunakan sebagai dasar perhitungan. Faktor penggabungan Misalnya, tentukan 1 15 pada opsi pemrosesan 8b untuk meningkatkan data riwayat penjualan sebelumnya dengan periode 15.Base Misalnya, n 3 akan menyebabkan perkiraan pertama didasarkan pada data penjualan di Oktober, 2005. Riwayat penjualan minimum Jumlah pengguna yang ditentukan o F periode kembali ke periode dasar, ditambah jumlah periode waktu yang diperlukan untuk mengevaluasi kinerja perkiraan PBF. A 10 4 Perhitungan Deviasi Absolut rata-rata. MAD 148 - 114 161 - 119 151 - 137 3 30.A 11 Metode 9 - Pindah Berarah Rata-rata. Metode Moving Average Average Moving Average mirip dengan Metode 4, Moving Average MA Namun, dengan Weighted Moving Average Anda dapat menetapkan bobot yang tidak sama dengan data historis Metode ini menghitung rata-rata tertimbang dari sejarah penjualan terakhir sampai pada proyeksi untuk Jangka pendek Data yang lebih baru biasanya diberi bobot lebih besar dari pada data yang lebih tua, jadi ini membuat WMA lebih responsif terhadap pergeseran di tingkat penjualan. Namun, bias perkiraan dan kesalahan sistematis masih terjadi bila sejarah penjualan produk menunjukkan tren yang kuat atau pola musiman. Metode bekerja lebih baik untuk perkiraan perkiraan pendek produk dewasa daripada produk dalam tahap pertumbuhan atau keusangan dari siklus hidup. Dalam jumlah periode riwayat penjualan yang digunakan dalam Perhitungan perkiraan Sebagai contoh, tentukan n 3 pada opsi pemrosesan 9a untuk menggunakan tiga periode terakhir sebagai dasar proyeksi ke periode waktu berikutnya Nilai yang besar untuk n seperti 12 memerlukan lebih banyak riwayat penjualan Ini menghasilkan perkiraan yang stabil , Namun akan lambat untuk mengenali pergeseran tingkat penjualan. Di sisi lain, nilai kecil untuk n seperti 3 akan merespon lebih cepat terhadap pergeseran pada tingkat penjualan, namun ramalan dapat berfluktuasi secara luas sehingga produksi tidak dapat merespons Variasi. Bobot yang ditugaskan pada setiap periode data historis Bobot yang ditugaskan harus berjumlah 1 00 Misalnya, ketika n3, tetapkan bobot 0 6, 0 3, dan 0 1, dengan data terbaru yang menerima bobot terbesar . Riwayat penjualan minimum yang diperlukan n ditambah jumlah periode waktu yang diperlukan untuk mengevaluasi kinerja perkiraan PBF. MAD 133 5 - 114 121 7 - 119 118 7 - 137 3 13 5.A 12 Metode 10 - Linear Smoothing. Metode ini serupa dengan Metode 9, Rata-rata Bergerak Rata-rata WMA Bagaimana Pernah, alih-alih secara sembarangan menetapkan bobot pada data historis, formula digunakan untuk menetapkan bobot yang menurun secara linear dan jumlah menjadi 1 00 Metode tersebut kemudian menghitung rata-rata tertimbang dari sejarah penjualan terakhir sampai pada proyeksi untuk jangka pendek. Dari semua teknik peramalan rata-rata bergerak linear, prakiraan bias dan kesalahan sistematis terjadi ketika sejarah penjualan produk menunjukkan tren yang kuat atau pola musiman. Metode ini bekerja lebih baik untuk perkiraan perkiraan pendek produk dewasa daripada produk pada tahap pertumbuhan atau keusangan kehidupan. Siklus. n jumlah periode sejarah penjualan yang akan digunakan dalam perhitungan perkiraan Ini ditentukan dalam opsi pemrosesan 10a Sebagai contoh, tentukan n 3 pada opsi pemrosesan 10b untuk menggunakan tiga periode terakhir sebagai dasar proyeksi ke dalam Periode waktu berikutnya Sistem akan secara otomatis menetapkan bobot ke data historis yang menurun secara linear dan jumlah menjadi 1 00 Misalnya, ketika n 3, s Ystem akan menetapkan bobot 0 5, 0 3333, dan 0 1, dengan data terbaru menerima bobot terbesar. Riwayat penjualan minimum yang diperlukan n ditambah jumlah periode waktu yang diperlukan untuk mengevaluasi perkiraan kinerja PBF. A 12 1 Forecast Calculation. Jumlah periode untuk dimasukkan ke dalam opsi pengolahan rata-rata smoothing 10a 3 pada contoh ini. Rasio untuk satu periode sebelum 3 n 2 n 2 3 3 2 3 2 3 6 0 5. Rasio untuk dua periode sebelumnya 2 n 2 n 2 2 3 2 3 2 2 6 0 3333.Rasio untuk tiga periode sebelum 1 n 2 n 2 1 3 2 3 2 1 6 0 1666.Jaduran udara 137 0 5 119 1 3 114 1 6 127 16 atau 127. Ramalan februari 127 0 5 137 1 3 119 1 6 129. Peramalan awal 129 0 5 127 1 3 137 1 6 129 666 atau 130.A 12 2 Perhitungan Prakiraan Simulasi. Oktober 2004 penjualan 129 1 6 140 2 6 131 3 6 133 6666.November 2004 penjualan 140 1 6 131 2 6 114 3 6 124.December 2004 penjualan 131 1 6 114 2 6 119 3 6 119 3333.A 12 3 Persen Perhitungan Akurasi. POA 133 6666 124 119 3333 114 119 137 100 101 891.A 12 4 Perhitungan Deviasi Absolut Rata-rata. MAD 133 6666 - 114 124 - 119 119 3333 - 137 3 14 1111.A 13 Metode 11 - Smoothing Eksponensial. Metoda ini serupa dengan Metode 10, Linear Smoothing Dalam Linear Smoothing sistem memberikan bobot pada data historis yang menurun secara linear. Dalam eksponensial smoothing , Sistem menugaskan bobot yang secara eksponensial membusuk. Persamaan peramalan eksponensial eksponensial adalah. Prakiraan Penjualan Aktual Sebelumnya 1 - perkiraan sebelumnya. Prakiraan adalah rata-rata tertimbang dari penjualan aktual dari periode sebelumnya dan perkiraan dari periode sebelumnya a adalah Berat yang diterapkan pada penjualan aktual untuk periode sebelumnya 1 - a adalah berat yang diterapkan pada perkiraan untuk periode sebelumnya Nilai berlaku untuk kisaran dari 0 sampai 1, dan biasanya turun antara 0 1 dan 0 4 Jumlah bobot adalah 1 00 a 1 - a 1. Anda harus menetapkan nilai untuk konstanta pemulusan, Jika Anda tidak memberikan nilai untuk konstanta pemulusan, sistem menghitung nilai yang diasumsikan berdasarkan jumlah periode spesifikasi penjualan. D dalam opsi pemrosesan 11a. a konstanta pemulusan yang digunakan dalam menghitung rata-rata merapikan untuk tingkat umum atau besarnya penjualan Nilai yang berlaku untuk kisaran 0 sampai 1.n kisaran data riwayat penjualan yang termasuk dalam perhitungan Umumnya satu tahun Data penjualan data sudah cukup untuk memperkirakan tingkat penjualan umum. Untuk contoh ini, nilai kecil untuk nn 3 dipilih untuk mengurangi perhitungan manual yang diperlukan untuk memverifikasi hasil pemulusan eksponensial dapat menghasilkan perkiraan berdasarkan sesedikit satu sejarah. Titik data. Riwayat penjualan minimum yang diperlukan n ditambah jumlah periode waktu yang diperlukan untuk mengevaluasi perkiraan kinerja PBF. A 13 1 Prakiraan Perhitungan. Jumlah periode untuk disertakan dalam opsi pemrosesan rata-rata pemulusan 11a 3, dan opsi pemrosesan alfa faktor 11b kosong dalam hal ini Contoh. Faktor untuk data penjualan tertua 2 1 1, atau 1 bila alpha ditentukan. Faktor untuk data penjualan tertua ke 2 2 1 2, atau alfa saat alpha ditentukan. Untuk data penjualan tertua ke-3 2 1 3, atau alfa saat alpha ditentukan. Faktor untuk data penjualan terbaru 2 1 n, atau alfa saat alfa ditentukan. Rata-rata Sm Rata-rata pada bulan Oktober Aktual 1 - a Oktober Sm Avg 1 114 0 0 114.December Sm Rata-rata November Aktual 1 - November Sm Avg 2 3 119 1 3 114 117 3333.January Forecast a Desember Actual 1 - a Desember Sm Avg 2 4 137 2 4 117 3333 127 16665 atau 127.Februari Forecast Prakiraan Januari 127. Ramalan Bulan Januari Prakiraan 127.A 13 2 Perkiraan Prakiraan Simulasi. 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 penjualan 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 penjualan Sep Sm Avg 119 3333.A 13 3 Persen Dari Akurasi Calcula Tion. POA 133 6666 124 119 3333 114 119 137 100 101 891.A 13 4 Perhitungan Deviasi Absolut rata-rata. MAD 133 6666 - 114 124 - 119 119 3333 - 137 3 14 1111.A 14 Metode 12 - Eksploitasi eksponensial dengan Trend dan Seasonal . Metode ini mirip dengan Metode 11, Exponential Smoothing karena rata-rata penghitungan dihitung. Namun, Metode 12 juga mencakup sebuah istilah dalam persamaan peramalan untuk menghitung tren yang merapikan Perkiraan ini terdiri dari rata-rata merapikan yang disesuaikan untuk tren linier Bila ditentukan Dalam opsi pemrosesan, ramalan juga disesuaikan untuk seasonality. a konstanta pemulusan yang digunakan dalam menghitung rata-rata merapikan untuk tingkat umum atau besarnya penjualan Nilai yang valid untuk rentang alfa dari 0 sampai 1.b konstanta pemulusan yang digunakan dalam menghitung perataan Rata-rata untuk komponen tren perkiraan Nilai berlaku untuk rentang beta dari 0 sampai 1.Apakah indeks musiman diterapkan pada perkiraan. a dan b saling bergantung satu sama lain Mereka tidak perlu menambahkan ke 1 0.Min Imum membutuhkan riwayat penjualan dua tahun ditambah jumlah periode waktu yang diperlukan untuk mengevaluasi kinerja perkiraan PBF. Metode 12 menggunakan dua persamaan perataan eksponensial dan satu rata-rata sederhana untuk menghitung rata-rata merapikan, tren yang merapikan, dan faktor musiman rata-rata yang sederhana. 1 Prakiraan Prakiraan. Rata-rata yang merata secara eksponensial. MAD 122 81 - 114 133 14 - 119 135 33 - 137 3 8 2.A 15 Mengevaluasi Prakiraan. Anda dapat memilih metode peramalan untuk menghasilkan sebanyak dua belas perkiraan setiap produk Setiap peramalan Metode mungkin akan membuat proyeksi yang sedikit berbeda Bila ribuan produk diperkirakan, tidak praktis membuat keputusan subjektif mengenai prakiraan mana yang akan digunakan dalam rencana Anda untuk masing-masing produk. Sistem ini secara otomatis mengevaluasi kinerja setiap metode peramalan. Yang Anda pilih, dan untuk setiap perkiraan produk Anda dapat memilih di antara dua kriteria kinerja, Mean Absolute Deviation MAD dan Persen of Accur Acy POA MAD adalah ukuran kesalahan perkiraan POA adalah ukuran perkiraan bias Kedua teknik evaluasi kinerja ini memerlukan data riwayat penjualan aktual untuk jangka waktu yang ditentukan pengguna Periode sejarah terkini ini disebut periode holdout atau periode yang paling sesuai dengan PBF. Untuk mengukur kinerja metode peramalan, gunakan rumus perkiraan untuk mensimulasikan perkiraan periode penahanan historis Biasanya akan ada perbedaan antara data penjualan aktual dan perkiraan simulasi untuk periode holdout. Bila beberapa metode perkiraan dipilih, proses yang sama ini Terjadi untuk setiap metode Beberapa perkiraan dihitung untuk periode holdout, dan dibandingkan dengan riwayat penjualan yang diketahui untuk periode waktu yang sama. Metode peramalan yang menghasilkan kecocokan terbaik paling sesuai antara perkiraan dan penjualan aktual selama periode holdout direkomendasikan untuk digunakan. Dalam rencana Anda Rekomendasi ini khusus untuk setiap produk, dan mungkin berubah dari satu generasi perkiraan ke ne Xt. A 16 Mean Mutlak Deviasi MAD. MAD adalah rata-rata atau rata-rata nilai absolut atau besarnya penyimpangan atau kesalahan antara data aktual dan perkiraan MAD adalah ukuran dari besaran rata-rata kesalahan yang diharapkan, dengan metode peramalan dan data Sejarah Karena nilai absolut digunakan dalam perhitungan, kesalahan positif tidak membatalkan kesalahan negatif Saat membandingkan beberapa metode peramalan, yang satu dengan MAD terkecil telah terbukti paling dapat diandalkan untuk produk tersebut selama periode holdout Ketika perkiraan tidak bias dan Kesalahan biasanya terdistribusi, ada hubungan matematis sederhana antara MAD dan dua ukuran distribusi umum lainnya, standar deviasi dan Mean Squared Error. A 16 1 Persen Akurasi POA. Percent of Accuracy POA adalah ukuran prakiraan bias Bila prakiraan konsisten Terlalu tinggi, persediaan terakumulasi dan biaya persediaan meningkat Bila perkiraan secara konsisten dua rendah, persediaan dikonsumsi dan penurunan layanan pelanggan Sebuah perkiraan yang 10 unit terlalu rendah, maka 8 unit terlalu tinggi, maka 2 unit terlalu tinggi, akan menjadi perkiraan yang tidak bias. Kesalahan positif 10 dibatalkan oleh kesalahan negatif 8 dan 2.Error Actual - Forecast. Ketika sebuah produk Dapat disimpan dalam persediaan, dan ketika perkiraan tidak bias, sejumlah kecil stok pengaman dapat digunakan untuk menyangga kesalahan Dalam situasi ini, tidak begitu penting untuk menghilangkan kesalahan perkiraan karena menghasilkan prakiraan yang tidak merata Namun dalam industri jasa , Situasi di atas akan dipandang sebagai tiga kesalahan Layanan akan kekurangan tenaga pada periode pertama, kemudian kelebihan pegawai untuk dua periode berikutnya Dalam layanan, besarnya kesalahan perkiraan biasanya lebih penting daripada perkiraan bias. Penjumlahan selama periode holdout Memungkinkan kesalahan positif untuk membatalkan kesalahan negatif Bila total penjualan aktual melebihi jumlah perkiraan penjualan, rasionya lebih besar dari 100 Tentu saja, tidak mungkin lebih dari 100 akurat Bila perkiraan adalah unbias Ed, rasio POA akan menjadi 100 Oleh karena itu, lebih diharapkan 95 akurat daripada menjadi akurat. Kriteria POA memilih metode peramalan yang memiliki rasio POA paling mendekati 100.Scripting pada halaman ini meningkatkan navigasi konten, namun tidak Ubahlah isinya dengan cara apa pun.3 Memahami Tingkat dan Metode Ramalan. Anda dapat menghasilkan prakiraan item detail dan prakiraan produk ringkasan yang mencerminkan pola permintaan produk Sistem ini menganalisis penjualan terakhir untuk menghitung perkiraan dengan menggunakan 12 metode peramalan Prakiraan meliputi informasi detail Pada tingkat item dan informasi tingkat yang lebih tinggi tentang cabang atau perusahaan secara keseluruhan.3 1 Kriteria Evaluasi Kinerja Perkiraan. Tergantung pada pemilihan opsi pemrosesan dan pada tren dan pola dalam data penjualan, beberapa metode peramalan berperforma lebih baik daripada yang lain untuk Kumpulan data historis tertentu Metode peramalan yang sesuai untuk satu produk mungkin tidak sesuai untuk produk lain Anda mungkin Temukan bahwa metode peramalan yang memberikan hasil yang baik pada satu tahap siklus hidup produk tetap sesuai sepanjang keseluruhan siklus hidup. Anda dapat memilih antara dua metode untuk mengevaluasi kinerja metode peramalan saat ini. Ketelitian akurasi POA. Mean deviasi mutlak MAD . Kedua metode evaluasi kinerja ini memerlukan data penjualan historis untuk periode yang Anda tentukan Periode ini disebut periode holdout atau periode yang paling sesuai. Data pada periode ini digunakan sebagai dasar untuk merekomendasikan metode peramalan mana yang akan digunakan dalam pembuatan berikutnya. Perkiraan proyeksi Rekomendasi ini khusus untuk masing-masing produk dan dapat berubah dari satu ramalan generasi ke depan. 1 Sistem Fit Terbaik merekomendasikan perkiraan cuaca terbaik dengan menerapkan metode peramalan yang dipilih ke riwayat penjualan terakhir dan membandingkan perkiraan simulasi dengan Sejarah sebenarnya Ketika Anda menghasilkan ramalan yang paling sesuai, sistem ini membandingkan riwayat penjualan aktual dengan perkiraan untuk a Periode waktu tertentu dan menghitung seberapa akurat setiap metode peramalan yang berbeda memprediksi penjualan Kemudian sistem merekomendasikan ramalan yang paling akurat sebagai yang paling sesuai Grafik ini menggambarkan perkiraan yang paling tepat. Gambar 3-1 perkiraan terbaik. Sistem ini menggunakan urutan langkah-langkah ini untuk menentukan Paling baik. Gunakan setiap metode yang ditentukan untuk mensimulasikan perkiraan periode holdout aktual penjualan aktual ke perkiraan simulasi untuk periode bertahan. Hitunglah POA atau MAD untuk menentukan metode peramalan mana yang paling sesuai dengan penjualan aktual sebelumnya. Sistem ini menggunakan POA Atau MAD, berdasarkan pilihan pemrosesan yang Anda pilih. Rekomendasikan ramalan terbaik yang sesuai oleh POA yang paling dekat dengan 100 persen di atas atau di bawah atau MAD yang paling dekat dengan metode peramalan zero.3 2. Edwards EnterpriseOne Forecast Management menggunakan 12 Metode untuk peramalan kuantitatif dan menunjukkan metode mana yang paling sesuai untuk situasi peramalan. Bagian ini membahas. Metode 1 Persen Lebih dari La St Year. Method 2 Menghitung Persen Selama Tahun Terakhir. Metode 3 Tahun Terakhir sampai Tahun Ini. Metode 4 Bergerak Rata-rata. Metode 5 Pendekatan Linier. Metode 6 Regresi Kuadrat Terkecil. Metode 7 Pendekatan Derajat Milik Kedua. Metode 8 Metode Fleksibel. Metode 9 Pindah Berukuran Rata-rata. Metode 10 Linear Smoothing. Metode 11 Exponential Smoothing. Metode 12 Eksponensial Smoothing dengan Trend dan Seasonality. Specify metode yang ingin Anda gunakan dalam opsi pemrosesan untuk program Forecast Generation R34650 Sebagian besar metode ini memberikan kontrol terbatas Misalnya, Berat yang ditempatkan pada data historis terkini atau rentang tanggal data historis yang digunakan dalam perhitungan dapat ditentukan oleh Anda. Contoh dalam panduan ini menunjukkan prosedur perhitungan untuk masing-masing metode peramalan yang ada, dengan data set identik. Contoh metode dalam panduan menggunakan sebagian atau seluruh kumpulan data ini, yang merupakan data historis dari dua tahun terakhir Proyeksi proyeksi berlanjut ke yea berikutnya. Data riwayat penjualan ini stabil dengan kenaikan musiman yang kecil di bulan Juli dan Desember Pola ini merupakan karakteristik produk dewasa yang mungkin mendekati keusangan.3 2 1 Metode 1 Persen sepanjang tahun lalu. Metode ini menggunakan rumus Persen Selama Tahun Terakhir untuk Perbanyak setiap periode perkiraan dengan persentase kenaikan atau penurunan yang ditentukan. Untuk meramalkan permintaan, metode ini memerlukan jumlah periode yang paling sesuai dan satu tahun riwayat penjualan. Metode ini berguna untuk meramalkan permintaan item musiman dengan pertumbuhan atau penurunan.3 2 1 1 Contoh Metode 1 Persen sepanjang tahun lalu. Persen di atas formula tahun lalu mengalikan data penjualan dari tahun sebelumnya dengan faktor yang Anda tentukan dan kemudian proyek yang dihasilkan selama tahun depan Metode ini mungkin berguna dalam penganggaran untuk mensimulasikan pengaruh Tingkat pertumbuhan yang ditentukan atau ketika riwayat penjualan memiliki komponen musiman yang signifikan. Spesifikasi pendahuluan Faktor perkalian Misalnya, tentukan 110 pada opsi pemrosesan untuk meningkatkan e the previous year s sales history data by 10 percent. Required sales history One year for calculating the forecast, plus the number of time periods that are required for evaluating the forecast performance periods of best fit that you specify. This table is history used in the forecast calculation. February forecast equals 117 1 1 128 7 rounded to 129.March forecast equals 115 1 1 126 5 rounded to 127.3 2 2 Method 2 Calculated Percent Over Last Year. This method uses the Calculated Percent Over Last Year formula to compare the past sales of specified periods to sales from the same periods of the previous year The system determines a percentage increase or decrease, and then multiplies each period by the percentage to determine the forecast. To forecast demand, this method requires the number of periods of sales order history plus one year of sales history This method is useful to forecast short term demand for seasonal items with growth or decline.3 2 2 1 Example Method 2 Calculated Perce nt Over Last Year. The Calculated Percent Over Last Year formula multiplies sales data from the previous year by a factor that is calculated by the system, and then it projects that result for the next year This method might be useful in projecting the affect of extending the recent growth rate for a product into the next year while preserving a seasonal pattern that is present in sales history. Forecast specifications Range of sales history to use in calculating the rate of growth For example, specify n equals 4 in the processing option to compare sales history for the most recent four periods to those same four periods of the previous year Use the calculated ratio to make the projection for the next year. Required sales history One year for calculating the forecast plus the number of time periods that are required for evaluating the forecast performance periods of best fit. This table is history used in the forecast calculation, given n 4.February forecast equals 117 0 9766 114 26 rounde d to 114.March forecast equals 115 0 9766 112 31 rounded to 112.3 2 3 Method 3 Last Year to This Year. This method uses last year s sales for the next year s forecast. To forecast demand, this method requires the number of periods best fit plus one year of sales order history This method is useful to forecast demand for mature products with level demand or seasonal demand without a trend.3 2 3 1 Example Method 3 Last Year to This Year. The Last Year to This Year formula copies sales data from the previous year to the next year This method might be useful in budgeting to simulate sales at the present level The product is mature and has no trend over the long run, but a significant seasonal demand pattern might exist. Forecast specifications None. Required sales history One year for calculating the forecast plus the number of time periods that are required for evaluating the forecast performance periods of best fit. This table is history used in the forecast calculation. January forecast equals January of last year with a forecast value of 128.February forecast equals February of last year with a forecast value of 117.March forecast equals March of last year with a forecast value of 115.3 2 4 Method 4 Moving Average. This method uses the Moving Average formula to average the specified number of periods to project the next period You should recalculate it often monthly, or at least quarterly to reflect changing demand level. To forecast demand, this method requires the number of periods best fit plus the number of periods of sales order history This method is useful to forecast demand for mature products without a trend.3 2 4 1 Example Method 4 Moving Average. Moving Average MA is a popular method for averaging the results of recent sales history to determine a projection for the short term The MA forecast method lags behind trends Forecast bias and systematic errors occur when the product sales history exhibits strong trend or seasonal patterns This method works better for shor t range forecasts of mature products than for products that are in the growth or obsolescence stages of the life cycle. Forecast specifications n equals the number of periods of sales history to use in the forecast calculation For example, specify n 4 in the processing option to use the most recent four periods as the basis for the projection into the next time period A large value for n such as 12 requires more sales history It results in a stable forecast, but is slow to recognize shifts in the level of sales Conversely, a small value for n such as 3 is quicker to respond to shifts in the level of sales, but the forecast might fluctuate so widely that production cannot respond to the variations. Required sales history n plus the number of time periods that are required for evaluating the forecast performance periods of best fit. This table is history used in the forecast calculation. February forecast equals 114 119 137 125 4 123 75 rounded to 124.March forecast equals 119 137 125 124 4 126 25 rounded to 126.3 2 5 Method 5 Linear Approximation. This method uses the Linear Approximation formula to compute a trend from the number of periods of sales order history and to project this trend to the forecast You should recalculate the trend monthly to detect changes in trends. This method requires the number of periods of best fit plus the number of specified periods of sales order history This method is useful to forecast demand for new products, or products with consistent positive or negative trends that are not due to seasonal fluctuations.3 2 5 1 Example Method 5 Linear Approximation. Linear Approximation calculates a trend that is based upon two sales history data points Those two points define a straight trend line that is projected into the future Use this method with caution because long range forecasts are leveraged by small changes in just two data points. Forecast specifications n equals the data point in sales history that is compared to the most recent data point to identify a trend For example, specify n 4 to use the difference between December most recent data and August four periods before December as the basis for calculating the trend. Minimum required sales history n plus 1 plus the number of time periods that are required for evaluating the forecast performance periods of best fit. This table is history used in the forecast calculation. January forecast December of past year 1 Trend which equals 137 1 2 139.February forecast December of past year 1 Trend which equals 137 2 2 141.March forecast December of past year 1 Trend which equals 137 3 2 143.3 2 6 Method 6 Least Squares Regression. The Least Squares Regression LSR method derives an equation describing a straight line relationship between the historical sales data and the passage of time LSR fits a line to the selected range of data so that the sum of the squares of the differences between the actual sales data points and the regression line are minimized The forecast is a projection of this straight line into the future. This method requires sales data history for the period that is represented by the number of periods best fit plus the specified number of historical data periods The minimum requirement is two historical data points This method is useful to forecast demand when a linear trend is in the data.3 2 6 1 Example Method 6 Least Squares Regression. Linear Regression, or Least Squares Regression LSR , is the most popular method for identifying a linear trend in historical sales data The method calculates the values for a and b to be used in the formula. This equation describes a straight line, where Y represents sales and X represents time Linear regression is slow to recognize turning points and step function shifts in demand Linear regression fits a straight line to the data, even when the data is seasonal or better described by a curve When sales history data follows a curve or has a strong seasonal pattern, forecast bias and systematic errors occur. Forecast specifications n equals the periods of sales history that will be used in calculating the values for a and b For example, specify n 4 to use the history from September through December as the basis for the calculations When data is available, a larger n such as n 24 would ordinarily be used LSR defines a line for as few as two data points For this example, a small value for n n 4 was chosen to reduce the manual calculations that are required to verify the results. Minimum required sales history n periods plus the number of time periods that are required for evaluating the forecast performance periods of best fit. This table is history used in the forecast calculation. March forecast equals 119 5 7 2 3 135 6 rounded to 136.3 2 7 Method 7 Second Degree Approximation. To project the forecast, this method uses the Second Degree Approximation formula to plot a curve that is based on the number of periods of sales history. This method requires the number of periods best fit plus the number of pe riods of sales order history times three This method is not useful to forecast demand for a long-term period.3 2 7 1 Example Method 7 Second Degree Approximation. Linear Regression determines values for a and b in the forecast formula Y a b X with the objective of fitting a straight line to the sales history data Second Degree Approximation is similar, but this method determines values for a, b, and c in the this forecast formula. The objective of this method is to fit a curve to the sales history data This method is useful when a product is in the transition between life cycle stages For example, when a new product moves from introduction to growth stages, the sales trend might accelerate Because of the second order term, the forecast can quickly approach infinity or drop to zero depending on whether coefficient c is positive or negative This method is useful only in the short term. Forecast specifications the formula find a, b, and c to fit a curve to exactly three points You specify n, the number of time periods of data to accumulate into each of the three points In this example, n 3 Actual sales data for April through June is combined into the first point, Q1 July through September are added together to create Q2, and October through December sum to Q3 The curve is fitted to the three values Q1, Q2, and Q3.Required sales history 3 n periods for calculating the forecast plus the number of time periods that are required for evaluating the forecast performance periods of best fit. This table is history used in the forecast calculation. Q0 Jan Feb Mar. Q1 Apr May Jun which equals 125 122 137 384.Q2 Jul Aug Sep which equals 140 129 131 400.Q3 Oct Nov Dec which equals 114 119 137 370.The next step involves calculating the three coefficients a, b, and c to be used in the forecasting formula Y a b X c X 2.Q1, Q2, and Q3 are presented on the graphic, where time is plotted on the horizontal axis Q1 represents total historical sales for April, May, and June and is plotted at X 1 Q2 corresponds to July through September Q3 corresponds to October through December and Q4 represents January through March This graphic illustrates the plotting of Q1, Q2, Q3, and Q4 for second degree approximation. Figure 3-2 Plotting Q1, Q2, Q3, and Q4 for second degree approximation. Three equations describe the three points on the graph. 1 Q1 a bX cX 2 where X 1 Q1 a b c. 2 Q2 a bX cX 2 where X 2 Q2 a 2b 4c. 3 Q3 a bX cX 2 where X 3 Q3 a 3b 9c. Solve the three equations simultaneously to find b, a, and c. Subtract equation 1 1 from equation 2 2 and solve for b. Substitute this equation for b into equation 3. 3 Q3 a 3 Q2 Q1 3c 9c a Q3 3 Q2 Q1.Finally, substitute these equations for a and b into equation 1. 1 Q3 3 Q2 Q1 Q2 Q1 3c c Q1.c Q3 Q2 Q1 Q2 2.The Second Degree Approximation method calculates a, b, and c as follows. a Q3 3 Q2 Q1 370 3 400 384 370 3 16 322.b Q2 Q1 3c 400 384 3 23 16 69 85.c Q3 Q2 Q1 Q2 2 370 400 384 400 2 23.This is a calculation of second degree approximation forecast. Y a bX cX 2 322 85X 23 X 2.When X 4, Q4 322 340 368 294 The forecast equals 294 3 98 per period. When X 5, Q5 322 425 575 172 The forecast equals 172 3 58 33 rounded to 57 per period. When X 6, Q6 322 510 828 4 The forecast equals 4 3 1 33 rounded to 1 per period. This is the forecast for next year, Last Year to This Year.3 2 8 Method 8 Flexible Method. This method enables you to select the best fit number of per iods of sales order history that starts n months before the forecast start date, and to apply a percentage increase or decrease multiplication factor with which to modify the forecast This method is similar to Method 1, Percent Over Last Year, except that you can specify the number of periods that you use as the base. Depending on what you select as n, this method requires periods best fit plus the number of periods of sales data that is indicated This method is useful to forecast demand for a planned trend.3 2 8 1 Example Method 8 Flexible Method. The Flexible Method Percent Over n Months Prior is similar to Method 1, Percent Over Last Year Both methods multiply sales data from a previous time period by a factor specified by you, and then project that result into the future In the Percent Over Last Year method, the projection is based on data from the same time period in the previous year You can also use the Flexible Method to specify a time period, other than the same period in the la st year, to use as the basis for the calculations. Multiplication factor For example, specify 110 in the processing option to increase previous sales history data by 10 percent. Base period For example, n 4 causes the first forecast to be based on sales data in September of last year. Minimum required sales history the number of periods back to the base period plus the number of time periods that is required for evaluating the forecast performance periods of best fit. This table is history used in the forecast calculation.3 2 9 Method 9 Weighted Moving Average. The Weighted Moving Average formula is similar to Method 4, Moving Average formula, because it averages the previous month s sales history to project the next month s sales history However, with this formula you can assign weights for each of the prior periods. This method requires the number of weighted periods selected plus the number of periods best fit data Similar to Moving Average, this method lags behind demand trends, so this method is not recommended for products with strong trends or seasonality This method is useful to forecast demand for mature products with demand that is relatively level.3 2 9 1 Example Method 9 Weighted Moving Average. The Weighted Moving Average WMA method is similar to Method 4, Moving Average MA However, you can assign unequal weights to the historical data when using WMA The method calculates a weighted average of recent sales history to arrive at a projection for the short term More recent data is usually assigned a greater weight than older data, so WMA is more responsive to shifts in the level of sales However, forecast bias and systematic errors occur when the product sales history exhibits strong trends or seasonal patterns This method works better for short range forecasts of mature products than for products in the growth or obsolescence stages of the life cycle. The number of periods of sales history n to use in the forecast calculation. For example, specify n 4 in the proce ssing option to use the most recent four periods as the basis for the projection into the next time period A large value for n such as 12 requires more sales history Such a value results in a stable forecast, but it is slow to recognize shifts in the level of sales Conversely, a small value for n such as 3 responds more quickly to shifts in the level of sales, but the forecast might fluctuate so widely that production cannot respond to the variations. The total number of periods for the processing option 14 - periods to include should not exceed 12 months. The weight that is assigned to each of the historical data periods. The assigned weights must total 1 00 For example, when n 4, assign weights of 0 50, 0 25, 0 15, and 0 10 with the most recent data receiving the greatest weight. Minimum required sales history n plus the number of time periods that are required for evaluating the forecast performance periods of best fit. This table is history used in the forecast calculation. January forec ast equals 131 0 10 114 0 15 119 0 25 137 0 50 0 10 0 15 0 25 0 50 128 45 rounded to 128.February forecast equals 114 0 10 119 0 15 137 0 25 128 0 50 1 127 5 rounded to 128.March forecast equals 119 0 10 137 0 15 128 0 25 128 0 50 1 128 45 rounded to 128.3 2 10 Method 10 Linear Smoothing. This method calculates a weighted average of past sales data In the calculation, this method uses the number of periods of sales order history from 1 to 12 that is indicated in the processing option The system uses a mathematical progression to weigh data in the range from the first least weight to the final most weight Then the system projects this information to each period in the forecast. This method requires the month s best fit plus the sales order history for the number of periods that are specified in the processing option.3 2 10 1 Example Method 10 Linear Smoothing. This method is similar to Method 9, WMA However, instead of arbitrarily assigning weights to the historical data, a formula is used to assign weights that decline linearly and sum to 1 00 The method then calculates a weighted average of recent sales history to arrive at a projection for the short term Like all linear moving average forecasting techniques, forecast bias and systematic errors occur when the product sales history exhibits strong trend or seasonal patterns This method works better for short range forecasts of mature products than for products in the growth or obsolescence stages of the life cycle. n equals the number of periods of sales history to use in the forecast calculation For example, specify n equals 4 in the processing option to use the most recent four periods as the basis for the projection into the next time period The system automatically assigns the weights to the historical data that decline linearly and sum to 1 00 For example, when n equals 4, the system assigns weights of 0 4, 0 3, 0 2, and 0 1, with the most recent data receiving the greatest weight. Minimum required sales history n p lus the number of time periods that are required for evaluating the forecast performance periods of best fit. This table is history used in the forecast calculation.3 2 11 Method 11 Exponential Smoothing. This method calculates a smoothed average, which becomes an estimate representing the general level of sales over the selected historical data periods. This method requires sales data history for the time period that is represented by the number of periods best fit plus the number of historical data periods that are specified The minimum requirement is two historical data periods This method is useful to forecast demand when no linear trend is in the data.3 2 11 1 Example Method 11 Exponential Smoothing. This method is similar to Method 10, Linear Smoothing In Linear Smoothing, the system assigns weights that decline linearly to the historical data In Exponential Smoothing, the system assigns weights that exponentially decay The equation for Exponential Smoothing forecasting is. Forecast P revious Actual Sales 1 Previous Forecast. The forecast is a weighted average of the actual sales from the previous period and the forecast from the previous period Alpha is the weight that is applied to the actual sales for the previous period 1 is the weight that is applied to the forecast for the previous period Values for alpha range from 0 to 1 and usually fall between 0 1 and 0 4 The sum of the weights is 1 00 1 1.You should assign a value for the smoothing constant, alpha If you do not assign a value for the smoothing constant, the system calculates an assumed value that is based on the number of periods of sales history that is specified in the processing option. equals the smoothing constant that is used to calculate the smoothed average for the general level or magnitude of sales. Values for alpha range from 0 to 1.n equals the range of sales history data to include in the calculations. Generally, one year of sales history data is sufficient to estimate the general level of sales For this example, a small value for n n 4 was chosen to reduce the manual calculations that are required to verify the results Exponential Smoothing can generate a forecast that is based on as little as one historical data point. Minimum required sales history n plus the number of time periods that are required for evaluating the forecast performance periods of best fit. This table is history used in the forecast calculation.3 2 12 Method 12 Exponential Smoothing with Trend and Seasonality. This method calculates a trend, a seasonal index, and an exponentially smoothed average from the sales order history The system then applies a projection of the trend to the forecast and adjusts for the seasonal index. This method requires the number of periods best fit plus two years of sales data, and is useful for items that have both trend and seasonality in the forecast You can enter the alpha and beta factor, or have the system calculate them Alpha and beta factors are the smoothing constant that the system uses to calculate the smoothed average for the general level or magnitude of sales alpha and the trend component of the forecast beta.3 2 12 1 Example Method 12 Exponential Smoothing with Trend and Seasonality. This method is similar to Method 11, Exponential Smoothing, in that a smoothed average is calculated However, Method 12 also includes a term in the forecasting equation to calculate a smoothed trend The forecast is composed of a smoothed average that is adjusted for a linear trend When specified in the processing option, the forecast is also adjusted for seasonality. Alpha equals the smoothing constant that is used in calculating the smoothed average for the general level or magnitude of sales. Values for alpha range from 0 to 1.Beta equals the smoothing constant that is used in calculating the smoothed average for the trend component of the forecast. Values for beta range from 0 to 1.Whether a seasonal index is applied to the forecast. Alpha and beta are independent of on e another They do not have to sum to 1 0.Minimum required sales history One year plus the number of time periods that are required to evaluate the forecast performance periods of best fit When two or more years of historical data is available, the system uses two years of data in the calculations. Method 12 uses two Exponential Smoothing equations and one simple average to calculate a smoothed average, a smoothed trend, and a simple average seasonal index. An exponentially smoothed average. An exponentially smoothed trend. A simple average seasonal index. Figure 3-3 Simple Average Seasonal Index. The forecast is then calculated by using the results of the three equations. L is the length of seasonality L equals 12 months or 52 weeks. t is the current time period. m is the number of time periods into the future of the forecast. S is the multiplicative seasonal adjustment factor that is indexed to the appropriate time period. This table lists history used in the forecast calculation. This section pr ovides an overview of Forecast Evaluations and discusses. You can select forecasting methods to generate as many as 12 forecasts for each product Each forecasting method might create a slightly different projection When thousands of products are forecast, a subjective decision is impractical regarding which forecast to use in the plans for each product. The system automatically evaluates performance for each forecasting method that you select and for each product that you forecast You can select between two performance criteria MAD and POA MAD is a measure of forecast error POA is a measure of forecast bias Both of these performance evaluation techniques require actual sales history data for a period specified by you The period of recent history used for evaluation is called a holdout period or period of best fit. To measure the performance of a forecasting method, the system. Uses the forecast formulas to simulate a forecast for the historical holdout period. Makes a comparison between the actual sales data and the simulated forecast for the holdout period. When you select multiple forecast methods, this same process occurs for each method Multiple forecasts are calculated for the holdout period and compared to the known sales history for that same period The forecasting method that produces the best match best fit between the forecast and the actual sales during the holdout period is recommended for use in the plans This recommendation is specific to each product and might change each time that you generate a forecast.3 3 1 Mean Absolute Deviation. Mean Absolute Deviation MAD is the mean or average of the absolute values or magnitude of the deviations or errors between actual and forecast data MAD is a measure of the average magnitude of errors to expect, given a forecasting method and data history Because absolute values are used in the calculation, positive errors do not cancel out negative errors When comparing several forecasting methods, the one with the smallest MA D is the most reliable for that product for that holdout period When the forecast is unbiased and errors are normally distributed, a simple mathematical relationship exists between MAD and two other common measures of distribution, which are standard deviation and Mean Squared Error For example. MAD Actual Forecast n. Standard Deviation, 1 25 MAD. Mean Squared Error 2.This example indicates the calculation of MAD for two of the forecasting methods This example assumes that you have specified in the processing option that the holdout period length periods of best fit is equal to five periods.3 3 1 1 Method 1 Last Year to This Year. This table is history used in the calculation of MAD, given Periods of Best Fit 5.Mean Absolute Deviation equals 2 1 20 10 14 5 9 4.Based on these two choices, the Moving Average, n 4 method is recommended because it has the smaller MAD, 9 4, for the given holdout period.3 3 2 Percent of Accuracy. Percent of Accuracy POA is a measure of forecast bias When forecast s are consistently too high, inventories accumulate and inventory costs rise When forecasts are consistently too low, inventories are consumed and customer service declines A forecast that is 10 units too low, then 8 units too high, then 2 units too high is an unbiased forecast The positive error of 10 is canceled by negative errors of 8 and 2. Error Actual Forecast. When a product can be stored in inventory, and when the forecast is unbiased, a small amount of safety stock can be used to buffer the errors In this situation, eliminating forecast errors is not as important as generating unbiased forecasts However, in service industries, the previous situation is viewed as three errors The service is understaffed in the first period, and then overstaffed for the next two periods In services, the magnitude of forecast errors is usually more important than is forecast bias. POA Forecast sales during holdout period Actual sales during holdout period 100 percent. The summation over the holdout period enables positive errors to cancel negative errors When the total of forecast sales exceeds the total of actual sales, the ratio is greater than 100 percent Of course, the forecast cannot be more than 100 percent accurate When a forecast is unbiased, the POA ratio is 100 percent A 95 percent accuracy rate is more desirable than a 110 percent accurate rate The POA criterion selects the forecasting method that has a POA ratio that is closest to 100 percent. This example indicates the calculation of POA for two forecasting methods This example assumes that you have specified in the processing option that the holdout period length periods of best fit is equal to five periods.3 3 2 1 Method 1 Last Year to This Year. This table is history used in the calculation of MAD, given Periods of Best Fit 5.3 4 2 Forecast Accuracy. These statistical laws govern forecast accuracy. A long term forecast is less accurate than a short term forecast because the further into the future you project the fore cast, the more variables can affect the forecast. A forecast for a product family tends to be more accurate than a forecast for individual members of the product family. Some errors cancel each other as the forecasts for individual items summarize into the group, thus creating a more accurate forecast.3 4 3 Forecast Considerations. You should not rely exclusively on past data to forecast future demands These circumstances might affect the business, and require you to review and modify the forecast. New products that have no past data. Plans for future sales promotion. Changes in national and international politics. New laws and government regulations. Weather changes and natural disasters. Innovations from competition. You can use long term trend analysis to influence the design of the forecasts. Leading economic indicators.3 4 4 Forecasting Process. You use the Refresh Actuals program R3465 to copy data from the Sales Order History File table F42119 , the Sales Order Detail File table F4211 , or both, into either the Forecast File table F3460 or the Forecast Summary File table F3400 , depending on the kind of forecast that you plan to generate. Scripting on this page enhances content navigation, but does not change the content in any way.
No comments:
Post a Comment