चरणों के- चल - औसत बिक्री - भविष्यवाणी - तकनीक

पूर्वानुमान में एक संख्या, संख्याओं का सेट या भविष्य की घटना के अनुरूप परिदृश्य शामिल होता है परिभाषा के अनुसार, अल्पकालीन और लंबी दूरी की योजना के लिए यह बिल्कुल जरूरी है, भविष्यवाणी, पिछले आंकड़ों पर आधारित है, जैसा कि भविष्यवाणी के विपरीत है, जो अधिक व्यक्तिपरक है और वृत्ति पर आधारित है, आंत महसूस करता है या अनुमान लगाता है, उदाहरण के लिए, शाम की खबर मौसम की भविष्यवाणी को पूर्वानुमान नहीं देती है, भले ही, पूर्वानुमान पूर्वानुमान और भविष्यवाणी अक्सर अंतर-परिवर्तनशील रूप से उपयोग किया जाता है उदाहरण के लिए, प्रतिगमन की परिभाषा कभी-कभी एक तकनीक होती है आमतौर पर भविष्यवाणी में प्रयोग किया जाता है कि इसका उद्देश्य स्पष्ट करना है या भविष्यवाणी करना है। फोरकास्टिंग कई मान्यताओं पर आधारित है। अतीत खुद को दोहराएगा दूसरे शब्दों में, अतीत में जो कुछ भी हुआ है वह भविष्य में फिर से होगा। भविष्यवाणी के क्षितिज के रूप में , भविष्यवाणी सटीकता बढ़ जाती है उदाहरण के लिए, कल के लिए एक पूर्वानुमान अगले महीने के पूर्वानुमान के मुताबिक अगले महीने के पूर्वानुमान के मुकाबले अधिक सटीक होगा, भविष्य की तुलना में अधिक सटीक होगा या अगले साल और अगले साल के लिए पूर्वानुमान भविष्य में दस वर्षों के लिए पूर्वानुमान से ज्यादा सटीक होगा। व्यक्तिगत वस्तुओं के पूर्वानुमान के मुकाबले अधिक सटीक होने का मतलब यह है कि एक कंपनी अपने पूरे स्पेक्ट्रम से कुल मांग की भविष्यवाणी करने में सक्षम होगी उत्पादों की अधिक सटीकता की तुलना में यह व्यक्तिगत स्टॉक रखने वाली यूनिट्स एसकेयू का अनुमान लगाने में सक्षम होगा, उदाहरण के लिए, जनरल मोटर्स एक निश्चित विकल्प पैकेज के साथ सफेद शेवरलेट इंपलस की कुल संख्या की तुलना में अगले वर्ष के लिए आवश्यक कारों की कुल संख्या का सटीक अनुमान लगा सकते हैं। शायद ही कभी सही होते हैं इसके अलावा, पूर्वानुमान लगभग कभी भी पूरी तरह से सही नहीं होते हैं जबकि कुछ बहुत करीब होते हैं, कुछ पैसे पर सही होते हैं इसलिए, यदि कोई अगले महीने के लिए 100,000 इकाइयों की मांग की भविष्यवाणी करना चाहता है, तो यह बहुत संभावना नहीं है कि मांग 100,000 के बराबर होगी, हालांकि, 90,000 से 110,000 के पूर्वानुमान के लिए योजना के लिए एक बहुत बड़ा लक्ष्य प्रदान किया जाएगा। विलियम जे स्टीवेन्सन एक नंबर की सूची विशेषताओं के बोर जो एक अच्छी भविष्यवाणी के लिए सामान्य हैं। कुछ सटीकता का सटीक निर्धारण करें और निर्धारित किया जाना चाहिए ताकि तुलनात्मक पूर्वानुमानों के लिए तुलना की जा सके। पूर्वानुमान विधि को लगातार एक अच्छा पूर्वानुमान प्रदान करना चाहिए अगर उपयोगकर्ता कुछ डिग्री स्थापित करना है आत्मविश्वास। पूर्वानुमान के उत्तर देने के लिए निश्चित रूप से एक निश्चित समय की आवश्यकता होती है ताकि पूर्वानुमानित क्षितिज को परिवर्तन करने के लिए आवश्यक समय के लिए अनुमति देनी चाहिए। पूर्वानुमान का उपयोग करने के लिए आसान और समझने वाले उपयोगकर्ताओं को विश्वास और आराम से काम करना चाहिए। अनुमान बनाने की लागत पूर्वानुमान से प्राप्त लाभों से अधिक नहीं होनी चाहिए। फोरकास्टिंग तकनीक सरल से लेकर बेहद जटिल तक होती है ये तकनीकें आमतौर पर गुणात्मक या मात्रात्मक होने के रूप में वर्गीकृत होती हैं। सशर्त तकनीकें। गुणवत्तावादी तकनीक आम तौर पर उनके मात्रात्मक समकक्षों की योग्यताएं पीआर के पहले चरण में गुणात्मक तकनीक अधिक उपयोगी हैं नतीजे जीवन चक्र, जब मात्रात्मक तरीकों में उपयोग करने के लिए पिछले अतीत के डेटा मौजूद हैं, गुणात्मक तरीकों में डेल्फी तकनीक, नाममात्र समूह तकनीक एनजीटी, बिक्री बल राय, कार्यकारी राय और बाजार अनुसंधान शामिल हैं। DELHI TECHNIQUE। डेल्फी तकनीक विशेषज्ञों के एक पैनल का उपयोग करता है किसी पूर्वानुमान का निर्माण करना प्रत्येक विशेषज्ञ को हाथ की जरूरत के मुताबिक पूर्वानुमान देने के लिए कहा जाता है प्रारंभिक पूर्वानुमान किए जाने के बाद, प्रत्येक विशेषज्ञ पढ़ता है कि हर दूसरे विशेषज्ञ ने क्या लिखा है और जाहिर है, उनके विचारों से प्रभावित है। बाद में पूर्वानुमान प्रत्येक के द्वारा किया जाता है विशेषज्ञ प्रत्येक विशेषज्ञ फिर से पढ़ता है कि हर दूसरे विशेषज्ञ ने क्या लिखा था और फिर से दूसरों की धारणाओं से प्रभावित होता है यह प्रक्रिया खुद को दोहराती है जब तक कि प्रत्येक विशेषज्ञ आवश्यक परिदृश्य या संख्याओं पर समझौते के पास न हो। NOMINAL GROUP TECHNIQUE. Nominal Group Technique डेल्फी तकनीक के समान है में यह प्रतिभागियों के एक समूह का उपयोग करता है, आम तौर पर विशेषज्ञों के बाद प्रतिभागी प्रति पूर्वानुमान से संबंधित प्रश्नों का जवाब देते हैं, वे अपने जवाब को रैंक करते हैं कथित रिश्तेदार महत्व के क्रम में एसईएस तब रैंकिंग एकत्रित की जाती है और आखिरकार, समूह को रैंक वाले मुद्दों की प्राथमिकताओं के संबंध में सर्वसम्मति पर पहुंचना चाहिए। सील फोर्स ऑफिस। बिक्री स्टाफ अक्सर भविष्य की मांग के बारे में जानकारी का एक अच्छा स्रोत है बिक्री प्रबंधक प्रत्येक बिक्री व्यक्ति से इनपुट के लिए पूछ सकते हैं और एक बिक्री बल के समग्र पूर्वानुमान में उनकी प्रतिक्रियाओं को पूरा कर सकते हैं इस तकनीक का उपयोग करते समय सतर्कता का प्रयोग किया जाना चाहिए क्योंकि बिक्री बल के सदस्य, जो ग्राहक बताते हैं और वास्तव में क्या करते हैं, इसके बीच अंतर करने में सक्षम नहीं हो सकते हैं। , यदि बिक्री का कोटा स्थापित करने के लिए पूर्वानुमान का उपयोग किया जाएगा, तो बिक्री बल को कम अनुमान प्रदान करने के लिए परीक्षा दी जा सकती है। EXECUTIVE OPINIONS। कभी-कभी ऊपरी स्तर के प्रबंधकों को उनके जिम्मेदार क्षेत्रों के ज्ञान के आधार पर पूर्वानुमान और विकास का अनुमान होता है जिसे कभी-कभी कार्यकारी राय के एक जूरी। विपणन अनुसंधान। बाजार अनुसंधान में, उपभोक्ता सर्वेक्षण का उपयोग संभावित मांग को स्थापित करने के लिए किया जाता है अनुसंधान शोध में आमतौर पर एक प्रश्नावली का निर्माण होता है जो व्यक्तिगत, जनसांख्यिकीय, आर्थिक और विपणन जानकारी की मांग करता है। अवसर पर, बाजार शोधकर्ता खुदरा दुकानों और मॉल में इस तरह की जानकारी एकत्र करते हैं, जहां उपभोक्ता स्वाद, अनुभव, गंध का अनुभव कर सकते हैं और एक विशेष उत्पाद देख सकते हैं। शोधकर्ता को सावधान रहना चाहिए कि सर्वेक्षण किए गए लोगों का नमूना वांछित उपभोक्ता लक्ष्य का प्रतिनिधि है। बहुसंख्यक तकनीकें। मौखिक पूर्वानुमान तकनीकें आम तौर पर उनके गुणात्मक समकक्षों की तुलना में अधिक होती हैं। मात्रात्मक पूर्वानुमान समय-श्रृंखला के पूर्वानुमान हो सकते हैं या भविष्य में अतीत की प्रक्षेपण या एसोसिएटिव मॉडलों के आधार पर पूर्वानुमान, जो एक या अधिक व्याख्यात्मक चर के आधार पर होता है, टाइम-सीरीज़ डेटा में अंतर्निहित व्यवहार हो सकते हैं जिन्हें भविष्यवाणी द्वारा पहचाना जाना चाहिए, इसके अतिरिक्त, पूर्वानुमान को व्यवहार के कारणों की पहचान करने की आवश्यकता हो सकती है इनमें से कुछ व्यवहार पैटर्न हो सकते हैं या बस यादृच्छिक रूपांतरों में पैटर्न हैं समाप्त होता है, जो लंबी अवधि के आंदोलनों को डेटा में ऊपर या नीचे कर रहे हैं। सीज़न, जो अल्पकालिक बदलावों का उत्पादन करता है जो आमतौर पर वर्ष, महीने या किसी विशेष दिन के समय से संबंधित होता है, जैसा कि क्रिसमस या खुदरा बिक्री पर देखा जाता है महीने के पहले और शुक्रवार को बैंकिंग गतिविधि में स्पाइक्स। साइकिलें, जो एक वर्ष से अधिक समय तक चलने वाले विविधताएं हैं जो आम तौर पर आर्थिक या राजनीतिक परिस्थितियों से जुड़ी होती हैं। अनियमित विविधताएं जो ठेठ व्यवहार को प्रतिबिंबित नहीं करती हैं, जैसे चरम मौसम या एक संघ की हड़ताल। यादृच्छिक विविधताएं, जो सभी गैर-विशिष्ट व्यवहारों को शामिल करती हैं, अन्य वर्गीकरणों के लिए नहीं हैं। समय-श्रृंखला मॉडल के बीच, सबसे सरल है न ही भविष्यवाणी की गई है कि अतीत के लिए वास्तविक मांग का केवल उपयोग करता है अगली अवधि की अनुमानित मांग के रूप में अवधि यह, ज़ाहिर है, इस धारणा को बनाता है कि अतीत को दोहराया जाएगा यह भी मानता है कि किसी भी रुझान, मौसम या चक्र या तो पिछली अवधि की मांग में दर्शाए जाते हैं या अस्तित्व में नहीं है न ही भविष्यवाणी की एक उदाहरण तालिका 1 में प्रस्तुत किया गया है। टेबल 1 ना वी पूर्वानुमान। एक और सरल तकनीक औसत उपयोग है औसत का उपयोग करने के लिए पूर्वानुमान बनाने के लिए, बस पिछले आंकड़ों की औसत संख्या का औसत प्रत्येक अवधि का संक्षेप और परिणामों की संख्या को विभाजित करके अवधि को हिसाब करना इस तकनीक को लघु अवधि की भविष्यवाणी के लिए बहुत प्रभावी माना गया है। औसत में चलती औसत, भारित औसत और भारित चलती औसत शामिल हैं एक चलती औसत एक पूर्वनिर्धारित अवधि की संख्या, उनकी वास्तविक मांग बताती है, और पूर्वानुमानों तक पहुंचने के लिए अवधि की संख्या से विभाजित करता है, प्रत्येक बाद की अवधि के लिए, डेटा की सबसे पुरानी अवधि कम हो जाती है और नवीनतम अवधि को जोड़ा जाता है तीन महीने की औसत चलती मानते हुए और डेटा का उपयोग करते हुए तालिका 1, एक 45 जनवरी, 60 फरवरी, और 72 मार्च को जोड़ देगा और 3 अप्रैल तक विभाजित होगा, यह 45 अप्रैल के लिए एक पूर्वानुमान पर पहुंच जाएगा। 72 72 177 3 59। मई के पूर्वानुमान के लिए आने के लिए, एक जनवरी को गिरा होगा समीकरण से मांग और अप्रैल से मांग जोड़ने के लिए तालिका 2 तीन महीने चलती औसत पूर्वानुमान का एक उदाहरण प्रस्तुत करता है। टेस्ट 2 तीन महीना चलते औसत पूर्वानुमान। वास्तविक मांग 000 एसए भारित औसत पिछले डेटा के प्रत्येक महीने के लिए एक पूर्व निर्धारित वजन पर लागू होता है, प्रत्येक अवधि से पिछले डेटा को बताता है, और वजन के कुल हिस्से को विभाजित करता है यदि भविष्यकक्षक वजन को समायोजित कर देता है ताकि उनकी राशि 1 के बराबर हो, तो प्रत्येक लागू अवधि की वास्तविक मांग के कारण भार को गुणा किया जाता है तो परिणाम को संक्षेप में दिया जाता है आमतौर पर, जितना अधिक डेटा उतना ही अधिक होता है, वहीं जितना अधिक डेटा उतना ही अधिक होता है, उतना अधिक डेटा उतना ही छोटा होता है, उदाहरण के लिए मांग का उपयोग करना, भारित औसत 4 4 2 2 का वजन, और 1 से जून के लिए पूर्वानुमान उतना 60 1 72 2 58 3 40 4 53 8. फ़ेकास्टर्स भारित औसतन और चलती औसत पूर्वानुमानों का संयोजन भी उपयोग कर सकते हैं एक भारित चलती औसत पूर्वानुमान वास्तविक डेटा और कंप की अवधि के एक पूर्वनिर्धारित संख्या को वजन प्रदान करता है utes ऊपर वर्णित के अनुसार वैसे ही जैसा कि सभी चलती पूर्वानुमानों के साथ, प्रत्येक नई अवधि के रूप में जोड़ा जाता है, सबसे पुराना अवधि के डेटा को खारिज किया जाता है तालिका 3 में वजन तीन, और 2 का उपयोग करते हुए तीन महीने का भारित चलती औसत पूर्वानुमान दिखाया जाता है तालिका 3 तीन महीना भारित मूविंग औसत पूर्वानुमान। वास्तविक मांग 000 एसए भारित चलती औसत के अधिक जटिल रूप घातीय चौरसाई है, इसलिए नाम दिया जाता है क्योंकि वजन तेजी से गिरता है क्योंकि डेटा की अवधि घातीय चिकनाई पिछली अवधि के पूर्वानुमान को लेती है और इसे पूर्वनिर्धारित अल्फा को अल्फा कहते हैं, अल्फा का मूल्य अल्फा के लिए मूल्य पिछली पूर्वानुमान में अंतर से गुणा एक से भी कम है और पूर्वानुमान है कि पहले पूर्वानुमानित अवधि के दौरान वास्तव में हुआ है, जिसे पूर्वानुमान त्रुटि कहा गया है, वैसा ही लुप्त हो जाना स्पष्ट रूप से व्यक्त किया गया है जैसे कि नई पूर्वानुमान पिछली पूर्वानुमान अल्फा वास्तविक मांग पिछले पूर्वानुमान एफएफए एफ। एक्सपेंनेशन चौरसाई के लिए भविष्यवाणी करने की आवश्यकता है कि पिछली अवधि में पूर्वानुमान शुरू किया जाए एनडी कार्यकाल उस अवधि के लिए आगे है जिसके लिए वर्तमान पूर्वानुमान की आवश्यकता है पिछले डेटा और शुरुआत या प्रारंभिक पूर्वानुमान की एक महत्वपूर्ण राशि भी आवश्यक है प्रारंभिक पूर्वानुमान पिछली अवधि से वास्तविक पूर्वानुमान, पिछली अवधि से वास्तविक मांग, या यह अनुमान लगाया जा सकता है कि पिछले डेटा के सभी हिस्से या कुछ अंश कुछ शुरुआती पूर्वानुमान की गणना के लिए कुछ ह्यूरिस्टिक्स मौजूद हैं उदाहरण के लिए, अनुमानी एन 2 1 और 5 का एक अल्फा 3 एन का उत्पादन करेगा, यह दर्शाता है कि उपयोगकर्ता पहले तीन अवधियों का औसत होगा शुरुआती पूर्वानुमान प्राप्त करने के लिए डेटा का अनुमान हालांकि, प्रारंभिक पूर्वानुमान की सटीकता महत्वपूर्ण नहीं है यदि कोई बड़ी मात्रा में डेटा का उपयोग कर रहा है, क्योंकि घातीय चिकनाई आत्म-सही है, पिछले डेटा की पर्याप्त अवधि दी गई है, घातीय चिकनाई अंततः क्षतिपूर्ति करने के लिए पर्याप्त सुधार करेगी अन्य उदाहरणों में उपयोग किए गए डेटा का उपयोग करने के लिए, उचित रूप से गलत प्रारंभिक पूर्वानुमान के लिए, 50 का एक प्रारंभिक पूर्वानुमान और 7 का एक अल्फा, फरवरी के लिए एक पूर्वानुमान जैसे नए अग्रिम के रूप में गणना की जाती है डाली फ़रवरी 50 7 45 50 41 5. अगले, मार्च के लिए पूर्वानुमान नई पूर्वानुमान मार्च 41 5 7 60 41 5 54 45 यह प्रक्रिया जारी है जब तक भविष्यदार वांछित अवधि तक पहुँचता है तालिका 4 में यह जून के महीने के लिए होगा, क्योंकि जून के लिए वास्तविक मांग ज्ञात नहीं है। वास्तविक मांग 000 एस। एक्सपेंनेलिबल चौरसाई का एक विस्तार तब इस्तेमाल किया जा सकता है जब समय-सीरीज़ डेटा एक रैखिक प्रवृत्ति दर्शाता है यह विधि कई नामों से जानी जाती है कि ट्रिप एफआईटी और होल्ट सहित डबल स्मुटिंग ट्रेंड-एडजस्टेड एक्सपोजेंलिनी चिकन पूर्वानुमान एस मॉडल के समायोजन के बिना, सरल घातीय चिकनाई के परिणाम प्रवृत्ति अंत हो जाएगा, यानी, यदि प्रवृत्ति बढ़ रही है, या यदि प्रवृत्ति घट रही है तो उच्च होने पर पूर्वानुमान हमेशा कम रहेगा इस मॉडल के साथ दो चौरसाई स्थिरांक हैं, और प्रवृत्ति का प्रतिनिधित्व करने के साथ होल्ट के मॉडल का विस्तार, हॉल्ट-शीतकालीन विधि कहा जाता है, दोनों प्रवृत्तियों और ऋतुओं को ध्यान में रखता है दो संस्करण हैं, बहुरूपता और योजक, बहुगुणित सबसे व्यापक रूप से उपयोग किया जा रहा है डी additive मॉडल में, मौसम की औसतता श्रृंखला औसत से जोड़ या घटाई जाने वाली मात्रा के रूप में व्यक्त की जाती है, गुणक मॉडल मौसमी रिश्तेदारों या औसत या प्रवृत्ति के मौसमी इंडेक्स के रूप में जाना जाने वाले प्रतिशत के रूप में ऋणामान को व्यक्त करता है, ये तब क्रम में गुणा किए गए गुण हैं ऋणात्मकता को शामिल करने के लिए 0 से 8 के एक रिश्तेदार की औसत से 80 प्रतिशत औसत से संकेत मिलता है, जबकि 1 10 औसत से 10 प्रतिशत की अपेक्षा से संकेत मिलता है इस पद्धति के बारे में विस्तृत जानकारी को सबसे अधिक संचालन प्रबंधन पाठ्यपुस्तकों या किसी एक संख्या में पाया जा सकता है भविष्यवाणी पर पुस्तकों की। सहायक या कारण तकनीक में चर की पहचान शामिल होती है, जिसका इस्तेमाल ब्याज के एक और चरम परिक्रमा करने के लिए किया जा सकता है उदाहरण के लिए, घर की पुनर्वित्त की मांग का पूर्वानुमान करने के लिए ब्याज दरों का उपयोग किया जा सकता है, आमतौर पर, इसमें रैखिक प्रतिगमन का उपयोग शामिल है, जहां उद्देश्य एक ऐसे समीकरण का विकास करना है जो भविष्यवाणी पर स्वतंत्र चर के प्रभाव को सारांशित करता है ई पर आधारित परिवर्तनीय चर यदि भविष्यवक्ता चर का प्लॉट किया गया था, तो ऑब्जेक्ट एक सीधी रेखा का एक समीकरण प्राप्त करना होगा जो रेखा से चुकता विचलन के योग को कम करता है, विचलन प्रत्येक बिंदु से रेखा तक दूरी के रूप में होता है समीकरण के रूप में दिखाई देगा या बीएक्स, जहां y अनुमानित आश्रित चर है, एक्स पूर्ववर्ती स्वतंत्र चर है, बी रेखा का ढलान है, और y - अंतराल पर एक पंक्ति की ऊंचाई के बराबर है समीकरण निर्धारित हो जाने पर, उपयोगकर्ता पूर्वानुमानित स्वतंत्र चर पर आने के लिए पूर्वानुमानकर्ता स्वतंत्र चर के लिए मौजूदा मान डालें। यदि एक से अधिक भविष्यवक्ता चर है या यदि भविष्यवाणियों और पूर्वानुमान के बीच का संबंध रैखिक नहीं है, तो साधारण रेखीय प्रतिगमन अपर्याप्त होगा कई भविष्यवाणियों के साथ परिस्थितियों में, कई प्रतिगमन नियोजित किया जाना चाहिए, जबकि गैर-रेखीय रिश्तों को कशेरुपी प्रतिगमन के उपयोग के लिए कहा जाता है। एनोमेट्रिक पूर्वानुमान। आर्थिक पद्धतियां, जैसे कि आटोमैरेसिव एकीकृत चलती-औसत मॉडल एआरआईएए, मांग और प्रभावित करने वाले चर के बीच पिछले संबंधों को दिखाने के लिए जटिल गणितीय समीकरणों का उपयोग करते हैं। एक समीकरण तैयार किया जाता है और उसके बाद परीक्षण किया जाता है और यह सुनिश्चित करने के लिए ठीक-ठीक हो जाता है कि यह संभव के रूप में पिछले संबंधों का एक विश्वसनीय प्रतिनिधित्व है ऐसा किया जाता है, प्रभावित चर के अनुमानित मूल्य आय, कीमतों आदि को भविष्यवाणी करने के लिए समीकरण में डाला जाता है। मूल्यांकन मूल्यांकन: पूर्वाग्रह सटीकता को परिभाषित किया जा सकता है पूर्वाग्रह की गणना, पूर्ण विचलन एमएडी, मतलब वर्ग त्रुटि एमएसई, या मतलब अल्फ़ा बीआईएस के लिए अलग-अलग मानों का उपयोग करके भविष्यवाणी के लिए पूर्ण प्रतिशत त्रुटि मैप पूर्वानुमान त्रुटियों का योग है एफई ऊपर घातीय चौरसाई उदाहरण के लिए, गणनात्मक पूर्वाग्रह 60 41 5 72 54 45 58 66 74 40 60 62 6 69. यदि एक यह मानता है कि कम पूर्वाग्रह एक समग्र कम पूर्वानुमान त्रुटि को इंगित करता है, एक अल्फा के संभावित मूल्यों के लिए पूर्वाग्रह की गणना कर सकता है और मानता है कि सबसे कम पूर्वाग्रह वाला एक बी होगा ई सबसे सटीक हालांकि, उन बेतहाशा गलत पूर्वानुमानों में सावधानी बरती जानी चाहिए, यदि वे पूर्वानुमान के मुताबिक पूर्वानुमान और पूर्वानुमान के तहत कम पूर्वाग्रह पैदा कर सकते हैं उदाहरण के लिए, तीन से अधिक अवधि में एक फर्म अल्फा के एक विशेष मूल्य का उपयोग कर सकता है 75,000 इकाइयों की पूर्वानुमानित 75,000 इकाइयों, 100,000 इकाइयों का अनुमानित 100,000, और फिर 25,000 इकाइयों 25,000 इकाइयों के पूर्वानुमान के मुकाबले शून्य 75,000 100,000 25,000 0 के पूर्वाग्रह के मुकाबले, 2,000 इकाइयों, 1,000 इकाइयों, और 3,000 इकाइयों के पूर्वानुमान के मुकाबले दूसरे अल्फा 5000 इकाइयों के पक्षपात का परिणाम होगा यदि सामान्य मांग 100,000 इकाइयों की अवधि के लिए होती है, तो पहले अल्फा पूर्वानुमानों को प्राप्त करेगा जो कि 100 प्रतिशत तक बंद हो गए थे, जबकि दूसरा अल्फा केवल अधिकतम 3% तक बंद हो जाएगा, हालांकि पहले पूर्वानुमान में पूर्वाग्रह शून्य था। भविष्यवाणी सटीकता का एक सुरक्षित उपाय मतलब पूर्ण विचलन एमएडी है, एमएडी की गणना करने के लिए, भविष्यवाणी भविष्यवाणी की त्रुटियों का पूर्ण मूल्य बताता है और फिर से विभाजित करता है पूर्वानुमान की संख्या एफई एन की भविष्यवाणी त्रुटियों का पूर्ण मूल्य लेकर, सकारात्मक और नकारात्मक मूल्यों को दूर करने से बचा जाता है इसका मतलब यह है कि 50 से अधिक के पूर्वानुमान और 50 के तहत एक अनुमान के मुकाबले 50 गुना से घाटे से डेटा का उपयोग करते हैं चौरसाई उदाहरण, एमएडी के रूप में गणना की जा सकती है निम्नानुसार 60 41 5 72 54 45 58 66 74 40 60 62 4 16 35 इसलिए, भविष्यवाणी 1635 इकाइयों प्रति पूर्वानुमान की औसत से कम है अन्य अल्फा के परिणाम की तुलना में, भविष्यकर्ता पता है कि न्यूनतम एमएडी के साथ अल्फा सबसे सटीक पूर्वानुमान प्रदान कर रहा है। मीन वर्ग त्रुटि एमएसई का उपयोग उसी फैशन एमएसई में भी किया जा सकता है एमएसई की पूर्वानुमान त्रुटियों का योग है जो एन -1 एफई एन-1 द्वारा विभाजित किया जाता है पूर्वानुमान त्रुटियों को खत्म करने की स्थिति समाप्त होती है नकारात्मक संख्या को ऑफसेट करने की संभावना के बाद से कोई भी परिणाम ऋणात्मक नहीं हो सकता है जैसा कि ऊपर के समान डेटा का उपयोग किया जा सकता है, एमएसई 18 5 17 55 8 74 20 62 3 383 9 94 एमएडी के साथ होगा, भविष्यक पूर्वानुमानित एमएसई के पूर्वानुमान की तुलना कर सकते हैं विभिन्न va का उपयोग कर अल्फा के ल्यूज़ और न्यूनतम एमएसई के साथ अल्फा ग्रहण करना सबसे सटीक पूर्वानुमान प्रदान कर रहा है। मतलब निरपेक्ष प्रतिशत त्रुटि MAPE औसत पूर्ण प्रतिशत त्रुटि है MAPE आने के लिए पूर्वानुमान त्रुटि और वास्तविक मांग समय के बीच अनुपात का योग रखना चाहिए 100 प्रतिशत प्राप्त करने और एन वास्तविक मांग पूर्वानुमान से विभाजित करने के लिए वास्तविक मांग 100 एन घातीय चिकनाई उदाहरण से डेटा का उपयोग करते हुए, एमएपीई के अनुसार निम्नानुसार गणना की जा सकती है 18 5 60 17 55 72 8 74 58 20 62 48 100 4 28 33 एमएडी और एमएसई, कम सापेक्षिक त्रुटि जितना सटीक भविष्यवाणी.यह ध्यान दिया जाना चाहिए कि कुछ मामलों में डेटा पैटर्न में होने वाले परिवर्तनों का जवाब देने के लिए पूर्वानुमान की क्षमता जल्दी से बदलने के लिए सटीकता की तुलना में अधिक महत्वपूर्ण माना जाता है इसलिए, एक विकल्प भविष्यवाणी पद्धति के अनुसार सटीकता और उत्तरदायित्व के बीच के सापेक्ष संतुलन को प्रतिबिंबित करना चाहिए, जैसा कि भविष्यवक्ता द्वारा निर्धारित किया गया है। मेकिंग ए फॉरकास्ट। विलियम जे स्टीवेन्सन निम्नलिखित में सूक्ष्मस्थल के बुनियादी चरणों के रूप में सूचीबद्ध करता है स्टिंग प्रोसेस। पूर्वानुमान के उद्देश्य को निर्धारित करें जैसे कि पूर्वानुमान कैसे और कब उपयोग किया जाएगा, सटीकता की आवश्यकता की आवश्यकता है, और वांछित स्तर का विस्तार लागत समय, धन, कर्मचारियों को निर्धारित किया जा सकता है जो पूर्वानुमान और प्रकार के लिए समर्पित हो सकते हैं का उपयोग करने के लिए भविष्यवाणी की विधि का उपयोग करें। एक समय क्षितिज स्थापित करें यह पूर्वानुमान के उद्देश्य के बाद लंबे समय तक के पूर्वानुमान को लंबे समय तक क्षितिज की आवश्यकता होती है और इसके साथ ही सटीकता फिर से एक विचार है.एक पूर्वानुमान तकनीक का चयन करें चयनित तकनीक उद्देश्य पर निर्भर करती है पूर्वानुमान की, समय क्षितिज वांछित और अनुमत लागत। डेटा इकट्ठा और विश्लेषण डेटा की मात्रा और प्रकार के पूर्वानुमान के उद्देश्य, भविष्यवाणी तकनीक का चयन, और किसी भी कीमत पर विचारों द्वारा नियंत्रित किया जाता है। पूर्वानुमान बनाओ। पूर्वानुमान का पूर्वानुमान करें पूर्वानुमान के प्रदर्शन का मूल्यांकन करें और यदि आवश्यक हो, तो संशोधित करें। आगे पढ़ें। फ़िंच, बायरन जे ऑपरेशन अब लाभप्रदता, प्रक्रियाएं, प्रदर्शन 2 एड बोस्टन मैकग्रॉ-एच बीमार इरविन, 2006.ग्रीन, विलियम एच इकॉनमेट्रिक एनालिसिस 5 एड ऊपरी सेडल रिवर, एनजे प्रेंटिस हॉल, 2003.जोप, डॉ। मैरियन नाममात्र समूह तकनीक। सेवेंससन, विलियम जे ऑपरेशंस मैनेजमेंट 8 एड बोस्टन मैकग्रॉ-हिल इरविन , 2005. इसके अलावा विकिपीडिया से भविष्यवाणी के बारे में लेख पढ़ा। एक पूर्वानुमान गणना उदाहरण। 1 1 पूर्वानुमान गणना पद्धतियां। गणना के पूर्वानुमान के दस तरीके हैं उपलब्ध हैं इनमें से अधिकांश तरीके सीमित उपयोगकर्ता नियंत्रण के लिए उपलब्ध हैं उदाहरण के लिए, हाल के ऐतिहासिक डेटा गणना में उपयोग की जाने वाली ऐतिहासिक डेटा की तारीख सीमा निर्दिष्ट की जा सकती है निम्नलिखित उदाहरण प्रत्येक उपलब्ध अनुमानित विधियों के लिए गणना प्रक्रिया दिखाते हैं, एक समान ऐतिहासिक डेटा सेट। निम्नलिखित उदाहरण एक 2004 का निर्माण करने के लिए 2004 और 2005 की बिक्री डेटा का उपयोग करते हैं बिक्री पूर्वानुमान पूर्वानुमान पूर्वानुमान के अतिरिक्त, प्रत्येक उदाहरण में एक तीन महीने की धारिता अवधि प्रसंस्करण ऑप्टिओ के लिए नकली 2005 पूर्वानुमान शामिल हैं एन 1 9 3 का प्रयोग किया जाता है जिसका उपयोग सटीकता के प्रतिशत के लिए किया जाता है और इसका अर्थ है कि वास्तविक भविष्यवाणी के मुकाबले वास्तविक विचलन गणना वास्तविक बिक्री। 2 पूर्वानुमान प्रदर्शन मूल्यांकन मानदंड। आपके चयन प्रसंस्करण के विकल्प और बिक्री डेटा में मौजूद रुझानों और पैटर्नों के आधार पर, कुछ पूर्वानुमानित तरीकों को किसी भी ऐतिहासिक डेटा सेट के लिए दूसरों की तुलना में बेहतर प्रदर्शन करना होगा एक उत्पाद के लिए उपयुक्त एक पूर्वानुमान विधि किसी अन्य उत्पाद के लिए उपयुक्त नहीं हो सकती है यह भी संभावना नहीं है कि एक पूर्वानुमान पद्धति जो उत्पाद के जीवन चक्र के एक चरण में अच्छे परिणाम प्रदान करती है पूरे जीवन चक्र के दौरान उचित रहेगा। आप भविष्य के तरीकों के वर्तमान प्रदर्शन का मूल्यांकन करने के लिए दो तरीकों के बीच चयन कर सकते हैं ये पूर्ण विचलन एमएडी और सटीकता पीओए का मतलब है इन दोनों प्रदर्शन मूल्यांकन विधियों को उपयोगकर्ता निर्दिष्ट अवधि के लिए ऐतिहासिक बिक्री डेटा की आवश्यकता होती है समय का समय इस अवधि को धारण अवधि या अवधि को सर्वश्रेष्ठ पीबीएफ कहा जाता है इस अवधि में एक अनुमान के आधार के रूप में उपयोग किया जाता है जो अगले पूर्वानुमान प्रक्षेपण करने में उपयोग की जाने वाली अनुमानित विधियों की सिफारिश करता है यह सिफारिश प्रत्येक उत्पाद के लिए विशिष्ट है, और एक पूर्वानुमान पीढ़ी से दूसरे को बदल सकती है दो पूर्वानुमान प्रदर्शन मूल्यांकन विधियों का प्रदर्शन किया जाता है बारह पूर्वानुमान के तरीकों के उदाहरणों के बाद पृष्ठों में। एक 3 विधि 1 - पिछले वर्ष से निर्दिष्ट प्रतिशत। इस पद्धति में पिछले वर्ष से उपयोगकर्ता डेटा निर्दिष्ट कारक, उदाहरण के लिए, 10 10 वृद्धि के लिए 1 10, या 0 97 3 कमी के लिए। अनिवार्य बिक्री इतिहास पूर्वानुमान के लिए गणना करने के लिए एक वर्ष के साथ-साथ पूर्वानुमान प्रदर्शन प्रसंस्करण विकल्प का मूल्यांकन करने के लिए यूजर निर्दिष्ट समय की अवधि 19.ए 4 1 पूर्वानुमान गणना। बिक्री के इतिहास की गणना विकास कारक प्रसंस्करण विकल्प 2 ए 3 इस उदाहरण में 2005 के अंतिम तीन महीनों में 114 119 137 370. पिछले वर्ष के लिए ही तीन महीनों में तीसरा महीना 123 13 9 133 395. गणना का घटक 370 3 95 0 9 367. पूर्वानुमान का अनुमान करें। जनवरी, 2005 की बिक्री 128 0 9367 119 8036 या लगभग 120.फेबबरी, 2005 की बिक्री 117 0 9367 109 5939 या 110 के बारे में। मार्च 2005 बिक्री 115 0 9367 107 7205 या 108.ए 4 2 नकली पूर्वानुमान गणना। 2005 के तीन महीनों के पहले धारक अवधि जुलाई, अगस्त, सितंबर, 140 140 131 400. पिछले साल के लिए ही तीन महीने। 15 128 118 387. गणना की गई कारक 400 387 1 0335 9 1731. नकली अनुमान पूर्वानुमान। अक्टूबर, 2004 की बिक्री 123 1 0335 9 1731 127 13178। नवंबर, 2004 बिक्री 13 9 1 0335 9 1731 143 66925.डिस्बर, 2004 की बिक्री 133 1 0335 9 1731 137 4677. ए 4 3 सटीकता की गणना की प्रतिशत। पीओए 127 13178 143 66925 137 4677 114 119 137 100 408 26873 370 100 110 3429. ए 4 4 निरपेक्ष विचलन गणना। एमएडी 127 13178 - 114 143 66925 - 119 137 4677- 137 3 13 13178 24 66925 0 4677 3 12 75624. ए 5 विधि 3 - पिछले साल इस वर्ष इस पद्धति पर पिछले साल से पिछले वर्ष के बिक्री आंकड़ों की प्रतियां। पूर्वानुमान की गणना के लिए एक साल की बिक्री का इतिहास प्लस भविष्यवाणी प्रदर्शन प्रसंस्करण विकल्प के मूल्यांकन के लिए निर्दिष्ट समय अवधि की संख्या 19.ए 6 1 पूर्वानुमान गणना। इस उदाहरण में औसत प्रसंस्करण विकल्प 4 ए 3 में शामिल होने की अवधि। प्रत्येक पूर्वानुमान के लिए, औसत पिछले तीन महीने जनवरी का पूर्वानुमान 114 119 137 370, 370 3 123 333 या 123. फ़ेब्रुइ भविष्यवाणी 119 137 123 37 9, 37 9 3 126 333 या 126. मार्च का पूर्वानुमान 137 123 126 37 9, 386 3 128 667 या 12 9. ए 6 2 नकल पूर्वानुमान गणना। अक्टूबर 2005 की बिक्री 12 9 140 131 3 133 3333. नवंबर 2005 बिक्री 140 131 114 3 128 3333.डिसीन 2005 की बिक्री 131 114 119 3 121 3333. ए 6 3 सटीकता की गणना की प्रतिशत। पीओए 133 3333 128 3333 121 3333 114 119 137 100 103 513. ए 6 4 निरपेक्ष विचलन गणना। एमएडी 133 3333 - 114 128 3333 - 119 121 3333 - 137 3 14 7777. ए 7 विधि 5 - रैखिक अनुमान। लाइनेअर एपोडेसीमेशन दो बिक्री इतिहास डेटा बिंदुओं के आधार पर एक प्रवृत्ति की गणना करता है। ये दो अंक एक सीधी प्रवृत्ति रेखा को परिभाषित करते हैं जो कि एफ में प्रक्षेपित होता है uture सावधानी के साथ इस पद्धति का उपयोग करें, क्योंकि लंबे समय से अनुमान पूर्वानुमान केवल दो डेटा बिंदुओं में छोटे परिवर्तनों से लीवर किए जाते हैं। आवश्यक बिक्री इतिहास प्रतिगमन संसाधन विकल्प 5a, प्लस 1 प्लस में शामिल होने की अवधि की संख्या पूर्वानुमान प्रदर्शन प्रक्रिया का मूल्यांकन करने के लिए समय अवधि की संख्या विकल्प 19. ए 8 1 पूर्वानुमान गणना। इस उदाहरण में प्रतिगमन प्रसंस्करण विकल्प 6a 3 में शामिल होने के लिए समय की संख्या। पूर्वानुमान के प्रत्येक महीने के लिए, पिछली अवधि से पहले की अवधि के दौरान निर्दिष्ट अवधि के दौरान वृद्धि या घटाना जोड़ें। पिछले तीन महीनों में 114 119 137 3 123 3333. पिछले तीन महीनों के लिए वजन माना जाता है। 114 1 119 2 137 3 763. मूल्यों के बीच अंतर। 763 - 123 3333 1 2 3 23. आरक्षण 1 2 2 2 2 2 - 2 3 14 - 12 2. वैल्यू 1 अंतर अनुपात 23 2 11 5. वैल्यू 2 औसत - मान 1 अनुपात 123 3333 - 11 5 2 100 3333.Forecast 1 n मान 1 मूल्य 2 4 11 5 100 3333 146 333 या 146 5 5 5 11 5 100 3333 157 8333 या 158. 6 6 6 5 5 5 5 6 33 33 169 3333 या 16 9. ए 8 2 नकली अनुमान गणना। अक्टूबर 2004 बिक्री। पिछले तीन महीनों के औसत । 12 9 140 131 3 133 3333. पिछले तीन महीनों के वजन के साथ माना जाता है। 12 9 1 140 2 131 3 802. मूल्यों के बीच अंतर। 802 - 133 3333 1 2 3 2. रिटियो 1 2 2 2 2 2 2 3 14 - 12 2. वैल्यू 1 अंतर अनुपात 2 2 1. वेल्यू 2 औसत - मान 1 अनुपात 133 3333 - 1 2 131 3333.Forecast 1 n मान 1 मान 2 4 1 131 3333 135 3333. नवंबर 2004 बिक्री। पिछले तीन महीनों के औसत। 140 131 114 3 128 3333. पिछले तीन महीने के वजन के साथ माना जाता है। 140 1 131 2 114 3 744. मूल्यों के बीच अंतर 744 - 128 3333 1 2 3 -25 99 99. वैल्यू 1 अंतर अनुपात -25 99 99 2 -12 99 99. मूल्य 2 औसत - मान 1 अनुपात 128 3333 - -12 99 99 2 154 3333.Forecast 4 -12 99 99 154 3333 102 3333. दिसंबर 2004 बिक्री। पिछले तीन महीनों के औसत। 131 114 119 3 121 3333. पिछले तीन महीनों के वजन में माना जाता है। 131 1 114 2 119 3 716. मूल्यों के बीच अंतर। 716 - 121 3333 1 2 3 -11 99 99. वैल्यू 1 अंतर अनुपात -11 99 99 2 -5 99 99. वैल्यू 2 औसत - मान 1 अनुपात 121 3333 - -5 99 99 2 133 3333.अधिकृत 4 -5 99 99 133 3333 109 3333. ए 8 3 पीओए 135 33 102 33 109 33 114 119 137 100 93 78. ए 8 4 मतलब निरपेक्ष विचलन गणना.एमएडी 135 33 - 114 102 33 - 119 109 33 - 137 3 21 88. ए 9 विधि 7 - दूसरा डिग्री अनुमान। लीडर रेग्रेसन पूर्वानुमान और फार्मूले में ए और बी के लिए मूल्यों को निर्धारित करता है वाई एक बीएक्स, बिक्री इतिहास के आंकड़ों के लिए सीधी रेखा फिटिंग के उद्देश्य से दूसरा डिग्री अनुमान समान है हालांकि, यह विधि ए, बी और सी के लिए मूल्यों को निर्धारित करती है पूर्वानुमान का सूत्र वाई बीएक्स सीएक्स 2 बिक्री के इतिहास के आंकड़ों के लिए एक वक्र फिटिंग के उद्देश्य से यह विधि उपयोगी हो सकती है जब कोई उत्पाद जीवन चक्र के चरणों के बीच संक्रमण में होता है उदाहरण के लिए, जब एक नया उत्पाद विकास के चरणों के परिचय से चलता है , बिक्री की प्रवृत्ति में तेजी ला सकती है क्योंकि दूसरे आदेश की अवधि के कारण, पूर्वानुमान जल्दी पहुंच सकता है अनन्तता या शून्य पर निर्भर करता है कि क्या गुणांक सी सकारात्मक या ऋणात्मक है इसलिए, यह विधि केवल अल्पावधि में उपयोगी है। मौसम विशिष्टताओं सूत्रों को एक, बी, और सी को खोजने के लिए वक्र को ठीक तीन अंक मिलते हैं। प्रसंस्करण विकल्प 7 ए, डेटा के समय-अवधि की संख्या, तीन अंकों में से प्रत्येक में जमा होती है इस उदाहरण में एन 3 इसलिए, जून के माध्यम से अप्रैल के लिए वास्तविक बिक्री डेटा पहले बिंदु में जोड़ दिया जाता है, Q1 जुलाई से सितंबर को एक साथ जोड़ दिया जाता है ताकि Q2 बनाया जा सके , और अक्टूबर से दिसंबर राशि तक Q3 के लिए वक्र तीन मानों Q1, Q2, और Q3 के लिए फिट होगा। पूर्वानुमान की गणना के लिए अनिवार्य बिक्री इतिहास 3 एन अवधि प्लस पूर्वानुमान प्रदर्शन का मूल्यांकन करने के लिए आवश्यक समय अवधि की संख्या PBF. Number of इस उदाहरण में प्रसंस्करण विकल्प 7a 3 को शामिल करने की अवधि। तीन महीने के महीनों में पिछले 3 महीने का उपयोग करें। क्यू 1 अप्रैल - जून 125 122 137 384. क्वा। जुलाई - सितंबर 12 9 140 131 400. क्वा 3 अक्टूबर - दिसंबर 114 119 137 370। अगले चरण में सी शामिल है पूर्वानुमान के सूत्र वाई एक बीएक्स सीएक्स 2 में इस्तेमाल होने वाले तीन गुणांकों को ए, बी, और सी को alculating। 1 Q1 एक बीएक्स सीएक्स 2 जहां एक्स 1 ए बी सी 2 क्यू 2 एक बीएक्स सीएक्स 2 जहां एक्स 2 ए 2 बी 4 सी। 3 क्यू 3 एक बीएक्स सीएक्स 2 जहां एक्स 3 ए 3 बी 9 सी। समीकरण 3 समीकरणों को एक साथ समीकरण के लिए बी, ए, और सी। स्यूब्ट्रैक्ट समीकरण 1 को समीकरण 2 से मिला और बी के लिए हल करें। समीकरण को बी के लिए समीकरण 3. 3 क्यू 3 ए 3 Q2 - Q1 - 3 सी सी। अंत में, समीकरणों में ए और बी के लिए इन समीकरणों का स्थान बदलें 1. क्यू 3 - 3 क्यू 2 - क्यू 1 क्यू 2 - क्यू 1 - 3 सी सी क्यू 1 सी क्यू 3 - क्यू 2 क्यू 1 - क्यू 2 2. दूसरा डिग्री अनुमान का तरीका गणना करता है क्यू 3 - 3 क्यू 2 - क्यू 1 370 - 3 400 - 384 322 सी क्यू 3 - क्यू 2 क्यू 1 - क्यू 2 2 370 - 400 384 - 400 2 -23. बी क्यू 2 - क्यू 1 - 3 सी 400 - 384 - 3 -23 85. एक बीएक्स सीएक्स 2 322 85 एक्स -23 एक्स 2. जनवरी के माध्यम से जनवरी का पूर्वानुमान एक्स 4. 322 340 - 368 3 294 3 98 प्रति अवधि। जून पूर्वानुमान एक्स के माध्यम से अप्रैल। 322 425 - 575 3 57 333 या 57 प्रति अवधि। सितंबर के पूर्वानुमान के मुकाबले जुलाई 6 एक्स 6 322 510 - 828 3 1 33 या 1 प्रति अवधि। अक्टूबर से दिसंबर 7 तक। 322 595 - 1127 3 -70. ए 9 2 नकली अनुमान गणना। अक्टूबर, नवंबर और दिसंबर, 2004 की बिक्री। Q1 जनवरी - मार्च 360.क्यू 2 अप्रैल - जून 384.क्यू 3 जुलाई - सितंबर 400.ए 400-3384 - 360 328 सी 400 - 384 360 - 384 2 -4. बी 384 - 360 - 3 -4 36. 328 36 4 -4 16 3 136. ए 9 3 शुद्धता की गणना की प्रतिशत। पीओए 136 136 136 114 119 137 100 110 27. ए 9 4 निरपेक्ष विचलन गणना। एमएडी 136 - 114 136 - 119 136 - 137 3 13 33. ए 10 विधि 8 - लचीला विधि। लचीला विधि प्रतिशत प्रतिशत से अधिक पूर्व पहले विधि के अनुसार 1, प्रतिशत पिछले वर्ष से अधिक है दोनों तरीकों से एक निर्दिष्ट समय से उपयोगकर्ता निर्दिष्ट कारक से गुणा बिक्री डेटा , फिर भविष्य में होने वाले प्रोजेक्ट, पिछले साल की तुलना में प्रतिशत में, प्रक्षेपण पिछले वर्ष की समान अवधि के आंकड़ों पर आधारित है। लचीला पद्धति पिछले वर्ष की इसी अवधि की तुलना में एक समय अवधि निर्दिष्ट करने की क्षमता जोड़ती है गणना के आधार के रूप में उपयोग करें। मल्टीप्लेक्शन कारक उदाहरण के लिए, 15 बीस अवधि के द्वारा पिछले बिक्री इतिहास के डेटा को बढ़ाने के लिए प्रसंस्करण विकल्प 8b में 1 15 निर्दिष्ट करें उदाहरण के लिए, n 3 पहले पूर्वानुमान को बिक्री डेटा के आधार पर बनाएगा अक्टूबर, 2005. न्यूनतम बिक्री इतिहास उपयोगकर्ता निर्दिष्ट संख्या ओ एफ अवधि के आधार अवधि के लिए, प्लस पूर्वानुमान प्रदर्शन का मूल्यांकन करने के लिए आवश्यक समय अवधि की संख्या PBF. A 10 4 माध्य निरपेक्ष विचलन गणना। एमएडी 148 - 114 161 - 119 151 - 137 3 30. ए 11 विधि 9 - वेटेड मूविंग औसत। भारित चलते औसत WMA विधि विधि 4 के समान है, मूविंग औसत एमए हालांकि, वेटेड मूविंग एवरल के साथ आप ऐतिहासिक डेटा को असमान वजन प्रदान कर सकते हैं विधि के लिए प्रक्षेपण पर पहुंचने के लिए हाल के बिक्री इतिहास के भारित औसत की गणना करता है अल्पावधि अधिक हाल के डेटा को आमतौर पर पुराने आंकड़ों के मुकाबले अधिक बड़ा सौंपा जाता है, इसलिए यह बिक्री के स्तर में बदलाव के लिए डब्लूएमए को अधिक उत्तरदायी बनाता है हालांकि, पूर्वानुमान की पूर्वाग्रह और व्यवस्थित त्रुटियां अभी भी होती हैं, जब उत्पाद की बिक्री का इतिहास मजबूत प्रवृत्ति या मौसमी पैटर्न दर्शाता है विधि जीवन चक्र के विकास या अप्रचलन चरणों में उत्पादों के बजाय परिपक्व उत्पादों की छोटी अवधि के पूर्वानुमान के लिए बेहतर बनाती है। बिक्री इतिहास की अवधि की संख्या में उपयोग करने के लिए पूर्वानुमान गणना उदाहरण के लिए, अगली बार अवधि में प्रक्षेपण के आधार के रूप में सबसे हाल की तीन अवधि का उपयोग करने के लिए प्रसंस्करण विकल्प 9 ए में एन 3 निर्दिष्ट करें जैसे कि 12 के लिए बड़े मूल्य के लिए अधिक बिक्री इतिहास की आवश्यकता होती है यह एक स्थिर पूर्वानुमान , लेकिन बिक्री के स्तर में पाली को पहचानने में धीमी गति होगी, दूसरी तरफ, जैसे n के लिए 3 का एक छोटा सा मान बिक्री के स्तर में तेजी से बदलाव का जवाब देगा, लेकिन पूर्वानुमान इतने व्यापक रूप से उभर सकता है कि उत्पादन का जवाब नहीं हो सकता भिन्नताएं। प्रत्येक ऐतिहासिक डेटा अवधियों को असाइन किया गया भार, असाइन किए गए भार को 1 00 के लिए होना चाहिए उदाहरण के लिए, जब n 3, 0 6, 0 3, और 0 1 का वजन, सबसे अधिक वजन प्राप्त करने वाले सबसे हालिया डेटा के साथ न्यूनतम आवश्यक बिक्री इतिहास n प्लस पूर्वानुमान प्रदर्शन का मूल्यांकन करने के लिए आवश्यक समय अवधि की संख्या PBF. MAD 133 5 - 114 121 7 - 119 118 7 - 137 3 13 5. ए 12 विधि 10 - रैखिक चिकनाई। यह विधि समान है विधि 9, वेटेड मूविंग औसत WMA कैसे करें कभी-कभी, ऐतिहासिक आंकड़ों के वजन को असाइन करने के बजाय, एक फार्मूला का इस्तेमाल उन भारों को सौंपने के लिए किया जाता है जो रैखिक रूप से गिरावट आते हैं और 1 00 के लिए योग करते हैं, फिर विधि अल्पावधि के लिए प्रक्षेपण पर पहुंचने के लिए हाल के बिक्री इतिहास की भारित औसत की गणना करता है। सभी रैखिक चलती औसत पूर्वानुमान तकनीकों के बारे में सच है, पूर्वानुमान पूर्वाग्रह और व्यवस्थित त्रुटियां तब होती हैं जब उत्पाद की बिक्री का इतिहास मजबूत प्रवृत्ति या मौसमी पैटर्न दर्शाता है यह विधि जीवन के विकास या अप्रचलन चरणों में उत्पादों के बजाय परिपक्व उत्पादों की छोटी अवधि के पूर्वानुमान के लिए बेहतर बनाती है चक्र की गणना अवधि के गणना में उपयोग करने के लिए बिक्री इतिहास की अवधि की संख्या प्रसंस्करण के विकल्प 10 ए में निर्दिष्ट किया जाता है उदाहरण के लिए, प्रसंस्करण के विकल्प 10b में 3 को निर्दिष्ट करें, जिसमें हाल के तीन अवधियों का प्रक्षेपण अगली बार अवधि सिस्टम स्वचालित रूप से उन ऐतिहासिक आंकड़ों को वजन देगा जो रैखिक रूप से गिरावट और 1 00 के लिए योग होगा उदाहरण के लिए, जब n 3, एस यंत्र, 0 5, 0 3333 और 0 1 के वजन को सबसे अधिक वजन वाले सबसे हालिया आंकड़े प्रदान करेगा। न्यूनतम आवश्यक बिक्री इतिहास n प्लस पूर्वानुमान प्रदर्शन का मूल्यांकन करने के लिए आवश्यक समय अवधि की संख्या PBF. A 12 1 पूर्वानुमान गणना। इस उदाहरण में औसत प्रसंस्करण विकल्प 10 ए 3 को चौरसाई करने के लिए समयावधि की संख्या। पूर्व में एक अवधि के लिए रेट 3 एन 2 एन 2 3 3 2 3 2 3 6 0 5. दो अवधि के लिए रोटियो पहले 2 एन 2 एन 2 2 2 3 2 3 2 2 6 0 3333. तीन अवधियों के लिए राइट 1 एन 2 एन 2 1 3 2 3 2 1 6 0 1666. जनवरी का पूर्वानुमान 137 0 5 119 1 3 114 1 6 127 16 या 127. एफबीएफ़ी पूर्वानुमान 127 0 5 137 1 3 119 1 6 12 9। मार्च का पूर्वानुमान 12 9 0 5 127 1 3 137 1 6 12 9 666 या 130. ए 12 2 नकली पूर्वानुमान गणना। अक्टूबर 2004 की बिक्री 12 9 1 6 140 2 6 131 3 6 133 6666। नवंबर 2004 बिक्री 140 1 6 131 2 6 114 3 6 124. दिसंबर 2004 की बिक्री 131 1 6 114 2 6 119 3 6 119 3333. ए 12 3 सटीकता की गणना की प्रतिशत। पीओए 133 6666 124 119 3333 114 119 137 100 101 891. ए 12 4 मतलब निरपेक्ष विचलन गणना ।पागल 133 6666 - 114 124 - 119 119 3333 - 137 3 14 1111. ए 13 विधि 11 - घातीय चौरसाई। यह विधि विधि 10 के समान है, रैखिक चिकनाई में रैखिक चिंगारी प्रणाली को ऐतिहासिक डेटा के लिए वजन सौंपता है जो कि रेखीय रूप से गिरावट घाटे में चपटा हुआ है , प्रणाली घाटे को बढ़ाती है जो तेजी से क्षय करता है घातीय चिकनाई पूर्वानुमान समीकरण है। पिछला वास्तविक बिक्री का पूर्वानुमान 1 पिछला पूर्वानुमान। पूर्वानुमान पिछले अवधि से वास्तविक बिक्री का एक भारित औसत और पिछली अवधि से पूर्वानुमान है पिछली अवधि 1 - ए के लिए वास्तविक बिक्री पर लागू वज़न पिछले अवधि के लिए भविष्यवाणी के लिए लागू वज़न है 0 से 1 तक की सीमा के लिए वैध मान, और आमतौर पर 0 1 और 0 4 के बीच आते हैं वजन का योग 1 है 00 एक 1-ए 1. आपको चौरसाई स्थिरांक के लिए एक मूल्य असाइन करना चाहिए, यदि आप चौरसाई निरंतर के लिए मूल्य निर्दिष्ट नहीं करते हैं, तो सिस्टम अनुमानित मान की गणना करता है, बिक्री इतिहास निर्दिष्ट अवधि की अवधि के आधार पर डी प्रसंस्करण के विकल्प 11 ए. ए. में चौरसाई स्थिरांक सामान्य स्तर या बिक्री के आयाम के लिए औसत औसत की गणना में प्रयोग किया जाता है 0 से 1.n तक की सीमा के लिए वैध मूल्यों की बिक्री इतिहास डेटा की श्रेणी की गणना में शामिल करने के लिए आम तौर पर एक वर्ष बिक्री के इतिहास का आंकड़ा बिक्री के सामान्य स्तर का अनुमान लगाने के लिए पर्याप्त है इस उदाहरण के लिए, एनएन 3 के लिए एक छोटा मूल्य चुना गया था ताकि परिणामों को सत्यापित करने के लिए आवश्यक मैनुअल गणना को कम किया जा सके। Exponential smoothing एक ऐतिहासिक के रूप में छोटा पर आधारित अनुमान उत्पन्न कर सकता है डेटा बिंदु। न्यूनतम आवश्यक बिक्री इतिहास n प्लस पूर्वानुमान प्रदर्शन का मूल्यांकन करने के लिए अपेक्षित समय अवधि की संख्या PBF. A 13 1 पूर्वानुमान गणना। अवधि का संख्या, औसत प्रोसेसिंग विकल्प 11 ए 3 को चौरसाई करने में शामिल है, और अल्फा कारक प्रसंस्करण विकल्प 11b रिक्त है उदाहरण: सबसे पुराना बिक्री डेटा 2 1 1, या 1 के लिए एक कारक जब अल्फा निर्दिष्ट होता है। 2 सबसे पुराना बिक्री डेटा 2 1 2, या अल्फा अल्फा निर्दिष्ट होने के लिए एक कारक। एक कारक 3 सबसे पुराना बिक्री आंकड़ों के लिए 2 1 3, या अल्फा जब अल्फा निर्दिष्ट होता है। अल्फा निर्दिष्ट होने पर सबसे हाल की बिक्री डेटा 2 1 एन या अल्फा के लिए एक कारक। नवम्बर एसएम औसत एक अक्टूबर 1 - एक अक्टूबर एसएम औसत 1 114 0 0 114.डिशम्बर एसएम औसत नवंबर वास्तविक 1 - एक नवंबर एसएम औसत 2 3 119 1 3 114 117 3333.जानरी एक दिसंबर वास्तविक 1 का पूर्वानुमान - एक दिसंबर एसएम औसत 2 4 137 2 4 117 3333 127 16665 या 127.फेब्रुवारी पूर्वानुमान जनवरी का पूर्वानुमान 127. मार्च पूर्वानुमान पूर्वानुमान का पूर्वानुमान 127. ए 13 2 नकल अनुमान गणना। जुलाई, 2004 एसएम औसत 2 2 12 9 12 9.अगस्ट एसएम औसत 2 3 140 1 3 12 9 136 3333.September sm औसत 2 4 131 2 4 136 3333 133 6666.ऑक्टोबर, 2004 की बिक्री में एसएसएम औसत 133 6666. अगस्त, 2004 एसएम औसत 2 2 140 140. सितंबर एसएम औसत 2 3 131 1 3 140 134. अक्टूबर एसएएम औसत 2 4 114 2 4 134 124. नवंबर, 2004 बिक्री सितंबर एसएम एसएम औसत 124. सितंबर 2004 एसएम औसत 2 2 131 131. अक्टूबर एसएएम औसत 2 3 114 1 3 131 119 6666. नवम्बर एसएम औसत 2 4 119 2 4 119 6666 119 3333.डिस्बर 2004 बिक्री एसएसएम औसत 119 3333. ए 13 3 प्रतिशत सटीकता की गणना टीओएन। पीओए 133 6666 124 119 3333 114 119 137 100 101 891. ए 13 4 मतलब निरपेक्ष विचलन गणना। एमएडी 133 6666 - 114 124 - 119 119 3333 - 137 3 14 1111. ए 14 विधि 12 - रुझान और मौलिकता के साथ घातीय चौरसाई यह विधि विधि 11, घातीय चिकनाई के समान है, जिसमें एक औसत औसत गणना की जाती है हालांकि, विधि 12 में भी एक समृद्ध प्रवृत्ति की गणना करने के लिए पूर्वानुमान समीकरण में एक शब्द शामिल है पूर्वानुमान एक रेखीय प्रवृत्ति के लिए समायोजित एक चिकनी औसत से बना है जब निर्दिष्ट प्रसंस्करण के विकल्प में, मौसम के लिए पूर्वानुमान भी समायोजित किया जाता है। सामान्य स्तर या बिक्री के परिमाण के लिए चिकनी औसत की गणना में चौरसाई निरंतर का इस्तेमाल किया जाता है अल्फा श्रेणी के लिए वैध मूल्य 0 से 1.b तक चिकनी चौरसाई स्थिरता की गणना में प्रयोग किया जाता है पूर्वानुमान की प्रवृत्ति घटकों के लिए औसत 0 से 1 तक बीटा श्रेणी के लिए वैध मानें। पूर्वानुमान के लिए एक मौसमी सूचकांक लागू किया जाता है। ए और बी एक-दूसरे से स्वतंत्र हैं उन्हें 1 0.इन में जोड़ना नहीं है इम्यूम को आवश्यक बिक्री के इतिहास को दो वर्ष से अधिक पूर्वानुमान पूर्वानुमान के मूल्यांकन के लिए आवश्यक समय अवधि PBF. Method 12 दो घातीय चिकनाई समीकरणों का उपयोग करता है और एक साधारण औसत, एक चिकनी प्रवृत्ति और साधारण औसत मौसमी कारक की गणना करने के लिए एक साधारण औसत। 14 1 पूर्वानुमान गणना। एक बहुत तेजी से औसत औसत। एमएडी 122 81 - 114 133 14 - 119 135 33 - 137 3 8 2. ए 15 पूर्वानुमान का मूल्यांकन करना। आप प्रत्येक उत्पाद के लिए जितने बार बार बारह पूर्वानुमान उत्पन्न करने के लिए पूर्वानुमानित विधियों का चयन कर सकते हैं जब संभवतः हजारों उत्पादों का अनुमान लगाया जाए तो विधि अलग-अलग प्रक्षेपण करेगी, प्रत्येक उत्पाद के लिए आपकी योजनाओं में उपयोग किए जाने वाले पूर्वानुमानों के बारे में एक व्यक्तिपरक निर्णय करने के लिए यह अव्यावहारिक नहीं है। सिस्टम स्वचालित रूप से पूर्वानुमानित तरीकों में से प्रत्येक के लिए प्रदर्शन का मूल्यांकन करता है जिसे आप चुनते हैं, और प्रत्येक उत्पाद के पूर्वानुमान के लिए आप दो प्रदर्शन मानदंडों के बीच चयन कर सकते हैं, निरपेक्ष विचलन एमएडी और सटीक का प्रतिशत एसी पीओए एमएडी पूर्वानुमान त्रुटि का एक उपाय है पीओए पूर्वानुमान पूर्वाग्रह का एक उपाय है इन दोनों प्रदर्शन मूल्यांकन तकनीकों को उपयोगकर्ता की निर्दिष्ट अवधि के लिए वास्तविक बिक्री इतिहास डेटा की आवश्यकता होती है हाल के इतिहास की इस अवधि को धारण अवधि या अवधि सबसे अच्छा फिट पीबीएफ कहा जाता है। पूर्वानुमानित विधि के प्रदर्शन को मापने के लिए, ऐतिहासिक धारक अवधि के पूर्वानुमान के लिए पूर्वानुमान फ़ार्मुलों का उपयोग करें, आमतौर पर वास्तविक बिक्री डेटा और होल्डआउट अवधि के लिए नकली पूर्वानुमान के बीच अंतर होगा। जब कई पूर्वानुमान विधियों का चयन किया जाता है, यह वही प्रक्रिया प्रत्येक विधि के लिए होता है कई पूर्वानुमानों को धारण अवधि के लिए गणना की जाती है, और इसी अवधि के लिए ज्ञात बिक्री इतिहास की तुलना में पूर्वानुमानित विधि का उत्पादन सर्वोत्तम अवधि का पूर्वानुमान और धारक अवधि के दौरान वास्तविक बिक्री के बीच सबसे अच्छा फिट करने के लिए उपयोग के लिए अनुशंसित है अपनी योजनाओं में यह अनुशंसा प्रत्येक उत्पाद के लिए विशिष्ट है, और एक पूर्वानुमान पीढ़ी से नेन में बदल सकती है xt. a 16 निरपेक्ष विचलन MAD. MAD औसत मूल्यों या वास्तविकता और पूर्वानुमान डेटा के बीच त्रुटियों की त्रुटियों या परिमाण के औसत या औसत है, एमएडी उम्मीद की त्रुटियों की औसत मात्रा का एक उपाय है, एक पूर्वानुमान विधि और डेटा इतिहास क्योंकि गणना में पूर्ण मूल्यों का उपयोग किया जाता है, सकारात्मक त्रुटियां नकारात्मक त्रुटियों को रद्द नहीं करती हैं, कई पूर्वानुमानकारी तरीकों की तुलना करते समय, सबसे छोटी एमएडी वाले उस उत्पाद के लिए उस विश्वसनीय अवधि के लिए सबसे अधिक विश्वसनीय साबित हुआ है जब पूर्वानुमान निष्पक्ष हो और त्रुटियों को आम तौर पर वितरित किया जाता है, एमएडी और वितरण के दो अन्य सामान्य उपाय, मानक विचलन और मध्य स्क्वायर त्रुटि के बीच एक सरल गणितीय संबंध है। 16 शुद्धता पीओए की 1 प्रतिशत सटीकता पीओए का पूर्वानुमान पूर्वानुमान पूर्वाग्रह का एक उपाय है जब पूर्वानुमान लगातार होते हैं बहुत अधिक, माल संग्रह और इन्वेंट्री की लागत बढ़ जाती है जब पूर्वानुमान लगातार दो कम होते हैं, माल का सेवन किया जाता है और ग्राहक सेवा में गिरावट आई है एस एक पूर्वानुमान है कि 10 इकाइयां बहुत कम हैं, तो 8 इकाइयां बहुत ऊंचे हैं, फिर 2 इकाइयां बहुत ऊंची हैं, एक निष्पक्ष पूर्वानुमान होगा 10 की सकारात्मक त्रुटि रद्द की गई है, और नकारात्मक त्रुटियों द्वारा रद्द किया गया 2. त्रुटि वास्तविक - पूर्वानुमान। जब एक उत्पाद सूची में संग्रहीत किया जा सकता है, और जब पूर्वानुमान निष्पक्ष हो, तो त्रुटियों को बफर करने के लिए सुरक्षा स्टॉक का एक छोटा सा हिस्सा इस्तेमाल किया जा सकता है इस स्थिति में, पूर्वानुमानित त्रुटियों को खत्म करना इतना महत्वपूर्ण नहीं है क्योंकि यह निष्पक्ष पूर्वानुमान पैदा करना है हालांकि सेवा उद्योग में , उपरोक्त स्थिति को तीन त्रुटियों के रूप में देखा जाएगा सेवा को पहले की अवधि में कम कर दिया जाएगा, फिर अगले दो दिनों के लिए अतिरंजित हो जाएगा सेवाओं में, पूर्वानुमान त्रुटियों की भयावहता आमतौर पर पूर्वाग्रह की तुलना में अधिक महत्वपूर्ण है। धारण अवधि सकारात्मक त्रुटियों को नकारात्मक त्रुटियों को रद्द करने की अनुमति देता है जब वास्तविक बिक्री की कुल बिक्री पूर्वानुमान की कुल संख्या से अधिक है, अनुपात 100 से अधिक है बेशक, 100 से अधिक सटीक होना असंभव है जब एक पूर्वानुमान अनबियास होता है एड, पीओए अनुपात 100 हो सकता है, इसलिए 110 सटीक होने की तुलना में 95 सटीक होना अधिक वांछनीय है पीओए मानदंडों की भविष्यवाणी पद्धति का चयन करें, जिसकी पीओए अनुपात 100 के करीब है। इस पृष्ठ पर स्क्रीप्टिंग सामग्री नेविगेशन को बढ़ाती है, लेकिन नहीं किसी भी तरह से सामग्री को परिवर्तित करें .3 पूर्वानुमान स्तर और विधियों को समझना। आप उत्पाद विवरण पैटर्न को प्रतिबिंबित करने वाले विस्तार से एक आइटम पूर्वानुमान और सारांश उत्पाद लाइन अनुमान उत्पन्न कर सकते हैं सिस्टम 12 पूर्वानुमानों के तरीकों का उपयोग करके अनुमानों की गणना करने के लिए पिछली बिक्री का विश्लेषण करती है पूर्वानुमान में विस्तृत जानकारी शामिल है आइटम स्तर पर और एक शाखा या कंपनी के बारे में एक पूरे के बारे में उच्च स्तर की जानकारी .3 1 पूर्वानुमान प्रदर्शन मूल्यांकन मानदंड। प्रसंस्करण के विकल्पों के चयन और बिक्री डेटा में प्रवृत्तियों और पैटर्नों के आधार पर, कुछ पूर्वानुमान विधियों के लिए दूसरों की तुलना में बेहतर प्रदर्शन करते हैं एक दिया गया ऐतिहासिक डेटा सेट एक उत्पाद के लिए उपयुक्त एक भविष्यवाणी पद्धति किसी अन्य उत्पाद के लिए उपयुक्त नहीं हो सकती हो सकता है आप शायद यह पता चलता है कि उत्पादक जीवन चक्र के एक चरण में अच्छे परिणाम प्रदान करने वाली एक भविष्यवाणी पद्धति पूरे जीवन चक्र के दौरान उचित होती है। आप पूर्वानुमान विधियों के वर्तमान प्रदर्शन का मूल्यांकन करने के लिए दो विधियों के बीच चयन कर सकते हैं। सटीकता की शुरुआत पीओए। एमएएन पूर्ण विचलन एमएडी । इन प्रदर्शन मूल्यांकन विधियों के लिए दोनों की अवधि के लिए ऐतिहासिक बिक्री डेटा की आवश्यकता होती है, जिसे आप निर्दिष्ट करते हैं इस अवधि को एक पकड़ने की अवधि या सर्वोत्तम फिट की अवधि कहा जाता है इस अवधि में डेटा का उपयोग करने के लिए अगली पूर्वानुमान प्रक्षेपण यह सिफारिश प्रत्येक उत्पाद के लिए विशिष्ट है और एक पूर्वानुमान पीढ़ी से अगले.3 में बदल सकती है। 1 1 बेस्ट फिट। सिस्टम पिछले विक्रय आदेश इतिहास के लिए चयनित पूर्वानुमान विधियों को लागू करने और पूर्वानुमान अनुकरण की तुलना करने के लिए सर्वोत्तम फिट पूर्वानुमान की सिफारिश करता है वास्तविक इतिहास जब आप एक बेहतरीन फिट अनुमान तैयार करते हैं, तो सिस्टम एक के लिए पूर्वानुमानों के लिए वास्तविक विक्रय आदेशों की तुलना करता है विशिष्ट समय अवधि और गणना करता है कि प्रत्येक अलग भविष्यवाणी पद्धति की बिक्री की भविष्यवाणी कितनी अच्छी तरह से की जाती है। फिर सिस्टम सबसे सटीक पूर्वानुमान की सिफारिश करता है, जो सबसे अच्छा फिट है। यह ग्राफ़िक सबसे अच्छी फिट पूर्वानुमान दिखाता है। फिकर 3-1 सर्वश्रेष्ठ फिट पूर्वानुमान। सिस्टम इस क्रम को निर्धारित करने के लिए चरणों का उपयोग करता है सर्वश्रेष्ठ फिट। धारण अवधि के लिए नकली पूर्वानुमानों के लिए धारक अवधि के वास्तविक पूर्वानुमान को अनुपालन करने के लिए प्रत्येक निर्दिष्ट विधि का उपयोग करें। पीओए या एमएडी की गणना के लिए यह निर्धारित करने के लिए कि कौन से भविष्यवाणी पद्धति सबसे पुरानी वास्तविक बिक्री से मेल खाती है। सिस्टम या तो पीओए या मैड, जो आपके द्वारा चुने गए प्रोसेसिंग विकल्पों के आधार पर होता है। पीओए द्वारा सबसे अच्छा फिट अनुमान बताएं जो कि 100 प्रतिशत से अधिक या उससे कम या एमएडी जो शून्य के सबसे निकटतम है। 2 पूर्वानुमान विधि। जेडी एडवर्ड्स एंटरप्राइज़ोन पूर्वानुमान प्रबंधन 12 का उपयोग करता है मात्रात्मक पूर्वानुमान के लिए तरीके और यह दर्शाता है कि किस स्थिति में भविष्यवाणी की स्थिति के लिए सबसे अच्छी सुविधा प्रदान की जाती है.यह अनुभाग चर्चा करता है। विधि 1 से अधिक ला सेंट इयर। विधि 2 पिछले वर्ष के हिसाब से परिकलित प्रतिशत। विधि 3 पिछले साल इस वर्ष। विधि 4 चलती औसत। विधि 5 रैखिक अनुमान। विधि 6 कम से कम वर्गों प्रतिगमन। विधि 7 दूसरा डिग्री अनुमान। विधि 8 लचीले method. Method 9 वेटेड मूविंग औसत। विधि 10 रैखिक चिकनाई। विधि 11 घातीय चिकनाई। विधि प्रवृत्ति और मौसमी के साथ 12 घातीय चिकनाई। पूर्वानुमान पीढ़ी कार्यक्रम R34650 के लिए प्रसंस्करण विकल्पों में आप का उपयोग करना चाहते हैं कि विधि निर्दिष्ट करें इन तरीकों में से ज्यादातर सीमित नियंत्रण प्रदान करते हैं उदाहरण के लिए, हाल के ऐतिहासिक डेटा या ऐतिहासिक आंकड़ों की तारीख सीमा जो कि गणना में उपयोग की गई है, पर रखा गया वजन आपके द्वारा निर्दिष्ट किया जा सकता है। मार्गदर्शिका में दिए गए उदाहरण, ऐतिहासिक डेटा के एक समान सेट को देखते हुए उपलब्ध पूर्वानुमान तरीकों में से प्रत्येक के लिए गणना प्रक्रिया को इंगित करते हैं। मार्गदर्शिका उपयोग के तरीके या इन सभी डेटा सेट में उदाहरण के उदाहरण, जो पिछले दो सालों से ऐतिहासिक डेटा है, पूर्वानुमान अनुमान, अगले हाँ में जाता है आर। इस बिक्री के इतिहास का आंकलन जुलाई और दिसंबर में छोटे मौसमी वृद्धि के साथ स्थिर है। यह पैटर्न एक परिपक्व उत्पाद की विशेषता है जो अप्रचलन हो सकता है। 2 2 1 विधि 1 प्रतिशत पिछले वर्ष से अधिक है। यह विधि पिछले वर्ष के अंतिम प्रतिशत के आधार पर उपयोग करता है निर्दिष्ट प्रतिशत में वृद्धि या कमी से प्रत्येक पूर्वानुमान अवधि बढ़ो। मांग की भविष्यवाणी करने के लिए, इस पद्धति के लिए सर्वोत्तम फिट प्लस अवधि के बिक्री इतिहास के लिए अवधि की संख्या की आवश्यकता होती है यह विधि मौसमी वस्तुओं की मांग के विकास या गिरावट के साथ पूर्वानुमान की पूर्ति के लिए उपयोगी है। 2 2 पिछले 1 साल से 1 1 उदाहरण पद्धति 1 प्रतिशत। पिछले साल के मुकाबले प्रतिशत प्रतिशत आपके द्वारा निर्दिष्ट एक कारक द्वारा पिछले वर्ष के बिक्री आंकड़ों को गुणा करता है और फिर अगले साल के परिणामस्वरूप परियोजनाओं की पूर्ति होती है निर्दिष्ट विकास दर या जब बिक्री के इतिहास में एक महत्वपूर्ण मौसमी घटक होता है। मौसम विशिष्टता गुणक कारक उदाहरण के लिए, प्रसंस्करण के विकल्प में 110 increas को निर्दिष्ट करें ई पिछले साल के बिक्री के इतिहास के आंकड़ों को 10 प्रतिशत तक। पूर्वानुमान की गणना के लिए एक साल का पूर्वानुमान, पूर्वानुमान की गणना के लिए एक वर्ष, साथ ही समय अवधि की संख्या, जो आपके द्वारा विनिर्दिष्ट सबसे अच्छी फिट की पूर्वानुमान अवधि का मूल्यांकन करने के लिए जरूरी है। पूर्वानुमान गणना। फरवरी की भविष्यवाणी 117 1 1 128 7 के बराबर होती है, जो 12 9 में गोल होती है। मार्च का पूर्वानुमान 115 1 1 126 5 के बराबर है, 127.3 2 2 विधि 2 पर अंतिम वर्ष के दौरान परिकलित प्रतिशत। इस पद्धति की तुलना करने के लिए पिछले वर्ष की तुलना में परिकलित प्रतिशत का उपयोग किया जाता है। पिछले वर्ष की इसी अवधि से बिक्री के लिए निर्दिष्ट अवधि की पिछली बिक्री प्रणाली प्रतिशत में वृद्धि या कमी को निर्धारित करती है, और फिर पूर्वानुमान के निर्धारण के लिए प्रतिशत द्वारा प्रत्येक अवधि को गुणा करता है। पूर्वानुमान की पूर्ति के लिए, इस पद्धति को बिक्री की अवधि की संख्या की आवश्यकता है ऑर्डर इतिहास प्लस बिक्री इतिहास का एक वर्ष यह विधि मौसमी वस्तुओं की वृद्धि या गिरावट के साथ अल्पावधि मांग की भविष्यवाणी करने के लिए उपयोगी है। 2 2 1 उदाहरण विधि 2 परिकलित परस्पर 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.