OR-Notes adalah serangkaian catatan pengantar tentang topik yang termasuk dalam judul penelitian bidang operasi (OR). Mereka awalnya digunakan oleh saya dalam kursus perkenalan ATAU yang saya berikan di Imperial College. Mereka sekarang tersedia untuk digunakan oleh siswa dan guru yang tertarik atau tunduk pada kondisi berikut. Daftar lengkap topik yang tersedia di OR-Notes dapat ditemukan di sini. Contoh peramalan Peramalan contoh 1996 UG exam Permintaan produk dalam setiap lima bulan terakhir ditunjukkan di bawah ini. Gunakan rata-rata pergerakan dua bulan untuk menghasilkan perkiraan permintaan di bulan 6. Terapkan pemulusan eksponensial dengan konstanta pemulusan 0,9 untuk menghasilkan perkiraan permintaan permintaan di bulan 6. Manakah dari kedua perkiraan yang Anda inginkan dan mengapa perpindahan kedua bulan ini Rata-rata untuk bulan dua sampai lima diberikan oleh: Prakiraan untuk bulan ke enam hanyalah rata-rata pergerakan untuk bulan sebelumnya yaitu rata-rata bergerak untuk bulan 5 m 5 2350. Menerapkan pemulusan eksponensial dengan konstanta pemulusan sebesar 0,9, kita mendapatkan: Seperti sebelumnya Ramalan untuk bulan enam hanya rata-rata untuk bulan 5 M 5 2386 Untuk membandingkan dua prakiraan kita menghitung mean squared deviation (MSD). Jika kita melakukan ini, kita menemukan bahwa untuk rata-rata bergerak MSD (15 - 19) sup2 (18 - 23) sup2 (21 - 24) sup23 16.67 dan untuk rata-rata merapikan secara eksponensial dengan konstanta smoothing 0,9 MSD (13 - 17) sup2 10.44 Secara keseluruhan, kita melihat bahwa pemulusan eksponensial tampaknya memberikan perkiraan satu bulan terbaik di depan karena memiliki MSD yang lebih rendah. Makanya kita lebih memilih ramalan 2386 yang telah diproduksi oleh smoothing eksponensial. Peramalan contoh ujian UG 1994 Tabel di bawah ini menunjukkan permintaan aftershave baru di toko untuk masing-masing 7 bulan terakhir. Hitung moving average dua bulan untuk bulan dua sampai tujuh. Berapa perkiraan Anda untuk permintaan di bulan delapan Terapkan pemulusan eksponensial dengan konstanta pemulusan 0,1 untuk menurunkan perkiraan permintaan di bulan ke delapan. Manakah dari dua prakiraan untuk bulan delapan yang Anda sukai dan mengapa penjaga toko percaya bahwa pelanggan beralih ke merek baru ini dari merek lain. Diskusikan bagaimana Anda bisa memodelkan perilaku switching ini dan menunjukkan data yang Anda perlukan untuk mengkonfirmasi apakah peralihan ini terjadi atau tidak. Rata-rata pergerakan dua bulan untuk bulan kedua sampai tujuh diberikan oleh: Perkiraan untuk bulan ke delapan hanya merupakan rata-rata pergerakan untuk bulan sebelumnya yaitu rata-rata bergerak untuk bulan 7 m 7 46. Menerapkan pemulusan eksponensial dengan konstanta pemulusan 0,1 Dapatkan: Seperti sebelum perkiraan untuk bulan ke delapan hanya rata-rata untuk bulan 7 M 7 31.11 31 (karena kita tidak dapat memiliki permintaan fraksional). Untuk membandingkan kedua prakiraan tersebut, kita menghitung mean squared deviation (MSD). Jika kita melakukan ini, kita menemukan bahwa untuk rata-rata bergerak dan rata-rata merapikan secara eksponensial dengan konstanta pemulusan 0,1 keseluruhan, maka kita melihat bahwa rata-rata pergerakan dua bulan tampaknya menghasilkan perkiraan satu bulan yang terbaik karena memiliki MSD lebih rendah. Makanya kita lebih memilih perkiraan 46 yang telah dihasilkan oleh moving average dua bulan. Untuk memeriksa peralihan kita perlu menggunakan model proses Markov, di mana negara merek dan kita memerlukan informasi keadaan awal dan probabilitas switching pelanggan (dari survei). Kita perlu menjalankan model pada data historis untuk melihat apakah kita memiliki kesesuaian antara model dan perilaku historis. Peramalan contoh ujian UG 1992 Tabel di bawah ini menunjukkan permintaan untuk merek pisau cukur tertentu di toko untuk masing-masing sembilan bulan terakhir. Hitung rata-rata pergerakan tiga bulan selama bulan tiga sampai sembilan. Berapa perkiraan perkiraan permintaan Anda pada bulan ke sepuluh Terapkan smoothing eksponensial dengan konstanta pemulusan 0,3 untuk mendapatkan perkiraan permintaan pada bulan ke sepuluh. Manakah dari dua perkiraan untuk sepuluh bulan yang Anda inginkan dan mengapa rata-rata moving average tiga bulan untuk bulan 3 sampai 9 diberikan oleh: Prakiraan untuk bulan ke 10 hanya merupakan rata-rata pergerakan untuk bulan sebelumnya yaitu rata-rata pergerakan untuk bulan 9 m 9 20.33. Oleh karena itu (karena kita tidak dapat memiliki permintaan fraksional) perkiraan untuk 10 bulan adalah 20. Menerapkan pemulusan eksponensial dengan konstanta pemulusan 0,3 kita dapatkan: Seperti sebelum perkiraan untuk bulan ke 10 hanya rata-rata untuk bulan 9 M 9 18.57 19 (seperti kita Tidak dapat memiliki permintaan fraksional). Untuk membandingkan kedua prakiraan tersebut, kita menghitung mean squared deviation (MSD). Jika kita melakukan ini, kita menemukan bahwa untuk rata-rata bergerak dan rata-rata merapikan secara eksponensial dengan konstanta pemulusan 0,3 Secara keseluruhan, kita melihat bahwa rata-rata pergerakan tiga bulan tampaknya menghasilkan perkiraan satu bulan yang terbaik karena memiliki MSD lebih rendah. Makanya kami lebih memilih perkiraan 20 yang telah dihasilkan oleh moving average tiga bulan. Peramalan contoh ujian UG 1991 Tabel di bawah ini menunjukkan permintaan untuk merek mesin faks tertentu di sebuah toserba dalam masing-masing dua belas bulan terakhir. Hitung moving average empat bulan untuk bulan 4 sampai 12. Berapa perkiraan perkiraan permintaan Anda di bulan 13 Terapkan pemulusan eksponensial dengan konstanta pemulusan 0,2 untuk mendapatkan perkiraan permintaan di bulan 13. Manakah dari dua perkiraan untuk bulan 13 apakah Anda lebih suka dan mengapa Faktor lain apa, yang tidak dipertimbangkan dalam perhitungan di atas, mungkin mempengaruhi permintaan untuk mesin faks di bulan 13 Rata-rata moving average empat bulan untuk bulan ke 4 sampai 12 diberikan oleh: m 4 (23 19 15 12) 4 17.25 m 5 (27 23 19 15) 4 21 m 6 (30 27 23 19 19) 4 24,75 m 7 (32 30 27 23) 4 28 m 8 (33 32 30 27) 4 30,5 m 9 (37 33 32 30) 4 33 m 10 (41 37 33 32) 4 35,75 m 11 (49 41 37 33) 4 40 m 12 (58 49 41 37) 4 46,25 Prakiraan untuk bulan ke 13 hanyalah rata-rata pergerakan untuk bulan sebelumnya yaitu rata-rata bergerak Untuk bulan 12 m 12 46,25. Oleh karena itu (karena kita tidak dapat memiliki permintaan fraksional) perkiraan untuk bulan ke 13 adalah 46. Menerapkan pemulusan eksponensial dengan konstanta pemulusan 0,2 kita dapatkan: Seperti sebelum perkiraan untuk bulan ke 13 hanya rata-rata untuk bulan 12 M 12 38.618 39 (seperti kita Tidak dapat memiliki permintaan fraksional). Untuk membandingkan kedua prakiraan tersebut, kita menghitung mean squared deviation (MSD). Jika kita melakukan ini, kita menemukan bahwa untuk rata-rata bergerak dan rata-rata merapikan secara eksponensial dengan konstanta pemulusan 0,2 Secara keseluruhan, kita melihat bahwa rata-rata pergerakan empat bulan tampaknya menghasilkan perkiraan satu bulan yang terbaik karena memiliki MSD lebih rendah. Makanya kita lebih memilih perkiraan 46 yang telah dihasilkan oleh rata-rata pergerakan empat bulan. Perubahan permintaan harga iklan musiman, kedua merek dan merek lain ini situasi ekonomi umum teknologi baru Peramalan contoh 1989 UG exam Tabel di bawah ini menunjukkan permintaan untuk merek microwave oven tertentu di sebuah department store dalam masing-masing dua belas bulan terakhir. Hitung moving average enam bulan untuk setiap bulannya. Berapa perkiraan Anda untuk permintaan di bulan 13 Terapkan pemulusan eksponensial dengan konstanta pemulusan 0,7 untuk mendapatkan perkiraan permintaan pada bulan 13. Manakah dari dua perkiraan untuk bulan 13 yang Anda inginkan dan mengapa Sekarang kita tidak dapat menghitung enam Bulan bergerak sampai kita memiliki setidaknya 6 pengamatan - yaitu kita hanya bisa menghitung rata-rata seperti itu dari bulan ke 6 dan seterusnya. Oleh karena itu kita memiliki: m 6 (34 32 30 29 31 27) 6 30,50 m 7 (36 34 32 30 29 31) 6 32.00 m 8 (35 36 34 32 30 29) 6 32.67 m 9 (37 35 36 34 32 30) 6 34,00 m 10 (39 37 35 36 34 32) 6 35,50 m 11 (40 39 37 35 36 34) 6 36,83 m 12 (42 40 39 37 35 36) 6 38.17 Prakiraan untuk bulan 13 hanyalah rata-rata pergerakan untuk Bulan sebelumnya yaitu moving average untuk bulan 12 m 12 38.17. Oleh karena itu (karena kita tidak dapat memiliki permintaan fraksional) perkiraan untuk bulan ke 13 adalah 38. Menerapkan pemulusan eksponensial dengan konstanta pemulusan sebesar 0,7 yang kita dapatkan: Pendahuluan Peramalan Rata-rata Pergerakan. Seperti yang Anda duga, kita melihat beberapa pendekatan paling primitif terhadap peramalan. Tapi mudah-mudahan ini setidaknya merupakan pengantar yang berharga untuk beberapa masalah komputasi yang terkait dengan penerapan prakiraan di spreadsheet. Dalam vena ini kita akan melanjutkan dengan memulai dari awal dan mulai bekerja dengan Moving Average prakiraan. Moving Average Forecasts. Semua orang terbiasa dengan perkiraan rata-rata bergerak terlepas dari apakah mereka yakin itu. Semua mahasiswa melakukannya setiap saat. Pikirkan nilai tes Anda di kursus di mana Anda akan menjalani empat tes selama semester ini. Mari kita asumsikan Anda mendapatkan 85 pada tes pertama Anda. Apa yang akan Anda perkirakan untuk skor tes kedua Anda Menurut Anda apa yang akan diprediksikan oleh guru untuk mendapatkan skor tes berikutnya? Menurut Anda, apa perkiraan teman Anda untuk memprediksi skor tes berikutnya? Menurut Anda, apa yang diprediksi orang tua Anda untuk skor tes berikutnya? Semua blabbing yang mungkin Anda lakukan terhadap teman dan orang tua Anda, mereka dan gurumu sangat mengharapkan Anda untuk mendapatkan sesuatu dari area yang Anda dapatkan. Nah, sekarang mari kita asumsikan bahwa meskipun promosi diri Anda ke teman Anda, Anda terlalu memperkirakan perkiraan Anda dan membayangkan bahwa Anda dapat belajar lebih sedikit untuk tes kedua dan Anda mendapatkan nilai 73. Sekarang, apa yang menarik dan tidak peduli? Mengantisipasi Anda akan mendapatkan pada tes ketiga Ada dua pendekatan yang sangat mungkin bagi mereka untuk mengembangkan perkiraan terlepas dari apakah mereka akan berbagi dengan Anda. Mereka mungkin berkata pada diri mereka sendiri, quotThis guy selalu meniup asap tentang kecerdasannya. Dia akan mendapatkan yang lain lagi jika dia beruntung. Mungkin orang tua akan berusaha lebih mendukung dan berkata, quotWell, sejauh ini Anda sudah mendapatkan nilai 85 dan angka 73, jadi mungkin Anda harus memikirkan tentang (85 73) 2 79. Saya tidak tahu, mungkin jika Anda kurang berpesta Dan werent mengibaskan musang seluruh tempat dan jika Anda mulai melakukan lebih banyak belajar Anda bisa mendapatkan skor yang lebih tinggi. quot Kedua perkiraan ini sebenarnya bergerak perkiraan rata-rata. Yang pertama hanya menggunakan skor terbaru untuk meramalkan kinerja masa depan Anda. Ini disebut perkiraan rata-rata bergerak menggunakan satu periode data. Yang kedua juga merupakan perkiraan rata-rata bergerak namun menggunakan dua periode data. Mari kita asumsikan bahwa semua orang yang menghina pikiran besar ini membuat Anda kesal dan Anda memutuskan untuk melakukannya dengan baik pada tes ketiga karena alasan Anda sendiri dan untuk memberi nilai lebih tinggi di depan kuotasi Anda. Anda mengikuti tes dan nilai Anda sebenarnya adalah 89 Setiap orang, termasuk Anda sendiri, terkesan. Jadi sekarang Anda memiliki ujian akhir semester yang akan datang dan seperti biasa Anda merasa perlu mendorong setiap orang untuk membuat prediksi tentang bagaimana Anda melakukannya pada tes terakhir. Nah, semoga anda melihat polanya. Nah, semoga anda bisa melihat polanya. Yang Anda percaya adalah Whistle paling akurat Sementara Kami Bekerja. Sekarang kita kembali ke perusahaan pembersih baru kita yang dimulai oleh saudara tirimu yang terasing bernama Whistle While We Work. Anda memiliki beberapa data penjualan terakhir yang ditunjukkan oleh bagian berikut dari spreadsheet. Kami pertama kali mempresentasikan data untuk perkiraan rata-rata pergerakan tiga periode. Entri untuk sel C6 harus Sekarang Anda dapat menyalin formula sel ini ke sel lain C7 sampai C11. Perhatikan bagaimana rata-rata pergerakan data historis terbaru namun menggunakan tiga periode paling terakhir yang tersedia untuk setiap prediksi. Anda juga harus memperhatikan bahwa kita benar-benar tidak perlu membuat ramalan untuk periode sebelumnya untuk mengembangkan prediksi terbaru kita. Ini jelas berbeda dengan model smoothing eksponensial. Ive menyertakan prediksi quotpast karena kami akan menggunakannya di halaman web berikutnya untuk mengukur validitas prediksi. Sekarang saya ingin menyajikan hasil yang analog untuk ramalan rata-rata pergerakan dua periode. Entri untuk sel C5 harus Sekarang Anda dapat menyalin formula sel ini ke sel lain melalui C6 C6. Perhatikan bagaimana sekarang hanya dua buah data historis terakhir yang digunakan untuk setiap prediksi. Sekali lagi saya telah menyertakan prediksi quotpast untuk tujuan ilustrasi dan untuk nanti digunakan dalam validasi perkiraan. Beberapa hal lain yang perlu diperhatikan. Untuk perkiraan rata-rata pergerakan m-m, hanya m data terakhir yang digunakan untuk membuat prediksi. Tidak ada hal lain yang diperlukan. Untuk perkiraan rata-rata pergerakan m-period, saat membuat prediksi quotpast predictququot, perhatikan bahwa prediksi pertama terjadi pada periode m 1. Kedua masalah ini akan sangat signifikan saat kita mengembangkan kode kita. Mengembangkan Fungsi Bergerak Rata-rata. Sekarang kita perlu mengembangkan kode ramalan rata-rata bergerak yang bisa digunakan lebih fleksibel. Kode berikut. Perhatikan bahwa masukan adalah untuk jumlah periode yang ingin Anda gunakan dalam perkiraan dan rangkaian nilai historis. Anda bisa menyimpannya dalam buku kerja apa pun yang Anda inginkan. Fungsi MovingAverage (Historis, NumberOfPeriods) Sebagai Single Declaring dan variabel inisialisasi Dim Item Sebagai Variant Dim Counter Sebagai Akumulasi Dim Integer Sebagai Single Dim HistoricalSize As Integer Inisialisasi variabel Counter 1 Akumulasi 0 Menentukan ukuran array historis HistoricalSize Historical. Count Untuk Counter 1 To NumberOfPeriods Mengumpulkan jumlah yang sesuai dari nilai yang teramati terakhir yang terakhir Akumulasi Akumulasi Historis (HistoricalSize - NumberOfPeriods Counter) MovingAverage Accumulation NumberOfPeriods Kode akan dijelaskan di kelas. Anda ingin memposisikan fungsi pada spreadsheet sehingga hasil perhitungan muncul di tempat yang seharusnya seperti berikut ini.3 Memahami Tingkat dan Metode Perkiraan Anda dapat menghasilkan prakiraan prakiraan dan ringkasan (item) prakiraan dan ringkasan (produk) perkiraan yang mencerminkan produk. Pola permintaan Sistem ini menganalisis penjualan masa lalu untuk menghitung perkiraan dengan menggunakan 12 metode peramalan. Perkiraan tersebut mencakup informasi detail pada tingkat item dan informasi tingkat tinggi tentang cabang atau perusahaan secara keseluruhan. 3.1 Kriteria Evaluasi Kinerja Perkiraan Tergantung pada pemilihan opsi pemrosesan dan 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 menemukan bahwa metode peramalan yang memberikan hasil bagus 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: Persentase akurasi (POA). Mean absolute deviation (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 dalam periode ini digunakan sebagai dasar untuk merekomendasikan metode peramalan yang akan digunakan dalam membuat perkiraan proyeksi berikutnya. Rekomendasi ini khusus untuk setiap produk dan dapat berubah dari satu perkiraan generasi ke generasi berikutnya. 3.1.1 Fit Terbaik Sistem merekomendasikan ramalan yang paling sesuai dengan menerapkan metode peramalan yang dipilih ke riwayat pesanan penjualan terakhir dan membandingkan perkiraan simulasi dengan sejarah sebenarnya. Bila Anda menghasilkan ramalan yang paling sesuai, sistem ini membandingkan riwayat penjualan aktual dengan perkiraan untuk jangka waktu tertentu dan menghitung seberapa akurat setiap metode peramalan yang berbeda memprediksi penjualan. Kemudian sistem merekomendasikan ramalan paling akurat sebagai yang paling sesuai. Grafik ini menggambarkan prakiraan terbaik: Gambar 3-1 Ramalan sesuai terbaik Sistem menggunakan urutan langkah-langkah ini untuk menentukan kecocokan terbaik: Gunakan setiap metode yang ditentukan untuk mensimulasikan perkiraan periode holdout. Bandingkan penjualan aktual dengan perkiraan simulasi untuk periode holdout. Hitung 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. Merekomendasikan ramalan yang paling sesuai dengan POA yang paling dekat dengan 100 persen (di atas atau di bawah) atau MAD yang paling dekat dengan nol. 3.2 Metode Peramalan JD 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 sepanjang tahun lalu. Metode 2: Perhitungan Persentase Lebih dari Tahun Lalu. Metode 3: Tahun Terakhir sampai Tahun Ini. Metode 4: Moving Average. Metode 5: Pendekatan Linier. Metode 6: Regresi Kuadrat Terkecil. Metode 7: Pendekatan Gelar Kedua. Metode 8: Metode Fleksibel. Metode 9: Rata-rata Bergerak Tertimbang. Metode 10: Linear Smoothing. Metode 11: Eksponensial Smoothing. Metode 12: Exponential Smoothing dengan Trend dan Seasonality. Tentukan metode yang ingin Anda gunakan dalam opsi pemrosesan untuk program Prakiraan Generasi (R34650). Sebagian besar metode ini memberikan kontrol terbatas. Misalnya, bobot 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, yaitu data historis dari dua tahun terakhir. Proyeksi proyeksi masuk ke tahun depan. Data penjualan data ini stabil dengan kenaikan musiman kecil di bulan Juli dan Desember. Pola ini merupakan karakteristik dari produk dewasa yang mungkin mendekati keusangan. 3.2.1 Metode 1: Persen Selama Tahun Terakhir Metode ini menggunakan rumus Persen Selama Tahun Terakhir untuk melipatgandakan setiap periode perkiraan dengan persentase kenaikan atau penurunan yang ditentukan. Untuk meramalkan permintaan, metode ini memerlukan jumlah periode yang paling sesuai ditambah satu tahun riwayat penjualan. Metode ini berguna untuk meramalkan permintaan barang musiman dengan pertumbuhan atau penurunan. 3.2.1.1 Contoh: Metode 1: Persen Selama Tahun Terakhir Rumus Persen Selama 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 tertentu atau ketika riwayat penjualan memiliki komponen musiman yang signifikan. Perkiraan ramalan: Faktor perkalian. Misalnya, tentukan 110 dalam opsi pemrosesan untuk meningkatkan data riwayat penjualan tahun sebelumnya sebesar 10 persen. Diperlukan riwayat penjualan: Satu tahun untuk menghitung perkiraan, ditambah jumlah periode waktu yang diperlukan untuk mengevaluasi kinerja perkiraan (periode yang paling sesuai) yang Anda tentukan. Tabel ini adalah sejarah yang digunakan dalam perhitungan ramalan: Ramalan Februari sama dengan 117 kali 1.1 128,7 dibulatkan menjadi 129. Prakiraan bulan Maret sama dengan 115 kali 1,1 126,5 dibulatkan menjadi 127. 3.2.2 Metode 2: Perhitungan Persen Selama Tahun Lalu Metode ini menggunakan Perhitungan yang Dihitung Formula Tahun Terakhir untuk membandingkan penjualan masa lalu periode tertentu dengan penjualan dari periode yang sama tahun sebelumnya. Sistem menentukan persentase kenaikan atau penurunan, dan kemudian mengalikan setiap periode dengan persentase untuk menentukan perkiraan. Untuk meramalkan permintaan, metode ini membutuhkan jumlah periode riwayat pesanan penjualan ditambah satu tahun riwayat penjualan. Metode ini berguna untuk meramalkan permintaan jangka pendek untuk item musiman dengan pertumbuhan atau penurunan. 3.2.2.1 Contoh: Metode 2: Perhitungan Persentase Selama Tahun Lalu Rumusan Perhitungan Selama Rumus Terakhir mengalikan data penjualan dari tahun sebelumnya dengan faktor yang dihitung oleh sistem, dan kemudian proyek tersebut akan menghasilkan tahun depan. Metode ini mungkin berguna dalam memproyeksikan pengaruh perluasan tingkat pertumbuhan baru-baru ini untuk produk ke tahun depan sambil mempertahankan pola musiman yang ada dalam riwayat penjualan. Perkiraan spesifikasi: Rentang sejarah penjualan yang digunakan dalam menghitung tingkat pertumbuhan. Misalnya, tentukan n sama dengan 4 dalam opsi pemrosesan untuk membandingkan riwayat penjualan selama empat periode terakhir sampai empat periode yang sama tahun sebelumnya. Gunakan rasio yang dihitung untuk membuat proyeksi untuk tahun depan. Diperlukan riwayat penjualan: Satu tahun untuk menghitung perkiraan ditambah jumlah periode waktu yang diperlukan untuk mengevaluasi kinerja perkiraan (periode yang paling sesuai). Tabel ini adalah sejarah yang digunakan dalam perhitungan perkiraan, dengan perkiraan n 4: Februari sama dengan 117 kali 0,9766 114,26 dibulatkan menjadi 114. Prakiraan bulan Maret sama dengan 115 kali 0,9766 112,31 dibulatkan menjadi 112. 3.2.3 Metode 3: Tahun lalu sampai tahun ini Metode ini menggunakan Penjualan tahun lalu untuk ramalan tahun depan. Untuk meramalkan permintaan, metode ini membutuhkan jumlah periode yang paling sesuai ditambah satu tahun sejarah pesanan penjualan. Metode ini berguna untuk meramalkan permintaan produk dewasa dengan tingkat permintaan atau permintaan musiman tanpa tren. 3.2.3.1 Contoh: Metode 3: Tahun Lalu sampai Tahun Ini Formula Tahun Lalu sampai Tahun Ini mengcopy data penjualan dari tahun sebelumnya sampai tahun depan. Metode ini mungkin berguna dalam penganggaran untuk mensimulasikan penjualan pada tingkat sekarang. Produknya sudah matang dan tidak memiliki tren dalam jangka panjang, namun pola permintaan musiman yang signifikan mungkin ada. Perkiraan spesifikasi: Tidak ada. Diperlukan riwayat penjualan: Satu tahun untuk menghitung perkiraan ditambah jumlah periode waktu yang diperlukan untuk mengevaluasi kinerja perkiraan (periode yang paling sesuai). Tabel ini adalah sejarah yang digunakan dalam perhitungan perkiraan: Prakiraan Januari sama dengan bulan Januari tahun lalu dengan perkiraan nilai sebesar 128. Prakiraan Februari sama dengan bulan Februari tahun lalu dengan nilai perkiraan sebesar 117. Perkiraan Maret sama dengan bulan Maret tahun lalu dengan perkiraan nilai 115. 3.2.4 Metode 4: Moving Average Metode ini menggunakan rumus Moving Average rata-rata jumlah periode yang ditentukan untuk diproyeksikan pada periode berikutnya. Anda harus menghitung ulangnya sesering mungkin (bulanan, atau setidaknya tiga bulanan) untuk mencerminkan tingkat permintaan yang berubah. Untuk meramalkan permintaan, metode ini membutuhkan jumlah periode yang paling sesuai dengan jumlah periode sejarah pesanan penjualan. Metode ini berguna untuk meramalkan permintaan terhadap produk dewasa tanpa tren. 3.2.4.1 Contoh: Metode 4: Moving Average Moving Average (MA) adalah metode populer untuk merata-ratakan hasil dari riwayat penjualan terakhir untuk menentukan proyeksi untuk jangka pendek. Metode perkiraan MA tertinggal dari tren. 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 yang berada dalam tahap pertumbuhan atau keusangan dari siklus hidup. Perkiraan spesifikasi: n sama dengan jumlah periode riwayat penjualan yang digunakan dalam perhitungan perkiraan. Sebagai contoh, tentukan n 4 dalam opsi pemrosesan untuk menggunakan empat 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 lamban untuk mengenali pergeseran tingkat penjualan. Sebaliknya, nilai kecil untuk n (seperti 3) lebih cepat merespons perubahan tingkat penjualan, namun perkiraan tersebut mungkin berfluktuasi secara luas sehingga produksi tidak dapat merespons variasinya. Riwayat penjualan yang disyaratkan: n ditambah jumlah periode waktu yang diperlukan untuk mengevaluasi perkiraan kinerja (periode yang paling sesuai). Tabel ini adalah sejarah yang digunakan dalam perhitungan perkiraan: perkiraan Februari sama dengan (114 119 137 125) 4 123.75 dibulatkan menjadi 124. Prakiraan bulan Maret sama dengan (119 137 125 124) 4 126,25 dibulatkan menjadi 126. 3.2.5 Metode 5: Pendekatan Linier Metode ini Menggunakan rumus Pendekatan Linier untuk menghitung tren dari jumlah periode sejarah pesanan penjualan dan memproyeksikan tren ini ke perkiraan. Anda harus menghitung ulang tren setiap bulan untuk mendeteksi perubahan tren. Metode ini memerlukan jumlah periode yang paling sesuai dan jumlah periode riwayat penjualan yang ditentukan. Metode ini berguna untuk meramalkan permintaan akan produk baru, atau produk dengan tren positif atau negatif yang konsisten yang bukan karena fluktuasi musiman. 3.2.5.1 Contoh: Metode 5: Pendekatan Linier Linear Approximation menghitung tren yang didasarkan pada dua titik data penjualan historis. Kedua titik tersebut menentukan garis lurus yang diproyeksikan ke masa depan. Gunakan metode ini dengan hati-hati karena ramalan jarak jauh diimbangi oleh perubahan kecil hanya dalam dua titik data. Perkiraan spesifikasi: n sama dengan titik data dalam sejarah penjualan yang dibandingkan dengan titik data terkini untuk mengidentifikasi tren. Misalnya, tentukan n 4 untuk menggunakan selisih antara Desember (data terbaru) dan Agustus (empat periode sebelum Desember) sebagai dasar perhitungan tren. Riwayat penjualan wajib minimum: n ditambah 1 ditambah dengan jumlah periode waktu yang diperlukan untuk mengevaluasi kinerja perkiraan (periode yang paling sesuai). Tabel ini adalah sejarah yang digunakan dalam perhitungan ramalan: ramalan Januari Desember tahun lalu 1 (Tren) yang sama dengan 137 (1 kali 2) 139. Februari meramalkan Desember tahun lalu 1 (Tren) yang sama dengan 137 (2 kali 2) 141. Maret meramalkan Desember tahun lalu 1 (Tren) yang sama dengan 137 (3 kali 2) 143. 3.2.6 Metode 6: Regresi Kuadrat Terkecil Metode Regresi Kuadrat Terkecil (LSR) menghasilkan persamaan yang menggambarkan hubungan garis lurus antara data penjualan historis Dan berlalunya waktu. LSR sesuai dengan garis pada rentang data yang dipilih sehingga jumlah kuadrat perbedaan antara titik data penjualan aktual dan garis regresi diminimalkan. Perkiraan tersebut merupakan proyeksi dari garis lurus ini ke masa depan. Metode ini memerlukan riwayat data penjualan untuk periode yang diwakili oleh jumlah periode yang paling sesuai dan jumlah periode data historis yang ditentukan. Persyaratan minimum adalah dua titik data historis. Metode ini berguna untuk meramalkan permintaan ketika terjadi trend linear pada data. 3.2.6.1 Contoh: Metode 6: regresi linier regresi kuadrat terkecil, atau regresi kuadrat terkecil (LSR), adalah metode yang paling populer untuk mengidentifikasi tren linier dalam data penjualan historis. Metode ini menghitung nilai a dan b yang akan digunakan dalam rumus: Persamaan ini menggambarkan garis lurus, dimana Y mewakili penjualan dan X mewakili waktu. Regresi linier lambat untuk mengenali titik balik dan pergeseran fungsi fungsi dalam permintaan. Regresi linier sesuai dengan garis lurus ke data, bahkan saat data musiman atau lebih baik dijelaskan oleh kurva. Bila data riwayat penjualan mengikuti kurva atau memiliki pola musiman yang kuat, prakiraan bias dan kesalahan sistematis terjadi. Perkiraan spesifikasi: n sama dengan periode sejarah penjualan yang akan digunakan dalam menghitung nilai a dan b. Sebagai contoh, tentukan n 4 untuk menggunakan sejarah dari bulan September sampai Desember sebagai dasar perhitungannya. Bila data tersedia, n yang lebih besar (seperti n 24) biasanya akan digunakan. LSR mendefinisikan sebuah garis untuk sedikitnya dua titik data. Untuk contoh ini, nilai kecil untuk n (n 4) dipilih untuk mengurangi perhitungan manual yang diperlukan untuk memverifikasi hasilnya. Riwayat penjualan wajib minimum: n periode ditambah jumlah periode waktu yang diperlukan untuk mengevaluasi kinerja perkiraan (periode yang paling sesuai). Tabel ini adalah sejarah yang digunakan dalam perhitungan perkiraan: Prakiraan bulan Maret sama dengan 119,5 (7 kali 2,3) 135,6 dibulatkan menjadi 136. 3.2.7 Metode 7: Pendekatan Tingkat Dua Untuk memproyeksikan ramalan, metode ini menggunakan rumus Pendekatan Derajat Kelipatan untuk merencanakan kurva Yang didasarkan pada jumlah periode riwayat penjualan. Metode ini membutuhkan jumlah periode yang paling sesuai ditambah jumlah periode sejarah penjualan tiga kali lipat. Metode ini tidak berguna untuk meramalkan permintaan untuk jangka waktu yang panjang. 3.2.7.1 Contoh: Metode 7: Pendekatan Derajat Kelima Regresi Linier menentukan nilai a dan b dalam rumus ramalan Y a b X dengan tujuan untuk menyesuaikan garis lurus dengan data riwayat penjualan. Pendekatan Gelar Kedua serupa, namun metode ini menentukan nilai a, b, dan c dalam rumus perkiraan ini: Y a b X c X 2 Tujuan metode ini adalah menyesuaikan kurva dengan data riwayat penjualan. Metode ini berguna bila suatu produk berada dalam masa transisi antara tahap siklus hidup. Misalnya, ketika produk baru bergerak dari pengenalan tahap pertumbuhan, tren penjualan mungkin akan meningkat. Karena istilah orde kedua, ramalan dapat dengan cepat mendekati tak terhingga atau turun menjadi nol (tergantung pada apakah koefisien c positif atau negatif). Metode ini berguna hanya dalam jangka pendek. Perkiraan spesifikasi: rumus menemukan a, b, dan c agar sesuai dengan kurva dengan tepat tiga titik. Anda tentukan n, jumlah periode waktu data untuk menumpuk ke masing-masing dari tiga titik. Dalam contoh ini, n 3. Data penjualan aktual untuk bulan April sampai Juni digabungkan menjadi poin pertama, Q1. Juli sampai September ditambahkan bersama untuk menciptakan Q2, dan Oktober sampai Desember ke Q3. Kurva dipasang pada tiga nilai Q1, Q2, dan Q3. Riwayat penjualan yang disyaratkan: 3 kali n periode untuk menghitung perkiraan ditambah jumlah periode waktu yang diperlukan untuk mengevaluasi kinerja perkiraan (periode yang paling sesuai). Tabel ini adalah sejarah yang digunakan dalam perhitungan perkiraan: Q0 (Jan) (Feb) (Mar) Q1 (Apr) (Mei) (Jun) yang sama dengan 125 122 137 384 Q2 (Jul) (Agustus) (Sep) yang sama dengan 140 129 131 400 Q3 (Okt) (Nov) (Des) yang sama dengan 114 119 137 370 Langkah selanjutnya melibatkan penghitungan ketiga koefisien a, b, dan c yang akan digunakan dalam rumus peramalan Y ab X c X 2. Q1, Q2, dan Q3 disajikan pada grafik, di mana waktu diplot pada sumbu horizontal. Q1 mewakili total penjualan historis untuk bulan April, Mei, dan Juni dan diplot pada X 1 Q2 sesuai dengan bulan Juli sampai September Q3 sesuai dengan bulan Oktober sampai Desember dan Q4 yang merupakan Januari sampai Maret. Grafik ini menggambarkan perencanaan Q1, Q2, Q3, dan Q4 untuk aproksimasi tingkat kedua: Gambar 3-2 Merencanakan Q1, Q2, Q3, dan Q4 untuk pendekatan tingkat dua Tiga persamaan menggambarkan tiga titik pada grafik: (1) Q1 A bX cX 2 dimana X 1 (Q1 abc) (2) Q2 a bX cX 2 dimana X 2 (Q2 a 2b 4c) (3) Q3 a bX cX 2 dimana X 3 (Q3 a 3b 9c) Selesaikan tiga persamaan secara simultan Untuk menemukan b, a, dan c: Kurangi persamaan 1 (1) dari persamaan 2 (2) dan atasi untuk b: (2) ndash (1) Q2 ndash Q1 b 3c b (Q2 ndash Q1) ndash 3c Ganti persamaan ini untuk B ke persamaan (3): (3) Q3 a 3 (Q2 ndash Q1) ndash 3c 9c a Q3 ndash 3 (Q2 ndash Q1) Akhirnya, ganti persamaan ini untuk a dan b ke persamaan (1): (1) Q3 ndash (Q2 ndash Q1) (Q2 ndash Q1) ndash 3c c Q1 c (Q3 ndash Q2) (Q1 ndash Q2) 2 Metode Pendekatan Derajat Gelar Kedua menghitung a, b, dan c sebagai berikut: Q3 ndash 3 (Q2 ndash Q1 ) 370 ndash 3 (400 ndash 384) 370 ndash 3 (16) 322 b (Q2 ndash Q1) ndash3c (400 nda Sh 384) ndash (3 kali ndash23) 16 69 85 c (Q3 ndash Q2) (Q1 ndash Q2) 2 (370 ndash 400) (384 ndash 400) 2 ndash23 Ini adalah perhitungan perkiraan aproksimasi tingkat kedua: Y a bX cX 2 322 85X (ndash23) (X 2) Bila X 4, Q4 322 340 ndash 368 294. Perkiraan sama dengan 294 3 98 per periode. Bila X 5, Q5 322 425 ndash 575 172. Prakiraan sama dengan 172 3 58,33 dibulatkan menjadi 57 per periode. Bila X 6, Q6 322 510 ndash 828 4. Prakiraan sama dengan 4 3 1,33 dibulatkan menjadi 1 per periode. Ini adalah ramalan untuk tahun depan, Tahun Lalu sampai Tahun Ini: 3.2.8 Metode 8: Metode Fleksibel Dengan metode ini Anda dapat memilih jumlah periode penjualan terbaik yang paling sesuai yang dimulai n bulan sebelum tanggal mulai perkiraan, dan untuk Menerapkan persentase kenaikan atau penurunan faktor perkalian untuk memodifikasi perkiraan. Metode ini mirip dengan Metode 1, Persen Sepanjang Tahun Terakhir, kecuali bahwa Anda dapat menentukan jumlah periode yang Anda gunakan sebagai basis. Bergantung pada pilihan yang Anda pilih sebagai n, metode ini memerlukan waktu yang paling sesuai dengan jumlah periode data penjualan yang ditunjukkan. Metode ini berguna untuk meramalkan permintaan akan tren yang direncanakan. 3.2.8.1 Contoh: Metode 8: Metode Fleksibel Metode Fleksibel (Persen Lebih dari 10 Bulan Sebelumnya) serupa dengan Metode 1, Persen Sepanjang Tahun Lalu. Kedua metode tersebut melipatgandakan data penjualan dari periode waktu sebelumnya dengan faktor yang ditentukan oleh Anda, dan kemudian memproyeksikan hasilnya ke masa depan. Dalam metode Percent Over Last Year, proyeksi didasarkan pada data dari periode waktu yang sama tahun sebelumnya. Anda juga dapat menggunakan Metode Fleksibel untuk menentukan jangka waktu, selain periode yang sama tahun lalu, untuk digunakan sebagai dasar perhitungan. Faktor perkalian Misalnya, tentukan 110 dalam opsi pemrosesan untuk meningkatkan data riwayat penjualan sebelumnya sebesar 10 persen. Periode dasar Sebagai contoh, n 4 menyebabkan perkiraan pertama berdasarkan data penjualan pada bulan September tahun lalu. Riwayat penjualan wajib minimum: jumlah periode kembali ke periode dasar ditambah dengan jumlah periode waktu yang diperlukan untuk mengevaluasi kinerja perkiraan (periode yang paling sesuai). Tabel ini adalah sejarah yang digunakan dalam perhitungan perkiraan: 3.2.9 Metode 9: Rata-rata Bergerak Rata-rata Rumus Rata-rata Bergerak Rata-rata serupa dengan Metode 4, Rumus Bergerak Rata-rata, karena rata-rata mencatat riwayat penjualan bulan sebelumnya untuk memproyeksikan riwayat penjualan bulan berikutnya. Namun, dengan formula ini Anda dapat menetapkan bobot untuk masing-masing periode sebelumnya. Metode ini membutuhkan jumlah periode tertimbang yang dipilih ditambah jumlah periode data yang paling sesuai. Mirip dengan Moving Average, metode ini tertinggal dari tren permintaan, jadi metode ini tidak disarankan untuk produk dengan tren atau musiman yang kuat. Metode ini berguna untuk meramalkan permintaan terhadap produk dewasa dengan permintaan yang relatif tinggi. 3.2.9.1 Contoh: Metode 9: Rata-rata Bergerak Rata-rata Metode Weighted Moving Average (WMA) mirip dengan Metode 4, Moving Average (MA). Namun, Anda dapat menetapkan bobot yang tidak sama dengan data historis saat menggunakan WMA. Metode ini menghitung rata-rata tertimbang penjualan akhir-akhir ini untuk mencapai proyeksi untuk jangka pendek. Data yang lebih baru biasanya diberi bobot lebih besar dari data yang lebih tua, jadi WMA lebih responsif terhadap perubahan tingkat penjualan. Namun, 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 dari siklus hidup. Jumlah periode riwayat penjualan (n) untuk digunakan dalam perhitungan perkiraan. Sebagai contoh, tentukan n 4 dalam opsi pemrosesan untuk menggunakan empat periode terakhir sebagai dasar proyeksi ke periode waktu berikutnya. Nilai yang besar untuk n (seperti 12) memerlukan lebih banyak riwayat penjualan. Nilai tersebut menghasilkan perkiraan yang stabil, namun lambat untuk mengenali pergeseran tingkat penjualan. Sebaliknya, nilai kecil untuk n (seperti 3) merespons lebih cepat terhadap pergeseran tingkat penjualan, namun ramalannya mungkin berfluktuasi secara luas sehingga produksi tidak dapat merespons variasinya. Jumlah periode untuk opsi pemrosesan rdquo14 - periode untuk includerdquo tidak boleh melebihi 12 bulan. Bobot yang ditugaskan pada masing-masing periode data historis. Bobot yang ditugaskan harus berjumlah 1,00. Misalnya, ketika n 4, tetapkan bobot 0,50, 0,25, 0,15, dan 0,10 dengan data terbaru yang menerima bobot terbesar. Riwayat penjualan wajib minimum: n ditambah jumlah periode waktu yang diperlukan untuk mengevaluasi kinerja perkiraan (periode yang paling sesuai). Tabel ini adalah sejarah yang digunakan dalam perhitungan perkiraan: Ramalan Januari sama dengan (131 kali 0,10) (114 kali 0,15) (119 kali 0,25) (137 kali 0,50) (0,10 0,15 0,25 0,50) 128,45 dibulatkan menjadi 128. Prakiraan Februari sama dengan (114 kali 0,10) (137 kali 0,15) (128 kali 0,50) 1 127,5 dibulatkan ke 128. Prakiraan bulan Maret sama dengan 119 kali 0,10 (137 kali 0,15) (128 kali 0,25) (128 kali 0,50) 1 128,45 dibulatkan ke 128. 3.2.10 Metode 10: Linear Smoothing Metode ini menghitung rata-rata tertimbang data penjualan terakhir. Dalam perhitungan, metode ini menggunakan jumlah periode sejarah pesanan penjualan (dari 1 sampai 12) yang ditunjukkan dalam opsi pemrosesan. Sistem ini menggunakan kemajuan matematis untuk menimbang data dalam rentang dari yang pertama (bobot paling rendah) sampai akhir (berat paling banyak). Kemudian sistem memproyeksikan informasi ini ke setiap periode dalam perkiraan. Metode ini membutuhkan waktu yang paling sesuai untuk bulan dan riwayat penjualan untuk jumlah periode yang ditentukan dalam opsi pemrosesan. 3.2.10.1 Contoh: Metode 10: Linear Smoothing Metode ini mirip dengan Metode 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 plus the number of time periods that are required for evaluating the forecast performance (periods of best fit). This table is history used in the forecast calculation: 3.2.11 Method 11: Exponential Smoothing This method calculates a smoothed average, which becomes an estimate representing the general level of sales over the selected historical data periods. This method requires sales data history for the time period that is represented by the number of periods best fit plus the number of historical data periods that are specified. The minimum requirement is two historical data periods. This method is useful to forecast demand when no linear trend is in the data. 3.2.11.1 Example: Method 11: Exponential Smoothing This method is similar to Method 10, Linear Smoothing. In Linear Smoothing, the system assigns weights that decline linearly to the historical data. In Exponential Smoothing, the system assigns weights that exponentially decay. The equation for Exponential Smoothing forecasting is: Forecast alpha (Previous Actual Sales) (1 ndashalpha) (Previous Forecast) The forecast is a weighted average of the actual sales from the previous period and the forecast from the previous period. Alpha is the weight that is applied to the actual sales for the previous period. (1 ndash alpha) is the weight that is applied to the forecast for the previous period. Values for alpha range from 0 to 1 and usually fall between 0.1 and 0.4. The sum of the weights is 1.00 (alpha (1 ndash alpha) 1). You should assign a value for the smoothing constant, alpha. If you do not assign a value for the smoothing constant, the system calculates an assumed value that is based on the number of periods of sales history that is specified in the processing option. alpha equals the smoothing constant that is used to calculate the smoothed average for the general level or magnitude of sales. Values for alpha range from 0 to 1. n equals the range of sales history data to include in the calculations. Generally, one year of sales history data is sufficient to estimate the general level of sales. For this example, a small value for n (n 4) was chosen to reduce the manual calculations that are required to verify the results. Exponential Smoothing can generate a forecast that is based on as little as one historical data point. Minimum required sales history: n plus the number of time periods that are required for evaluating the forecast performance (periods of best fit). This table is history used in the forecast calculation: 3.2.12 Method 12: Exponential Smoothing with Trend and Seasonality This method calculates a trend, a seasonal index, and an exponentially smoothed average from the sales order history. The system then applies a projection of the trend to the forecast and adjusts for the seasonal index. This method requires the number of periods best fit plus two years of sales data, and is useful for items that have both trend and seasonality in the forecast. You can enter the alpha and beta factor, or have the system calculate them. Alpha and beta factors are the smoothing constant that the system uses to calculate the smoothed average for the general level or magnitude of sales (alpha) and the trend component of the forecast (beta). 3.2.12.1 Example: Method 12: Exponential Smoothing with Trend and Seasonality This method is similar to Method 11, Exponential Smoothing, in that a smoothed average is calculated. 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 one another. They do not have to sum to 1.0. Minimum required sales history: One year plus the number of time periods that are required to evaluate the forecast performance (periods of best fit). When two or more years of historical data is available, the system uses two years of data in the calculations. Method 12 uses two Exponential Smoothing equations and one simple average to calculate a smoothed average, a smoothed trend, and a simple average seasonal index. An exponentially smoothed average: An exponentially smoothed trend: A simple average seasonal index: Figure 3-3 Simple Average Seasonal Index The forecast is then calculated by using the results of the three equations: L is the length of seasonality (L equals 12 months or 52 weeks). t is the current time period. m is the number of time periods into the future of the forecast. S is the multiplicative seasonal adjustment factor that is indexed to the appropriate time period. This table lists history used in the forecast calculation: This section provides an overview of Forecast Evaluations and discusses: You can select forecasting methods to generate as many as 12 forecasts for each product. Each forecasting method might create a slightly different projection. When thousands of products are forecast, a subjective decision is impractical regarding which forecast to use in the plans for each product. The system automatically evaluates performance for each forecasting method that you select and for each product that you forecast. You can select between two performance criteria: MAD and POA. MAD 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 MAD is the most reliable for that product for that holdout period. When the forecast is unbiased and errors are normally distributed, a simple mathematical relationship exists between MAD and two other common measures of distribution, which are standard deviation and Mean Squared Error. For example: MAD (Sigma (Actual) ndash (Forecast)) n Standard Deviation, (sigma) cong 1.25 MAD Mean Squared Error cong ndashsigma2 This example indicates the calculation of MAD for two of the forecasting methods. This example assumes that you have specified in the processing option that the holdout period length (periods of best fit) is equal to five periods. 3.3.1.1 Method 1: Last Year to This Year This table is history used in the calculation of MAD, given Periods of Best Fit 5: Mean Absolute Deviation equals (2 1 20 10 14) 5 9.4. Based on these two choices, the Moving Average, n 4 method is recommended because it has the smaller MAD, 9.4, for the given holdout period. 3.3.2 Percent of Accuracy Percent of Accuracy (POA) is a measure of forecast bias. When forecasts 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) ndash (Forecast) When a product can be stored in inventory, and when the forecast is unbiased, a small amount of safety stock can be used to buffer the errors. In this situation, eliminating forecast errors is not as important as generating unbiased forecasts. However, in service industries, the previous situation is viewed as three errors. The service is understaffed in the first period, and then overstaffed for the next two periods. In services, the magnitude of forecast errors is usually more important than is forecast bias. POA (SigmaForecast sales during holdout period) (SigmaActual sales during holdout period) times 100 percent The summation over the holdout period enables positive errors to cancel negative errors. When the total of forecast sales exceeds the total of actual sales, the ratio is greater than 100 percent. Of course, the forecast cannot be more than 100 percent accurate. When a forecast is unbiased, the POA ratio is 100 percent. A 95 percent accuracy rate is more desirable than a 110 percent accurate rate. The POA criterion selects the forecasting method that has a POA ratio that is closest to 100 percent. This example indicates the calculation of POA for two forecasting methods. This example assumes that you have specified in the processing option that the holdout period length (periods of best fit) is equal to five periods. 3.3.2.1 Method 1: Last Year to This Year This table is history used in the calculation of MAD, given Periods of Best Fit 5: 3.4.2 Forecast Accuracy These statistical laws govern forecast accuracy: A long term forecast is less accurate than a short term forecast because the further into the future you project the forecast, the more variables can affect the forecast. A forecast for a product family tends to be more accurate than a forecast for individual members of the product family. Some errors cancel each other as the forecasts for individual items summarize into the group, thus creating a more accurate forecast. 3.4.3 Forecast Considerations You should not rely exclusively on past data to forecast future demands. These circumstances might affect the business, and require you to review and modify the forecast: New products that have no past data. Plans for future sales promotion. Changes in national and international politics. New laws and government regulations. Weather changes and natural disasters. Innovations from competition. You can use long term trend analysis to influence the design of the forecasts: Leading economic indicators. 3.4.4 Forecasting Process You use the Refresh Actuals program (R3465) to copy data from the Sales Order History File table (F42119), the Sales Order Detail File table (F4211), or both, into either the Forecast File table (F3460) or the Forecast Summary File table (F3400), depending on the kind of forecast that you plan to generate. Scripting on this page enhances content navigation, but does not change the content in any way.
No comments:
Post a Comment