चलती - औसत - विधि - घातीय चौरसाई - विधि - ट्रेंड प्रक्षेपण - तरीकों

चतुराई तकनीकों द्वारा पूर्वानुमान करना यह साइट जावास्क्रिप्ट ई-लैब्स का एक हिस्सा है जिसमें निर्णय लेने के लिए वस्तुओं को सीखना है। इस पृष्ठ पर अन्य जावास्क्रिप्ट को इस पृष्ठ पर मेनू अनुभाग में एप्लिकेशन के विभिन्न क्षेत्रों में वर्गीकृत किया गया है। एक समय श्रृंखला अवलोकनों का अनुक्रम है जो समय पर क्रमबद्ध हैं। समय के साथ लिया डेटा के संग्रह में निहित कुछ यादृच्छिक भिन्नता का एक रूप है। यादृच्छिक भिन्नता के कारण प्रभाव को रद्द करने के तरीकों में मौजूद हैं। व्यापक रूप से इस्तेमाल की जाने वाली तकनीकें चौरसाई होती हैं इन तकनीकों, जब ठीक से लागू होते हैं, तो अंतर्निहित प्रवृत्तियों को और अधिक स्पष्ट रूप से पता चलता है। समय-सारणी पंक्ति-अनुसार क्रम में बाएं-ऊपरी कोने से शुरू करें, और पैरामीटर () दर्ज करें, फिर एक-अवधि-आगे पूर्वानुमान प्राप्त करने के लिए गणना बटन पर क्लिक करें खाली बक्से को गणना में शामिल नहीं किया जाता है लेकिन शून्य हैं। डेटा-मैट्रिक्स में सेल से सेल तक जाने के लिए अपना डेटा दर्ज करने में टैब कुंजी का उपयोग तीर नहीं या तीर दर्ज करें। समय श्रृंखला की विशेषताएं, जो कि इसके ग्राफ का परीक्षण करके प्रकट हो सकती है। पूर्वानुमानित मानों और अवशिष्ट व्यवहार, स्थिति पूर्वानुमान मॉडलिंग के साथ। मूविंग एवरेज: टाइम सीरीज के प्रीप्रोसिंग के लिए सबसे लोकप्रिय तकनीकों में मूविंग एवरेज रैंक। वे समय श्रृंखला चिकनी बनाने के लिए या समय श्रृंखला में निहित कुछ सूचनात्मक घटकों पर जोर देने के लिए, डेटा से यादृच्छिक सफेद शोर फ़िल्टर करने के लिए उपयोग किया जाता है। घातीय चिकनाई: यह एक आसान समय श्रृंखला तैयार करने के लिए एक बहुत लोकप्रिय योजना है। जबकि चलने की औसत में अवलोकन में समान रूप से भारोत्तोलन किया जाता है, एक्सपेंनेलीय स्माउटिंग बड़े पैमाने पर अवलोकन के कारण बड़े पैमाने पर वजन कम करता है दूसरे शब्दों में, पुराने अवलोकनों की तुलना में हाल के अवलोकनों को पूर्वानुमान में अपेक्षाकृत अधिक वजन दिया जाता है। डबल घातीय चिकनाई रुझानों को संभालने में बेहतर है ट्रिपल घातीय चिकनाई parabola प्रवृत्तियों से निपटने में बेहतर है। चौरसाई स्थिरांक के साथ एक एक्सपोनेंनीयली भारित चल औसत लगभग सामान्य लंबाई (यानी अवधि) n, जहां ए और एन से संबंधित हैं: एक 2 (एन 1) या एन (2 - ए) a से संबंधित है। इस प्रकार, उदाहरण के लिए, 0.1 के बराबर चौरसाई स्थिरता वाला एक विस्तारित भारित चलती औसत 1 9 दिन चलती औसत के अनुरूप होता है। और एक 40-दिवसीय सरल चलती औसत 0.04878 के बराबर चौरसाई स्थिरांक के साथ एक तीव्रता से भारित चलती औसत के बराबर होगा। होल्ट्स रेखीय घातीय चिकनाई: मान लीजिए कि समय श्रृंखला गैर-मौसमी है लेकिन प्रदर्शन की प्रवृत्ति है। हॉल्ट विधि का अनुमान वर्तमान स्तर और वर्तमान रुझान दोनों के लिए है। ध्यान दें कि सरल चलती औसत चलती औसत की अवधि (2-अल्फा) अल्फा के पूर्णांक भाग को निर्धारित करके घातीय चिकनाई का विशेष मामला है। अधिकांश व्यावसायिक डेटा के लिए, 0.40 से छोटा अल्फ़ा पैरामीटर अक्सर प्रभावी होता है। हालांकि, 0.1 की वृद्धि के साथ, 0.1 पैरामीटर अंतरिक्ष के साथ एक ग्रिड सर्च का प्रदर्शन कर सकता है। फिर सबसे अच्छे अल्फा में सबसे छोटा अर्थ पूर्ण त्रुटि (एमए त्रुटि) है। कैसे कई चौरसाई विधियों की तुलना करने के लिए: हालांकि पूर्वानुमान तकनीक की सटीकता का आकलन करने के लिए संख्यात्मक संकेतक हैं, सबसे अधिक व्यापक दृष्टिकोण कई पूर्वानुमानों के दृश्य तुलना का उपयोग करने के लिए उनकी सटीकता का मूल्यांकन करने और विभिन्न पूर्वानुमान विधियों के बीच चयन करना है। इस दृष्टिकोण में, किसी एक समय श्रृंखला चर के मूल मानों और कई अलग-अलग पूर्वानुमान विधियों से अनुमानित मानों पर उसी ग्राफ पर प्लॉट करना (जैसे, Excel) का उपयोग करना चाहिए, इस प्रकार एक दृश्य तुलना की सुविधा प्रदान करना आपको चतुराई तकनीकों जावास्क्रिप्ट द्वारा पिछली भविष्यवाणियां का उपयोग करना पसंद कर सकता है, जो कि चिकनाई तकनीकों के आधार पर पिछले पूर्वानुमान मान प्राप्त करने के लिए केवल एकल पैरामीटर का उपयोग करते हैं। होल्ट, और विंटर्स के तरीकों का इस्तेमाल क्रमशः दो और तीन मापदंडों में किया जाता है, इसलिए पैरामीटर के लिए इष्टतम, या यहां तक ​​कि इष्टतम मूल्यों का चयन करने के लिए यह आसान काम नहीं है- और पैरामीटर के लिए त्रुटियां एकल घातीय चिकनाई लघु अवधि के परिप्रेक्ष्य पर जोर देती है, यह स्तर पिछले अवलोकन के लिए निर्धारित करता है और इस शर्त पर आधारित है कि कोई प्रवृत्ति नहीं है रैखिक प्रतिगमन, जो ऐतिहासिक डेटा (या ऐतिहासिक डेटा को बदलकर) के लिए कम से कम वर्गों में फिट बैठता है, लंबी अवधि का प्रतिनिधित्व करता है, जो मूल प्रवृत्ति पर आधारित है। होल्ट्स रैखिक घातीय चिकनाई हाल की प्रवृत्ति के बारे में जानकारी प्राप्त करता है होल्ट्स मॉडल में मापदंड स्तर-पैरामीटर है, जब डेटा विविधता की मात्रा बड़ी हो, तब कम होनी चाहिए, और हाल के प्रवृत्ति दिशा में कुछ कारक कारणों से समर्थित होने पर रुझान-पैरामीटर बढ़ाना चाहिए। अल्पकालिक पूर्वानुमान: ध्यान दें कि इस पृष्ठ पर हर जावास्क्रिप्ट एक एक कदम आगे की भविष्यवाणी प्रदान करता है दो-कदम-आगे पूर्वानुमान प्राप्त करने के लिए बस पूर्वानुमानित मान को आप को समय के अंतराल डेटा के अंत में जोड़ दें और फिर समान गणना बटन पर क्लिक करें। आवश्यक समय-अवधि के पूर्वानुमान प्राप्त करने के लिए आप कुछ समय के लिए इस प्रक्रिया को दोहरा सकते हैं.सामग्रीकरण डेटा यादृच्छिक भिन्नता को दूर करता है और रुझानों और साइक्लिक घटकों को दिखाता है, समय के साथ लिया गया डेटा के संग्रह में निहित कुछ यादृच्छिक भिन्नता का एक रूप है। यादृच्छिक भिन्नता के कारण प्रभाव को रद्द करने के तरीकों में मौजूद हैं। उद्योग में एक अक्सर इस्तेमाल तकनीक चौरसाई है। यह तकनीक, जब ठीक से लागू होती है, अंतर्निहित प्रवृत्ति, मौसमी और चक्रीय घटकों को अधिक स्पष्ट रूप से पता चलता है। चौरसाई विधियों के दो अलग-अलग समूह हैं तरीके औसतन तरीके एक्सपोनेंबल चौरसाई पद्धतियां औसत लेना आंकड़ों को आसान बनाने का सबसे आसान तरीका है हम पहले कुछ औसत तरीकों की जांच करेंगे, जैसे कि पिछले सभी डेटा के साधारण औसत। एक गोदाम के एक प्रबंधक जानना चाहता है कि एक ठेठ आपूर्तिकर्ता 1000 डॉलर इकाइयों में कितना बचाता है। हेसहे 12 आपूर्तिकर्ताओं का एक नमूना लेता है, बेतरतीब ढंग से, निम्नलिखित परिणाम प्राप्त करना: आंकड़ों के गणना या औसत 10। प्रबंधक एक विशिष्ट आपूर्तिकर्ता के व्यय के अनुमान के रूप में इसका उपयोग करने का निर्णय करता है। क्या यह एक अच्छा या बुरा अनुमान है स्क्वेयर त्रुटि का मतलब यह है कि हम कितना अच्छा मॉडल का फैसला कर सकते हैं हम मतलब चुकता त्रुटि की गणना करेंगे। त्रुटि सही मात्रा में अनुमानित राशि से कम खर्च किया त्रुटि चुकती ऊपर त्रुटि है, चुकता है। एसएसई स्क्वेर्ड त्रुटियों का योग है एमएसई स्क्वेअर त्रुटियों का मतलब है उदाहरण के लिए एमएसई परिणाम: परिणाम: त्रुटि और स्क्वायर त्रुटियां अनुमान 10 सवाल उठता है: क्या हम आय का अनुमान लगा सकते हैं यदि हम एक प्रवृत्ति पर संदेह रखते हैं, तो नीचे दिए गए ग्राफ़ पर एक नतीजा स्पष्ट रूप से दिखाता है कि हमें ऐसा नहीं करना चाहिए। औसत सभी पिछले अवलोकनों का उतना ही बराबर होता है संक्षेप में, हम कहते हैं कि सभी पिछले अवलोकनों का साधारण औसत या माध्य केवल अनुमान के लिए एक उपयोगी अनुमान है जब कोई रुझान नहीं होता है। यदि रुझान हैं, तो विभिन्न अनुमानों का उपयोग करें जो रुझान को ध्यान में रखते हैं। औसतन सभी पिछले अवलोकनों का समान रूप से वजन होता है उदाहरण के लिए, मूल्य 3, 4, 5 के औसत 4 हैं। हम निश्चित रूप से जानते हैं कि सभी मूल्यों को जोड़कर और मूल्यों की संख्या से योग को विभाजित करके औसतन गणना की जाती है। औसत गणना करने का एक अन्य तरीका मूल्यों की संख्या से विभाजित प्रत्येक मान जोड़कर या 33 43 53 1 1.3333 1.6667 है। गुणक 13 को वजन कहा जाता है। सामान्य रूप से: बार फ्रैक राशि (एफआरएसी दाहिना) x1 बायां (फ्रैक दाएं) x2,। ,, बाएं (फ्रैक दाएं) xn (बाएं (फ्रैक दाएं)) वजन हैं, और ज़ाहिर है, वे योग हैं 1.3 अनुमान स्तर और विधियों को समझना आप उत्पाद की मांग के पैटर्न को प्रतिबिंबित करने वाले विस्तार (एकल आइटम) के पूर्वानुमान और सारांश (उत्पाद लाइन) पूर्वानुमानों को उत्पन्न कर सकते हैं। प्रणाली 12 पूर्वानुमानों के तरीकों का उपयोग करके पूर्वानुमानों की गणना करने के लिए पिछली बिक्री का विश्लेषण करती है। पूर्वानुमान में आइटम स्तर पर विस्तृत जानकारी और संपूर्ण शाखा के बारे में उच्च स्तर की जानकारी या कंपनी शामिल है। 3.1 पूर्वानुमान प्रदर्शन मूल्यांकन मानदंड प्रसंस्करण के विकल्पों के चयन और बिक्री आंकड़ों के रुझान और पैटर्न के आधार पर, कुछ भविष्यवाणी पद्धतियां किसी दिए गए ऐतिहासिक डेटा सेट के लिए दूसरों की तुलना में बेहतर प्रदर्शन करती हैं। एक उत्पाद के लिए उपयुक्त पूर्वानुमानित विधि दूसरे उत्पाद के लिए उपयुक्त नहीं हो सकती है। आपको पता चल जाएगा कि एक भविष्यवाणी पद्धति जो उत्पाद जीवन चक्र के एक चरण में अच्छे परिणाम प्रदान करती है, पूरे जीवन चक्र के दौरान उचित होती है। आप पूर्वानुमान विधियों के वर्तमान प्रदर्शन का मूल्यांकन करने के लिए दो तरीकों के बीच चयन कर सकते हैं: सटीकता का प्रतिशत (पीओए) मतलब पूर्ण विचलन (एमएडी) इन दोनों प्रदर्शन मूल्यांकन विधियों को आपके द्वारा निर्दिष्ट अवधि के लिए ऐतिहासिक बिक्री डेटा की आवश्यकता होती है। इस अवधि को धारण अवधि या सर्वोत्तम फिट की अवधि कहा जाता है इस अवधि के डेटा का उपयोग अगली पूर्वानुमान प्रक्षेपण करने में उपयोग करने के लिए अनुमानित विधि की सिफारिश करने के आधार के रूप में किया जाता है। यह सिफारिश प्रत्येक उत्पाद के लिए विशिष्ट है और एक पूर्वानुमान पीढ़ी से अगले तक बदल सकती है। 3.1.1 सर्वश्रेष्ठ फिट प्रणाली पिछले पूर्वानुमानों के अनुसार भविष्य की अनुमानित विधियों को लागू करने और वास्तविक इतिहास की भविष्यवाहन अनुकरण की तुलना करके सर्वश्रेष्ठ फिट पूर्वानुमान की सिफारिश करती है। जब आप एक बेहतरीन फिट पूर्वानुमान बनाते हैं, तो सिस्टम विशिष्ट विक्रय आदेशों को एक विशिष्ट समय अवधि के पूर्वानुमान के लिए तुलना करता है और यह गणना करता है कि प्रत्येक अलग पूर्वानुमान पद्धति की बिक्री का अनुमान कितना सही है। तब सिस्टम सबसे सटीक पूर्वानुमान के रूप में सबसे अच्छा फिट की सिफारिश करता है। यह ग्राफ़िक सबसे अच्छा फिट पूर्वानुमान दर्शाता है: चित्रा 3-1 सर्वश्रेष्ठ फिट पूर्वानुमान प्रणाली सबसे उपयुक्त फिट निर्धारित करने के लिए इस क्रम के चरणों का उपयोग करता है: प्रत्येक निर्दिष्ट विधि का उपयोग करने के लिए पकड़ने की अवधि के लिए पूर्वानुमान अनुकरण धारक अवधि के लिए नकली पूर्वानुमान में वास्तविक बिक्री की तुलना करें पीओए या एमएडी की गणना करने के लिए यह निर्धारित करने के लिए कि कौन से भविष्यवाणी पद्धति पिछले वास्तविक बिक्री से सबसे अधिक मिलती-जुलती है। सिस्टम आपके द्वारा चयनित प्रसंस्करण विकल्पों के आधार पर पीओए या एमएडी का उपयोग करता है। पीओए द्वारा सबसे अच्छा फिट अनुमान की सिफारिश करें जो कि 100 प्रतिशत (ऊपर या उससे कम) या निकटतम शून्य के सबसे निकटतम एमएडी है। 3.2 पूर्वानुमान विधियों जेडी एडवर्ड्स एंटरप्राइज़ोन पूर्वानुमान प्रबंधन मात्रात्मक पूर्वानुमान के लिए 12 तरीकों का उपयोग करता है और यह इंगित करता है कि कौन से विधि पूर्वानुमान की स्थिति के लिए सबसे अच्छा फिट प्रदान करती है। इस खंड में चर्चा की गई है: विधि 1: पिछले वर्ष से अधिक प्रतिशत विधि 2: पिछले वर्ष की तुलना में परिकलित प्रतिशत विधि 3: पिछले वर्ष इस वर्ष विधि 4: मूविंग एवरेज विधि 5: रैखिक अनुमान। विधि 6: कम से कम वर्गों प्रतिगमन विधि 7: द्वितीय डिग्री अनुमान विधि 8: लचीले विधि विधि 9: भारित मूविंग औसत विधि 10: रैखिक चौरसाई विधि 11: घातीय चिकनाई विधि 12: रुझान और मौज़ूदता के साथ घातीय चिकनाई। पूर्वानुमान जनरेशन प्रोग्राम (R34650) के लिए प्रसंस्करण विकल्पों में उपयोग करने के लिए इच्छित विधि निर्दिष्ट करें। इनमें से अधिकांश तरीके सीमित नियंत्रण प्रदान करते हैं। उदाहरण के लिए, हाल के ऐतिहासिक डेटा या ऐतिहासिक डेटा की तारीख सीमा पर रखा गया वजन जो गणना में उपयोग किया जाता है, आपके द्वारा निर्दिष्ट किया जा सकता है गाइड 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 का उपयोग करें या इन सभी डेटा सेटों का उपयोग करने के तरीके, जो कि पिछले दो सालों से ऐतिहासिक डेटा है। पूर्वानुमान अनुमान अगले साल में आता है यह बिक्री इतिहास डेटा जुलाई और दिसंबर में छोटे मौसमी वृद्धि के साथ स्थिर है। यह पैटर्न परिपक्व उत्पाद की विशेषता है जो अप्रचलन के निकट हो सकता है। 3.2.1 विधि 1: पिछले वर्ष से अधिक प्रतिशत इस पद्धति में प्रत्येक पूर्वानुमान अवधि को निर्दिष्ट प्रतिशत वृद्धि या कमी से गुणा करने के लिए पिछले वर्ष के आधार पर प्रतिशत का उपयोग किया जाता है। मांग का पूर्वानुमान करने के लिए, इस पद्धति के लिए सर्वोत्तम फिट प्लस एक साल के बिक्री इतिहास के लिए अवधि की संख्या की आवश्यकता होती है। यह विधि मौसमी वस्तुओं की वृद्धि या गिरावट के साथ की मांग का पूर्वानुमान करने के लिए उपयोगी है 3.2.1.1 उदाहरण: विधि 1: पिछले वर्ष की तुलना में प्रतिशत पिछले साल के मुकाबले प्रतिशत पिछले वर्ष की तुलना में आपके द्वारा निर्दिष्ट एक कारक से बिक्री आंकड़े गुणा करता है और फिर अगले साल के परिणाम स्वरूप परियोजनाएं। यह पद्धति किसी निर्दिष्ट विकास दर के प्रभाव को अनुकरण करने या बिक्री के इतिहास में महत्वपूर्ण मौसमी घटक होने के लिए बजटिंग में उपयोगी हो सकती है। पूर्वानुमान विनिर्देश: गुणक कारक उदाहरण के लिए, पिछले वर्षों के बिक्री इतिहास के आंकड़ों को 10 प्रतिशत बढ़ाकर प्रसंस्करण के विकल्प में 110 निर्दिष्ट करें। आवश्यक बिक्री का इतिहास: पूर्वानुमान की गणना के लिए एक वर्ष, साथ ही आपके द्वारा निर्दिष्ट किए गए पूर्वानुमान प्रदर्शन (सर्वोत्तम फिट की अवधि) के मूल्यांकन के लिए आवश्यक समय अवधि की संख्या। इस तालिका में पूर्वानुमान गणना में इस्तेमाल किया जाने वाला इतिहास है: फरवरी की भविष्यवाणी 117 गुणा के बराबर होती है 1.1 128.7 से गोल हुई 12 9। मार्च का पूर्वानुमान 115 गुणा 1.1 बार बराबर होता है 126.5 127 के लिए गोल। 3.2.2 विधि 2: पिछले वर्ष की तुलना में प्रतिशत पर परिकलित इस पद्धति का उपयोग परिकलित प्रतिशत पिछला साल के पिछले वर्ष की समान अवधि से बिक्री के लिए निर्दिष्ट अवधि के पिछले बिक्री की तुलना करने के लिए पिछले साल। प्रणाली में प्रतिशत में वृद्धि या कमी निर्धारित करता है, और फिर पूर्वानुमान के निर्धारण के लिए प्रत्येक अवधि को प्रतिशत से गुणा करता है। मांग का पूर्वानुमान करने के लिए, इस पद्धति को विक्रय ऑर्डर इतिहास की अवधि और प्लस बिक्री इतिहास के एक वर्ष की आवश्यकता होती है। यह विधि मौसमी वस्तुओं की वृद्धि या गिरावट के साथ अल्पावधि मांग की भविष्यवाणी करने के लिए उपयोगी है। 3.2.2.1 उदाहरण: विधि 2: पिछले साल के हिसाब से परिकलित प्रतिशत पिछले वर्ष के आधार पर परिकलित प्रतिशत पिछले साल के आंकड़ों से प्रणाली द्वारा गणना की जाने वाली एक कारक द्वारा बिक्री आंकड़े गुणा करता है, और फिर यह अगले वर्ष के लिए परिणाम पेश करता है। यह विधि अगले वर्ष में एक उत्पाद के लिए हाल की विकास दर को बढ़ाने के प्रभाव को पेश करने में उपयोगी हो सकती है, जबकि बिक्री के इतिहास में मौजूद मौसमी पैटर्न को संरक्षित करते हुए। पूर्वानुमान विनिर्देश: वृद्धि दर की गणना में उपयोग करने के लिए बिक्री इतिहास की रेंज। उदाहरण के लिए, पिछले साल के उन चार चार अवधियों के लिए हाल के चार दिनों के लिए बिक्री इतिहास की तुलना करने के लिए प्रसंस्करण के विकल्प में एन बराबर 4 निर्दिष्ट करें। अगले वर्ष के प्रक्षेपण के लिए गणना अनुपात का उपयोग करें आवश्यक बिक्री इतिहास: भविष्यवाणी के पूर्वानुमान के लिए एक वर्ष और पूर्वानुमान प्रदर्शन (सर्वोत्तम फिट की अवधि) के मूल्यांकन के लिए आवश्यक समय अवधि की संख्या। यह तालिका भविष्य की गणना में इस्तेमाल किया जाने वाला इतिहास है, एन 4: फरवरी की भविष्यवाणी 117 बार के बराबर है, 0.9766 114.26 114 के लिए गोल है। मार्च का पूर्वानुमान 115 बार 0.9766 112.31 के बराबर है, 112 पर 3.2.3 विधि 3: पिछले साल इस वर्ष इस पद्धति का उपयोग करता है पिछले साल पूर्वानुमान के लिए पिछले साल की बिक्री मांग का पूर्वानुमान करने के लिए, इस पद्धति के लिए सर्वोत्तम अवधि के साथ-साथ बिक्री आदेश इतिहास के एक वर्ष की आवश्यकता होती है। यह विधि प्रवृत्ति के बिना स्तर मांग या मौसमी मांग के साथ परिपक्व उत्पादों की मांग का पूर्वानुमान करने के लिए उपयोगी है। 3.2.3.1 उदाहरण: विधि 3: अंतिम वर्ष इस वर्ष पिछले साल इस साल के फॉर्मूला प्रतियां अगले साल के लिए पिछले साल से बिक्री डेटा वर्तमान पद्धति की बिक्री को अनुकरण के लिए बजट में यह विधि उपयोगी हो सकती है। यह उत्पाद परिपक्व है और इसमें लंबे समय तक कोई प्रवृत्ति नहीं है, लेकिन एक महत्वपूर्ण मौसमी मांग पैटर्न मौजूद हो सकता है। पूर्वानुमान विनिर्देश: कोई भी नहीं आवश्यक बिक्री इतिहास: भविष्यवाणी के पूर्वानुमान के लिए एक वर्ष और पूर्वानुमान प्रदर्शन (सर्वोत्तम फिट की अवधि) के मूल्यांकन के लिए आवश्यक समय अवधि की संख्या। यह तालिका भविष्य की गणना में इस्तेमाल किया जाने वाला इतिहास है: जनवरी का पूर्वानुमान पिछले साल जनवरी के बराबर 128 के पूर्वानुमान मूल्य के बराबर है। फरवरी का पूर्वानुमान पिछले वर्ष फरवरी के बराबर 117 के पूर्वानुमान मूल्य के बराबर होता है। मार्च का पूर्वानुमान पिछले वर्ष के मार्च के बराबर के पूर्वानुमान मूल्य के साथ 115. 3.2.4 विधि 4: मूविंग औसत इस पद्धति का उपयोग अगली अवधि के लिए निर्धारित अवधि के औसत की औसत के लिए स्थानांतरण औसत सूत्र का उपयोग करता है। बदलते मांग स्तर को प्रतिबिंबित करने के लिए आपको इसे अक्सर (मासिक, या कम से कम त्रैमासिक) पुनर्गणना चाहिए। मांग का पूर्वानुमान करने के लिए, इस पद्धति के लिए सर्वोत्तम अवधि के साथ-साथ विक्रय आदेश इतिहास की अवधि की संख्या की आवश्यकता होती है। प्रवृत्ति के बिना परिपक्व उत्पादों की मांग का पूर्वानुमान करने के लिए यह विधि उपयोगी है। 3.2.4.1 उदाहरण: विधि 4: चलती औसत मूविंग औसत (एमए) अल्पावधि के लिए प्रक्षेपण निर्धारित करने के लिए हाल के बिक्री इतिहास के परिणामों के औसत के लिए एक लोकप्रिय तरीका है। एमए पूर्वानुमान विधि प्रवृत्तियों के पीछे लांग आता है पूर्वानुमान पूर्वाग्रह और व्यवस्थित त्रुटियां तब होती हैं जब उत्पाद की बिक्री का इतिहास मजबूत प्रवृत्ति या मौसमी पैटर्न दर्शाता है। जीवन चक्र के विकास या अप्रचलन चरणों में होने वाले उत्पादों की तुलना में यह विधि परिपक्व उत्पादों के लघु अवधि पूर्वानुमान के लिए बेहतर बनाती है। पूर्वानुमान विनिर्देश: एन पूर्वानुमान पूर्वानुमान में उपयोग करने के लिए बिक्री इतिहास की अवधि की संख्या के बराबर है। उदाहरण के लिए, अगली समय अवधि में प्रक्षेपण के आधार के रूप में सबसे हाल ही में चार अवधियों का उपयोग करने के लिए संसाधन विकल्प में n 4 निर्दिष्ट करें। एन (जैसे कि 12) के लिए एक बड़ा मूल्य अधिक बिक्री इतिहास की आवश्यकता है यह एक स्थिर पूर्वानुमान में है, लेकिन बिक्री के स्तर में बदलाव को पहचानने में धीमी है। इसके विपरीत, n (जैसे 3) के लिए एक छोटा सा मान बिक्री के स्तर में बदलाव का उत्तर देने के लिए तेज़ है, लेकिन पूर्वानुमान इतना व्यापक हो सकता है कि उत्पादन विविधताओं का जवाब नहीं दे सकता है आवश्यक बिक्री का इतिहास: एन प्लस, पूर्वानुमान अवधि (सर्वोत्तम फिट की अवधि) के मूल्यांकन के लिए आवश्यक समय अवधि की संख्या। यह तालिका भविष्य की गणना में इस्तेमाल किया जाने वाला इतिहास है: फरवरी का पूर्वानुमान बराबर है (114 119 137 125) 4 123.75 गोल 124. मार्च का पूर्वानुमान बराबर है (119 137 125 124) 4 126.25 गोल 126.2.5.5 विधि 5: रैखिक अनुमान इस विधि विक्रय आदेश इतिहास की अवधि की संख्या से प्रवृत्ति की गणना करने के लिए और पूर्वानुमान के अनुसार इस रुझान को प्रारम्भ करने के लिए रैखिक अनुमान सूची का उपयोग करता है। प्रवृत्तियों में परिवर्तनों का पता लगाने के लिए आपको मासिक रुझान की पुन: गणना करना चाहिए। इस पद्धति को सर्वोत्तम फिट की अवधि और बिक्री आदेश इतिहास की निर्दिष्ट अवधि की संख्या की आवश्यकता होती है। यह विधि नए उत्पादों की मांग, या लगातार सकारात्मक या नकारात्मक रुझानों वाले उत्पादों की मांग के लिए उपयोगी है जो मौसमी उतार-चढ़ाव के कारण नहीं हैं। 3.2.5.1 उदाहरण: विधि 5: रैखिक अनुमान एक रैखिक अनुमान एक प्रवृत्ति की गणना करता है जो दो बिक्री इतिहास डेटा बिंदुओं पर आधारित है। ये दो अंक एक सीधे प्रवृत्ति रेखा को परिभाषित करते हैं जो कि भविष्य में पेश किया जाता है। सावधानी के साथ इस पद्धति का उपयोग करें क्योंकि लंबी अवधि के पूर्वानुमान केवल दो डेटा बिन्दुओं में छोटे परिवर्तनों के कारण लीवर किए जाते हैं। पूर्वानुमान विनिर्देश: n एक बिक्री के इतिहास में डेटा बिंदु के बराबर है, जो किसी प्रवृत्ति की पहचान करने के लिए सबसे हाल के डेटा बिंदु से तुलना की जाती है। उदाहरण के लिए, प्रवृत्ति की गणना के आधार के रूप में दिसम्बर (सबसे हालिया डेटा) और अगस्त (दिसंबर से पहले चार अवधियों) के बीच अंतर का उपयोग करने के लिए एन 4 निर्दिष्ट करें न्यूनतम आवश्यक बिक्री इतिहास: एन प्लस 1 प्लस अवधि के प्रदर्शन की समीक्षा के लिए आवश्यक समय अवधि की संख्या (सर्वोत्तम फिट की अवधि)। यह तालिका भविष्य की गणना में इस्तेमाल किया जाने वाला इतिहास है: जनवरी का पूर्वानुमान पिछले साल 1 दिसंबर (ट्रेंड) के बराबर है, जो 137 (1 गुना 2) 13 9 के बराबर है। फरवरी का पूर्वानुमान पिछले वर्ष 1 (ट्रेंड) के बराबर है जो 137 (2 गुना 2) 141 के बराबर है। मार्च का पूर्वानुमान पिछले वर्ष 1 (ट्रेंड) के बराबर है जो 137 (3 गुना 2) 143 के बराबर है। 3.2.6 विधि 6: कम से कम वर्गों का प्रतिगमन कम से कम वर्गों का प्रतिगमन (एलएसआर) पद्धति एक ऐतिहासिक समीकरणों के बीच एक सीधी रेखा संबंध का वर्णन करने वाला एक समीकरण है। और समय बीतने। एलएसआर डेटा की चयनित सीमा तक एक पंक्ति फिट करता है ताकि वास्तविक बिक्री डेटा अंक और प्रतिगमन लाइन के बीच अंतर के वर्गों का योग कम हो। पूर्वानुमान भविष्य में इस सीधी रेखा की प्रक्षेपण है। इस पद्धति की अवधि के लिए विक्रय डेटा इतिहास की आवश्यकता होती है, जो कि समय-समय पर सर्वोत्तम फिट के साथ-साथ ऐतिहासिक डेटा अवधि की निर्दिष्ट संख्या द्वारा दर्शाया जाता है। न्यूनतम आवश्यकता दो ऐतिहासिक डेटा बिंदु हैं इस विधि की मांग को पूर्वानुमान करने के लिए उपयोगी है, जब एक रेखीय प्रवृत्ति डेटा में होती है। 3.2.6.1 उदाहरण: विधि 6: कम से कम वर्गों प्रतिगमन रैखिक पुनरावृत्ति, या कम से कम वर्गों के प्रतिगमन (एलएसआर), ऐतिहासिक बिक्री डेटा में एक रैखिक प्रवृत्ति की पहचान करने के लिए सबसे लोकप्रिय तरीका है। विधि सूत्र में उपयोग किए जाने वाले ए और बी के मानों की गणना करता है: यह समीकरण एक सीधी रेखा का वर्णन करता है, जहां वाई बिक्री का प्रतिनिधित्व करता है और एक्स समय को दर्शाता है। रैनिअर प्रतिगमन को बदलते अंक और कदम की मांग में बदलाव के पहलुओं को पहचानने में धीमी गति है। रेखीय प्रतिगमन डेटा में एक सीधी रेखा फिट बैठता है, भले ही डेटा मौसमी या बेहतर वक्र से वर्णित हो। जब बिक्री के इतिहास का डेटा वक्र के बाद होता है या एक मजबूत मौसमी पैटर्न होता है, पूर्वानुमान पूर्वाग्रह और व्यवस्थित त्रुटियां होती हैं। पूर्वानुमान विनिर्देश: n बिक्री इतिहास की अवधि के बराबर होती है जिसका उपयोग ए और बी के लिए मूल्यों की गणना में किया जाएगा। उदाहरण के लिए, गणना के आधार के रूप में सितंबर से दिसंबर तक के इतिहास का उपयोग करने के लिए एन 4 निर्दिष्ट करें। जब डेटा उपलब्ध होता है, तो एक बड़ा एन (जैसे n 24) आमतौर पर इस्तेमाल किया जाएगा। एलएसआर दो अंकों के दो अंकों के लिए एक रेखा को परिभाषित करता है। इस उदाहरण के लिए, n (n 4) के लिए एक छोटा सा मान चुना गया था जो मैन्युअल गणनाओं को कम करने के लिए चुना गया था, जिनके परिणामों को सत्यापित करना आवश्यक है। न्यूनतम आवश्यक बिक्री इतिहास: एन अवधि और समय अवधि की संख्या, जो पूर्वानुमान प्रदर्शन (सर्वोत्तम फिट की अवधि) के मूल्यांकन के लिए आवश्यक हैं। यह तालिका भविष्य की गणना में उपयोग किया जाने वाला इतिहास है: मार्च का पूर्वानुमान 119.5 के बराबर है (7 बार 2.3) 135.6 136 के लिए गोल। 3.2.7 विधि 7: दूसरा डिग्री अनुमान भविष्यवाणी करने के लिए, यह विधि एक वक्र को साजिश करने के लिए द्वितीय डिग्री अनुमानित सूत्र का उपयोग करता है यह बिक्री इतिहास की अवधि की संख्या पर आधारित है। इस पद्धति के लिए सर्वोत्तम अवधि के साथ-साथ विक्रय आदेश के इतिहास के तीन बार की अवधि की संख्या की आवश्यकता होती है यह विधि लंबी अवधि की अवधि के लिए पूर्वानुमान की पूर्ति के लिए उपयोगी नहीं है। 3.2.7.1 उदाहरण: विधि 7: द्वितीय डिग्री अनुमानित रैखिक प्रतिगमन पूर्वानुमान के सूत्र में वाई और बी के लिए मूल्यों को निर्धारित करता है बिक्री के इतिहास के आंकड़ों के लिए एक सीधी रेखा फिटिंग के उद्देश्य से वाई बी ख। दूसरा डिग्री अनुमान समान है, लेकिन इस पद्धति ने इस पूर्वानुमान के सूत्र में ए, बी और सी के लिए मूल्यों को निर्धारित किया है: वाई ए बी एक्स सी एक्स 2 इस पद्धति का उद्देश्य बिक्री इतिहास डेटा के लिए एक वक्र फिट होना है। यह विधि तब उपयोगी होती है जब कोई उत्पाद जीवन चक्र चरणों के बीच संक्रमण में होता है। उदाहरण के लिए, जब एक नया उत्पाद परिचय से विकास के चरणों में चलता है, तो बिक्री की प्रवृत्ति में तेजी ला सकती है दूसरे आदेश की अवधि के कारण, भविष्य में अनगिनतता या शून्य से गिरावट का अनुमान लगाया जा सकता है (यह निर्भर करता है कि क्या गुणांक सी सकारात्मक या नकारात्मक है)। यह विधि केवल अल्पावधि में उपयोगी है। पूर्वानुमान विनिर्देश: सूत्र को तीन अंकों के लिए वक्र फिट करने के लिए ए, बी और सी मिलते हैं। आप एन निर्दिष्ट करते हैं, डेटा के समय-अवधि की संख्या को तीन अंकों के प्रत्येक में जमा कर सकते हैं। इस उदाहरण में, एन 3. अप्रैल से जून के लिए वास्तविक बिक्री डेटा पहले बिंदु, क्यू 1 में मिला है। जुलाई के माध्यम से सितंबर को एक साथ Q2 बनाने के लिए, और अक्टूबर के माध्यम से दिसंबर राशि के माध्यम से Q3 को जोड़ दिया जाता है। वक्र तीन मूल्यों Q1, Q2, और Q3 के लिए फिट है। आवश्यक बिक्री का इतिहास: पूर्वानुमान की गणना के लिए 3 गुना एन अवधि तथा पूर्वानुमान प्रदर्शन (सर्वोत्तम फिट की अवधि) के मूल्यांकन के लिए आवश्यक समय अवधि की संख्या। यह तालिका भविष्य की गणना में इस्तेमाल किया जाने वाला इतिहास है: Q0 (Jan) (फ़रवरी) (मार्च) क्यू 1 (अप्रैल) (मई) (जून) जो 125 122 137 384 क्यू 2 (जुलाई) (अगस्त) (सितंबर) के बराबर है, जो 140 12 9 के बराबर है 131 400 क्यू 3 (अक्तूबर) (नवंबर) (दिसंबर) जो 114 114 119 137 370 के बराबर है, अगले चरण में ए, बी और सी के तीन गुणांकों की गणना शामिल है जो भविष्यवाणी के सूत्र में इस्तेमाल की जाती है Y ab X c X 2 Q1, Q2, और Q3 ग्राफिक पर प्रस्तुत किए जाते हैं, जहां समय क्षैतिज अक्ष पर प्लॉट किया जाता है। Q1 अप्रैल, मई, और जून के लिए कुल ऐतिहासिक बिक्री का प्रतिनिधित्व करता है और एक्स 1 क्यू 2 पर प्लॉट किया जाता है, जुलाई से सितंबर तक होता है, जो 3 अक्टूबर से दिसंबर के बीच होता है और क्यू 4 जनवरी के माध्यम से मार्च के माध्यम से दर्शाता है। यह ग्राफ़िक दूसरी डिग्री सन्निकटन के लिए क्यू 1, क्यू 2, क्यू 3, और क्यू 4 की साजिश को दर्शाता है: चित्रा 3-2 दूसरी डिग्री सन्निकटन के लिए क्यू 1, क्यू 2, क्यू 3, और क्यू 4 के लिए प्लॉटिंग करना तीन समीकरण ग्राफ पर तीन बिंदुओं का वर्णन करते हैं: (1) क्यू 1 एक बीएक्स सीएक्स 2 जहां एक्स 1 (Q1 एबीसी) (2) क्यू 2 ए बीएक्स सीएक्स 2 जहां एक्स 2 (क्यू 2 ए 2 बी 4 सी) (3) क्यू 3 एक बीएक्स सीएक्स 2 जहां एक्स 3 (क्यू 3 ए 3 बी 9 सी) तीन समीकरणों को एक साथ हल करें बी, ए, और सी खोजने के लिए: समीकरण 2 (2) से समीकरण 1 (1) घटाएं और बी के लिए हल करें: (2) ndash (1) क्यू 2 ndash Q1 b 3c b (Q2 ndash Q1) ndash 3c इस समीकरण के लिए विकल्प चुनें बी में समीकरण (3): (3) प्रश्न 3 ए 3 (Q2 ndash Q1) ndash 3c 9c एक Q3 ndash 3 (Q2 ndash Q1) अंत में, एक और बी के लिए समीकरण (1) के लिए इन समीकरणों का स्थान: (1) Q3 ndash 3 (Q2 ndash Q1) (Q2 ndash Q1) ndash 3c सी Q1 सी (Q3 ndash Q2) (Q1 ndash Q2) 2 दूसरा डिग्री अनुमान का तरीका एक, बी, और सी की गणना निम्नानुसार है: एक Q3 ndash 3 (Q2 ndash Q1 ) 370 ndash 3 (400 ndash 384) 370 ndash 3 (16) 322 बी (Q2 ndash Q1) ndash3c (400 एनडीए) एसएच 384) ndash (3 गुना ndash 23) 16 69 85 सी (क्यू 3 एनडीएसएच क्यू 2) (क्यू 1 एनडीएसएपी 2) 2 (370 एन 400) 400 (384 एनडीएस 400) 2 ndash23 यह दूसरी डिग्री सन्निकटन पूर्वानुमान की गणना है: वाई बीएक्स सीएक्स 2 322 85X (ndash23) (एक्स 2) जब एक्स 4, Q4 322 340 ndash 368 294. यह पूर्वानुमान 294 3 98 प्रति अवधि के बराबर है। जब एक्स 5, Q5 322 425 ndash 575 172. पूर्वानुमान 172 3 58.33 के बराबर 57 प्रति अवधि के लिए गोल है। जब एक्स 6, Q6 322 510 ndash 828 4. पूर्वानुमान 4 3 1.33 के बराबर एक प्रति अवधि के लिए। यह अगले साल, पिछले साल के लिए इस वर्ष पूर्वानुमान है: 3.2.8 विधि 8: लचीले पद्धति यह पद्धति आपको बिक्री आदेश इतिहास की सबसे अच्छी संख्या का चयन करने के लिए सक्षम बनाता है जो कि पूर्वानुमान की शुरुआत की तारीख से पहले n महीनों की शुरुआत करता है और एक प्रतिशत वृद्धि या गुणन कारक को घटाते हैं जिसके साथ पूर्वानुमान को संशोधित किया जाता है। यह विधि विधि 1 के समान है, पिछले वर्ष की तुलना में प्रतिशत, सिवाय इसके कि आप आधार के रूप में उपयोग की जाने वाली समयावधि की संख्या निर्दिष्ट कर सकते हैं। आपके द्वारा एन के रूप में क्या चुना जाता है, इस विधि के अनुसार समय-समय पर सबसे अच्छी फिटनेस के साथ-साथ दिखाए गए विक्रय आंकड़ों की अवधि भी शामिल होती है। इस पद्धति को नियोजित प्रवृत्ति की मांग के पूर्वानुमान के लिए उपयोगी है 3.2.8.1 उदाहरण: विधि 8: लचीले विधि लचीले विधि (पिछले महीने से अधिक प्रतिशत) विधि 1, पिछले वर्ष से अधिक प्रतिशत के समान है। दोनों तरीकों से आपके द्वारा निर्दिष्ट एक कारक द्वारा पिछली अवधि की तुलना में बिक्री के आंकड़ों की संख्या बढ़ जाती है, और फिर भविष्य में होने वाला प्रोजेक्ट। पिछले साल की तुलना में प्रतिशत में, प्रक्षेपण पिछले वर्ष की इसी अवधि से डेटा पर आधारित है। गणना के आधार के रूप में उपयोग करने के लिए, पिछले वर्ष की समान अवधि के अलावा, एक समय अवधि निर्दिष्ट करने के लिए आप लचीले विधि का भी उपयोग कर सकते हैं। गुणक कारक उदाहरण के लिए, पिछले बिक्री इतिहास डेटा को 10 प्रतिशत बढ़ाकर प्रसंस्करण के विकल्प में 110 निर्दिष्ट करें। बेस अवधि उदाहरण के लिए, एन 4 ने पिछले साल सितंबर में बिक्री आंकड़ों के आधार पर पहले पूर्वानुमान लगाया था। न्यूनतम आवश्यक बिक्री का इतिहास: आधार अवधि के साथ-साथ समय की अवधि की संख्या और पूर्वानुमान प्रदर्शन (सर्वोत्तम फिट की अवधि) के मूल्यांकन के लिए आवश्यक समय अवधि की संख्या। यह तालिका भविष्य की गणना में इस्तेमाल किया जाने वाला इतिहास है: 3.2.9 विधि 9: वेटेड मूविंग औसत वेटेड मूविंग औसत फॉर्मूला विधि 4, मूविंग एवरल फॉर्मूला जैसा है, क्योंकि यह अगले महीनों के बिक्री इतिहास के लिए पिछले महीने की बिक्री के इतिहास का औसत है। हालांकि, इस फार्मूले के साथ आप प्रत्येक पूर्व अवधि के लिए वजन निर्दिष्ट कर सकते हैं। इस विधि को चयनित भारित अवधि की संख्या और डेटा की सर्वोत्तम अवधि की संख्या की संख्या की आवश्यकता होती है। मूविंग औसत के समान, यह विधि मांग प्रवृत्तियों से पीछे है, इसलिए इस पद्धति का मजबूत रुझान या ऋतुमानता वाले उत्पादों के लिए अनुशंसित नहीं है। यह विधि अपेक्षाकृत स्तर की मांग वाले परिपक्व उत्पादों की मांग का पूर्वानुमान करने के लिए उपयोगी है। 3.2.9.1 उदाहरण: विधि 9: वेटेड मूविंग एवल औसत वेटिंग औसत (डब्ल्यूएमए) विधि विधि 4, मूविंग एवरेज (एमए) के समान है। हालांकि, डब्ल्यूएमए का उपयोग करते समय आप ऐतिहासिक डेटा को असमान वजन प्रदान कर सकते हैं। अल्पावधि के लिए प्रक्षेपण पर आने के लिए विधि हाल के बिक्री इतिहास के एक भारित औसत की गणना करता है। अधिक हाल के डेटा को आमतौर पर पुराने आंकड़ों के मुकाबले अधिक बड़ा सौंपा जाता है, इसलिए डब्लूएमए बिक्री के स्तर में बदलाव के लिए अधिक उत्तरदायी है। हालांकि, पूर्वानुमान पूर्वाग्रह और व्यवस्थित त्रुटियां तब होती हैं जब उत्पाद विक्रय इतिहास मजबूत रुझान या मौसमी पैटर्न दर्शाता है जीवन चक्र के विकास या अप्रचलन चरणों में उत्पाद की तुलना में परिपक्व उत्पादों के लघु अवधि पूर्वानुमान के लिए यह विधि बेहतर काम करती है। पूर्वानुमान इतिहास में उपयोग करने के लिए बिक्री इतिहास (एन) की अवधि की संख्या उदाहरण के लिए, अगली समय अवधि में प्रक्षेपण के आधार के रूप में सबसे हाल ही में चार अवधियों का उपयोग करने के लिए संसाधन विकल्प में n 4 निर्दिष्ट करें। एन (जैसे कि 12) के लिए एक बड़ा मूल्य अधिक बिक्री इतिहास की आवश्यकता है इस तरह के मूल्य के एक स्थिर पूर्वानुमान में परिणाम है, लेकिन बिक्री के स्तर में बदलाव पहचानने में धीमी गति से है इसके विपरीत, एन के लिए एक छोटा सा मान (जैसे 3) बिक्री के स्तर में बदलाव के लिए अधिक तेज़ी से प्रतिक्रिया करता है, लेकिन पूर्वानुमान इतना व्यापक हो सकता है कि उत्पादन विविधताओं का जवाब नहीं दे सकता है प्रसंस्करण विकल्प rdquo14 के लिए समयावधि की कुल संख्या - includerdquo की अवधि 12 महीनों से अधिक नहीं होनी चाहिए। वह वजन जो कि प्रत्येक ऐतिहासिक डेटा अवधि को सौंपा जाता है। सौंपा भार को कुल 1.00 चाहिए। उदाहरण के लिए, जब n 4, सबसे अधिक वजन प्राप्त करने वाले सबसे हाल के आंकड़ों के साथ 0.50, 0.25, 0.15, और 0.10 के वजन को असाइन करें। न्यूनतम आवश्यक बिक्री इतिहास: एन प्लस अवधि के प्रदर्शन की समीक्षा करने के लिए आवश्यक समय अवधि (सबसे अच्छा फिट की अवधि)। यह तालिका भविष्य की गणना में उपयोग किया जाने वाला इतिहास है: जनवरी पूर्वानुमान बराबर (131 गुना 0.10) (114 बार 0.15) (119 गुना 0.25) (137 गुना 0.50) (0.10 0.15 0.25 0.50) 128.45 128 पर गिने। फरवरी का पूर्वानुमान बराबर है (114 बार 0.10) (119 गुना 0.15) (137 गुना 0.25) (128 गुना 0.50) 1 127.5 राउंड टू 128. मार्च का पूर्वानुमान बराबर है (119 गुना 0.10) (137 गुना 0.15) (128 गुना 0.25) (128 गुणा 0.50) 1 128.45 गोल 128. 3.2.10 विधि 10: रैखिक चौरसाई यह पद्धति पिछले बिक्री डेटा के एक भारित औसत की गणना करता है। गणना में, यह विधि विक्रय आदेश इतिहास (1 से 12) की अवधि की संख्या का उपयोग करता है जो प्रसंस्करण विकल्प में दर्शाया गया है। सिस्टम पहले (कम से कम वजन) से लेकर अंतिम (सबसे अधिक वजन) तक के आंकड़ों को मापने के लिए एक गणितीय प्रगति का उपयोग करता है। फिर सिस्टम इस जानकारी को पूर्वानुमान में प्रत्येक अवधि के लिए पेश करता है इस पद्धति को प्रसंस्करण के विकल्प में निर्दिष्ट अवधि की संख्या के लिए महीने की सबसे अच्छी फिट और बिक्री आदेश इतिहास की आवश्यकता होती है। 3.2.10.1 उदाहरण: विधि 10: रैखिक चौरसाई यह विधि विधि 9, डब्लूएमए के समान है। हालांकि, ऐतिहासिक आंकड़ों के लिए मनमाने ढंग से वजन का उल्लेख करने के बजाय, एक सूत्र का इस्तेमाल भारोत्तोलन करने के लिए किया जाता है जो कि रैखिक रूप से गिरावट आती है और 1.00 का योग है। तब विधि अल्पावधि के लिए प्रक्षेपण पर आने के लिए हाल के बिक्री इतिहास के एक भारित औसत की गणना करता है। सभी रैखिक चलती औसत पूर्वानुमान तकनीकों की तरह, पूर्वानुमान पूर्वाग्रह और व्यवस्थित त्रुटियां तब होती हैं जब उत्पाद की बिक्री का इतिहास मजबूत प्रवृत्ति या मौसमी पैटर्न दर्शाता है। जीवन चक्र के विकास या अप्रचलन चरणों में उत्पाद की तुलना में परिपक्व उत्पादों के लघु अवधि पूर्वानुमान के लिए यह विधि बेहतर काम करती है। पूर्वानुमान की गणना में उपयोग करने के लिए बिक्री इतिहास की अवधि की संख्या के बराबर है। उदाहरण के लिए, अगली बार अवधि में प्रक्षेपण के आधार के रूप में सबसे हाल ही में चार अवधि का उपयोग करने के लिए प्रसंस्करण के विकल्प में एन बराबर 4 निर्दिष्ट करें। सिस्टम स्वचालित रूप से उन ऐतिहासिक आंकड़ों को वजन सौंपता है जो रैखिक रूप से गिरावट और 1.00 की राशि है। उदाहरण के लिए, जब एन बराबर 4, सिस्टम 0.4, 0.3, 0.2, और 0.1 के भार को सबसे अधिक वजन प्राप्त करने वाले नवीनतम डेटा के साथ प्रदान करता है। न्यूनतम आवश्यक बिक्री इतिहास: एन प्लस अवधि के प्रदर्शन की समीक्षा करने के लिए आवश्यक समय अवधि (सबसे अच्छा फिट की अवधि)। यह सारणी भविष्य की गणना में इस्तेमाल किया जाने वाला इतिहास है: 3.2.11 विधि 11: घातीय चिकनाई इस पद्धति का एक औसत औसत गणना है, जो कि चयनित ऐतिहासिक डेटा अवधियों के दौरान बिक्री के सामान्य स्तर का प्रतिनिधित्व करने वाला अनुमान बन जाता है। इस पद्धति को समय की अवधि के लिए बिक्री डेटा इतिहास की आवश्यकता होती है, जो कि सर्वोत्तम अवधि के साथ-साथ निर्दिष्ट ऐतिहासिक डेटा अवधियों की संख्या द्वारा दर्शाया गया है। न्यूनतम आवश्यकता दो ऐतिहासिक डेटा अवधि है। यह तरीका डेटा की मांग के पूर्वानुमान के लिए उपयोगी है, जब कोई रैखिक प्रवृत्ति डेटा में नहीं होती है। 3.2.11.1 उदाहरण: विधि 11: घातीय चिकनाई यह विधि विधि 10, रैखिक चिकनाई के समान है। रैखिक चौरसाई में, प्रणाली उन वांटें तय करती हैं जो ऐतिहासिक डेटा को रैखिक रूप से घटती हैं। घातीय चिकनाई में, सिस्टम वजन घटाने देता है जो तेजी से क्षय होता है। घातीय चिकनाई पूर्वानुमान के लिए समीकरण: पूर्वानुमान अल्फा (पिछली वास्तविक बिक्री) (1 नंदास्थफा) (पिछला पूर्वानुमान) पूर्वानुमान पिछली अवधि से वास्तविक बिक्री का एक भारित औसत और पिछली अवधि से पूर्वानुमान है। अल्फा वजन है जो पिछले अवधि के लिए वास्तविक बिक्री पर लागू होता है। (1 ndash अल्फा) वह वजन है जो पिछली अवधि के पूर्वानुमान के लिए लागू किया गया है। 0 से 1 तक अल्फा श्रेणी के लिए मान और आमतौर पर 0.1 और 0.4 के बीच आते हैं। भार का योग 1.00 है (अल्फा (1 ndash alpha) 1) आपको चौरसाई निरंतर, अल्फा के लिए एक मान असाइन करना चाहिए। यदि आप चिकनाई निरंतर के लिए कोई मान नहीं देते हैं, तो सिस्टम अनुमानित मान की गणना करता है जो प्रसंस्करण विकल्प में विनिर्दिष्ट बिक्री इतिहास की अवधि के आधार पर होता है। अल्फा चौरसाई स्थिरता के बराबर होती है जिसका इस्तेमाल सामान्य स्तर या बिक्री की परिमाण के लिए औसत औसत की गणना करने के लिए किया जाता है। 0 से 1 के बीच अल्फा श्रेणी के लिए मूल्य। गणना में शामिल करने के लिए बिक्री इतिहास डेटा की श्रेणी के बराबर है। आमतौर पर, बिक्री इतिहास के एक वर्ष का डेटा बिक्री के सामान्य स्तर का अनुमान लगाने के लिए पर्याप्त है। इस उदाहरण के लिए, n (n 4) के लिए एक छोटा सा मान चुना गया था जो मैन्युअल गणनाओं को कम करने के लिए चुना गया था, जिनके परिणामों को सत्यापित करना आवश्यक है। घातीय चिकनाई एक पूर्वानुमान पैदा कर सकता है जो एक ही ऐतिहासिक डेटा बिंदु के रूप में पर आधारित है। न्यूनतम आवश्यक बिक्री इतिहास: एन प्लस अवधि के प्रदर्शन की समीक्षा करने के लिए आवश्यक समय अवधि (सबसे अच्छा फिट की अवधि)। 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. मैड पूर्वानुमान त्रुटि का एक उपाय है 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. जब भविष्यवाणियां लगातार बहुत अधिक होती हैं, तो इन्वेंट्री एकजुट हो जाती है और इन्वेंट्री की लागत बढ़ जाती है। 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.