Verduidelik Verhouding Bewegende Gemiddelde Metode

3 Verstaan ​​Voorspelling vlakke en metodes wat jy kan beide detail (enkele item) voorspellings en opsomming (produk lyn) voorspel dat die vraag produk patrone weerspieël genereer. Die stelsel ontleed verlede verkope voorspellings bereken deur gebruik te maak van 12 vooruitskatting metodes. Die voorspellings sluit detail inligting op die item vlak en 'n hoër vlak inligting oor 'n tak of die maatskappy as 'n geheel. 3.1 Voorspelling Performance Evalueringskriteria Afhangende van die keuse van die verwerking opsies en op tendense en patrone in die verkope data, sommige voorspelling metodes beter presteer as ander vir 'n gegewe historiese datastel. 'N vooruitskatting metode wat geskik is vir 'n produk kan nie geskik is vir 'n ander produk. Jy mag vind dat 'n vooruitskatting metode wat goeie resultate lewer in 'n stadium van 'n produk se lewensiklus toepaslike deur die hele lewensiklus bly. Jy kan kies tussen twee metodes om die huidige prestasie van die voorspelling metodes te evalueer: Persentasie van akkuraatheid (POA). Beteken absolute afwyking (MAD). Beide van hierdie prestasie-evaluering metodes vereis historiese verkope data vir 'n tydperk wat jy spesifiseer. Hierdie tydperk staan ​​bekend as 'n holdout tydperk of periode van beste passing. Die data in hierdie tydperk word gebruik as die grondslag vir die aanbeveling wat vooruitskatting metode om te gebruik in die maak van die volgende voorspelling projeksie. Hierdie aanbeveling is spesifiek vir elke produk en kan van een voorspelling generasie na die volgende. 3.1.1 beste pas by die stelsel beveel die beste passing voorspelling deur die toepassing van die gekose voorspelling metodes om die verlede verkope orde geskiedenis en vergelyk die voorspelling simulasie van die werklike geskiedenis. As jy 'n beste passing voorspelling genereer, die stelsel vergelyk werklike verkope orde geskiedenis om voorspellings vir 'n spesifieke tydperk en bere hoe akkuraat elke verskillende vooruitskatting metode voorspel verkope. Toe beveel die stelsel die mees akkurate voorspelling as die beste passing. Dit grafiese illustreer beste passing voorspellings: Figuur 3-1 Beste pas voorspel Die stelsel maak gebruik van hierdie reeks stappe om die beste passing te bepaal: Gebruik elke gespesifiseerde metode om 'n voorspelling vir die holdout tydperk na te boots. Vergelyk werklike verkope aan die gesimuleerde voorspellings vir die holdout tydperk. Bereken die POA of die MAD om te bepaal watter vooruitskatting metode die meeste ooreenstem met die verlede werklike verkope. Die stelsel maak gebruik van óf POA of mal, gebaseer op die verwerking opsies wat jy kies. Beveel die beste passing voorspelling deur die POA wat die naaste aan 100 persent (bo of onder) of die MAD wat die naaste aan nul. 3.2 Vooruitskatting Metodes JD Edwards EnterpriseOne Voorspelling Bestuur gebruik 12 metodes vir kwantitatiewe vooruitskatting en dui aan watter metode bied die beste geskik is vir die voorspelling situasie. Hierdie afdeling bespreek: Metode 1: Persentasie teenoor verlede jaar. Metode 2: Bereken persent teenoor verlede jaar. Metode 3: verlede jaar tot vanjaar. Metode 4: Moving Gemiddelde. Metode 5: Lineêre benadering. Metode 6: kleinstekwadrate-regressielyn. Metode 7: tweede graad benadering. Metode 8: buigbare metode. Metode 9: Geweegde bewegende gemiddelde. Metode 10: Lineêre Smoothing. Metode 11: Eksponensiële Smoothing. Metode 12: Eksponensiële Smoothing met Trend en Seisoenaliteit. Spesifiseer die metode wat jy wil gebruik in die verwerking opsies vir die voorspelling Generation program (R34650). Die meeste van hierdie metodes te voorsien beperkte beheer. Byvoorbeeld, kan die gewig geplaas op onlangse historiese data of die datum bereik van historiese data wat gebruik word in die berekeninge word bepaal deur jou. Die voorbeelde in die handleiding dui die prosedure te kan uitvoer vir elk van die beskikbare voorspelling metodes, gegee 'n identiese stel historiese data. Die metode voorbeelde in die gids gebruik deel van of al hierdie datastelle wat historiese data van die afgelope twee jaar. Die voorspelling projeksie gaan in die volgende jaar. Dit verkope geskiedenis data is stabiel met klein seisoenale styging in Julie en Desember. Hierdie patroon is kenmerkend van 'n volwasse produk wat dalk nader veroudering. 3.2.1 Metode 1: Persentasie teenoor verlede jaar Hierdie metode maak gebruik van die persent meer as verlede jaar formule aan elke voorspelling tydperk deur die gespesifiseerde persentasie toename of afname vermeerder. Om die vraag te voorspel, hierdie metode vereis dat die getal periodes vir die beste passing plus een jaar van verkope geskiedenis. Hierdie metode is nuttig om die vraag na seisoenale items met groei of afname voorspel. 3.2.1.1 Voorbeeld: Metode 1: persent oor verlede jaar het die persent meer as verlede jaar formule vermeerder verkope data van die vorige jaar met 'n faktor wat jy spesifiseer en dan projekte wat lei oor die volgende jaar. Hierdie metode dalk wees bruikbare in begrotings te boots die invloed van 'n bepaalde groeikoers of wanneer verkope geskiedenis het 'n beduidende seisoenale komponent. Voorspelling spesifikasies: Vermenigvuldiging faktor. Byvoorbeeld, spesifiseer 110 in die verwerking opsie om die vorige jaar verkope geskiedenis data te verhoog met 10 persent. Vereis verkope geskiedenis: Een jaar vir die berekening van die voorspelling, plus die aantal tydperke wat nodig is vir die evaluering van die voorspelling prestasie (tydperke van beste passing) wat jy spesifiseer. Hierdie tabel is geskiedenis wat in die vooruitsig berekening: Februarie voorspel gelyk 117 keer 1.1 128,7 afgerond tot 129. Maart voorspel gelyk 115 keer 1.1 126,5 afgerond tot 127. 3.2.2 Metode 2: Bereken persent teenoor verlede jaar hierdie metode gebruik die berekende persent oor verlede jaar formule om die verlede verkope van vermelde tydperke te vergelyk met verkope van dieselfde tydperke van die vorige jaar. Die stelsel bepaal 'n persentasie toename of afname, en dan vermenigvuldig elke tydperk deur die persentasie die voorspelling te bepaal. Om die vraag te voorspel, hierdie metode vereis dat die aantal periodes van verkope orde geskiedenis plus een jaar van verkope geskiedenis. Hierdie metode is nuttig om kort vraag term vir seisoenale items met groei of afname voorspel. 3.2.2.1 Voorbeeld: Metode 2: Bereken persent teenoor verlede jaar die berekende Persent teenoor verlede jaar formule vermeerder verkope data van die vorige jaar met 'n faktor wat bereken word deur die stelsel, en dan projekteer dat resultaat vir die volgende jaar. Hierdie metode dalk nuttig in projekteer die invloed van die uitbreiding van die onlangse groeikoers vir 'n produk in die volgende jaar, terwyl die behoud van 'n seisoenale patroon wat in die verkope geskiedenis is nie. Voorspelling spesifikasies: Range van verkope geskiedenis om te gebruik in die berekening van die groeikoers. Byvoorbeeld, spesifiseer N gelyk 4 in die verwerking opsie om verkope geskiedenis vergelyk vir die mees onlangse vier tydperke vir diegene dieselfde vier tydperke van die vorige jaar. Gebruik die berekende verhouding tot die projeksie te maak vir die volgende jaar. Vereis verkope geskiedenis: Een jaar vir die berekening van die voorspelling plus die aantal tydperke wat nodig is vir die evaluering van die voorspelling prestasie (tydperke van beste passing). Hierdie tabel is geskiedenis wat in die vooruitsig berekening, gegewe N 4: Februarie voorspel gelyk 117 keer 0,9766 114,26 afgerond tot 114. Maart voorspel gelyk 115 keer 0,9766 112,31 afgerond tot 112. 3.2.3 Metode 3: verlede jaar tot die Jaar Die metode gebruik laaste jaar verkope vir die volgende jaar voorspel. Om die vraag te voorspel, hierdie metode vereis dat die aantal periodes beste passing plus een jaar van verkope orde geskiedenis. Hierdie metode is nuttig om die vraag na volwasse produkte met die vraag vlak of seisoenale vraag sonder 'n tendens voorspel. 3.2.3.1 Voorbeeld: Metode 3: verlede jaar tot vanjaar het die verlede jaar tot vanjaar se Formule kopieë verkoop data van die vorige jaar tot die volgende jaar. Hierdie metode dalk nuttig in die begroting om verkope te boots by die huidige vlak wees. Die produk is volwasse en het geen tendens oor die lang termyn, maar 'n beduidende seisoenale vraag patroon mag bestaan. Voorspelling spesifikasies: Geen. Vereis verkope geskiedenis: Een jaar vir die berekening van die voorspelling plus die aantal tydperke wat nodig is vir die evaluering van die voorspelling prestasie (tydperke van beste passing). Hierdie tabel is geskiedenis wat in die vooruitsig berekening: Januarie voorspel gelyk Januarie verlede jaar met 'n voorspelling van 128. Februarie voorspel gelyk Februarie verlede jaar met 'n voorspelling waarde van 117. Maart voorspel gelyk Maart verlede jaar met 'n voorspelling waarde van 115. 3.2.4 metode 4: Moving Gemiddelde Hierdie metode maak gebruik van die bewegende gemiddelde formule om die gespesifiseerde aantal periodes gemiddeld tot die volgende tydperk projekteer. Jy moet herbereken dit dikwels (maandeliks, of ten minste kwartaalliks) om te besin veranderende vraag vlak. Om die vraag te voorspel, hierdie metode vereis dat die aantal periodes beste passing plus die aantal periodes van verkope orde geskiedenis. Hierdie metode is nuttig om die vraag na volwasse produkte sonder 'n tendens voorspel. 3.2.4.1 Voorbeeld: Metode 4: Moving Gemiddelde bewegende gemiddelde (MA) is 'n gewilde metode vir gemiddeld die resultate van onlangse verkope geskiedenis om 'n projeksie vir die kort termyn te bepaal. Die MA-vooruitskatting metode loop agter tendense. Voorspelling vooroordeel en sistematiese foute kom voor wanneer die produk verkoop geskiedenis uitbeeld sterk tendens of seisoenale patrone. Hierdie metode werk beter vir 'n kort reeks voorspellings van volwasse produkte as vir produkte wat in die groei of veroudering stadiums van die lewensiklus. Voorspel spesifikasies: N is gelyk aan die aantal periodes van verkope geskiedenis om te gebruik in die vooruitsig berekening. Byvoorbeeld, spesifiseer N 4 in die opsie verwerking tot die mees onlangse vier tydperke gebruik as die grondslag vir die projeksie in die volgende tydperk. 'N Groot waarde vir N (soos 12) vereis meer verkope geskiedenis. Dit lei tot 'n stabiele vooruitsig, maar is traag om skofte te erken in die vlak van verkope. Aan die ander kant, 'n klein waarde vir N (soos 3) is vinniger om te reageer op veranderinge in die vlak van verkope, maar die voorspelling kan so wyd dat produksie nie kan reageer op die verskille wissel. Vereis verkope geskiedenis: N plus die aantal tydperke wat nodig is vir die evaluering van die voorspelling prestasie (tydperke van beste passing). Hierdie tabel is geskiedenis wat in die vooruitsig berekening: Februarie voorspel gelyk (114 119 137 125) / 4 123,75 afgerond tot 124. Maart voorspel gelyk (119 137 125 124) / 4 126,25 afgerond tot 126. 3.2.5 Metode 5: Lineêre die aanpassing hierdie metode maak gebruik van die Lineêre die aanpassing formule om 'n tendens van die aantal periodes van verkope orde geskiedenis bereken en om hierdie tendens om die voorspelling te projekteer. Jy moet die tendens maandelikse herbereken om veranderinge in tendense te bespeur. Hierdie metode vereis dat die aantal periodes van beste passing plus die aantal vermelde tydperke van verkope orde geskiedenis. Hierdie metode is nuttig om die vraag na nuwe produkte, of produkte met 'n steeds positief of negatief tendense wat nie as gevolg van seisoenale skommelinge voorspel. 3.2.5.1 Voorbeeld: Metode 5: Lineêre die aanpassing Lineêre die aanpassing bereken 'n tendens wat gebaseer is op twee verkope geskiedenis datapunte. Dié twee punte definieer 'n reguit tendens lyn wat geprojekteer in die toekoms. Gebruik hierdie metode met omsigtigheid, want 'n lang reeks voorspellings is aged deur klein veranderinge in net twee datapunte. Voorspel spesifikasies: N is gelyk aan die data punt in verkope geskiedenis wat in vergelyking met die mees onlangse data dui op 'n tendens te identifiseer. Byvoorbeeld, spesifiseer N 4 om die verskil tussen Desember (mees onlangse data) en Augustus te gebruik (vier periodes voor Desember) as die basis vir die berekening van die tendens. Minimum vereiste verkope geskiedenis: N plus 1 plus die aantal tydperke wat nodig is vir die evaluering van die voorspelling prestasie (tydperke van beste passing). Hierdie tabel is geskiedenis wat in die vooruitsig berekening: Januarie voorspel Desember van verlede jaar 1 (Trend) wat 137 is gelyk aan (1 keer 2) 139. Februarie voorspel Desember van verlede jaar 1 (Trend) wat 137 (2 keer 2) 141 gelyk. Maart voorspel Desember van verlede jaar 1 (Trend) wat gelyk 137 (3 keer 2) 143. 3.2.6 metode 6: kleinstekwadrate-regressielyn die kleinstekwadrate regressie (LSR) metode is afgelei van 'n vergelyking beskryf 'n reguit lyn tussen die historiese verkope data en die verloop van tyd. LSR pas 'n lyn om die geselekteerde data sodat die som van die kwadrate van die verskille tussen die werklike verkope datapunte en die regressielyn is tot die minimum beperk. Die voorspelling is 'n projeksie van die reguit lyn in die toekoms. Hierdie metode vereis verkope data geskiedenis vir die tydperk wat deur die aantal periodes beste passing plus die gespesifiseerde aantal historiese data tydperke. Die minimum vereiste is twee historiese data punte. Hierdie metode is nuttig om die vraag te voorspel wanneer 'n lineêre tendens is in die data. 3.2.6.1 Voorbeeld: Metode 6: kleinstekwadrate-regressielyn lineêre regressie, of kleinstekwadrate-regressielyn (LSR), is die gewildste metode vir die identifisering van 'n lineêre neiging in historiese verkope data. Die metode word bereken dat die waardes vir a en b te gebruik in die formule: Hierdie vergelyking beskryf 'n reguit lyn, waar y verkope en X verteenwoordig tyd. Lineêre regressie is traag om draaipunte en stap funksie skofte erken in aanvraag. Lineêre regressie pas 'n reguit lyn na die data, selfs wanneer die data is seisoenaal of beter beskryf deur 'n kromme. Wanneer verkope geskiedenis data volg op 'n kurwe of 'n sterk seisoenale patroon, voorspel vooroordeel en sistematiese foute. Voorspel spesifikasies: N is gelyk aan die tydperke van verkope geskiedenis wat gebruik sal word in die berekening van die waardes vir a en b. Byvoorbeeld, spesifiseer N 4 tot die geskiedenis van September gebruik tot Desember as die basis vir die berekening. Wanneer data beskikbaar is, sal 'n groter N (soos N 24) gewoonlik gebruik word. LSR definieer 'n lyn vir so min as twee datapunte. Vir hierdie voorbeeld, 'n klein waarde vir N (N 4) is gekies om die handleiding berekeninge wat nodig is om die resultate te verifieer verminder. Minimum vereiste verkope geskiedenis: N tydperke plus die aantal tydperke wat nodig is vir die evaluering van die voorspelling prestasie (tydperke van beste passing). Hierdie tabel is geskiedenis wat in die vooruitsig berekening: Maart voorspel gelyk 119,5 (7 keer 2.3) 135,6 afgerond tot 136. 3.2.7 Metode 7: tweede graad benadering tot die voorspelling projekteer, hierdie metode maak gebruik van die tweede graad aanpassing formule om 'n kurwe plot wat gebaseer is op die aantal periodes van verkope geskiedenis. Hierdie metode vereis dat die aantal periodes beste passing plus die aantal periodes van verkope orde geskiedenis maal drie. Hierdie metode is nie bruikbaar vir die vraag na 'n tydperk langtermyn voorspel. 3.2.7.1 Voorbeeld: Metode 7: tweede graad aanpassing lineêre regressie bepaal waardes vir a en b in die vooruitsig formule Y A B X met die doel van pas 'n reguit lyn na die verkope geskiedenis data. Tweede graad benadering is soortgelyk, maar hierdie metode bepaal waardes vir a, b, en c in die hierdie voorspelling formule: Y A B X c X 2 Die doel van hierdie metode is om 'n kurwe na die verkope geskiedenis data te pas. Hierdie metode is nuttig wanneer 'n produk is in die oorgang tussen lewensiklus stadiums. Byvoorbeeld, wanneer 'n nuwe produk beweeg van inleiding tot groeistadiums, kan die verkope tendens versnel. As gevolg van die tweede orde termyn, kan die voorspelling vinnig nader oneindigheid of daal tot nul (afhangende van of koëffisiënt c positief of negatief). Hierdie metode is net nuttig in die kort termyn. Voorspelling spesifikasies: die formule te vind a, b, en c aan 'n kromme presies drie punte aan te pas. Jy spesifiseer N, die aantal tydperke van data te versamel in elk van die drie punte. In hierdie voorbeeld is N 3. werklike verkope data vir April tot Junie gekombineer in die eerste punt, Q1. Julie tot September word bymekaar getel om die 2de kwartaal skep, en Oktober tot Desember som tot Q3. Die kurwe is toegerus om die drie waardes Q1, Q2, en Q3. Vereis verkope geskiedenis: 3 keer n periodes vir die berekening van die voorspelling plus die aantal tydperke wat nodig is vir die evaluering van die voorspelling prestasie (tydperke van beste passing). Hierdie tabel is geskiedenis wat in die vooruitsig berekening: Q0 (Jan) (Februarie) (Maart) Q1 (April) (Mei) (Junie) wat 125 122 137 384 Q2 gelyk (Julie) (Augustus) (September) wat 140 129 is gelyk aan 131 400 Q3 (Oktober) (November) (Desember) wat gelyk 114 119 137 370 die volgende stap behels die berekening van die drie koëffisiënte a, b, en C om gebruik te word in die voorspelling formule Y AB X c X 2. Q1, Q2, en Q3 word op die grafiese, waar tyd word op die horisontale as. Q1 verteenwoordig totale historiese verkope vir April, Mei en Junie en is geplot op X 1 Q2 ooreenstem met Julie tot September Q3 ooreenstem met Oktober tot Desember en Q4 verteenwoordig Januarie tot Maart. Dit grafiese illustreer die plot van Q1, Q2, Q3 en Q4 vir die tweede graad benadering: Figuur 3-2 Plot Q1, Q2, Q3 en Q4 vir die tweede graad benadering Drie vergelykings beskryf die drie punte op die grafiek: (1) Q1 'n bX CX 2 waar X 1 (Q1 ABC) (2) Q2 n bX CX 2 waar X 2 (2de kwartaal 'n 2b 4C) (3) Q3 n bX CX 2 waar X 3 (V3 n 3b 9c) Los die drie vergelykings gelyktydig om b, a, en c te vind: Trek vergelyking 1 (1) van vergelyking 2 (2) en op te los vir b: (2) uitvoering maak (1) Q2 uitvoering maak Q1 b 3c b (Q2 uitvoering maak Q1) uitvoering maak 3c Plaasvervanger hierdie vergelyking vir b in vergelyking (3): (3) Q3 n 3 (Q2 uitvoering maak Q1) uitvoering maak 3c 9c n Q3 uitvoering maak 3 (Q2 uitvoering maak Q1) Ten slotte, vervang hierdie vergelykings vir a en b in vergelyking (1): (1) Q3 ndash 3 (Q2 uitvoering maak Q1) (Q2 uitvoering maak Q1) uitvoering maak 3c c Q1 c (Q3 uitvoering maak Q2) (Q1 uitvoering maak Q2) / 2 Die tweede graad aanpassing metode bereken a, b, en c soos volg: 'n Q3 uitvoering maak 3 (Q2 ndash Q1) 370 ndash 3 (400 ndash 384) 370 ndash 3 (16) 322 b (Q2 uitvoering maak Q1) ndash3c (400 ndash 384) uitvoering maak (3 keer ndash23) 16 69 85 c (Q3 uitvoering maak Q2) (Q1 uitvoering maak Q2) / 2 (370 ndash 400) (384 ndash 400) / 2 ndash23 Dit is 'n berekening van die tweede graad benadering vooruitsig: Y 'n bX CX 2 322 85 X (ndash23) (X 2) Wanneer X 4, K4 322 340 ndash 368 294. Die voorspelling gelyk 294/3 98 per periode. Wanneer X 5, V5 322 425 ndash 575 172. Die voorspelling is gelyk 172/3 58,33 afgerond tot 57 per periode. Wanneer X 6, V6 322 510 ndash 828 4. Die voorspelling is gelyk aan 4/3 1.33 afgerond tot 1 per periode. Dit is die vooruitsig vir die volgende jaar, verlede jaar tot hierdie jaar: 3.2.8 Metode 8: Veelsydige Hierdie metode maak dit moontlik om die beste passing aantal periodes van verkope orde geskiedenis wat begin N maande voor die vooruitsig begin datum kies, en om pas 'n persentasie verhoging of vermenigvuldiging faktor waarmee die voorspelling verander afneem. Hierdie metode is soortgelyk aan Metode 1, persent oor verlede jaar, behalwe dat jy die aantal periodes wat jy gebruik as die basis kan spesifiseer. Afhangende van wat jy as N kies, hierdie metode vereis tydperke beste passing plus die aantal periodes van verkope data wat aangedui. Hierdie metode is nuttig om die vraag na 'n beplande ontwikkeling voorspel. 3.2.8.1 Voorbeeld: Metode 8: buigbare metode Die buigbare metode (persent oor N maande voor) is soortgelyk aan Metode 1, persent oor verlede jaar. Beide metodes vermeerder verkope data uit 'n vorige tydperk met 'n faktor wat deur julle, en dan projek wat lei na die toekoms. In die persent meer as verlede jaar metode, is die projeksie gebaseer op data van die dieselfde tydperk in die vorige jaar. Jy kan ook die buigbare metode gebruik om 'n tydperk, ander as in dieselfde tydperk in die vorige jaar spesifiseer, te gebruik as die basis vir die berekening. Vermenigvuldigingsfaktor. Byvoorbeeld, spesifiseer 110 in die verwerking opsie om vorige verkope geskiedenis data te verhoog met 10 persent. Basistydperk. Byvoorbeeld, N 4 veroorsaak dat die eerste skatting moet gebaseer wees op die verkope data in September verlede jaar. Minimum vereiste verkope geskiedenis: die aantal periodes terug na die basis tydperk plus die aantal tydperke wat nodig is vir die evaluering van die voorspelling prestasie (tydperke van beste passing). Hierdie tabel is geskiedenis wat in die vooruitsig berekening: 3.2.9 Metode 9: Geweegde bewegende gemiddelde geweegde bewegende gemiddelde formule is soortgelyk aan Metode 4, bewegende gemiddelde formule, want dit gemiddeldes die vorige maande verkope geskiedenis na die volgende maande verkope geskiedenis projekteer. Maar met hierdie formule kan jy gewigte toewys vir elk van die vorige tydperke. Hierdie metode vereis dat die getal gekies geweegde tydperke plus die aantal periodes beste passing data. Soortgelyk aan bewegende gemiddelde, hierdie metode loop agter tendense vraag, sodat hierdie metode word nie aanbeveel vir produkte met 'n sterk tendense of seisoenaliteit. Hierdie metode is nuttig om die vraag na volwasse produkte met die vraag wat relatief vlak voorspel. 3.2.9.1 Voorbeeld: Metode 9: Geweegde bewegende gemiddelde geweegde metode bewegende gemiddelde (WBA) is soortgelyk aan Metode 4, bewegende gemiddelde (MA). Jy kan egter ongelyke gewigte toewys aan die historiese data by die gebruik van WBG. Die metode bereken 'n geweegde gemiddelde van die afgelope verkope geskiedenis te kom by 'n projeksie vir die kort termyn. Meer onlangse data word gewoonlik toegeken 'n groter gewig as ouer data, sodat WBG is meer ontvanklik vir skofte in die vlak van verkope. Maar voorspelling vooroordeel en sistematiese foute kom voor wanneer die produk verkoop geskiedenis uitbeeld sterk tendense of seisoenale patrone. Hierdie metode werk beter vir 'n kort reeks voorspellings van volwasse produkte as vir produkte in die groei of veroudering stadiums van die lewensiklus. Die aantal periodes van verkope geskiedenis (N) te gebruik in die vooruitsig berekening. Byvoorbeeld, spesifiseer N 4 in die opsie verwerking tot die mees onlangse vier tydperke gebruik as die grondslag vir die projeksie in die volgende tydperk. 'N Groot waarde vir N (soos 12) vereis meer verkope geskiedenis. So 'n waarde resultate in 'n stabiele vooruitsig, maar dit is stadig om skofte te erken in die vlak van verkope. Aan die ander kant, 'n klein waarde vir N (soos 3) reageer vinniger te verskuiwings in die vlak van verkope, maar die voorspelling kan so wyd dat produksie kan nie reageer op die verskille wissel. Die gewig wat aan elk van die historiese data tydperke. Die opgedra gewigte moet totaal 1.00. Byvoorbeeld, wanneer n 4, gewigte van 0.50, 0.25, 0.15, en 0.10 toewys met die mees onlangse data ontvangs van die grootste gewig. Minimum vereiste verkope geskiedenis: N plus die aantal tydperke wat nodig is vir die evaluering van die voorspelling prestasie (tydperke van beste passing). Hierdie tabel is geskiedenis wat in die vooruitsig berekening: Januarie voorspel gelyk (131 keer 0.10) (114 keer 0,15) (119 keer 0,25) (137 keer 0.50) / (0.10 0.15 0.25 0.50) 128,45 afgerond tot 128. Februarie voorspel gelyk (114 tye 0.10) (119 keer 0,15) (137 keer 0,25) (128 keer 0.50) / 1 127,5 afgerond tot 128. Maart voorspel gelyk (119 keer 0.10) (137 keer 0,15) (128 keer 0,25) (128 keer 0.50) / 1 128,45 afgerond tot 128. 3.2.10 metode 10: Lineêre Smoothing Hierdie metode bereken 'n geweegde gemiddelde van die verlede verkope data. In die berekening van hierdie metode gebruik die aantal periodes van verkope orde geskiedenis (van 1 tot 12) wat aangedui in die opsie verwerking. Die stelsel maak gebruik van 'n wiskundige vordering om data in die reeks van die eerste (minste gewig) tot die finale (die meeste gewig) weeg. Dan projekte die stelsel hierdie inligting aan elke tydperk in die vooruitsig. Hierdie metode vereis dat die maande beste passing plus die verkope orde geskiedenis vir die aantal periodes wat vermeld in die opsie verwerking. 3.2.10.1 Voorbeeld: Metode 10: Lineêre Smoothing Hierdie metode is soortgelyk aan Metode 9, WBG. Maar in plaas van na willekeur toeken gewigte aan die historiese data, 'n formule word gebruik om gewig wat lineêr afneem toewys en som tot 1.00. Die metode bereken dan 'n geweegde gemiddelde van die afgelope verkope geskiedenis te kom by 'n projeksie vir die kort termyn. Soos alle lineêre bewegende gemiddelde vooruitskatting tegnieke, voorspelling vooroordeel en sistematiese foute kom voor wanneer die produk verkoop geskiedenis uitbeeld sterk tendens of seisoenale patrone. Hierdie metode werk beter vir 'n kort reeks voorspellings van volwasse produkte as vir produkte in die groei of veroudering stadiums van die lewensiklus. N is gelyk aan die aantal periodes van verkope geskiedenis om te gebruik in die vooruitsig berekening. Byvoorbeeld, spesifiseer N gelyk 4 in die verwerking opsie om die mees onlangse vier tydperke gebruik as die grondslag vir die projeksie in die volgende tydperk. Die stelsel ken outomaties die gewigte na die historiese data wat lineêr afneem en som tot 1.00. Byvoorbeeld, wanneer n gelyk 4, die stelsel wys gewigte van 0.4, 0.3, 0.2, en 0.1, met die mees onlangse data ontvangs van die grootste gewig. Minimum vereiste verkope geskiedenis: N plus die aantal tydperke wat nodig is vir die evaluering van die voorspelling prestasie (tydperke van beste passing). Hierdie tabel is geskiedenis wat in die vooruitsig berekening: 3.2.11 Metode 11: Eksponensiële Smoothing hierdie metode bereken 'n reëlmatige gemiddelde, wat 'n skatting wat die algemene vlak van verkope oor die gekose historiese data tydperke raak. Hierdie metode vereis verkope data geskiedenis vir die tydperk wat deur die aantal periodes beste passing plus die aantal historiese data tydperke wat vermeld. Die minimum vereiste is twee historiese data tydperke. Hierdie metode is nuttig om die vraag te voorspel wanneer daar geen lineêre tendens is in die data. 3.2.11.1 Voorbeeld: Metode 11: Eksponensiële Smoothing Hierdie metode is soortgelyk aan Metode 10, Lineêre Smoothing. In Lineêre Smoothing, die stelsel wys gewigte wat lineêr afneem om die historiese data. In Eksponensiële Smoothing, die stelsel wys gewigte wat eksponensieel verval. Die vergelyking vir Eksponensiële Smoothing voorspelling is: Voorspelling alfa (Vorige werklike verkope) (1 ndashalpha) (vorige skatting) Die voorspelling is 'n geweegde gemiddeld van die werklike verkope van die vorige tydperk en die voorspelling van die vorige tydperk. Alpha is die gewig wat toegepas word om die werklike verkope vir die vorige tydperk. (1 uitvoering maak alfa) is die gewig wat toegepas word om die voorspelling vir die vorige tydperk. Waardes vir Alpha reeks 0-1 en val gewoonlik tussen 0.1 en 0.4. Die som van die gewigte is 1.00 (alfa (1 uitvoering maak alfa) 1). Jy moet 'n waarde vir die glad konstante, Alpha toewys. As jy nie 'n waarde vir die glad konstante hoef te ken, die stelsel bereken 'n veronderstelde waarde wat gebaseer is op die aantal periodes van verkope geskiedenis wat vermeld in die opsie verwerking. Alpha is gelyk aan die smoothing konstante wat gebruik word om die reëlmatige gemiddelde te bereken vir die algemene vlak of omvang van verkope. Waardes vir Alpha wissel van 0 tot 1. N gelyk aan die omvang van verkope geskiedenis data in die berekeninge te sluit. Oor die algemeen, 'n jaar van verkope geskiedenis data is voldoende om die algemene vlak van verkope te skat. Vir hierdie voorbeeld, 'n klein waarde vir N (N 4) is gekies om die handleiding berekeninge wat nodig is om die resultate te verifieer verminder. Eksponensiële Smoothing kan 'n voorspelling wat gebaseer is op so min as een historiese data punt te genereer. Minimum vereiste verkope geskiedenis: N plus die aantal tydperke wat nodig is vir die evaluering van die voorspelling prestasie (tydperke van beste passing). Hierdie tabel is geskiedenis wat in die vooruitsig berekening: 3.2.12 Metode 12: Eksponensiële Smoothing met Trend en Seisoenaliteit hierdie metode bereken 'n tendens, 'n seisoenale indeks, en 'n eksponensieel stryk gemiddelde van die verkope orde geskiedenis. Die stelsel is van toepassing dan 'n projeksie van die tendens om die voorspelling en pas vir die seisoenale indeks. Hierdie metode vereis dat die aantal periodes beste passing plus twee jaar van verkope data, en het groot waarde om items wat beide tendens en seisoenaliteit in die vooruitsig het. Jy kan die alfa en beta faktor betree, of het die stelsel te bereken nie. Alpha en Beta faktore is die glad konstante wat die stelsel gebruik om die reëlmatige gemiddelde te bereken vir die algemene vlak of omvang van verkope (alfa) en die tendens komponent van die voorspelling (beta). 3.2.12.1 Voorbeeld: Metode 12: Eksponensiële Smoothing met Trend en Seisoenaliteit Hierdie metode is soortgelyk aan Metode 11, eksponensiële Smoothing, in die sin dat 'n reëlmatige gemiddelde bereken word. Maar Metode 12 sluit ook 'n term in die vooruitskatting vergelyking met 'n reëlmatige tendens te bereken. Die voorspelling is saamgestel uit 'n reëlmatige gemiddelde wat aangepas vir 'n lineêre tendens. Wanneer vermeld in die opsie verwerking, is die voorspelling ook aangepas vir die seisoen. Alpha is gelyk aan die smoothing konstante wat gebruik word in die berekening van die reëlmatige gemiddelde vir die algemene vlak of omvang van verkope. Waardes vir Alpha wissel van 0 tot 1. Beta is gelyk aan die smoothing konstante wat gebruik word in die berekening van die reëlmatige gemiddelde vir die tendens komponent van die skatting. Waardes vir beta wissel van 0 tot 1. Of 'n seisoenale indeks is van toepassing op die skatting. Alpha en Beta is onafhanklik van mekaar. Hulle hoef nie te som tot 1.0. Minimum vereiste verkope geskiedenis: Een jaar plus die aantal tydperke wat nodig is om voorspellings oor die prestasie (tydperke van beste passing) te evalueer. Wanneer twee of meer jare van historiese data beskikbaar is, die stelsel maak gebruik van twee jaar van data in die berekeninge. Metode 12 gebruik twee Eksponensiële Smoothing vergelykings en 'n eenvoudige gemiddelde tot 'n reëlmatige gemiddelde, 'n reëlmatige tendens, en 'n eenvoudige gemiddelde seisoenale indeks te bereken. 'N eksponensieel stryk gemiddelde: 'n eksponensieel glad tendens: 'n Eenvoudige gemiddelde seisoensindeks: Figuur 3-3 eenvoudige gemiddelde seisoensindeks Die voorspelling word dan bereken word deur die resultate van die drie vergelykings: L is die lengte van seisoenaliteit (L gelyk 12 maande of 52 weke). t is die huidige tydperk. m is die aantal tydperke in die toekoms van die skatting. S is die multiplikatiewe seisoenale aanpassing faktor wat kruip na die toepaslike tydperk. Hierdie tabel lys die geskiedenis wat in die vooruitsig berekening: Hierdie afdeling verskaf 'n oorsig van voorspelling evaluerings en bespreek: Jy kan vooruitskatting metodes kies om soveel as 12 voorspellings vir elke produk te genereer. Elke vooruitskatting metode dalk 'n effens ander projeksie te skep. Wanneer duisende produkte word voorspel, 'n subjektiewe besluit is onprakties met betrekking tot wat voorspel is om te gebruik in die planne vir elke produk. Die stelsel evalueer outomaties prestasie vir elke voorspelling metode wat jy kies en vir elke produk wat jy voorspel. Jy kan kies tussen twee prestasiekriteria: MAD en POA. MAD is 'n maatstaf van voorspelling fout. POA is 'n maatstaf van voorspelling vooroordeel. Beide van hierdie prestasie-evaluering tegnieke vereis werklike verkope geskiedenis data vir 'n tydperk deur jou. Die tydperk van die onlangse geskiedenis gebruik vir evaluering word 'n holdout tydperk of periode van beste passing. Om die prestasie van 'n vooruitskatting metode meet, die stelsel: Gebruik die voorspelling formules om 'n voorspelling vir die historiese holdout tydperk na te boots. Maak 'n vergelyking tussen die werklike verkope data en die gesimuleerde voorspelling vir die holdout tydperk. As jy verskeie voorspelling metodes kies, dieselfde proses vind vir elke metode. Veelvuldige voorspellings word bereken vir die holdout tydperk en in vergelyking met die bekende verkope geskiedenis vir dieselfde tydperk. Die vooruitskatting metode wat die beste wedstryd (beste passing) tussen die voorspelling en die werklike verkope gedurende die holdout tydperk produseer word aanbeveel vir gebruik in die planne. Hierdie aanbeveling is spesifiek vir elke produk en kan elke keer dat jy 'n voorspelling te genereer verander. 3.3.1 Gemiddelde Absolute Afwyking Gemiddelde Absolute Afwyking (MAD) is die gemiddelde (of gemiddelde) van die absolute waardes (of omvang) van die afwykings (of foute) tussen werklike en voorspelde data. MAD is 'n maatstaf van die gemiddelde grootte van foute te verwag, gegewe 'n vooruitskatting metode en data geskiedenis. Omdat absolute waardes word gebruik in die berekening, moenie positiewe foute nie kanselleer negatiewe foute. Wanneer vergelyk verskeie voorspelling metodes, die een met die kleinste MAD is die mees betroubare vir daardie produk vir daardie holdout tydperk. Wanneer die voorspelling is onbevooroordeelde en foute is normaal verdeel, bestaan ​​'n eenvoudige wiskundige verhouding tussen MAD en twee ander algemene maatstawwe van verspreiding, wat gemiddeldes en standaardafwykings Squared Fout is. Byvoorbeeld: MAD (Sigma (Werklike) uitvoering maak (voorspelling)) N standaardafwyking, (Sigma) Cong 1.25 MAD Mean Squared Fout Cong ndashsigma2 dui Hierdie voorbeeld die berekening van MAD vir twee van die voorspelling metodes. Hierdie voorbeeld neem aan dat jy in die verwerking opsie wat die holdout tydperk lengte (tydperke van beste passing) is gelyk aan vyf tydperke vermeld. 3.3.1.1 Metode 1: Laaste Jaar vanjaar Hierdie tabel is geskiedenis wat in die berekening van 'n mal, gegee Periodes van beste passing 5: Gemiddelde Absolute Afwyking gelykes (2 1 20 10 14) / 5 9.4. Op grond van hierdie twee keuses, is die bewegende gemiddelde N 4 metode aanbeveel, want dit het die kleiner MAD, 9.4, vir die gegewe holdout tydperk. 3.3.2 Persentasie van akkuraatheid Persent van akkuraatheid (POA) is 'n maatstaf van voorspelling vooroordeel. Wanneer voorspellings is konsekwent te hoog, voorraad ophoop en voorraad koste styg. Wanneer voorspellings is konsekwent te laag is, is voorrade verteer en kliëntediens weier. In dienste, die grootte van voorspelling foute is gewoonlik meer belangrik as wat voorspel vooroordeel. Die skerm beelde en kaarte hieronder is geneem uit 'n sigblad wat is opgestel om multiplikatiewe seisoenale aanpassing en lineêre eksponensiële gladstryking op die volgende kwartaallikse verkope data van Buitenboord Marine illustreer: Om 'n afskrif van die sigbladlêer self te bekom, kliek hier. Die weergawe van lineêre eksponensiële gladstryking wat hier gebruik sal word vir doeleindes van demonstrasie is Brown8217s weergawe, bloot omdat dit geïmplementeer kan word met 'n enkele kolom van formules en daar is net een glad konstante te optimaliseer. Gewoonlik is dit beter om Holt8217s weergawe dat afsonderlike glad konstantes vir vlak en tendens het gebruik. Die vooruitskatting proses verloop soos volg: (i) die eerste keer die data is seisoenaal-aangepaste (ii) dan voorspellings gegenereer vir die seisoenaal-aangepaste data via lineêre eksponensiële gladstryking en (iii) Ten slotte het die seisoensaangesuiwerde voorspellings is quotreseasonalizedquot om voorspellings vir die oorspronklike reeks te verkry . Die aanpassingsproses seisoenale word in kolomme gedoen D deur G. Die eerste stap in seisoenale aanpassing is om te bereken 'n gesentreerde bewegende gemiddelde (hier opgevoer in kolom D). Dit kan gedoen word deur die gemiddelde van twee een-jaar-wye gemiddeldes wat geneutraliseer deur 'n tydperk relatief tot mekaar. ( 'N kombinasie van twee geneutraliseer gemiddeldes eerder as 'n enkele gemiddelde nodig vir sentrering doeleindes wanneer die aantal seisoene is selfs.) Die volgende stap is om die verhouding te bereken om bewegende gemiddelde --i. e. die oorspronklike data gedeel deur die bewegende gemiddelde in elke tydperk - wat hier uitgevoer word in kolom E. (Dit is ook die quottrend-cyclequot komponent van die patroon genoem, sover tendens en besigheid-siklus effekte kan oorweeg word om almal wat bly nadat gemiddeld meer as 'n geheel jaar se data. natuurlik, maand-tot-maand veranderinge wat nie as gevolg van seisoenale kan bepaal word deur baie ander faktore, maar die 12-maande-gemiddelde glad oor hulle 'n groot mate.) die na raming seisoenale indeks vir elke seisoen word bereken deur die eerste gemiddeld al die verhoudings vir daardie spesifieke seisoen, wat gedoen word in selle G3-G6 behulp van 'n AVERAGEIF formule. Die gemiddelde verhoudings word dan verklein sodat hulle som presies 100 keer die aantal periodes in 'n seisoen, of 400 in hierdie geval, wat gedoen word in selle H3-H6. Onder in kolom F, word VLOOKUP formules wat gebruik word om die toepaslike seisoenale indeks waarde in elke ry van die datatabel voeg, volgens die kwartaal van die jaar wat dit verteenwoordig. Die gesentreerde bewegende gemiddelde en die seisoensaangepaste data beland lyk soos hierdie: Let daarop dat die bewegende gemiddelde lyk tipies soos 'n gladder weergawe van die seisoensaangepaste reeks, en dit is korter aan beide kante. Nog 'n werkblad in dieselfde Excel lêer toon die toepassing van die lineêre eksponensiële gladstryking model om die seisoensaangepaste data, begin in kolom G. 'n Waarde vir die glad konstante (alfa) bo die voorspelling kolom ingeskryf (hier, in sel H9) en vir gerief dit die omvang naam quotAlpha. quot (die naam is opgedra deur die opdrag quotInsert / naam / Createquot.) die LES model is geïnisialiseer deur die oprigting van die eerste twee voorspellings gelyk aan die eerste werklike waarde van die seisoensaangepaste reeks toegeken. Die formule wat hier gebruik word vir die LES voorspelling is die enkel-vergelyking rekursiewe vorm van Brown8217s model: Hierdie formule is in die sel wat ooreenstem met die derde tydperk (hier, sel H15) aangegaan en kopieer af van daar af. Let daarop dat die LES voorspelling vir die huidige tydperk verwys na die twee voorafgaande waarnemings en die twee voorafgaande voorspelling foute, sowel as om die waarde van alfa. So, die voorspelling formule in ry 15 slegs verwys na data wat beskikbaar is in ry 14 en vroeër was. (Natuurlik, as ons wou eenvoudig in plaas van lineêre eksponensiële gladstryking te gebruik, kan ons die SES formule hier vervang in plaas. Ons kan ook gebruik Holt8217s eerder as Brown8217s LES model, wat nog twee kolomme van formules sou vereis dat die vlak en tendens bereken wat gebruik word in die vooruitsig.) die foute word bereken in die volgende kolom (hier, kolom J) deur die aftrekking van die voorspellings van die werklike waardes. Die wortel beteken kwadraat fout is bereken as die vierkantswortel van die variansie van die foute plus die vierkant van die gemiddelde. (Dit volg uit die wiskundige identiteit. MSE afwyking (foute) (gemiddeld (foute)) 2) By die berekening van die gemiddelde en variansie van die foute in hierdie formule, is die eerste twee periodes uitgesluit omdat die model vooruitskatting nie eintlik nie begin totdat die derde tydperk (ry 15 op die sigblad). Die optimale waarde van alfa kan óf gevind word deur die hand verander alfa tot die minimum RMSE is gevind, of anders kan jy die quotSolverquot gebruik om 'n presiese minimering. Die waarde van alfa dat die Solver gevind word hier (alpha0.471) getoon. Dit is gewoonlik 'n goeie idee om die foute van die model (in omskep eenhede) te plot en ook om te bereken en stip hul outokorrelasies by lags van tot een seisoen. Hier is 'n tydreeks plot van die (seisoenaangepaste) foute: Die fout outokorrelasies word bereken deur gebruik te maak van die funksie CORREL () om die korrelasies van die foute te bereken met hulself uitgestel word deur een of meer periodes - besonderhede word in die sigblad model . Hier is 'n plot van die outokorrelasies van die foute by die eerste vyf lags: Die outokorrelasies by lags 1 tot 3 is baie naby aan nul, maar die pen op lag 4 (wie se waarde is 0.35) is 'n bietjie lastig - dit dui daarop dat die seisoenale aanpassing proses het nie heeltemal suksesvol. Maar dit is eintlik net effens betekenisvol. 95 betekenis bands om te toets of outokorrelasies is aansienlik verskil van nul is min of meer plus-of-minus 2 / SQRT (N-k), waar n die steekproefgrootte en k is die lag. Hier N 38 en k wissel van 1 tot 5, so die vierkant-wortel-van-n-minus-k is ongeveer 6 vir almal, en vandaar die perke vir die toets van die statistiese betekenisvolheid van afwykings van nul is min of meer plus - of-minus 2/6, of 0.33. As jy die waarde van alfa wissel met die hand in hierdie Excel model, kan jy die effek op die tydreeks en outokorrelasie erwe van die foute in ag te neem, sowel as op die wortel-gemiddelde-kwadraat fout, wat onder sal wees geïllustreer. Aan die onderkant van die sigblad, is die voorspelling formule quotbootstrappedquot in die toekoms deur bloot vervang voorspellings vir werklike waardes by die punt waar die werklike data loop uit - d. w.z. waar quotthe futurequot begin. (Met ander woorde, in elke sel waar 'n toekomstige datawaarde sou plaasvind, 'n selverwysing is ingevoeg wat daarop dui dat die voorspelling gemaak vir daardie tydperk.) Al die ander formules is eenvoudig van bo af gekopieer: Let daarop dat die foute vir voorspellings van die toekoms is al bereken as nul. Dit beteken nie dat die werklike foute sal nul wees nie, maar eerder dit weerspieël bloot die feit dat vir doeleindes van voorspelling is ons veronderstelling dat die toekoms data die voorspellings sal gelyk gemiddeld. Die gevolglike LES voorspellings vir die seisoenaal-aangepaste data soos volg lyk: Met hierdie besondere waarde van Alpha, wat is optimaal vir een-periode-vooruit voorspellings, die geprojekteerde tendens is effens opwaarts, wat die plaaslike tendens wat oor die afgelope 2 jaar is waargeneem of so. Vir ander waardes van Alpha dalk 'n heel ander tendens projeksie verkry. Dit is gewoonlik 'n goeie idee om te sien wat gebeur met die langtermyn-tendens projeksie wanneer Alpha is uiteenlopend, omdat die waarde wat die beste vir 'n kort termyn vooruitskatting sal nie noodwendig die beste waarde vir die voorspelling van die meer verre toekoms wees. Byvoorbeeld, hier is die resultaat wat verkry word indien die waarde van alfa hand is ingestel op 0,25: Die geprojekteerde langtermyn-tendens is nou negatiewe eerder as positiewe Met 'n kleiner waarde van Alpha model plaas meer gewig op ouer data in sy skatting van die huidige vlak en tendens, en sy voorspellings langtermyn weerspieël die afwaartse neiging waargeneem oor die afgelope 5 jaar, eerder as die meer onlangse opwaartse neiging. Hierdie grafiek ook duidelik illustreer hoe die model met 'n kleiner waarde van Alpha is stadiger te reageer op quotturning pointsquot in die data en dus geneig is om 'n fout van die dieselfde teken maak vir baie tye in 'n ry. Die 1-stap-ahead voorspelling foute is groter gemiddeld as dié verkry voordat (RMSE van 34,4 eerder as 27.4) en sterk positief autocorrelated. Die lag-1 outokorrelasie van 0,56 oorskry grootliks die waarde van 0.33 hierbo bereken vir 'n statisties beduidende afwyking van nul. As 'n alternatief vir slingerspoed die waarde van alfa ten einde meer konserwatisme te voer in 'n lang termyn voorspellings, is 'n quottrend dampeningquot faktor soms by die model ten einde te maak die geprojekteerde tendens plat uit na 'n paar periodes. Die finale stap in die bou van die voorspelling model is om die LES voorspellings quotreasonalizequot deur hulle deur die toepaslike seisoenale indekse te vermenigvuldig. So, die reseasonalized voorspellings in kolom Ek is net die produk van die seisoenale indekse in kolom F en die seisoensaangepaste LES voorspellings in kolom H. Dit is relatief maklik om vertrouensintervalle bereken vir een-stap-ahead voorspellings gemaak deur hierdie model: eerste bereken die RMSE (wortel-gemiddelde-kwadraat fout, wat net die vierkantswortel van die MSE) en dan bereken 'n vertrouensinterval vir die seisoensaangepaste voorspel deur optelling en aftrekking twee keer die RMSE. (Oor die algemeen 'n 95 vertrouensinterval vir 'n een-tydperk lig voorspelling is min of meer gelyk aan die punt voorspelling plus-of-minus twee keer die geskatte standaardafwyking van die voorspelling foute, die aanvaarding van die fout verspreiding is ongeveer normale en die steekproefgrootte groot genoeg is, sê, 20 of meer. Hier is die RMSE eerder as die monster standaardafwyking van die foute is die beste raming van die standaard afwyking van toekomstige vooruitsig foute, want dit neem vooroordeel sowel toevallige variasies in ag.) die vertroue perke vir die seisoensaangepaste voorspelling is dan reseasonalized. saam met die voorspelling, deur hulle met die toepaslike seisoenale indekse te vermenigvuldig. In hierdie geval is die RMSE is gelyk aan 27.4 en die seisoensaangepaste voorspelling vir die eerste toekoms tydperk (Desember-93) is 273,2. sodat die seisoensaangepaste 95 vertrouensinterval is 273,2-227,4 218,4 te 273.2227.4 328,0. Vermenigvuldig hierdie perke deur Decembers seisoenale indeks van 68,61. Ons kry onderste en boonste vertroue grense van 149,8 en 225,0 rondom die Desember-93 punt voorspelling van 187,4. Vertroue perke vir voorspellings meer as een tydperk wat voorlê, sal oor die algemeen uit te brei as die voorspelling horison toeneem, as gevolg van onsekerheid oor die vlak en tendens asook die seisoenale faktore, maar dit is moeilik om hulle te bereken in die algemeen deur analitiese metodes. (Die geskikte manier om vertroue perke vir die LES voorspelling bereken is deur die gebruik van ARIMA teorie, maar die onsekerheid in die seisoenale indekse is 'n ander saak.) As jy 'n realistiese vertroue interval vir 'n voorspelling wil meer as een tydperk wat voorlê, met al die bronne van fout in ag, jou beste bet is om empiriese metodes gebruik: byvoorbeeld, 'n vertrouensinterval vir 'n 2-stap vorentoe voorspel verkry, jy kan 'n ander kolom skep op die sigblad om 'n 2-stap-ahead voorspelling bereken vir elke tydperk ( deur Opstarten die een-stap-ahead voorspelling). Korttermyn gemiddeldes kan optree as die vlakke van ondersteuning wanneer die prys ondervind met 'n terugsakking. VIDEO laai die speler. Afbreek Eenvoudige bewegende gemiddelde - SMA N Eenvoudige bewegende gemiddelde is aanpas omdat dit bereken kan word vir 'n verskillende aantal tydperke, eenvoudig deur die toevoeging van die sluitingsprys van die sekuriteit vir 'n aantal tydperke en dan verdeel dit totaal deur die aantal van tydperke, wat die gemiddelde prys van die sekuriteit oor die tydperk gee. 'N Eenvoudige bewegende gemiddelde stryk uit wisselvalligheid, en maak dit makliker om die prys tendens van 'n sekuriteit te sien. As dit is wys af beteken dit dat die securitys prys daal. Hoe langer die tydperk vir die bewegende gemiddelde, die gladder die eenvoudige bewegende gemiddelde. 'N Korter termyn bewegende gemiddelde is meer wisselvallig, maar sy lees is nader aan die bron data. Analitiese betekenis bewegende gemiddeldes is 'n belangrike analitiese instrument wat gebruik word om die huidige prys tendense te identifiseer en die potensiaal vir 'n verandering in 'n gevestigde tendens. Die eenvoudigste vorm van die gebruik van 'n eenvoudige bewegende gemiddelde in analise is om dit te gebruik om vinnig te identifiseer as 'n sekuriteit is in 'n uptrend of verslechtering neiging. Nog 'n gewilde, al is dit 'n bietjie meer kompleks analitiese instrument, is om 'n paar eenvoudige bewegende gemiddeldes te vergelyk met mekaar oor verskillende tydperke. As 'n korter termyn eenvoudige bewegende gemiddelde is bo 'n langer termyn gemiddelde, is 'n uptrend verwag. Aan die ander kant, 'n langtermyn-gemiddelde bo 'n korter termyn gemiddelde dui op 'n afwaartse beweging in die tendens. Gewilde handelspatrone Twee gewilde handelspatrone so eenvoudig bewegende gemiddeldes gebruik sluit die dood kruis en 'n goue kruis. Dit word beskou as 'n lomp sein, wat verdere verliese is in die winkel. Die goue kruis vind plaas wanneer 'n korttermyn-bewegende gemiddelde breek bo 'n langtermyn-bewegende gemiddelde. Versterk deur 'n hoë verhandelingsvolumes, kan dit dui verdere stygings in store. Moving Gemiddeld - MA afbreek bewegende gemiddelde - MA As SMA voorbeeld, kyk na 'n sekuriteit met die volgende sluitingsdatum pryse meer as 15 dae: Week 1 (5 dae) 20, 22, 24, 25, 23 Week 2 (5 dae) 26, 28, 26, 29, 27 Week 3 (5 dae) 28, 30, 27, 29, 28 A 10-dag MA sou gemiddeld uit die sluitingsdatum pryse vir die eerste 10 dae as die eerste data punt. Die volgende data punt sal daal die vroegste prys, voeg die prys op dag 11 en neem die gemiddelde, en so aan, soos hieronder getoon. Soos voorheen verduidelik, MA lag huidige prys aksie omdat dit gebaseer is op vorige pryse hoe langer die tydperk vir die MA, hoe groter is die lag. So sal 'n 200-dag MA 'n veel groter mate van lag as 'n 20-dag MA het omdat dit pryse vir die afgelope 200 dae bevat. Die lengte van die MA om te gebruik, hang af van die handel doelwitte, met korter MA gebruik vir 'n kort termyn handel en langer termyn MA meer geskik vir 'n lang termyn beleggers. Die 200-dag MA word wyd gevolg deur beleggers en handelaars, met onderbrekings bo en onder hierdie bewegende gemiddelde beskou as belangrike handel seine wees. MA ook mee belangrik handel seine op hul eie, of wanneer twee gemiddeldes kruis. 'N stygende MA dui daarop dat die sekuriteit is in 'n uptrend. terwyl 'n dalende MA dui daarop dat dit in 'n verslechtering neiging. Net so, is opwaartse momentum bevestig met 'n lomp crossover. wat gebeur wanneer 'n korttermyn-MA kruisies bo 'n langer termyn MA.