Weighted Moving Average Forecasting Methods: Plusy i minusy Cześć, Uwielbiam swój post. Zastanawiałeś się, czy mógłbyś opracować dalej. Używamy SAP. W nim jest wybór, który możesz wybrać przed uruchomieniem prognozy zwanej inicjalizacją. Jeśli zaznaczysz tę opcję, otrzymasz wynik prognozy, jeśli ponownie uruchomisz prognozę w tym samym okresie i nie sprawdzisz inicjalizacji zmian wyników. Nie mogę zrozumieć, co robi inicjalizacja. Mam na myśli, matematycznie. Który wynik prognozy najlepiej zapisać i wykorzystać na przykład. Zmiany między tymi dwoma nie są w prognozowanej ilości, ale w MAD i Error, zapas bezpieczeństwa i ilości RPO. Nie jestem pewien, czy korzystasz z SAP. Cześć, dziękuję, że tak skutecznie wyjaśniłeś jego zbyt gd. dzięki znowu Jaspreet Dodaj komentarz Anuluj pisanie Informacje o Shmula Pete Abilla jest założycielką Shmula i postaci, Kanban Cody. Pomagał takim firmom jak Amazon, Zappos, eBay, Backcountry i innym obniżyć koszty i poprawić jakość obsługi klienta. Robi to poprzez systematyczną metodę identyfikacji punktów bólu, które wpływają na klienta i firmę, i zachęca do szerokiego uczestnictwa ze strony współpracowników firmy w celu poprawy własnych procesów. Ta strona internetowa to zbiór jego doświadczeń, którymi chce się z tobą podzielić. Pierwsze kroki z bezpłatnymi pobraniami 3 Zrozumienie poziomów i metod prognozowania Można wygenerować zarówno prognozy dotyczące szczegółów (pojedynczej pozycji), jak i podsumowania (linii produktów) odzwierciedlające wzorce popytu na produkty. System analizuje przeszłe wyniki sprzedaży, aby obliczyć prognozy za pomocą 12 metod prognozowania. Prognozy zawierają szczegółowe informacje na poziomie pozycji i informacje o wyższym poziomie dotyczące oddziału lub firmy jako całości. 3.1 Kryteria oceny wyników prognozy W zależności od wyboru opcji przetwarzania oraz trendów i wzorców w danych sprzedaży, niektóre metody prognozowania działają lepiej niż inne dla danego zestawu danych historycznych. Metoda prognozowania odpowiednia dla jednego produktu może nie być odpowiednia dla innego produktu. Może się okazać, że metoda prognozowania, która zapewnia dobre wyniki na jednym etapie cyklu życia produktu, pozostaje odpowiednia w całym cyklu życia. Możesz wybrać jedną z dwóch metod oceny aktualnej wydajności metod prognozowania: Procent dokładności (POA). Średnie absolutne odchylenie (MAD). Obie te metody oceny wydajności wymagają danych historycznych dotyczących sprzedaży dla określonego okresu. Ten okres nazywany jest okresem wstrzymania lub okresem najlepszego dopasowania. Dane w tym okresie są wykorzystywane jako podstawa do rekomendowania, którą metodę prognozowania zastosować przy tworzeniu następnej prognozy. To zalecenie jest specyficzne dla każdego produktu i może zmieniać się z jednej generacji generowania prognozy na drugą. 3.1.1 Najlepsze dopasowanie System zaleca prognozę najlepszego dopasowania, stosując wybrane metody prognozowania do historii zamówień poprzednich zamówień i porównując symulację prognozy z rzeczywistą historią. Po wygenerowaniu prognozy najlepszego dopasowania system porównuje rzeczywistą historię zamówień sprzedaży z prognozami dla określonego okresu czasu i oblicza, jak dokładnie każda inna metoda prognozowania przewidywała sprzedaż. Następnie system zaleca najdokładniejsze prognozy jako najlepsze dopasowanie. Ta grafika ilustruje najlepsze dopasowania prognozy: Rysunek 3-1 Najlepsza prognoza dopasowania System wykorzystuje tę sekwencję kroków do określenia najlepszego dopasowania: Użyj każdej określonej metody, aby zasymulować prognozę okresu wstrzymania. Porównaj rzeczywistą sprzedaż z symulowanymi prognozami okresu wstrzymania. Oblicz POA lub MAD, aby określić, która metoda prognozowania najlepiej pasuje do dotychczasowej faktycznej sprzedaży. System korzysta z POA lub MAD, w oparciu o wybrane opcje przetwarzania. Poleć najlepszą prognozę POA, która jest najbliższa 100% (ponad lub poniżej) lub MAD, która jest najbliższa zeru. 3.2 Metody prognozowania JD Edwards EnterpriseOne Forecast Management wykorzystuje 12 metod do prognozowania ilościowego i wskazuje, która metoda najlepiej pasuje do sytuacji prognostycznej. W tej sekcji omówiono: Metoda 1: Procent w ciągu ostatniego roku. Metoda 2: Obliczony procent w ciągu ostatniego roku. Metoda 3: Ostatni rok w tym roku. Metoda 4: Średnia ruchoma. Metoda 5: Aproksymacja liniowa. Metoda 6: Regresja najmniejszych kwadratów. Metoda 7: Aproksymacja drugiego stopnia. Metoda 8: Elastyczna metoda. Metoda 9: Średnia ważona ruchoma. Metoda 10: Wygładzanie liniowe. Metoda 11: Wygładzanie wykładnicze. Metoda 12: Wygładzanie wykładnicze z trendem i sezonowością. Określ metodę, której chcesz użyć w opcjach przetwarzania dla programu Generowanie prognoz (R34650). Większość tych metod zapewnia ograniczoną kontrolę. Na przykład waga umieszczona na ostatnich danych historycznych lub w zakresie dat danych historycznych wykorzystywanych w obliczeniach może zostać określona przez Ciebie. Przykłady w przewodniku wskazują procedurę obliczania dla każdej z dostępnych metod prognostycznych, biorąc pod uwagę identyczny zestaw danych historycznych. Przykłady metod w przewodniku wykorzystują część lub wszystkie te zbiory danych, które są danymi historycznymi z ostatnich dwóch lat. Prognoza prognozy trafia do przyszłego roku. Dane dotyczące historii sprzedaży są stabilne przy niewielkich sezonowych wzrostach w lipcu i grudniu. Ten wzór jest charakterystyczny dla dojrzałego produktu, który może się zbliżać do przestarzałości. 3.2.1 Metoda 1: procent w ciągu ostatniego roku Ta metoda wykorzystuje formułę Procent na przestrzeni ostatniego roku, aby pomnożyć każdy okres prognozy przez określony wzrost lub spadek procentowy. Aby przewidzieć popyt, ta metoda wymaga liczby okresów dla najlepszego dopasowania plus jeden rok historii sprzedaży. Ta metoda jest przydatna do prognozowania popytu na produkty sezonowe ze wzrostem lub spadkiem. 3.2.1.1 Przykład: Metoda 1: Procent w ubiegłym roku Procent nad ubiegłorocznym wzorem zwielokrotnia dane o sprzedaży z poprzedniego roku o określony czynnik, a następnie projekty, które pojawią się w ciągu najbliższego roku. Ta metoda może być przydatna w budżetowaniu do symulacji wpływu określonej stopy wzrostu lub gdy historia sprzedaży ma znaczący składnik sezonowy. Specyfikacja prognozy: współczynnik mnożenia. Na przykład, wybierz opcję 110 w opcji przetwarzania, aby zwiększyć dane historii sprzedaży z poprzedniego roku o 10 procent. Wymagana historia sprzedaży: jeden rok na obliczenie prognozy oraz liczba okresów czasu wymaganych do oceny prognozowanej skuteczności (okresy najlepszego dopasowania), które określasz. Tabela ta jest historią wykorzystywaną w obliczeniach prognozy: prognoza lutowa wynosi 117 razy 1.1 128,7 zaokrąglona do 129. Prognoza marcowa wynosi 115 razy 1.1 126,5 zaokrąglona do 127. 3.2.2 Metoda 2: Obliczony procent w ciągu ostatniego roku Ta metoda używa obliczonego procentu ponad Formuła zeszłoroczna, aby porównać wcześniejszą sprzedaż określonych okresów ze sprzedażą z tych samych okresów roku poprzedniego. System określa procentowy wzrost lub spadek, a następnie mnoży każdy okres przez procent w celu określenia prognozy. Aby przewidzieć popyt, ta metoda wymaga liczby okresów historii zamówień sprzedaży plus jeden rok historii sprzedaży. Ta metoda jest przydatna do prognozowania krótkoterminowego popytu na produkty sezonowe ze wzrostem lub spadkiem. 3.2.2.1 Przykład: Metoda 2: Obliczony procent w ciągu ostatniego roku Formuła wyliczenia procentowego w ubiegłym roku mnoży dane dotyczące sprzedaży z poprzedniego roku przez czynnik obliczany przez system, a następnie projektuje ten wynik na następny rok. Ta metoda może być przydatna w prognozowaniu wpływu przedłużenia ostatniego wzrostu stopy produktu na następny rok przy zachowaniu sezonowości, która jest obecna w historii sprzedaży. Specyfikacja prognozy: zakres historii sprzedaży do wykorzystania przy obliczaniu tempa wzrostu. Na przykład określ n = 4 w opcji przetwarzania, aby porównać historię sprzedaży dla ostatnich czterech okresów z tymi samymi czterema okresami poprzedniego roku. Użyj obliczonego współczynnika, aby wykonać projekcję na następny rok. Wymagana historia sprzedaży: jeden rok na obliczenie prognozy plus liczba okresów wymaganych do oceny prognozy (okresy najlepszego dopasowania). Ta tabela jest historią wykorzystywaną w prognozowaniu obliczeń, biorąc pod uwagę wartość n 4: prognoza lutowa wynosi 117 razy 0,9766 114,26 zaokrąglona do 114. Prognoza marcowa wynosi 115 razy 0,9766 112,31 zaokrąglona do 112. 3.2.3 Metoda 3: Ostatni rok do tego roku Ta metoda wykorzystuje sprzedaż w ubiegłym roku na prognozy na kolejne lata. Aby przewidzieć popyt, ta metoda wymaga liczby najlepiej pasujących okresów plus jeden rok historii zamówień sprzedaży. Ta metoda jest przydatna do prognozowania popytu na dojrzałe produkty z popytem na poziomie lub sezonowym bez trendu. 3.2.3.1 Przykład: Metoda 3: Ostatni rok w tym roku Formuła "ostatni rok do tego roku" kopiuje dane dotyczące sprzedaży z poprzedniego roku do następnego roku. Ta metoda może być przydatna w budżetowaniu do symulacji sprzedaży na obecnym poziomie. Produkt jest dojrzały i nie ma trendu w dłuższej perspektywie, ale może występować znaczny sezonowy wzór zapotrzebowania. Specyfikacja prognozy: brak. Wymagana historia sprzedaży: jeden rok na obliczenie prognozy plus liczba okresów wymaganych do oceny prognozy (okresy najlepszego dopasowania). Tabela ta jest historią wykorzystywaną w obliczeniach prognozy: prognoza styczniowa to styczeń zeszłego roku z wartością prognozowaną na poziomie 128. Prognoza w lutym jest równa lutowi ubiegłego roku z prognozą 117. Prognoza marcowa to marzec ubiegłego roku z prognozą 115. 3.2.4 Metoda 4: Średnia krocząca Ta metoda wykorzystuje średnią ruchomą do wyliczenia określonej liczby okresów do wyświetlenia w następnym okresie. Powinieneś go często przeliczać (miesięcznie lub co najmniej raz na kwartał), aby odzwierciedlić zmieniający się popyt. Aby przewidzieć popyt, ta metoda wymaga liczby najlepiej pasujących okresów oraz liczby okresów historii zamówień sprzedaży. Ta metoda jest przydatna do prognozowania popytu na dojrzałe produkty bez tendencji. 3.2.4.1 Przykład: Metoda 4: Średnia ruchoma ruchoma (MA) jest popularną metodą uśredniania wyników ostatniej historii sprzedaży w celu określenia projekcji na krótką metę. Metoda prognozowania MA pozostaje w tyle za trendami. Pogorszenie prognozy i systematyczne błędy pojawiają się, gdy historia sprzedaży produktu wykazuje silny trend lub sezonowość. Ta metoda sprawdza się lepiej w przypadku prognoz krótkiego zasięgu produktów dojrzałych niż w przypadku produktów, które są w fazie wzrostu lub starzenia się w cyklu życia. Specyfikacje prognozy: n jest równy liczbie okresów historii sprzedaży, które mają zostać użyte do obliczenia prognozy. Na przykład, określ n 4 w opcji przetwarzania, aby użyć ostatnich czterech okresów jako podstawy dla projekcji do następnego okresu czasu. Duża wartość dla n (na przykład 12) wymaga większej historii sprzedaży. Powoduje to stabilną prognozę, ale powoli rozpoznaje zmiany w poziomie sprzedaży. I odwrotnie, niewielka wartość n (na przykład 3) szybciej reaguje na zmiany w poziomie sprzedaży, ale prognozy mogą się tak wahać, że produkcja nie może reagować na zmiany. Wymagana historia sprzedaży: n plus liczba okresów czasu wymaganych do oceny prognozy (okresy najlepszego dopasowania). Tabela ta jest historią stosowaną w obliczeniach prognozy: prognoza lutowa jest równa (114 119 137 125) 4 123,75 zaokrąglona do 124. Prognoza marcowa jest równa (119 137 125 124) 4 126,25 zaokrąglona do 126. 3.2.5 Metoda 5: Liniowe przybliżenie Ta metoda wykorzystuje formułę Liniową aproksymację do obliczenia trendu z liczby okresów historii zamówień sprzedaży i do projekcji tego trendu do prognozy. Powinieneś ponownie obliczać trend co miesiąc, aby wykryć zmiany trendów. Ta metoda wymaga liczby okresów najlepszego dopasowania plus liczba określonych okresów historii zamówień sprzedaży. Ta metoda jest przydatna do prognozowania popytu na nowe produkty lub produkty o stałych, pozytywnych lub negatywnych tendencjach, które nie są związane z wahaniami sezonowymi. 3.2.5.1 Przykład: Metoda 5: Aproksymacja liniowa Przybliżenie liniowe oblicza trend oparty na dwóch punktach danych historii sprzedaży. Te dwa punkty definiują prostą linię trendu rzutowaną w przyszłość. Tej metody należy używać ostrożnie, ponieważ prognozy dotyczące dalekiego zasięgu są wykorzystywane przez małe zmiany w zaledwie dwóch punktach danych. Specyfikacja prognozy: n jest równy punktowi danych w historii sprzedaży, który jest porównywany z najnowszym punktem danych w celu identyfikacji trendu. Na przykład, określ n 4, aby wykorzystać różnicę między grudniem (najnowsze dane) a sierpniem (cztery okresy przed grudniem) jako podstawę do obliczenia trendu. Minimalna wymagana historia sprzedaży: n plus 1 plus liczba okresów czasu wymaganych do oceny prognozy (okresy najlepszego dopasowania). Tabela ta jest historią wykorzystywaną w kalkulacji prognoz: prognoza styczniowa Grudzień z ubiegłego roku 1 (Trend), która wynosi 137 (1 razy 2) 139. Prognoza z lutego: grudzień ubiegłego roku 1 (Trend), który wynosi 137 (2 razy 2) 141. Prognoza marcowa grudzień poprzedniego roku 1 (Trend), która wynosi 137 (3 razy 2) 143. 3.2.6 Metoda 6: Regresja najmniejszych kwadratów Metoda regresji najmniejszych kwadratów (LSR) wyprowadza równanie opisujące liniową zależność między historycznymi danymi sprzedaży i upływ czasu. LSR dopasowuje linię do wybranego zakresu danych, tak aby zminimalizować sumę kwadratów różnic pomiędzy rzeczywistymi punktami danych sprzedaży i linią regresji. Prognoza jest rzutem tej prostej w przyszłość. Ta metoda wymaga historii danych sprzedaży dla okresu, który jest reprezentowany przez liczbę najlepiej dopasowanych okresów plus określoną liczbę okresów danych historycznych. Minimalne wymaganie to dwa historyczne punkty danych. Ta metoda jest przydatna do prognozowania popytu, gdy w danych znajduje się trend liniowy. 3.2.6.1 Przykład: Metoda 6: Regresja Liniowa Najmniejszych Kwadratów lub Regresja Najmniejszych Kwadratów (LSR) jest najpopularniejszą metodą identyfikacji trendu liniowego w historycznych danych o sprzedaży. Metoda oblicza wartości dla a i b, które mają być użyte we wzorze: To równanie opisuje linię prostą, gdzie Y oznacza sprzedaż, a X oznacza czas. Regresja liniowa powoli rozpoznaje punkty zwrotne i przesunięcia funkcji w popycie. Regresja liniowa dopasowuje się do danych w linii prostej, nawet jeśli dane są sezonowe lub lepiej opisane krzywą. Gdy dane historii sprzedaży podążają za krzywą lub mają silny rozkład sezonowy, pojawiają się błędy prognoz i błędy systemowe. Specyfikacja prognozy: n jest równy okresom historii sprzedaży, które zostaną użyte do obliczenia wartości dla aib. Na przykład, określ n 4, aby wykorzystać historię od września do grudnia jako podstawę do obliczeń. Gdy dane są dostępne, zwykle używane jest większe n (na przykład n 24). LSR definiuje linię dla zaledwie dwóch punktów danych. W tym przykładzie wybrano małą wartość n (n 4) w celu zmniejszenia ręcznych obliczeń wymaganych do zweryfikowania wyników. Minimalna wymagana historia sprzedaży: n okresów plus liczba okresów wymaganych do oceny prognozy (okresy najlepszego dopasowania). Ta tabela jest używana w obliczeniach prognozy: prognoza marcowa wynosi 119,5 (7 razy 2,3) 135,6 zaokrąglona do 136. 3.2.7 Metoda 7: Aproksymacja drugiego stopnia Aby zaprojektować prognozę, ta metoda wykorzystuje formułę aproksymacji drugiego stopnia do wykreślenia krzywej jest to oparte na liczbie okresów historii sprzedaży. Ta metoda wymaga liczby najlepiej pasujących okresów oraz liczby okresów historii zamówień 3 razy. Ta metoda nie jest przydatna do prognozowania popytu na dłuższy okres. 3.2.7.1 Przykład: Metoda 7: Aproksymacja drugiego stopnia Regresja liniowa określa wartości a i b we wzorze prognozy Y a b X w celu dopasowania linii prostej do danych historii sprzedaży. Aproksymacja drugiego stopnia jest podobna, ale ta metoda określa wartości a, b i cw tym wzorze prognozy: Y a b X c X 2 Celem tej metody jest dopasowanie krzywej do danych historii sprzedaży. Ta metoda jest przydatna, gdy produkt przechodzi przez etapy cyklu życia. Na przykład, kiedy nowy produkt przechodzi od etapu wprowadzenia do etapu wzrostu, tendencja sprzedaży może przyspieszyć. Ze względu na termin drugiego rzędu prognoza może szybko zbliżyć się do nieskończoności lub spaść do zera (w zależności od tego, czy współczynnik c jest dodatni czy ujemny). Ta metoda jest przydatna tylko w krótkim okresie. Prognozy prognozy: formuła znajduje a, b i c, aby dopasować krzywą do dokładnie trzech punktów. Określasz n, liczbę okresów gromadzenia danych w każdym z trzech punktów. W tym przykładzie n 3. Aktualne dane dotyczące sprzedaży za okres od kwietnia do czerwca łączone są w pierwszy punkt, I kwartał. Od lipca do września są dodawane razem, aby utworzyć Q2, a od października do grudnia suma do Q3. Krzywa dopasowana jest do trzech wartości Q1, Q2 i Q3. Wymagana historia sprzedaży: 3 razy n okresów do obliczenia prognozy plus liczba okresów czasu wymaganych do oceny prognozy (okresy najlepszego dopasowania). Tabela ta jest historią wykorzystywaną w prognozowaniu: Q0 (Jan) (luty) (Mar) Q1 (kwiecień) (maj) (cze), który wynosi 125 122 137 384 Q2 (lipiec) (sierpień) (wrzesień), który wynosi 140 129 131 400 Q3 (październik) (listopad) (grudzień), który jest równy 114 119 137 370 Następny krok obejmuje obliczenie trzech współczynników a, b i c, które mają być użyte w formule prognozowania Y ab X c X 2. Q1, Q2 i Q3 są przedstawione na grafice, gdzie czas jest narysowany na osi poziomej. Q1 reprezentuje całkowitą sprzedaż historyczną w kwietniu, maju i czerwcu i jest planowana na X 1 Q2 odpowiada okresowi od lipca do września III kwartał odpowiada okresowi od października do grudnia, a czwarty kwartał reprezentuje okres od stycznia do marca. Ta grafika ilustruje wykreślanie Q1, Q2, Q3 i Q4 dla aproksymacji drugiego stopnia: Rysunek 3-2 Plotowanie Q1, Q2, Q3 i Q4 dla aproksymacji drugiego stopnia Trzy równania opisują trzy punkty na wykresie: (1) Q1 a bX cX 2 gdzie X 1 (Q1 abc) (2) Q2 a bX cX 2 gdzie X 2 (Q2 a 2b 4c) (3) Q3 a bX cX 2 gdzie X 3 (Q3 a 3b 9c) Rozwiąż te trzy równania jednocześnie aby znaleźć b, a, i c: Odejmij równanie 1 (1) z równania 2 (2) i rozwiąż dla b: (2) ndash (1) Q2 ndash Q1 b 3c b (Q2 ndash Q1) ndash 3c Zastąp to równanie dla b na równanie (3): (3) Q3 a 3 (Q2 ndash Q1) ndash 3c 9c a Q3 ndash 3 (Q2 ndash Q1) Na koniec, zamień te równania na a i b na równanie (1): (1) Q3 ndash 3 (Q2 ndash Q1) (Q2 ndash Q1) ndash 3c c Q1 c (Q3 ndash Q2) (Q1 ndash Q2) 2 Metoda drugiego stopnia aproksymacji oblicza a, b, c jak następuje: a Q3 ndash 3 (Q2 ndash Q1 ) 370 ndash 3 (400 nd. 384) 370 ndash 3 (16) 322 b (Q2 ndash Q1) ndash3c (400 nda sh 384) ndash (3 razy ndash23) 16 69 85 c (Q3 ndash Q2) (Q1 ndash Q2) 2 (370 ndash 400) (384 ndash 400) 2 ndash23 Jest to obliczenie prognozy aproksymacji drugiego stopnia: Y a bX cX 2 322 85X (ndash23) (X 2) Gdy X 4, Q4 322 340 ndash 368 294. Prognoza wynosi 294 3 98 na okres. Gdy X 5, Q5 322 425 ndash 575 172. Prognoza wynosi 172 3 58.33 zaokrąglona do 57 na okres. Gdy X 6, Q6 322 510 ndash 828 4. Prognoza wynosi 4 3 1,33 zaokrąglone do 1 na okres. Jest to prognoza na przyszły rok, rok ubiegły do roku bieżącego: 3.2.8 Metoda 8: metoda elastyczna Ta metoda pozwala wybrać najlepiej pasującą liczbę okresów historii zamówień sprzedaży, która rozpoczyna się n miesięcy przed prognozowaną datą rozpoczęcia, oraz zastosuj procentowy wzrost lub spadek współczynnika mnożenia, za pomocą którego można zmodyfikować prognozę. Ta metoda jest podobna do metody 1, procent w ciągu ostatniego roku, z tą różnicą, że możesz określić liczbę okresów, których używasz jako podstawy. W zależności od tego, co wybierzesz jako n, ta metoda wymaga okresów najlepiej dopasowanych oraz podanej liczby wskazanych okresów sprzedaży. Ta metoda jest przydatna do prognozowania popytu na planowany trend. 3.2.8.1 Przykład: Metoda 8: Metoda elastyczna Metoda elastyczna (procent powyżej n poprzednich miesięcy) jest podobna do metody 1, procent w ciągu ostatniego roku. Obie metody zwielokrotniają dane sprzedaży z poprzedniego okresu o współczynnik określony przez Ciebie, a następnie wyświetlają ten wynik w przyszłości. W metodzie Procent ponad ostatnim rokiem projekcja oparta jest na danych z tego samego okresu w roku poprzednim. Możesz również użyć metody elastycznej, aby określić okres czasu, inny niż ten sam okres w ostatnim roku, który będzie podstawą do obliczeń. Współczynnik mnożenia. Na przykład, określ 110 w opcji przetwarzania, aby zwiększyć poprzednie dane historii sprzedaży o 10 procent. Okres bazowy. Na przykład n 4 powoduje, że pierwsza prognoza oparta jest na danych o sprzedaży we wrześniu zeszłego roku. Minimalna wymagana historia sprzedaży: liczba okresów wstecz do okresu bazowego plus liczba okresów czasu potrzebna do oceny prognozy wydajności (okresy najlepszego dopasowania). Tabela ta jest historią używaną w obliczeniach prognozy: 3.2.9 Metoda 9: ważona średnia ruchoma Ważona średnia ważona formuła jest podobna do metody 4, średnia ruchoma, ponieważ uśrednia historię sprzedaży z poprzednich miesięcy, aby wyświetlić historię sprzedaży w następnym miesiącu. Jednak dzięki tej formule można przypisać wagi dla każdego z poprzednich okresów. Ta metoda wymaga liczby wybranych okresów ważonych plus liczby okresów najlepiej pasujących do danych. Podobnie jak w przypadku średniej ruchomej, ta metoda pozostaje w tyle za trendami popytu, więc ta metoda nie jest zalecana w przypadku produktów o silnych tendencjach lub sezonowości. Ta metoda jest przydatna do prognozowania popytu na dojrzałe produkty o stosunkowo wysokim poziomie popytu. 3.2.9.1 Przykład: Metoda 9: Średnia ważona ruchoma Metoda ważona średnia ruchoma (WMA) jest podobna do metody 4, średnia ruchoma (MA). Jednak przy użyciu WMA można przypisać niejednakowe wagi do danych historycznych. Metoda oblicza średnią ważoną ostatniej historii sprzedaży, aby uzyskać projekcję krótkoterminową. Nowszym danym zwykle przypisuje się większą wagę niż dane starsze, więc WMA bardziej odpowiada na zmiany w poziomie sprzedaży. Jednak odchylenia prognoz i błędy systematyczne występują, gdy historia sprzedaży produktu wykazuje silne trendy lub sezonowe wzorce. Ta metoda sprawdza się lepiej w przypadku prognoz krótkiego zasięgu dla dojrzałych produktów niż dla produktów na etapie wzrostu lub starzenia się w cyklu życia. Liczba okresów historii sprzedaży (n) do wykorzystania w obliczeniach prognostycznych. Na przykład, określ n 4 w opcji przetwarzania, aby użyć ostatnich czterech okresów jako podstawy dla projekcji do następnego okresu czasu. Duża wartość dla n (na przykład 12) wymaga większej historii sprzedaży. Taka wartość prowadzi do stabilnej prognozy, ale trudno jest rozpoznać zmiany w poziomie sprzedaży. I odwrotnie, niewielka wartość n (na przykład 3) szybciej reaguje na zmiany w poziomie sprzedaży, ale prognozy mogą się tak wahać, że produkcja nie może reagować na zmiany. Łączna liczba okresów dla opcji przetwarzania rdquo14 - okresy do włączenia nie powinny przekraczać 12 miesięcy. Waga przypisana do każdego z okresów danych historycznych. Przypisane wagi muszą wynosić 1,00. Na przykład, gdy n4, przypisz wagi 0,50, 0,25, 0,15 i 0,10, a najnowsze dane otrzymają największą wagę. Minimalna wymagana historia sprzedaży: n plus liczba okresów wymaganych do oceny prognozy (okresy najlepszego dopasowania). Ta tabela jest używana do obliczenia prognozy: prognoza styczniowa jest równa (131 razy 0,10) (114 razy 0,15) (119 razy 0,25) (137 razy 0,50) (0,10 0,15 0,25 0,50) 128,45 zaokrąglona do 128. Prognoza z lutego równa się (114 razy 0,10) (119 razy 0,15) (137 razy 0,25) (128 razy 0,50) 1 127,5 zaokrąglone do 128. Prognoza marcowa wynosi (119 razy 0,10) (137 razy 0,15) (128 razy 0,25) (128 razy 0,50) 1 128,45 zaokrąglona do 128. 3.2.10 Metoda 10: Wygładzanie liniowe Ta metoda oblicza średnią ważoną wcześniejszych danych dotyczących sprzedaży. W obliczeniach ta metoda wykorzystuje liczbę okresów historii zamówień sprzedaży (od 1 do 12) wskazaną w opcji przetwarzania. System wykorzystuje matematyczną progresję do ważenia danych w zakresie od pierwszego (najmniej ważonego) do końcowego (większość wagi). Następnie system wyświetla te informacje dla każdego okresu w prognozie. Ta metoda wymaga najlepszego dopasowania miesięcy oraz historii zamówień sprzedaży dla liczby okresów określonych w opcji przetwarzania. 3.2.10.1 Przykład: Metoda 10: Wygładzanie liniowe Ta metoda jest podobna do metody 9, WMA. Jednak zamiast arbitralnie przypisywać wagi do danych historycznych, stosuje się formułę, aby przypisać wagi, które zmniejszają się liniowo i sumują się do 1,00. Następnie metoda oblicza średnią ważoną ostatniej historii sprzedaży, aby uzyskać projekcję krótkoterminową. Podobnie jak w przypadku wszystkich technik liniowej średniej kroczącej prognozowanie, błędy prognoz i błędy systemowe pojawiają się, gdy historia sprzedaży produktu wykazuje silny trend lub sezonowe wzorce. Ta metoda sprawdza się lepiej w przypadku prognoz krótkiego zasięgu produktów dojrzałych niż produktów na etapie wzrostu lub starzenia się w cyklu życia. n jest równy liczbie okresów historii sprzedaży, które mają zostać użyte do obliczenia prognozy. Na przykład, wybierz n jest równe 4 w opcji przetwarzania, aby użyć ostatnich czterech okresów jako podstawy dla projekcji do następnego okresu czasu. System automatycznie przypisuje wagi do danych historycznych, które zmniejszają się liniowo i sumują do 1,00. Na przykład, gdy n równa się 4, system przydziela wagi 0,4, 0,3, 0,2 i 0,1, przy czym najnowsze dane odbierają największą wagę. Minimalna wymagana historia sprzedaży: n plus liczba okresów wymaganych do oceny prognozy (okresy najlepszego dopasowania). Ta tabela jest używana do obliczenia prognozy: 3.2.11 Metoda 11: Wygładzanie wykładnicze Ta metoda oblicza wygładzoną średnią, która staje się szacunkiem reprezentującym ogólny poziom sprzedaży w wybranych okresach danych historycznych. Ta metoda wymaga historii danych sprzedaży dla okresu, który jest reprezentowany przez liczbę najlepiej dopasowanych okresów plus określoną liczbę okresów danych historycznych. Minimalny wymóg to dwa historyczne okresy danych. Ta metoda jest przydatna do prognozowania popytu, gdy w danych nie ma trendu liniowego. 3.2.11.1 Przykład: Metoda 11: Wygładzanie wykładnicze Metoda ta jest podobna do Metody 10, Wygładzanie liniowe. W Linear Smoothing system przypisuje wagi, które zmniejszają się liniowo do danych historycznych. W wygładzaniu wykładniczym system przypisuje wagi, które rozkładają się wykładniczo. Równanie prognozowania wygładzania wykładniczego jest następujące: Prognoza alfa (poprzednia faktyczna sprzedaż) (1 ndashalpha) (poprzednia prognoza) Prognoza jest średnią ważoną rzeczywistej sprzedaży z poprzedniego okresu i prognozę z poprzedniego okresu. Alfa to waga, która jest stosowana do faktycznej sprzedaży za poprzedni okres. (1 ndash alpha) to waga stosowana do prognozy z poprzedniego okresu. Wartości dla alfa mieszczą się w zakresie od 0 do 1 i zwykle mieszczą się w zakresie od 0,1 do 0,4. Suma wag wynosi 1,00 (alfa (1 daszek alfa) 1). Powinieneś przypisać wartość stałej wygładzania, alfa. Jeśli nie zostanie przypisana wartość stałej wygładzania, system oblicza założoną wartość, która jest oparta na liczbie okresów historii sprzedaży określonych w opcji przetwarzania. alpha jest równa stałej wygładzania, która jest używana do obliczenia wygładzonej średniej dla ogólnego poziomu lub wielkości sprzedaży. Wartości dla zakresu alfa od 0 do 1. n jest równy zakresowi danych historii sprzedaży do uwzględnienia w obliczeniach. Zasadniczo dane rocznej historii sprzedaży są wystarczające do oszacowania ogólnego poziomu sprzedaży. W tym przykładzie wybrano małą wartość n (n 4) w celu zmniejszenia ręcznych obliczeń wymaganych do zweryfikowania wyników. Exponential Smoothing może generować prognozę opartą na zaledwie jednym historycznym punkcie danych. Minimalna wymagana historia sprzedaży: n plus liczba okresów wymaganych do oceny prognozy (okresy najlepszego dopasowania). Ta tabela jest używana do obliczenia prognozy: 3.2.12 Metoda 12: Wygładzanie wykładnicze z trendem i sezonowością Ta metoda oblicza trend, indeks sezonowy i wykładniczą średnią wygładzoną z historii zamówień sprzedaży. Następnie system stosuje prognozę trendu do prognozy i dostosowuje się do indeksu sezonowego. Ta metoda wymaga liczby najlepiej pasujących okresów plus dwa lata danych dotyczących sprzedaży i jest przydatna dla elementów, które mają zarówno tendencję, jak i sezonowość w prognozie. Możesz wprowadzić współczynnik alfa i beta lub obliczyć system. Współczynniki alfa i beta to stała wygładzania, którą system wykorzystuje do obliczenia wygładzonej średniej dla ogólnego poziomu lub wielkości sprzedaży (alfa) i komponentu trendu prognozy (beta). 3.2.12.1 Przykład: Metoda 12: Wygładzanie wykładnicze z trendem i sezonowością Ta metoda jest podobna do Metody 11, Wygładzanie wykładnicze, w której obliczana jest wygładzona średnia. Jednak metoda 12 zawiera również termin w równaniu prognostycznym, aby obliczyć wygładzony trend. Prognoza składa się z wygładzonej średniej skorygowanej o liniowy trend. Po określeniu w opcji przetwarzania prognoza dostosowana jest również do sezonowości. Alfa równa się stałej wygładzania, która jest używana do obliczenia wygładzonej średniej dla ogólnego poziomu lub wielkości sprzedaży. Wartości dla alfa mieszczą się w zakresie od 0 do 1. Beta jest równa stałej wygładzania, która jest używana do obliczenia wygładzonej średniej dla składnika trendu prognozy. Wartości dla zakresu beta od 0 do 1. Czy indeks sezonowy jest stosowany do prognozy. Alfa i beta są niezależne od siebie. Nie muszą sumować się do 1,0. Minimalna wymagana historia sprzedaży: jeden rok plus liczba okresów czasu wymaganych do oceny prognozy wydajności (okresy najlepszego dopasowania). Kiedy dostępne są dwa lub więcej lat danych historycznych, system wykorzystuje dwa lata danych w obliczeniach. Metoda 12 wykorzystuje dwa równania wygładzania wykładniczego i jedną prostą średnią do obliczenia wygładzonej średniej, wygładzonego trendu i prostego średniego indeksu sezonowego. Wykładniczo wygładzona średnia: Wykładniczo wygładzona tendencja: Prosty średni indeks sezonowy: Rysunek 3-3 Prosty średni sezonowy indeks Prognozę oblicza się następnie, stosując wyniki trzech równań: L to długość sezonowości (L równa się 12 miesięcy lub 52 tygodnie). t jest bieżącym okresem czasu. m to liczba okresów czasu w przyszłości prognozy. S jest multiplikatywnym sezonowym współczynnikiem korekty, który jest indeksowany do odpowiedniego okresu czasu. Ta tabela zawiera historię użytą do obliczenia prognozy: Ta sekcja zawiera przegląd prognozowania i omawia: Możesz wybrać metody prognozowania, aby wygenerować aż 12 prognoz dla każdego produktu. Każda metoda prognozowania może stworzyć nieco inną projekcję. Kiedy prognozuje się tysiące produktów, subiektywna decyzja jest niepraktyczna, jeśli chodzi o prognozę, którą należy zastosować w planach dla każdego produktu. System automatycznie ocenia wydajność dla każdej wybranej metody prognozowania i dla każdego prognozowanego produktu. Możesz wybrać pomiędzy dwoma kryteriami wydajności: MAD i POA. MAD jest miarą błędu prognozy. POA jest miarą tendencji prognozowania. Obie te techniki oceny wydajności wymagają rzeczywistych danych historii sprzedaży w określonym przez Ciebie okresie. Okres najnowszej historii używany do oceny nazywa się okresem wstrzymania lub okresem najlepszego dopasowania. Aby zmierzyć wydajność metody prognozowania, system: używa prognozowanych formuł do symulacji prognozy historycznego okresu wstrzymania. Dokonuje porównania rzeczywistych danych sprzedaży z symulowaną prognozą okresu wstrzymania. Po wybraniu wielu metod prognozowania ten sam proces występuje dla każdej metody. Wiele prognoz jest obliczanych na okres wstrzymania i porównywane ze znaną historią sprzedaży w tym samym okresie. Metoda prognozowania, która zapewnia najlepsze dopasowanie (dopasowanie) między prognozą a faktyczną sprzedażą w okresie wstrzymania, jest zalecana do wykorzystania w planach. To zalecenie jest specyficzne dla każdego produktu i może się zmieniać za każdym razem, gdy generujesz prognozę. 3.3.1 Mean Absolute Deviation Mean Absolute Deviation (MAD) is the mean (or average) of the absolute values (or magnitude) of the deviations (or errors) between actual and forecast data. MAD is a measure of the average magnitude of errors to expect, given a forecasting method and data history. Because absolute values are used in the calculation, positive errors do not cancel out negative errors. When comparing several forecasting methods, the one with the smallest MAD is the most reliable for that product for that holdout period. When the forecast is unbiased and errors are normally distributed, a simple mathematical relationship exists between MAD and two other common measures of distribution, which are standard deviation and Mean Squared Error. For example: MAD (Sigma (Actual) ndash (Forecast)) n Standard Deviation, (sigma) cong 1.25 MAD Mean Squared Error cong ndashsigma2 This example indicates the calculation of MAD for two of the forecasting methods. This example assumes that you have specified in the processing option that the holdout period length (periods of best fit) is equal to five periods. 3.3.1.1 Method 1: Last Year to This Year This table is history used in the calculation of MAD, given Periods of Best Fit 5: Mean Absolute Deviation equals (2 1 20 10 14) 5 9.4. Based on these two choices, the Moving Average, n 4 method is recommended because it has the smaller MAD, 9.4, for the given holdout period. 3.3.2 Percent of Accuracy Percent of Accuracy (POA) is a measure of forecast bias. When forecasts are consistently too high, inventories accumulate and inventory costs rise. When forecasts are consistently too low, inventories are consumed and customer service declines. A forecast that is 10 units too low, then 8 units too high, then 2 units too high is an unbiased forecast. The positive error of 10 is canceled by negative errors of 8 and 2. (Error) (Actual) ndash (Forecast) When a product can be stored in inventory, and when the forecast is unbiased, a small amount of safety stock can be used to buffer the errors. In this situation, eliminating forecast errors is not as important as generating unbiased forecasts. However, in service industries, the previous situation is viewed as three errors. The service is understaffed in the first period, and then overstaffed for the next two periods. In services, the magnitude of forecast errors is usually more important than is forecast bias. POA (SigmaForecast sales during holdout period) (SigmaActual sales during holdout period) times 100 percent The summation over the holdout period enables positive errors to cancel negative errors. When the total of forecast sales exceeds the total of actual sales, the ratio is greater than 100 percent. Of course, the forecast cannot be more than 100 percent accurate. When a forecast is unbiased, the POA ratio is 100 percent. A 95 percent accuracy rate is more desirable than a 110 percent accurate rate. The POA criterion selects the forecasting method that has a POA ratio that is closest to 100 percent. This example indicates the calculation of POA for two forecasting methods. This example assumes that you have specified in the processing option that the holdout period length (periods of best fit) is equal to five periods. 3.3.2.1 Method 1: Last Year to This Year This table is history used in the calculation of MAD, given Periods of Best Fit 5: 3.4.2 Forecast Accuracy These statistical laws govern forecast accuracy: A long term forecast is less accurate than a short term forecast because the further into the future you project the forecast, the more variables can affect the forecast. A forecast for a product family tends to be more accurate than a forecast for individual members of the product family. Some errors cancel each other as the forecasts for individual items summarize into the group, thus creating a more accurate forecast. 3.4.3 Forecast Considerations You should not rely exclusively on past data to forecast future demands. These circumstances might affect the business, and require you to review and modify the forecast: New products that have no past data. Plans for future sales promotion. Changes in national and international politics. New laws and government regulations. Weather changes and natural disasters. Innovations from competition. You can use long term trend analysis to influence the design of the forecasts: Leading economic indicators. 3.4.4 Forecasting Process You use the Refresh Actuals program (R3465) to copy data from the Sales Order History File table (F42119), the Sales Order Detail File table (F4211), or both, into either the Forecast File table (F3460) or the Forecast Summary File table (F3400), depending on the kind of forecast that you plan to generate. Scripting on this page enhances content navigation, but does not change the content in any way. Demand Forecasting: Itrsquos Meaning, Types, Techniques and Method Economics Forecasts are becoming the lifetime of business in a world, where the tidal waves of change are sweeping the most established of structures, inherited by human society. Commerce just happens to the one of the first casualties. Survival in this age of economic predators, requires the tact, talent and technique of predicting the future. Forecast is becoming the sign of survival and the language of business. All requirements of the business sector need the technique of accurate and practical reading into the future. Forecasts are, therefore, very essential requirement for the survival of business. Manshyagement requires forecasting information when making a wide range of decisions. The sales forecast is particularly important as it is the foundation upon which all company plans are built in terms of markets and revenue. Management would be a simple matter if business was not in a continual state of change, the pace of which has quickened in recent years. It is becoming increasingly important and necessary for business to predict their future prospects in terms of sales, cost and profits. The value of future sales is crucial as it affects costs profits, so the prediction of future sales is the logical starting point of all business planning. A forecast is a prediction or estimation of future situation. It is an objective assessment of future course of action. Since future is uncertain, no forecast can be percent correct. Forecasts can be both physical as well as financial in nature. The more realistic the forecasts, the more effective decisions can be taken for tomorrow. In the words of Cundiff and Still, Demand forecasting is an estimate of sales during a specified future period which is tied to a proposed marketing plan and which assumes a particular set of unconshytrollable and competitive forces. Therefore, demand forecasting is a projection of firms expected level of sales based on a chosen marketing plan and environment. Procedure to Prepare Sales Forecast: Companies commonly use a three-stage procedure to prepare a sales forecast. They make an environmental forecast, followed by an industry forecast, and followed by a companys sales forecast, the environmental forecast calls for projecting inflation, unemployment, interest rate, consumer spendshying, and saving, business investment, government expenditure, net exports and other environmental magnitudes and events of importance to the company. The industry forecast is based on surveys of consumers intention and analysis of statistical trends is made available by trade associations or chamshyber of commerce. It can give indication to a firm regarding tine direction in which the whole industry will be moving. The company derives its sales forecast by assuming that it will win a certain market share. All forecasts are built on one of the three information bases: What people say What people have done Types of Forecasting : Forecasts can be broadly classified into: (i) Passive Forecast and (ii) Active Forecast. Under passive forecast prediction about future is based on the assumption that the firm does not change the course of its action. Under active forecast, prediction is done under the condition of likely future changes in the actions by the firms. From the view point of time span, forecasting may be classified into two, viz. (i) Short term demand forecasting and (ii) long term demand forecasting. In a short run forecast, seasonal patterns are of much importance. It may cover a period of three months, six months or one year. It is one which provides information for tactical decisions. Which period is chosen depends upon the nature of busishyness. Such a forecast helps in preparing suitable sales policy. Long term forecasts are helpful in suitable capital planning. It is one which provides information for major strategic decisions. It helps in saving the wastages in material, man hours, machine time and capacity. Planning of a new unit must start with an analysis of the long term demand potential of the products of the firm. There are basically two types of forecast, viz. (i) External or national group of forecast, and (ii) Internal or company group forecast. External forecast deals with trends in general business. It is usually prepared by a companys research wing or by outside consultants. Internal forecast includes all those that are related to the operation of a particular enterprise such as sales group, production group, and financial group. The structure of internal forecast includes forecast of annual sales, forecast of products cost, forecast of operating profit, forecast of taxable income, forecast of cash resources, forecast of the number of employees, etc. At different levels forecasting may be classified into: (i) Macro-level forecasting, (ii) Industry - level forecasting, (iii) Firm - level forecasting and (iv) Product-line forecasting. Macro-level forecastshying is concerned with business conditions over the whole economy. It is measured by an appropriate index of industrial production, national income or expenditure. Industry-level forecasting is prepared by different trade associations. This is based on survey of consumers intention and analysis of statistical trends. Firm-level forecasting is related to an individual firm. It is most important from managerial view point. Product-line forecasting helps the firm to decide which of the product or products should have priority in the allocation of firms limited resources. Forecast may be classified into (i) general and (ii) specific. The general forecast may generally be useful to the firm. Many firms require separate forecasts for specific products and specific areas, for this general forecast is broken down into specific forecasts. There are different forecasts for different types of products like: (i) Forecasting demand for nonshydurable consumer goods, (ii) Forecasting demand for durable consumer goods, (iii) Forecasting deshymand for capital goods, and (iv) Forecasting demand for new-products. Non-Durable Consumer Goods : These are also known as single-use consumer goods or perishable consumer goods. These vanish after a single act of consumption. These include goods like food, milk, medicine, fruits, etc. Demand for these goods depends upon household disposable income, price of the commodity and the related goods and population and characteristics. Symbolically, Dc f(y, s, p, p r ) where Dc the demand for commodity the household disposable income p price of the commodity p r price of its related goods (i) Disposable income expressed as Dc f (y) i. e. other things being equal, the demand for commodity depends upon the disposable income of the household. Disposable income of the houseshyhold is estimated after the deduction of personal taxes from the personal income. Disposable income gives an idea about the purchasing power of the household. (ii) Price, expressed as Dc f (p, p r ) i. e. other things being equal, demand for commodity depends upon its own price and the price of related goods. While the demand for a commodity is inversely related to its own price of its complements. It is positively related to its substitutes.8217 Price elasticities and cross elasticities of non-durable consumer goods help in their demand forecasting. (iii) Population, expressed as Dc f (5) i. e. other things being equal, demand for commodity depends upon the size of population and its composition. Besides, population can also be classified on the basis of sex, income, literacy and social status. Demand for non-durable consumer goods is influshyenced by all these factors. For the general demand forecasting population as a whole is considered, but for specific demand forecasting division of population according to different characteristics proves to be more useful. Durable Consumer Goods : These goods can be consumed a number of times or repeatedly used without much loss to their utility. These include goods like car, T. V. air-conditioners, furniture etc. After their long use, consumshyers have a choice either these could be consumed in future or could be disposed of. The choice depends upon the following factors: (i) Whether a consumer will go for the replacement of a durable good or keep on using it after necessary repairs depends upon his social status, level of money income, taste and fashion, etc. Reshyplacement demand tends to grow with increase in the stock of the commodity with the consumers. The firm can estimate the average replacement cost with the help of life expectancy table. (ii) Most consumer durables are consumed in common by the members of a family. For instance, T. V. refrigerator, etc. are used in common by households. Demand forecasts for goods commonly used should take into account the number of households rather than the total size of population. While estimating the number of households, the income of the household, the number of children and sex - composition, etc. should be taken into account. (iii) Demand for consumer durables depends upon the availability of allied facilities. For example, the use of T. V. refrigerator needs regular supply of power, the use of car needs availability of fuel, etc. While forecasting demand for consumer durables, the provision of allied services and their cost should also be taken into account. (iv) Demand for consumer durables is very much influenced by their prices and their credit facilities. Consumer durables are very much sensitive to price changes. A small fall in their price may bring large increase in demand. Forecasting Demand for Capital Goods : Capital goods are used for further production. The demand for capital good is a derived one. It will depend upon the profitability of industries. The demand for capital goods is a case of derived demand. In the case of particular capital goods, demand will depend on the specific markets they serve and the end uses for which they are bought. The demand for textile machinery will, for instance, be determined by the expansion of textile industry in terms of new units and replacement of existing machinery. Estimation of new demand as well as replacement demand is thus necessary. Three types of data are required in estimating the demand for capital goods: (a) The growth prospects of the user industries must be known, (b) the norm of consumption of the capital goods per unit of each end-use product must be known, and (c) the velocity of their use. Forecasting Demand for New Products : The methods of forecasting demand for new products are in many ways different from those for established products. Since the product is new to the consumers, an intensive study of the product and its likely impact upon other products of the same group provides a key to an intelligent projection of demand. Joel Dean has classified a number of possible approaches as follows: (a) Evolutionary Approach: It consists of projecting the demand for a new product as an outgrowth and evolution of an existing old product. (b) Substitute Approach: According to this approach the new product is treated as a substitute for the existing product or service. (c) Growth Curve Approach: It estimates the rate of growth and potential demand for the new product as the basis of some growth pattern of an established product. (d) Opinion-Poll Approach: Under this approach the demand is estimated by direct enquiries from the ultimate consumers. (e) Sales Experience Approach: According to this method the demand for the new product is estimated by offering the new product for sale in a sample market. (f) Vicarious Approach: By this method, the consumers reactions for a new product are found out indirectly through the specialised dealers who are able to judge the consumers needs, tastes and preferences. The various steps involved in forecasting the demand for non-durable consumer goods are the following: (a) First identify the variables affecting the demand for the product and express them in appropriate forms, (b) gather relevant data or approximation to relevant data to represent the variables, and (c) use methods of statistical analysis to determine the most probable relationship between the dependent and independent variables. Forecasting Techniques: Demand forecasting is a difficult exercise. Making estimates for future under the changing conshyditions is a Herculean task. Consumers behaviour is the most unpredictable one because it is motivated and influenced by a multiplicity of forces. There is no easy method or a simple formula which enables the manager to predict the future. Economists and statisticians have developed several methods of demand forecasting. Each of these methods has its relative advantages and disadvantages. Selection of the right method is essential to make demand forecasting accurate. In demand forecasting, a judicious combination of statistical skill and rational judgement is needed. Mathematical and statistical techniques are essential in classifying relationships and providing techniques of analysis, but they are in no way an alternative for sound judgement. Sound judgement is a prime requisite for good forecast. The judgment should be based upon facts and the personal bias of the forecaster should not prevail upon the facts. Therefore, a mid way should be followed between mathematical techniques and sound judgment or pure guess work. The more commonly used methods of demand forecasting are discussed below: The various methods of demand forecasting can be summarised in the form of a chart as shown in Table 1. 1. Opinion Polling Method : In this method, the opinion of the buyers, sales force and experts could be gathered to determine the emerging trend in the market. The opinion polling methods of demand forecasting are of three kinds: (a) Consumers Survey Method or Survey of Buyers Intentions : In this method, the consumers are directly approached to disclose their future purchase plans. I his is done by interviewing all consumers or a selected group of consumers out of the relevant popushylation. This is the direct method of estimating demand in the short run. Here the burden of forecasting is shifted to the buyer. The firm may go in for complete enumeration or for sample surveys. If the commodity under consideration is an intermediate product then the industries using it as an end product are surveyed. (i) Complete Enumeration Survey : Under the Complete Enumeration Survey, the firm has to go for a door to door survey for the forecast period by contacting all the households in the area. This method has an advantage of first hand, unbiased information, yet it has its share of disadvantages also. The major limitation of this method is that it requires lot of resources, manpower and time. In this method, consumers may be reluctant to reveal their purchase plans due to personal privacy or commercial secrecy. Moreover, at times the conshysumers may not express their opinion properly or may deliberately misguide the investigators. (ii) Sample Survey and Test Marketing : Under this method some representative households are selected on random basis as samples and their opinion is taken as the generalised opinion. This method is based on the basic assumption that the sample truly represents the population. If the sample is the true representative, there is likely to be no significant difference in the results obtained by the survey. Apart from that, this method is less tedious and less costly. A variant of sample survey technique is test marketing. Product testing essentially involves placing the product with a number of users for a set period. Their reactions to the product are noted after a period of time and an estimate of likely demand is made from the result. These are suitable for new products or for radically modified old products for which no prior data exists. It is a more scientific method of estimating likely demand because it stimulates a national launch in a closely defined geoshygraphical area. (iii) End Use Method or Input-Output Method : This method is quite useful for industries which are mainly producers goods. In this method, the sale of the product under consideration is projected as the basis of demand survey of the industries using this product as an intermediate product, that is, the demand for the final product is the end user demand of the intermediate product used in the production of this final product. The end user demand estimation of an intermediate product may involve many final good industries using this product at home and abroad. It helps us to understand inter-industry8217 relations. In input-output accounting two matrices used are the transaction matrix and the input co-efficient matrix. The major efforts required by this type are not in its operation but in the collection and presentation of data. (b) Sales Force Opinion Method : This is also known as collective opinion method. In this method, instead of consumers, the opinion of the salesmen is sought. It is sometimes referred as the grass roots approach as it is a bottom-up method that requires each sales person in the company to make an individual forecast for his or her particular sales territory. These individual forecasts are discussed and agreed with the sales manager. The composite of all forecasts then constitutes the sales forecast for the organisation. The advantages of this method are that it is easy and cheap. It does not involve any elaborate statistical treatment. The main merit of this method lies in the collective wisdom of salesmen. This method is more useful in forecasting sales of new products. (c) Experts Opinion Method : This method is also known as Delphi Technique of investigation. The Delphi method requires a panel of experts, who are interrogated through a sequence of questionnaires in which the responses to one questionnaire are used to produce the next questionnaire. Thus any information available to some experts and not to others is passed on, enabling all the experts to have access to all the information for forecasting. The method is used for long term forecasting to estimate potential sales for new products. This method presumes two conditions: Firstly, the panellists must be rich in their expertise, possess wide range of knowledge and experience. Secondly, its conductors are objective in their job. This method has some exclusive advantages of saving time and other resources. 2. Statistical Method : Statistical methods have proved to be immensely useful in demand forecasting. In order to mainshytain objectivity, that is, by consideration of all implications and viewing the problem from an external point of view, the statistical methods are used. The important statistical methods are: (i) Trend Projection Method : A firm existing for a long time will have its own data regarding sales for past years. Such data when arranged chronologically yield what is referred to as time series. Time series shows the past sales with effective demand for a particular product under normal conditions. Such data can be given in a tabular or graphic form for further analysis. This is the most popular method among business firms, partly because it is simple and inexpensive and partly because time series data often exhibit a persistent growth trend. Time series has got four types of components namely, Secular Trend (T), Secular Variation (S), Cyclical Element (C), and an Irregular or Random Variation (I). These elements are expressed by the equation O TSCI. Secular trend refers to the long run changes that occur as a result of general tendency. Seasonal variations refer to changes in the short run weather pattern or social habits. Cyclical variations refer to the changes that occur in industry during depression and boom. Random variation refers to the factors which are generally able such as wars, strikes, flood, famine and so on. When a forecast is made the seasonal, cyclical and random variations are removed from the observed data. Thus only the secular trend is left. This trend is then projected. Trend projection fits a trend line to a mathematical equation. The trend can be estimated by using any one of the following methods: (a) The Graphical Method, (b) The Least Square Method. a) Graphical Method: This is the most simple technique to determine the trend. All values of output or sale for different years are plotted on a graph and a smooth free hand curve is drawn passing through as many points as possible. The direction of this free hand curveupward or downward shows the trend. A simple illustration of this method is given in Table 2. Table 2: Sales of Firm In Fig. 1, AB is the trend line which has been drawn as free hand curve passing through the various points representing actual sale values. (b) Least Square Method: Under the least square method, a trend line can be fitted to the time series data with the help of statistical techniques such as least square regression. When the trend in sales over time is given by straight line, the equation of this line is of the form: y a bx. Where a is the intercept and b shows the impact of the independent variable. We have two variablesthe indeshypendent variable x and the dependent variable y. The line of best fit establishes a kind of mathematical relationship between the two variables. v and y. This is expressed by the regression on x. In order to solve the equation v a bx, we have to make use of the following normal equations: xy a xb x2 (ii) Barometric Technique : A barometer is an instrument of measuring change. This method is based on the notion that the future can be predicted from certain happenings in the present. In other words, barometric techniques are based on the idea that certain events of the present can be used to predict the directions of change in the future. This is accomplished by the use of economic and statistical indicators which serve as barometers of economic change. Generally forecasters correlate a firms sales with three series: Leading Series, Coincident or Concurrent Series and Lagging Series: (a) The Leading Series: The leading series comprise those factors which move up or down before the recession or recovery starts. They tend to reflect future market changes. For example, baby powder sales can be forecasted by examining the birth rate pattern five years earlier, because there is a correlation between the baby powder sales and children of five years of age and since baby powder sales today are correlated with birth rate five years earlier, it is called lagged correlation. Thus we can say that births lead to baby soaps sales. (b) Coincident or Concurrent Series: The coincident or concurrent series are those which move up or down simultaneously with the level of the economy. They are used in confirming or refuting the validity of the leading indicator used a few months afterwards. Common examples of coinciding indicators are G. N.P itself, industrial production, trading and the retail sector. (c) The Lagging Series: The lagging series are those which take place after some time lag with respect to the business cycle. Examples of lagging series are, labour cost per unit of the manufacturing output, loans outstanding, leading rate of short term loans, etc. (iii) Regression Analysis : It attempts to assess the relationship between at least two variables (one or more independent and one dependent), the purpose being to predict the value of the dependent variable from the specific value of the independent variable. The basis of this prediction generally is historical data. This method starts from the assumption that a basic relationship exists between two variables. An interactive statistical analysis computer package is used to formulate the mathematical relationship which exists. For example, one may build up the sales model as: Quantum of Sales a. price b. advertising c. price of the rival products d. personal disposable income u Where a, b, c, d are the constants which show the effect of corresponding variables as sales. The constant u represents the effect of all the variables which have been left out in the equation but having effect on sales. In the above equation, quantum of sales is the dependent variable and the variables on the right hand side of the equation are independent variables. If the expected values of the independent variables are substituted in the equation, the quantum of sales will then be forecasted. The regression equation can also be written in a multiplicative form as given below: Quantum of Sales (Price) a (Advertising) b (Price of the rival products) c (Personal disposshyable income Y u In the above case, the exponent of each variable indicates the elasticities of the corresponding variable. Stating the independent variables in terms of notation, the equation form is QS P 8. A o42. R .83. Y 2 .68. 40 Then we can say that 1 per cent increase in price leads to 0.8 per cent change in quantum of sales and so on. If we take logarithmic form of the multiple equation, we can write the equation in an additive form as follows: log QS a log P b log A log R d log Y d log u In the above equation, the coefficients a, b, c, and d represent the elasticities of variables P, A, R and Y d respectively. The co-efficient in the logarithmic regression equation are very useful in policy decision making by the management. (iv) Econometric Models : Econometric models are an extension of the regression technique whereby a system of independshyent regression equation is solved. The requirement for satisfactory use of the econometric model in forecasting is under three heads: variables, equations and data. The appropriate procedure in forecastshying by econometric methods is model building. Econometrics attempts to express economic theories in mathematical terms in such a way that they can be verified by statistical methods and to measure the impact of one economic variable upon another so as to be able to predict future events. Utility of Forecasting : Forecasting reduces the risk associated with business fluctuations which generally produce harmshyful effects in business, create unemployment, induce speculation, discourage capital formation and reduce the profit margin. Forecasting is indispensable and it plays a very important part in the determishynation of various policies. In modem times forecasting has been put on scientific footing so that the risks associated with it have been considerably minimised and the chances of precision increased. Forecasts in India : In most of the advanced countries there are specialised agencies. In India businessmen are not at all interested in making scientific forecasts. They depend more on chance, luck and astrology. They are highly superstitious and hence their forecasts are not correct. Sufficient data are not available to make reliable forescasts. However, statistics alone do not forecast future conditions. Judgment, experience and knowledge of the particular trade are also necessary to make proper analysis and interpretation and to arrive at sound conclusions. Conclusion : Decision support systems consist of three elements: decision, prediction and control. It is, of course, with prediction that marketing forecasting is concerned. The forecasting of sales can be reshygarded as a system, having inputs apprises and an output. This simplistic view serves as a useful measure for the analysis of the true worth of sales forecasting as an aid to management. In spite of all these no one can predict future economic activity with certainty. Forecasts are estimates about which no one can be sure. Criteria of a Good Forecasting Method : There are thus, a good many ways to make a guess about future sales. They show contrast in cost, flexibility and the adequate skills and sophistication. Therefore, there is a problem of choosing the best method for a particular demand situation. There are certain economic criteria of broader applicashybility. They are: (i) Accuracy, (ii) Plausibility, (iii) Durability, (iv) Flexibility, (v) Availability, (vi) Economy, (vii) Simplicity and (viii) Consistency. (i) Accuracy : The forecast obtained must be accurate. How is an accurate forecast possible To obtain an accurate forecast, it is essential to check the accuracy of past forecasts against present performance and of present forecasts against future performance. Accuracy cannot be tested by precise measureshyment but buy judgment. (ii) Plausibility : The executive should have good understanding of the technique chosen and they should have confidence in the techniques used. Understanding is also needed for a proper interpretation of results. Plausibility requirements can often improve the accuracy of results. (iii) Durability : Unfortunately, a demand function fitted to past experience may back cost very greatly and still fall apart in a short time as a forecaster. The durability of the forecasting power of a demand function depends partly on the reasonableness and simplicity of functions fitted, but primarily on the stability of the understanding relationships measured in the past. Of course, the importance of durability detershymines the allowable cost of the forecast. (iv) Flexibility : Flexibility can be viewed as an alternative to generality. A long lasting function could be set up in terms of basic natural forces and human motives. Even though fundamental, it would nevertheless be hard to measure and thus not very useful. A set of variables whose co-efficient could be adjusted from time to time to meet changing conditions in more practical way to maintain intact the routine procedure of forecasting. (v) Availability : Immediate availability of data is a vital requirement and the search for reasonable approximations to relevance in late data is a constant strain on the forecasters patience. The techniques employed should be able to produce meaningful results quickly. Delay in result will adversely affect the managerial decisions. (vi) Economy : Cost is a primary consideration which should be weighted against the importance of the forecasts to the business operations. A question may arise: How much money and managerial effort should be allocated to obtain a high level of forecasting accuracy The criterion here is the economic considerashytion. (vii) Simplicity : Statistical and econometric models are certainly useful but they are intolerably complex. To those executives who have a fear of mathematics, these methods would appear to be Latin or Greek. The procedure should, therefore, be simple and easy so that the management may appreciate and understand why it has been adopted by the forecaster. (viii) Consistency : The forecaster has to deal with various components which are independent. If he does not make an adjustment in one component to bring it in line with a forecast of another, he would achieve a whole which would appear consistent. Conclusion : In fine, the ideal forecasting method is one that yields returns over cost with accuracy, seems reasonable, can be formalised for reasonably long periods, can meet new circumstances adeptly and can give up-to-date results. The method of forecasting is not the same for all products. There is no unique method for forecasting the sale of any commodity. The forecaster may try one or the other method depending upon his objective, data availability, the urgency with which forecasts are needed, resources he intends to devote to this work and type of commodity whose demand he wants to forecast.
No comments:
Post a Comment