مثال من المرجح الحركة من المتوسط التنبؤ

ينطوي التنبؤ على توليد عدد أو مجموعة من الأرقام أو السيناريو الذي يتوافق مع حدوث مستقبلي من الضروري للغاية التخطيط قصير المدى والطويل المدى من خلال التعريف، تستند التوقعات إلى البيانات السابقة، بدلا من التنبؤ، الذي هو أكثر موضوعية واستنادا إلى غريزة، ويشعر الأمعاء، أو تخمين على سبيل المثال، فإن الأخبار المسائية يعطي توقعات الطقس لا التنبؤ بالطقس بغض النظر عن المصطلحات التنبؤ والتنبؤ وغالبا ما تستخدم بين-للتغيير على سبيل المثال، تعريفات الانحدار تقنية في بعض الأحيان المستخدمة في التنبؤ عموما أن الغرض منه هو شرح أو التنبؤ. ويستند فوريكاستينغ على عدد من الافتراضات. الماضي سوف يكرر نفسه وبعبارة أخرى، ما حدث في الماضي سيحدث مرة أخرى في المستقبل. كما أفق التنبؤ يقصر ، وزيادة دقة التنبؤات على سبيل المثال، فإن توقعات الغد ستكون أكثر دقة من التوقعات للشهر المقبل ستكون التوقعات للشهر المقبل أكثر دقة من التوقعات f أو العام المقبل وتوقعات للعام المقبل سيكون أكثر دقة من توقعات لمدة عشر سنوات في المستقبل. التجميع في المجموع هو أكثر دقة من التنبؤ البنود الفردية وهذا يعني أن الشركة سوف تكون قادرة على التنبؤ إجمالي الطلب على كامل طيفها من المنتجات بشكل أكثر دقة من أنها سوف تكون قادرة على التنبؤ وحدات حفظ المخزون الفردية سكوكس على سبيل المثال، يمكن أن جنرال موتورز توقع أكثر دقة العدد الإجمالي للسيارات اللازمة للعام المقبل من العدد الإجمالي للشفروليه امبالاس الأبيض مع بعض الخيارات حزمة. فوريكاستس نادرا ما تكون دقيقة وعلاوة على ذلك، فإن التوقعات تقريبا أبدا دقيقة تماما في حين أن بعض قريبة جدا، وعدد قليل من الحق على المال ولذلك، فمن الحكمة أن نقدم مجموعة التنبؤ إذا كان واحد لتوقع الطلب من 100،000 وحدة للشهر المقبل، فمن من المستبعد جدا أن الطلب يساوي 100،000 بالضبط ومع ذلك، فإن التوقعات من 90،000 إلى 110،000 ستوفر هدف أكبر بكثير للتخطيط. ويليام J ستيفنسون يسرد عدد بير من الخصائص التي هي مشتركة لتوقعات جيدة. دقيقة وينبغي تحديد درجة معينة من الدقة وذكر بحيث يمكن إجراء مقارنة للتنبؤات البديلة. المتوقعة طريقة التنبؤ يجب أن توفر باستمرار توقعات جيدة إذا كان المستخدم هو إنشاء درجة معينة من وهناك حاجة إلى قدر معين من الوقت للرد على التوقعات لذلك يجب أن تسمح أفق التنبؤ للوقت اللازم لإجراء تغييرات. سهلة الاستخدام وفهم المستخدمين للتوقعات يجب أن تكون واثقة ومريحة العمل معها. الفعالة من حيث التكلفة فإن تكلفة جعل التوقعات لا ينبغي أن تفوق الفوائد التي تم الحصول عليها من التنبؤات. وتتراوح تقنيات التصوير من بسيطة إلى معقدة للغاية وعادة ما تصنف هذه التقنيات على أنها نوعية أو كمية. التقنيات التقنية. تقنيات التنبؤ النوعية هي عموما أكثر موضوعية من الكمية النظراء التقنيات النوعية هي أكثر فائدة في المراحل الأولى من العلاقات العامة عند وجود بيانات أقل من الماضي لاستخدامها في الأساليب الكمية وتشمل الأساليب الكمية تقنية دلفي، تقنية المجموعة الاسمية نغت، آراء قوة المبيعات، والآراء التنفيذية، وأبحاث السوق. تكنولوجيا دلفي. تستخدم تقنية دلفي فريق من الخبراء إلى تنتج توقعات يطلب من كل خبير لتقديم توقعات محددة للحاجة في متناول اليد بعد إجراء التوقعات الأولية، كل خبير يقرأ ما كتبه كل خبير آخر، وبطبيعة الحال، تأثرت بآرائهم وبعد ذلك يتم إجراء توقعات لاحقة من قبل كل خبير كل خبير ثم يقرأ مرة أخرى ما كتبه كل خبير آخر ويتأثر مرة أخرى من تصورات الآخرين هذه العملية يكرر نفسه حتى كل خبير يقترب من الاتفاق على السيناريو المطلوب أو الأرقام. الجماعة التقنية تكنيك. تقنية المجموعة الاسمية تشبه تقنية دلفي من حيث أنه يستخدم مجموعة من المشاركين، وعادة ما يكون الخبراء بعد أن يستجيب المشاركون للأسئلة المتعلقة بالتنبؤات، فإنهم يرتبون ريسبون سيس في الترتيب من الأهمية النسبية المتصورة ثم يتم جمع التصنيف وتجميعها في نهاية المطاف، يجب على المجموعة التوصل إلى توافق في الآراء بشأن أولويات القضايا في المرتبة. ساليس فورس OPINIONS. The موظفي المبيعات في كثير من الأحيان مصدرا جيدا للمعلومات المتعلقة بالطلب في المستقبل مدير المبيعات قد يطلب مدخلات من كل شخص المبيعات وتجميع ردودهم إلى توقعات قوة المبيعات المركزة ينبغي توخي الحذر عند استخدام هذه التقنية كما أعضاء قوة المبيعات قد لا تكون قادرة على التمييز بين ما يقوله العملاء وما يفعلونه فعلا أيضا ، إذا تم استخدام التنبؤات لإنشاء حصص المبيعات، قد يميل قوة المبيعات لتوفير تقديرات أقل. الأخبار التنفيذية. في بعض الأحيان مستويات العليا المديرين تلبية وتطوير التوقعات على أساس معرفتهم من مجالات مسؤوليتها يشار إليها أحيانا باسم هيئة محلفين للرأي التنفيذي. ماركيت ريزارتش. في أبحاث السوق، وتستخدم استطلاعات المستهلكين لإنشاء الطلب المحتمل مثل هذه م وعادة ما ينطوي البحث على إنشاء استبيان يلتمس المعلومات الشخصية والديموغرافية والاقتصادية والتسويقية في بعض الأحيان، يقوم باحثو السوق بجمع هذه المعلومات شخصيا في منافذ البيع بالتجزئة ومراكز التسوق حيث يمكن للمستهلك تجربة الطعم والشعور والرائحة ومشاهدة منتج معين يجب على الباحث أن يكون حذرا من أن عينة من الأشخاص الذين شملهم الاستطلاع تمثل هدف المستهلك المطلوب. التقنيات التقنية. تقنيات التنبؤ الكمي هي عموما أكثر موضوعية من نظرائهم النوعي يمكن التنبؤات الكمية التنبؤات سلسلة زمنية أي إسقاط الماضي في المستقبل أو التنبؤات القائمة على النماذج التراكمية أي على أساس متغير واحد أو أكثر من المتغيرات التفسيرية قد تحتوي السلاسل الزمنية على السلوكيات الأساسية التي تحتاج إلى تحديدها من قبل المتنبأ بالإضافة إلى ذلك، قد تحتاج التنبؤات إلى تحديد أسباب السلوك قد تكون بعض هذه السلوكيات أنماط أو ببساطة الاختلافات العشوائية بين أنماط are. Tr ، والتي هي تحركات طويلة الأجل صعودا أو هبوطا في البيانات. الطبيعة، التي تنتج الاختلافات على المدى القصير التي ترتبط عادة إلى الوقت من السنة والشهر، أو حتى يوم معين، كما تشهد مبيعات التجزئة في عيد الميلاد أو ارتفاع في النشاط المصرفي في الأول من الشهر وفي أيام الجمعة. الدورات، والتي هي الاختلافات الموجة التي تستمر أكثر من سنة التي ترتبط عادة إلى الظروف الاقتصادية أو السياسية. التباينات التنظيمية التي لا تعكس السلوك النموذجي، مثل فترة من المدقع الطقس أو الإضراب النقابي. التباينات العشوائية، التي تشمل جميع السلوكيات غير النمطية التي لا تمثلها التصنيفات الأخرى. من بين نماذج السلاسل الزمنية، أبسط هو التوقعات غير المستخدمة لا تستخدم ببساطة الطلب الفعلي للماضي فترة الطلب المتنبأ به في الفترة القادمة وهذا بالطبع يجعل الافتراض بأن الماضي سوف يكرر ويفترض أيضا أن أي اتجاهات أو موسمية أو دورات إما تنعكس في الطلب في الفترة السابقة أو غير موجود مثال على التنبؤ غير متوفر في الجدول 1.Table 1 نا في فيكتيونينغ. وهناك طريقة بسيطة أخرى هي استخدام المتوسط ​​المتوسط ​​لجعل التنبؤ باستخدام المتوسط، واحد ببساطة يأخذ متوسط ​​بعض عدد من فترات البيانات السابقة من قبل تلخيص كل فترة وتقسيم النتيجة حسب عدد الفترات تم العثور على هذه التقنية لتكون فعالة جدا للتنبؤ قصير المدى. وتشمل معدلات المتوسط ​​المتوسط ​​المتحرك والمتوسط ​​المرجح والمتوسط ​​المتحرك المرجح A المتوسط ​​المتحرك يأخذ مسبقا وعدد الفترات، ومقدار الطلب الفعلي، ويقسم حسب عدد الفترات للوصول إلى توقعات لكل فترة لاحقة، تنخفض أقدم فترة من البيانات وتضاف آخر فترة على افتراض متوسط ​​متحرك لمدة ثلاثة أشهر واستخدام البيانات من الجدول 1، سيضيف المرء ببساطة 45 كانون الثاني / يناير، و 60 شباط / فبراير، و 72 آذار / مارس، وينقسم إلى ثلاثة ليصل إلى توقعات في نيسان / أبريل 45 60 72 177 3 59 - وللوصول إلى توقعات لشهر أيار / مايو، الطلب من المعادلة وإضافة الطلب من نيسان / أبريل الجدول 2 يعرض مثالا للتنبؤ المتوسط ​​المتحرك لمدة ثلاثة أشهر. الجدول 2 المتوسط ​​المتحرك لثلاثة أشهر المتوقعة. الطلب الفعلي 000 المتوسط ​​المتوسط ​​المرجح يطبق وزنا محددا مسبقا لكل شهر من البيانات السابقة، وتجمع البيانات السابقة من كل فترة، وتقسم على مجموع الأوزان إذا كان الأوبك يضبط الأوزان بحيث يساوي مجموعها 1، فإن الأثقال تضرب بالطلب الفعلي لكل فترة منطبقة ثم يتم تلخيص النتائج إلى تحقيق توقعات مرجحة بشكل عام، كلما كانت البيانات أكثر ارتفاعا كلما زاد الوزن، وكبار السن كانت البيانات أصغر وزن باستخدام مثال الطلب، فإن المتوسط ​​المرجح باستخدام الأوزان 4 3 2، و 1 من شأنه أن يسفر عن التوقعات لشهر يونيو ب 60 1 72 2 58 3 40 4 53 8 - ويمكن أن تستعمل أجهزة الاستقبال أيضا توليفة من المتوسط ​​المرجح وتنبؤات المتوسط ​​المتحرك يحدد متوسط ​​المتوسط ​​المتحرك المرجح الأوزان لعدد محدد سلفا من فترات البيانات الفعلية والمركبة وتنبؤ بالتوقعات بنفس الطريقة الموصوفة أعلاه كما هو الحال مع جميع التوقعات المتحركة، حيث يتم إضافة كل فترة جديدة، يتم تجاهل البيانات من أقدم فترة يظهر الجدول 3 توقعات المتوسط ​​المتحرك المرجح لمدة ثلاثة أشهر باستخدام الأوزان 5 3 و 2. الجدول 3 متوسط ​​التحرك المتوسط ​​المرجح لمدة ثلاثة أشهر. الطلب الفعلي 000 ألف شكل أكثر تعقيدا من المتوسط ​​المتحرك المرجح هو التمهيد الأسي، لذلك سميت لأن الوزن ينخفض ​​أضعافا مضاعفة حيث أن أعمار البيانات الأسية التمهيد يأخذ الفترة السابقة ق التوقعات وضبطه من قبل محددة سلفا تمهيد ثابت، يسمى ألفا قيمة ألفا أقل من واحد مضروبا في الاختلاف في التوقعات السابقة والطلب الذي حدث بالفعل خلال الفترة المتوقعة سابقا يسمى خطأ التنبؤ يتم التعبير عن تمهيد الأسي بصيغة مثل توقعات جديدة التنبؤ السابق ألفا الطلب الفعلي السابق توقعات الغذاء مقابل إنشاء الأصول. يتطلب التمهيد التفاضلي للمنبئ أن يبدأ التنبؤ في فترة سابقة أ العمل إلى الأمام إلى الفترة التي تحتاج إلى توقعات الحالية وهناك كمية كبيرة من البيانات السابقة وتوقعات بداية أو الأولية ضرورية أيضا يمكن أن تكون التوقعات الأولية توقعات الفعلية من الفترة السابقة، والطلب الفعلي من الفترة السابقة، أو يمكن تقديره من خلال حساب متوسط ​​أو جزء من البيانات السابقة بعض الاستدلال موجود لحساب التنبؤات الأولية على سبيل المثال، فإن الاستدلال N 2 1 و ألفا من 5 من شأنه أن يعطي N من 3، مشيرا إلى أن المستخدم متوسط ​​الفترات الثلاث الأولى من البيانات للحصول على توقعات أولية ومع ذلك، فإن دقة التوقعات الأولية ليست حاسمة إذا كان أحد يستخدم كميات كبيرة من البيانات، لأن التمهيد الأسي هو تصحيح الذات نظرا فترات كافية من البيانات الماضية، والتجانس الأسي في نهاية المطاف إجراء التصحيحات الكافية للتعويض لتوقعات أولية غير دقيقة إلى حد معقول باستخدام البيانات المستخدمة في أمثلة أخرى، يتم احتساب توقعات أولية من 50، و ألفا من 7، توقعات لشهر فبراير على هذا النحو مقدمة جديدة يلقي 50 فبراير 7 45 50 41 5.التالي، التوقعات لشهر مارس توقعات جديدة مارس 41 5 7 60 41 5 54 45 تستمر هذه العملية حتى تصل إلى المرحلة المرجحة المتوقع في هذا الجدول سيكون لشهر يونيو، الطلب الفعلي لشهر يونيو غير معروف. الطلب الفعلي 000 s. An التمديد الأسي يمكن استخدامها عندما تظهر البيانات سلسلة زمنية اتجاها خطي يعرف هذا الأسلوب من قبل عدة أسماء مزدوجة تجانس تعديل تعديل الأسي توقعات تعديل بما في ذلك الاتجاه فيت وهولت s نموذج دون تعديل، سوف نتائج تجانس الأسي بسيطة تأخر هذا الاتجاه، وهذا هو، فإن توقعات يكون دائما منخفضة إذا كان الاتجاه آخذ في الازدياد، أو عالية إذا كان الاتجاه آخذ في التناقص مع هذا النموذج هناك اثنين من الثوابت تمهيد، ومع تمثيل هذا الاتجاه المكون. تمديد نموذج هولت s، ودعا هولت الشتاء s الطريقة، يأخذ في الاعتبار كل من الاتجاه والموسمية هناك نسختين، المضاعفة والمضافة، مع المضاعفة كونها الأكثر استخداما على نطاق واسع (د) في النموذج المضاف، يعبر عن الموسمية ككمية تضاف إلى أو تطرح من متوسط ​​السلسلة ويعبر النموذج المضاعف عن الموسمية كنسبة مئوية تعرف بالأقارب الموسمية أو المؤشرات الموسمية للمتوسط ​​أو الاتجاه. ثم تضرب القيم الزمنية في الترتيب لتضمين الموسمية النسبية من 0 8 تشير إلى الطلب الذي هو 80 في المئة من المتوسط، في حين أن 1 10 تشير إلى الطلب الذي هو 10 في المئة فوق المتوسط ​​ويمكن الاطلاع على معلومات مفصلة حول هذه الطريقة في معظم الكتب الإدارية إدارة العمليات أو واحدة من عدد من الكتب المتعلقة بالتنبؤ. تتضمن التقنيات الإجتماعية أو السببية تحديد المتغيرات التي يمكن استخدامها للتنبؤ بمتغير آخر من الفائدة على سبيل المثال، يمكن استخدام معدلات الفائدة للتنبؤ بالطلب على إعادة تمويل المنازل عادة، ينطوي ذلك على استخدام الانحدار الخطي، حيث والهدف من ذلك هو تطوير معادلة تلخص آثار المتغيرات المستقلة التنبؤ على ث ه متغير تابع متنبأ به إذا تم رسم متغير التنبؤ، يكون الكائن هو الحصول على معادلة خط مستقيم يقلل من مجموع الانحرافات التربيعية عن الخط مع الانحراف الذي يكون المسافة من كل نقطة إلى السطر وستظهر المعادلة على النحو التالي: يا بكس، حيث y هو المتغير التابع المتوقع، x هو المتغير المستقل المتنبأ، b هو منحدر الخط، ويساوي ارتفاع الخط عند اعتراض y بمجرد تحديد المعادلة، يمكن للمستخدم إدراج القيم الحالية للمتغير المستقل المتنبأ بالوصول إلى متغير تابع متنبأ به. إذا كان هناك أكثر من متغير متنبأ واحد أو إذا كانت العلاقة بين التنبؤ والتنبؤ ليست خطية فإن الانحدار الخطي البسيط لن يكون كافيا بالنسبة للحالات ذات التنبؤات المتعددة والانحدار المتعدد ، في حين أن العلاقات غير الخطية تدعو إلى استخدام الانحدار المنحني. المنهجية التنبؤ. الأساليب إكونوميتريك، مثل الانحدار الذاتي نموذج متحرك متحرك متكامل أريما يستخدم معادلات رياضية معقدة لإظهار العلاقات السابقة بين الطلب والمتغيرات التي تؤثر على الطلب يتم اشتقاق المعادلة ثم اختبارها وصقلها لضمان أن تكون موثوقة لتمثيل العلاقة الماضية ممكن مرة واحدة يتم إدراج القيم المتوقعة للدخل المتغيرات المؤثرة، والأسعار، وما إلى ذلك في المعادلة لجعل التنبؤات. يمكن تحديد دقة FORECASTS. Forecast من خلال حساب التحيز، يعني الانحراف المطلق درهم، يعني خطأ مربع مس، أو يعني خطأ في النسبة المطلقة ماب للتنبؤ باستخدام قيم مختلفة للتحيز ألفا هو مجموع أخطاء التنبؤ في في مثال التجانس الأسي أعلاه، يكون التحيز المحسوب 60 41 5 72 54 45 58 66 74 40 60 62 6 69. إذا كان أحد يفترض أن التحيز المنخفض يشير إلى خطأ تنبؤي منخفض عموما، يمكن للمرء أن يحسب التحيز لعدد من القيم المحتملة ألفا ويفترض أن واحد مع أدنى التحيز سوف b (ه) الأكثر دقة ومع ذلك، يجب مراعاة الحذر في تلك التنبؤات غير الدقيقة التي قد تؤدي إلى انحياز منخفض إذا كانت تميل إلى أن تكون على حد سواء تحت التوقعات وتحت توقعات سلبية وإيجابية على سبيل المثال، على مدى ثلاث فترات شركة قد تستخدم قيمة معينة من ألفا إلى على توقعات ب 75،000 وحدة 75،000، تحت التوقعات ب 100،000 وحدة 100،000، ثم فوق التوقعات ب 25،000 وحدة 25،000، مما أسفر عن انحياز قدره صفر 75،000 100،000 25،000 0 وبالمقارنة، فإن ألفا آخر ينتج عن التوقعات من 2000 وحدة، 1000 وحدة، و 3،000 وحدة من شأنه أن يؤدي إلى انحياز من 5000 وحدة إذا كان الطلب العادي 100،000 وحدة لكل فترة، فإن ألفا الأولى تسفر عن التوقعات التي كانت خارج بنسبة تصل إلى 100 في المئة في حين أن ألفا الثاني سيكون خارج بنسبة أقصاها 3 في المئة فقط، على الرغم من أن كان التحيز في التوقعات الأولى صفر. مقياس أكثر أمانا لدقة التنبؤ هو متوسط ​​الانحراف المطلق م. د لحساب الدرهم، يقوم المبلغ بالتنبؤ بالقيمة المطلقة لأخطاء التنبؤ ثم يقسم بمقدار عدد التنبؤات في N من خلال أخذ القيمة المطلقة للأخطاء المتوقعة، يتم تجنب تعويض القيم الإيجابية والسلبية وهذا يعني أن كلا من التوقعات من 50 وتحت توقعات من 50 هي خارج 50 باستخدام البيانات من الأسي على سبيل المثال، يمكن حساب الدرهم على النحو التالي 60 41 5 72 54 45 58 66 74 40 60 62 4 16 35 لذلك، فإن المتنبأ هو خارج المتوسط ​​16 35 وحدة لكل توقعات بالمقارنة مع نتيجة أخرى من ألفاس، نعلم أن ألفا مع أدنى درهم يسفر عن التنبؤ الأكثر دقة. ميان خطأ مربع يمكن أيضا أن تستخدم مس في نفس الأزياء مس هو مجموع الأخطاء توقعات مربع مقسوما على N-1 في N-1 تخطي أخطاء التنبؤ يلغي إمكانية معادلة الأرقام السالبة، لأن أيا من النتائج لا يمكن أن يكون سلبيا باستخدام البيانات نفسها المذكورة أعلاه، فإن المشاريع الصغيرة ومتناهية الصغر ستكون 18 5 17 55 8 74 20 62 3 383 94 كما هو الحال مع درهم، قد يقارن المتنبأ المشاريع الصغيرة ومتناهية الصغر من التوقعات المستمدة باستخدام مختلف فا (ألفا) ويفترض أن يكون ألفا مع أدنى مس متغيرا للتنبؤات الأكثر دقة. متوسط ​​الخطأ المطلق في النسبة المئوية ميب هو متوسط ​​الخطأ المطلق في النسبة المئوية للوصول إلى مخطط ميب، يجب أن يأخذ المرء مجموع النسب بين الخطأ المتوقع وأوقات الطلب الفعلية 100 للحصول على النسبة المئوية والقسمة حسب N توقع الطلب الفعلي الطلب الفعلي 100 N باستخدام البيانات المستمدة من نموذج التجانس الأسي، يمكن حساب ميب على النحو التالي 18 5 60 17 55 72 8 74 58 20 62 48 100 4 28 33 كما هو الحال مع درهم و مس، كلما انخفض الخطأ النسبي كلما كان التنبؤ أكثر دقة. وتجدر الإشارة إلى أنه في بعض الحالات تعتبر قدرة التنبؤ على التغيير بسرعة للاستجابة للتغيرات في أنماط البيانات أكثر أهمية من الدقة لذلك، اختيار واحد من طريقة التنبؤ يجب أن تعكس التوازن النسبي للأهمية بين الدقة والاستجابة، على النحو الذي يحدده فوريكاستر. ماكينغ A فوريكاست. ويليام J ستيفنسون يسرد ما يلي كخطوات أساسية في فوريكا ستينغ process. Determine s الغرض من الغرض عوامل مثل كيفية ومتى سيتم استخدام التوقعات ودرجة الدقة المطلوبة، ومستوى التفاصيل المطلوبة تحديد الوقت التكلفة والمال والموظفين التي يمكن أن تكون مخصصة للتنبؤ ونوع من طريقة التنبؤ التي سيتم استخدامها. إقامة أفق زمني يحدث هذا بعد أن يحدد المرء الغرض من التنبؤات التنبؤات الأطول أجلا تتطلب آفاق زمنية أطول والعكس بالعكس هو مرة أخرى الاعتبار. إختيار أسلوب التنبؤ تعتمد التقنية المختارة على الغرض من التوقعات، والأفق الزمني المطلوب، والتكلفة المسموح بها. جمع وتحليل البيانات ويخضع كمية ونوع البيانات المطلوبة من قبل الغرض من التنبؤ، وتقنية التنبؤ المختارة، وأي اعتبارات التكلفة. توقع التوقعات. توقع التنبؤ تقييم أداء التوقعات وتعديل، إذا لزم الأمر. قراءة أكبر. فينش، بايرون J العمليات الآن الربحية والعمليات والأداء 2 إد بوسطن مغراو-H إل إيروين، 2006.Green، ويليام H إكونوميتريك أناليسيس 5 إد وبر سادل ريفير، نج برنتيس هول، 2003.Joppe، د. ماريون تقنية المجموعة الاسمية عملية البحث متوفرة من. ستيفنسون، ويليام J إدارة العمليات 8 إد بوسطن ماكجرو هيل إيروين ، 2005. أقرأ أيضا مقالة عن التنبؤ من ويكيبيديا. A توقعات حساب Examples. A 1 أساليب حساب التنبؤات. توفير أساليب حساب التوقعات المتاحة توفر معظم هذه الطرق لمراقبة محدودة للمستخدم على سبيل المثال، والوزن وضعت على البيانات التاريخية الأخيرة أو يمكن تحديد المدى الزمني للبيانات التاريخية المستخدمة في الحسابات توضح الأمثلة التالية طريقة الحساب لكل طريقة من طرق التنبؤ المتاحة، بالنظر إلى مجموعة متطابقة من البيانات التاريخية. وتستخدم الأمثلة التالية نفس بيانات المبيعات لعامي 2004 و 2005 لإنتاج بيانات عام 2006 توقعات المبيعات بالإضافة إلى حساب التوقعات، يتضمن كل مثال توقعات عام 2005 محاكاة لمدة ثلاثة أشهر فترة الانتظار فترة المعالجة n 19 3 الذي يستخدم بعد ذلك لنسبة من الدقة ويعني حسابات الانحراف المطلق المبيعات الفعلية مقارنة مع توقعات المحاكاة. أ 2 معايير تقييم الأداء المتوقعة. اعتمادا على اختيارك من خيارات المعالجة وعلى الاتجاهات والأنماط الموجودة في بيانات المبيعات، وبعض فإن أساليب التنبؤ سوف تؤدي أداء أفضل من غيرها لمجموعة بيانات تاريخية معينة. طريقة التنبؤ المناسبة لمنتج واحد قد لا تكون مناسبة لمنتج آخر ومن غير المرجح أيضا أن طريقة التنبؤ التي توفر نتائج جيدة في مرحلة واحدة من دورة حياة المنتج سوف تظل مناسبة طوال دورة الحياة بأكملها. يمكنك الاختيار بين طريقتين لتقييم الأداء الحالي لأساليب التنبؤ هذه هي تعني الانحراف المطلق ماد و٪ من الدقة بوا كل من هذه الأساليب تقييم الأداء تتطلب بيانات المبيعات التاريخية لفترة محددة المستخدم من الوقت وتسمى هذه الفترة من الوقت فترة الانتظار أو فترات أفضل تناسب بف دات (أ) في هذه الفترة تستخدم كأساس لتوصية أي من طرق التنبؤ المستخدمة في وضع توقعات التوقعات التالية هذه التوصية خاصة بكل منتج، ويمكن أن تتغير من جيل واحد إلى آخر. وتظهر طرائق تقييم أداء التنبؤات في الصفحات التالية لأمثلة أساليب التنبؤ الإثني عشر. أ 3 الطريقة 1 - النسبة المئوية المحددة خلال السنة الماضية. وهذه الطريقة تضاعف بيانات المبيعات من السنة السابقة بواسطة عامل محدد من قبل المستخدم على سبيل المثال، 1 10 لزيادة 10 أو 0 97 ل 3 انخفاض. المطلوبة تاريخ المبيعات سنة واحدة لحساب التوقعات بالإضافة إلى المستخدم المحدد عدد من الفترات الزمنية لتقييم توقعات الأداء معالجة الخيار 19.A 4 1 التنبؤ حساب. سلسلة من تاريخ المبيعات لاستخدامها في حساب الخيار عامل عامل النمو 2a 3 في هذا المثال. سم الأشهر الثلاثة الأخيرة من عام 2005 114 119 137 370. سم نفس الأشهر الثلاثة من العام السابق 123 139 133 395. العامل المحسوب 370 3 95 0 9367.حساب التوقعات. يناير 2005 المبيعات 128 0 9367 119 8036 أو حوالي 120. فبراير 2005 المبيعات 117 0 9367 109 5939 أو حوالي 110.March 2005 المبيعات 115 0 9367 107 7205 أو حوالي 108.A 4 2 حساب محاكاة محاكاة. سم ثلاثة أشهر من عام 2005 قبل فترة الاستحواذ يوليو، أغسطس، سبتمبر 129 140 131 400. نفس نفس ثلاثة أشهر عن العام السابق. 141 118 118 387. المحسوبة عامل 400 387 1 033591731.Calculate محاكاة توقعات المبيعات. أكتوبر 2003 المبيعات 123 1 033591731 127 13178. نوفمبر 2004 مبيعات 139 1 033591731 143 66925.December 2004 المبيعات 133 1 033591731 137 4677.A 4 3 نسبة حساب الدقة. بوا 127 13178 143 66925 137 4677 114 119 137 100 408 26873 370 100 110 3429.A 4 4 حساب الانحراف المطلق المتوسط. أما 127 13178 - 114 143 66925 - 119 137 4677- 137 3 13 13178 24 66925 0 4677 3 12 75624.A 5 الطريقة الثالثة - السنة الماضية إلى هذه السنة هذا الأسلوب نسخ بيانات المبيعات من العام السابق إلى العام المقبل. تاريخ المبيعات المطلوبة سنة واحدة لحساب التوقعات بالإضافة إلى عدد الفترات الزمنية المحددة لتقييم خيار معالجة الأداء التنبؤي 19.A 6 1 حساب التنبؤات: عدد الفترات التي يتعين إدراجها في متوسط ​​خيار المعالجة 4a 3 في هذا المثال. بالنسبة إلى كل شهر من التنبؤات، . توقعات يناير / كانون الثاني 114 119 137 370 أو 370 3 123 333 أو 123. توقعات فبراير / شباط 119 137 123 379 أو 379 3 126 333 أو 126.March التوقعات 137 123 126 379 أو 386 3 128 667 أو 129.A 6 2 التنبؤ المحاكى حساب. أكتوبر 2005 المبيعات 129 140 131 3 133 3333. نوفمبر 2005 المبيعات 140 131 114 3 128 3333.December 2005 المبيعات 131 114 119 3 121 3333.A 6 3 نسبة حساب الدقة. بوا 133 3333 128 3333 121 3333 114 119 137 100 103 513.A 6 4 حساب الانحراف المطلق المتوسط. أحرف 133 3333 - 114 128 3333 - 119 121 3333 - 137 3 14 7777.A 7 الطريقة 5 - تقريب خطى. تقريب خطى يحسب اتجاها يعتمد على نقطتي بيانات تاريخ المبيعات. وتحدد هاتان النقطتان خط اتجاه مستقيمة يتوقع عرضه في f خوارزمية استخدام هذه الطريقة بحذر، حيث يتم الاستفادة من التوقعات طويلة المدى من خلال تغييرات صغيرة في نقطتي بيانات فقط. تاريخ المبيعات المطلوب عدد الفترات التي يجب تضمينها في خيار معالجة الانحدار 5a، زائد 1 بالإضافة إلى عدد الفترات الزمنية لتقييم معالجة الأداء المتوقع الخيار 19.A 8 1 حساب التوقعات. عدد الفترات ليتم تضمينها في خيار معالجة الانحدار 6a 3 في هذا المثال. بالنسبة إلى كل شهر من التوقعات، أضف الزيادة أو النقصان خلال الفترات المحددة قبل فترة الاستبقاء في الفترة السابقة. في الأشهر الثلاثة السابقة 114 119 137 3 123 3333.Summary من الأشهر الثلاثة السابقة مع الوزن في الاعتبار. 114 1 119 2 137 3 763 - الاختلاف بين القيم. 763 - 123 3333 1 2 3 23 - النسبة 1 2 2 2 3 2 - 2 3 14 - 12 2 - النسبة المئوية 1 نسبة الفرق 23 2 11 5 - القيمة 2 المتوسط ​​- القيمة 1 123 3333 - 11 5 2 100 3333.Forecast 1 n value1 value2 4 11 5 100 3333 146 333 أو 146.Forecast 5 11 5 100 3333 157 8333 أو 158.Forecast 6 11 5 100 3333 169 3333 أو 169.A 8 2 حساب التوقعات المحاكية. المبيعات في أكتوبر 2004.المتوسط ​​في الأشهر الثلاثة السابقة . 129 140 131 3 133 3333.Summary من الأشهر الثلاثة السابقة مع الوزن في الاعتبار. 129 1 140 2 131 3 802 - الاختلاف بين القيم. 802 - 133 3333 1 2 3 2.Ratio 1 2 2 2 3 2 - 2 3 14 - 12 2.Value1 نسبة الاختلاف 2 2 1.Value2 متوسط ​​- value1 نسبة 133 3333 - 1 2 131 3333.Forecast 1 n value1 value2 4 1 131 3333 135 3333.November 2004 sales. Average من الأشهر الثلاثة السابقة. 140 131 114 3 128 3333.Summary من الأشهر الثلاثة السابقة مع الوزن في الاعتبار. 140 1 131 2 114 3 744.الفرق بين القيم 744 - 128 3333 1 2 3 -25 9999.Value1 نسبة الاختلاف -25 9999 2 -12 9999.Value2 متوسط ​​- القيمة 1 128 3333 - -12 9999 2 154 3333.Forecast 4 -12 9999 154 3333 102 3333.December 2004 sales. Average من الأشهر الثلاثة السابقة. 131 114 119 3 121 3333.Summary من الأشهر الثلاثة السابقة مع الوزن في الاعتبار. 131 1 114 2 119 3 716.الفرق بين القيم. 716 - 121 3333 1 2 3 -11 9999.Value1 نسبة الاختلاف -11 9999 2 -5 9999.Value2 متوسط ​​- قيمة 1 121 3333 - -5 9999 2 133 3333.Forecast 4 -5 9999 133 3333 109 3333.A 8 3 النسبة المئوية لحساب الدقة. بوا 135 33 102 33 109 33 114 119 137 100 93 78.A 8 4 حساب متوسط ​​الانحراف المطلق. MAD 135 33 - 114 102 33 - 119 109 33 - 137 3 21 88.A 9 الطريقة 7 - درجة التقريب. يحدد الانحدار الخطي القيم a و b في صيغة التنبؤ Y a بكس بهدف تركيب خط مستقيم على بيانات تاريخ المبيعات تقريب الدرجة الثانية متشابه ومع ذلك، تحدد هذه الطريقة قيم a و b و c في صيغة التنبؤ Y بكس cX2 بهدف تركيب منحنى لبيانات تاريخ المبيعات قد تكون هذه الطريقة مفيدة عندما يكون المنتج في مرحلة الانتقال بين مراحل دورة حياة على سبيل المثال، عندما يتحرك منتج جديد من مراحل مقدمة إلى مراحل النمو ، فإن اتجاه المبيعات قد يتسارع بسبب مصطلح الترتيب الثاني، يمكن التنبؤ بسرعة الاقتراب إنفينيتي أو إسقاط إلى الصفر اعتمادا على ما إذا كان معامل ج موجب أو سلبي لذلك، هذه الطريقة مفيدة فقط على المدى القصير. مواصفات فوريك الصيغ يجد a، b، c لتتناسب مع منحنى إلى ثلاث نقاط بالضبط يمكنك تحديد n في خيار المعالجة 7a، وعدد من الفترات الزمنية للبيانات لتتراكم في كل من النقاط الثلاث في هذا المثال ن 3 لذلك، يتم الجمع بين بيانات المبيعات الفعلية لشهر ابريل حتى يونيو في النقطة الأولى، Q1 يوليو حتى سبتمبر تضاف معا لخلق Q2 ، وتشرين الأول / أكتوبر حتى كانون الأول / ديسمبر إلى Q3 سيتم تركيب المنحنى على القيم الثلاث Q1 و Q2 و Q3.Required تاريخ المبيعات 3 n فترات لحساب التوقعات بالإضافة إلى عدد الفترات الزمنية اللازمة لتقييم الأداء التنبؤي بف. عدد من أجل تضمين خيار المعالجة 7 أ 3 في هذا المثال. استخدم الأشهر الثلاثة السابقة في فدرات ثلاثة أشهر. Q1 أبريل - يونيو 125 122 137 384.Q2 يوليو - سبتمبر 129 140 131 400.Q3 أكتوبر - ديسمبر 114 119 137 370. وتشمل الخطوة التالية ج حساب المعاملات الثلاثة a و b و c لاستخدامها في صيغة التنبؤ Y a بكس سك 2. 1 Q1 a بكس سك 2 حيث X 1 a b c. 2 Q2 a بكس سك 2 حيث X 2 a 2b 4c. 3 Q3 a بكس سك 2 حيث X 3 a 3b 9.c حل المعادلات الثلاث في وقت واحد لإيجاد b و a و c. Soptract المعادلة 1 من المعادلة 2 وحل b. Substitute هذه المعادلة b إلى المعادلة 3. 3 Q3 a 3 Q2 - Q1 - 3c C. Finally، يستعاض عن هذه المعادلات عن a و b في المعادلة 1. Q3 - 3 Q2 - Q1 q2 - Q1 - 3c c Q1.c Q3 - Q2 Q1 - Q2 2.The طريقة التقريب من الدرجة الثانية تحسب (أ) و (ب) و (ج) على النحو التالي: (أ) 3 - 3 س 2 - 1 370 - 3 400 - 384 322 ج س 3 - س 2 س 1 - س 2 2 370 - 400 384 - 400 2 - 23 - ب س 2 - 384 - 3 -23 85.Y a بكس سك 2 322 85 X -23 X 2. يناير / كانون الثاني من توقعات آذار / مارس X 4. 322 340 - 368 3 294 3 98 لكل فترة. أبريل من حزيران / يونيه توقعات X 5. 322 425 - 575 3 57 333 أو 57 لكل فترة. توقعات تموز / يوليه من هذا العام X 6 322 510 - 828 3 1 33 أو 1 لكل فترة. تشرين الأول / أكتوبر كانون الأول / ديسمبر X 7. 322 595 - 1127 3 -70.A 9 2 حساب التنبؤات المحاكاة. تشرين الأول / أكتوبر، تشرين الثاني / نوفمبر و ديسمبر، 2004 المبيعات. Q1 يناير - مارس 360.Q2 أبريل - يونيو 384.Q3 يوليو - سبتمبر 400.a 400 - 3 384 - 360 328.c 400 - 384 360 - 384 2 - 4.b 384 - 360 - 3 -4 36. 328 36 4 -4 16 3 136.A 9 3 نسبة حساب الدقة. بوا 136 136 136 114 119 137 100 110 27.A 9 4 حساب الانحراف المطلق المتوسط. أحمد 136 - 114 136 - 119 136 - 137 3 13 33.A 10 الطريقة 8 - الطريقة المرنة. الطريقة المرنة النسبة المئوية أكثر من شهر يشبه سابقة الطريقة 1، النسبة المئوية خلال السنة الماضية كلتا الطريقتين تضاعف بيانات المبيعات من فترة زمنية سابقة بواسطة عامل محدد من قبل المستخدم ، ثم مشروع هذه النتيجة في المستقبل في طريقة النسبة المئوية على مدى العام الماضي، ويستند الإسقاط على بيانات من نفس الفترة الزمنية في العام السابق الأسلوب المرن يضيف القدرة على تحديد فترة زمنية أخرى من نفس الفترة من العام الماضي إلى استخدام كأساس لحسابات. عامل الضرب على سبيل المثال، حدد 1 15 في خيار المعالجة 8b لزيادة البيانات السابقة مبيعات التاريخ بنسبة 15.Base الفترة على سبيل المثال، ن 3 سوف يسبب أول توقعات أن تستند على بيانات المبيعات في أكتوبر، 2005. الحد الأدنى لسجل المبيعات رقم المستخدم المحدد o f إلى فترة الأساس، بالإضافة إلى عدد الفترات الزمنية اللازمة لتقييم الأداء التنبؤي بف. A 10 4 حساب الانحراف المطلق المتوسط. 148 - 114 161 - 119 151 - 137 3 30 ألف 11 الطريقة 9 - التحرك المرجح المتوسط. المتوسط ​​المتحرك المتوسط ​​المرجح أسلوب وما يشبه الأسلوب 4، المتوسط ​​المتحرك ما ومع ذلك، مع المتوسط ​​المتحرك المرجح يمكنك تعيين الأوزان غير المتكافئة للبيانات التاريخية الأسلوب بحساب المتوسط ​​المرجح من تاريخ المبيعات الأخيرة للوصول إلى إسقاط ل short term More recent data is usually assigned a greater weight than older data, so this makes WMA more responsive to shifts in the level of sales However, forecast bias and systematic errors still do occur when the product sales history exhibits strong trend or seasonal patterns This method works better for short range forecasts of mature products rather than for products in the growth or obsolescence stages of the life cycle. n the number of periods of sales history to use in the forecast calculation For example, specify n 3 in the processing option 9a to use the most recent three periods as the basis for the projection into the next time period A large value for n such as 12 requires more sales history It results in a stable forecast, but will be slow to recognize shifts in the level of sales On the other hand, a small value for n such as 3 will respond quicker to shifts in the level of sales, but the forecast may fluctuate so widely that production can not respond to the variations. The weight assigned to each of the historical data periods The assigned weights must total to 1 00 For example, when n 3, assign weights of 0 6, 0 3, and 0 1, with the most recent data receiving the greatest weight. Minimum required sales history n plus the number of time periods required for evaluating the forecast performance PBF. MAD 133 5 - 114 121 7 - 119 118 7 - 137 3 13 5.A 12 Method 10 - Linear Smoothing. This method is similar to Method 9, Weighted Moving Average WMA How ever, instead of arbitrarily assigning weights to the historical data, a formula is used to assign weights that decline linearly and sum to 1 00 The method then calculates a weighted average of recent sales history to arrive at a projection for the short term. As is true of all linear moving average forecasting techniques, forecast bias and systematic errors occur when the product sales history exhibits strong trend or seasonal patterns This method works better for short range forecasts of mature products rather than for products in the growth or obsolescence stages of the life cycle. n the number of periods of sales history to use in the forecast calculation This is specified in the processing option 10a For example, specify n 3 in the processing option 10b to use the most recent three periods as the basis for the projection into the next time period The system will automatically assign the weights to the historical data that decline linearly and sum to 1 00 For example, when n 3, the s ystem will assign weights of 0 5, 0 3333, and 0 1, with the most recent data receiving the greatest weight. Minimum required sales history n plus the number of time periods required for evaluating the forecast performance PBF. A 12 1 Forecast Calculation. Number of periods to include in smoothing average processing option 10a 3 in this example. Ratio for one period prior 3 n 2 n 2 3 3 2 3 2 3 6 0 5.Ratio for two periods prior 2 n 2 n 2 2 3 2 3 2 2 6 0 3333.Ratio for three periods prior 1 n 2 n 2 1 3 2 3 2 1 6 0 1666.January forecast 137 0 5 119 1 3 114 1 6 127 16 or 127.February forecast 127 0 5 137 1 3 119 1 6 129.March forecast 129 0 5 127 1 3 137 1 6 129 666 or 130.A 12 2 Simulated Forecast Calculation. October 2004 sales 129 1 6 140 2 6 131 3 6 133 6666.November 2004 sales 140 1 6 131 2 6 114 3 6 124.December 2004 sales 131 1 6 114 2 6 119 3 6 119 3333.A 12 3 Percent of Accuracy Calculation. POA 133 6666 124 119 3333 114 119 137 100 101 891.A 12 4 Mean Absolute Deviation Calculation. MAD 133 6666 - 114 124 - 119 119 3333 - 137 3 14 1111.A 13 Method 11 - Exponential Smoothing. This method is similar to Method 10, Linear Smoothing In Linear Smoothing the system assigns weights to the historical data that decline linearly In exponential smoothing, the system assigns weights that exponentially decay The exponential smoothing forecasting equation is. Forecast a Previous Actual Sales 1 - a Previous Forecast. The forecast is a weighted average of the actual sales from the previous period and the forecast from the previous period a is the weight applied to the actual sales for the previous period 1 - a is the weight applied to the forecast for the previous period Valid values for a range from 0 to 1, and usually fall between 0 1 and 0 4 The sum of the weights is 1 00 a 1 - a 1.You should assign a value for the smoothing constant, a If you do not assign values for the smoothing constant, the system calculates an assumed value based upon the number of periods of sales history specifie d in the processing option 11a. a the smoothing constant used in calculating the smoothed average for the general level or magnitude of sales Valid values for a range from 0 to 1.n the range of sales history data to include in the calculations Generally one year of sales history data is sufficient to estimate the general level of sales For this example, a small value for n n 3 was chosen in order to reduce the manual calculations required to verify the results Exponential smoothing can generate a forecast based on as little as one historical data point. Minimum required sales history n plus the number of time periods required for evaluating the forecast performance PBF. A 13 1 Forecast Calculation. Number of periods to include in smoothing average processing option 11a 3, and alpha factor processing option 11b blank in this example. a factor for the oldest sales data 2 1 1 , or 1 when alpha is specified. a factor for the 2nd oldest sales data 2 1 2 , or alpha when alpha is specified. a factor for the 3rd oldest sales data 2 1 3 , or alpha when alpha is specified. a factor for the most recent sales data 2 1 n , or alpha when alpha is specified. November Sm Avg a October Actual 1 - a October Sm Avg 1 114 0 0 114.December Sm Avg a November Actual 1 - a November Sm Avg 2 3 119 1 3 114 117 3333.January Forecast a December Actual 1 - a December Sm Avg 2 4 137 2 4 117 3333 127 16665 or 127.February Forecast January Forecast 127.March Forecast January Forecast 127.A 13 2 Simulated Forecast Calculation. July, 2004 Sm Avg 2 2 129 129.August Sm Avg 2 3 140 1 3 129 136 3333.September Sm Avg 2 4 131 2 4 136 3333 133 6666.October, 2004 sales Sep Sm Avg 133 6666.August, 2004 Sm Avg 2 2 140 140.September Sm Avg 2 3 131 1 3 140 134.October Sm Avg 2 4 114 2 4 134 124.November, 2004 sales Sep Sm Avg 124.September 2004 Sm Avg 2 2 131 131.October Sm Avg 2 3 114 1 3 131 119 6666.November Sm Avg 2 4 119 2 4 119 6666 119 3333.December 2004 sales Sep Sm Avg 119 3333.A 13 3 Percent of Accuracy Calcula tion. POA 133 6666 124 119 3333 114 119 137 100 101 891.A 13 4 Mean Absolute Deviation Calculation. MAD 133 6666 - 114 124 - 119 119 3333 - 137 3 14 1111.A 14 Method 12 - Exponential Smoothing with Trend and Seasonality. This method is similar to Method 11, Exponential Smoothing in that a smoothed average is calculated However, Method 12 also includes a term in the forecasting equation to calculate a smoothed trend The forecast is composed of a smoothed averaged adjusted for a linear trend When specified in the processing option, the forecast is also adjusted for seasonality. a the smoothing constant used in calculating the smoothed average for the general level or magnitude of sales Valid values for alpha range from 0 to 1.b the smoothing constant used in calculating the smoothed average for the trend component of the forecast Valid values for beta range from 0 to 1.Whether a seasonal index is applied to the forecast. a and b are independent of each other They do not have to add to 1 0.Min imum required sales history two years plus the number of time periods required for evaluating the forecast performance PBF. Method 12 uses two exponential smoothing equations and one simple average to calculate a smoothed average, a smoothed trend, and a simple average seasonal factor. A 14 1 Forecast Calculation. A An exponentially smoothed average. MAD 122 81 - 114 133 14 - 119 135 33 - 137 3 8 2.A 15 Evaluating the Forecasts. You can select forecasting methods to generate as many as twelve forecasts for each product Each forecasting method will probably create a slightly different projection When thousands of products are forecast, it is impractical to make a subjective decision regarding which of the forecasts to use in your plans for each of the products. The system automatically evaluates performance for each of the forecasting methods that you select, and for each of the products forecast You can choose between two performance criteria, Mean Absolute Deviation MAD and Percent of Accur acy POA MAD is a measure of forecast error POA is a measure of forecast bias Both of these performance evaluation techniques require actual sales history data for a user specified period of time This period of recent history is called a holdout period or periods best fit PBF. To measure the performance of a forecasting method, use the forecast formulae to simulate a forecast for the historical holdout period There will usually be differences between actual sales data and the simulated forecast for the holdout period. When multiple forecast methods are selected, this same process occurs for each method Multiple forecasts are calculated for the holdout period, and compared to the known sales history for that same period of time The forecasting method producing the best match best fit between the forecast and the actual sales during the holdout period is recommended for use in your plans This recommendation is specific to each product, and might change from one forecast generation to the ne xt. A 16 Mean Absolute Deviation MAD. 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 has shown to be the most reliable for that product for that holdout period When the forecast is unbiased and errors are normally distributed, there is a simple mathematical relationship between MAD and two other common measures of distribution, standard deviation and Mean Squared Error. A 16 1 Percent of Accuracy POA. 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 two low, inventories are consumed and customer service decline s A forecast that is 10 units too low, then 8 units too high, then 2 units too high, would be an unbiased forecast The positive error of 10 is canceled by negative errors of 8 and 2.Error Actual - Forecast. When a product can be stored in inventory, and when the forecast is unbiased, a small amount of safety stock can be used to buffer the errors In this situation, it is not so important to eliminate forecast errors as it is to generate unbiased forecasts However in service industries, the above situation would be viewed as three errors The service would be understaffed in the first period, then overstaffed for the next two periods In services, the magnitude of forecast errors is usually more important than is forecast bias. The summation over the holdout period allows positive errors to cancel negative errors When the total of actual sales exceeds the total of forecast sales, the ratio is greater than 100 Of course, it is impossible to be more than 100 accurate When a forecast is unbias ed, the POA ratio will be 100 Therefore, it is more desirable to be 95 accurate than to be 110 accurate The POA criteria select the forecasting method that has a POA ratio closest to 100.Scripting on this page enhances content navigation, but does not change the content in any way. What s the difference between moving average and weighted moving average. A 5-period moving average, based on the prices above, would be calculated using the following formula. Based on the equation above, the average price over the period listed above was 90 66 Using moving averages is an effective method for eliminating strong price fluctuations The key limitation is that data points from older data are not weighted any differently than data points near the beginning of the data set This is where weighted moving averages come into play. Weighted averages assign a heavier weighting to more current data points since they are more relevant than data points in the distant past The sum of the weighting should add u p to 1 or 100 In the case of the simple moving average, the weightings are equally distributed, which is why they are not shown in the table above. Closing Price of AAPL.