Méthode De La Moyenne Mobile Des Prévisions De Ventes

Moyenne mobile Prévision Introduction. Comme vous pouvez le deviner, nous examinons certaines des approches les plus primitives en matière de prévision. Mais nous espérons que ce sont au moins une introduction utile à certains des problèmes informatiques liés à la mise en œuvre des prévisions dans les tableurs. Dans cette veine, nous allons continuer en commençant par le début et commencer à travailler avec les prévisions Moyenne mobile. Prévisions moyennes mobiles. Tout le monde est familier avec les prévisions de moyenne mobile, peu importe s'ils croient qu'ils sont. Tous les étudiants les font tout le temps. Pensez à vos résultats d'examen dans un cours où vous allez avoir quatre tests au cours du semestre. Supposons que vous avez obtenu un 85 sur votre premier test. Que penseriez-vous que votre professeur pourrait prédire pour votre score de test suivant Que pensez-vous que vos amis pourraient prédire pour votre score de test suivant Que pensez-vous que vos parents pourraient prédire pour votre score de test suivant Indépendamment de Tous les blabbing que vous pourriez faire à vos amis et parents, ils et votre professeur sont très susceptibles de vous attendre à obtenir quelque chose dans le domaine des 85 que vous venez de recevoir. Eh bien, maintenant, supposons qu'en dépit de votre auto-promotion à vos amis, vous surestimer vous-même et la figure que vous pouvez étudier moins pour le deuxième test et ainsi vous obtenez un 73. Maintenant, qu'est-ce que tous les intéressés et indifférents va Anticiper que vous obtiendrez sur votre troisième test Il ya deux approches très probables pour eux de développer une estimation indépendamment du fait qu'ils le partageront avec vous. Ils peuvent se dire, ce type est toujours souffler de la fumée sur son smarts. Hes va obtenir un autre 73 si hes chance. Peut-être que les parents vont essayer d'être plus solidaires et dire: «Bien, jusqu'à présent, vous avez obtenu un 85 et un 73, donc vous devriez peut-être figure sur obtenir un (85 73) 2 79. Je ne sais pas, peut-être si vous avez moins de fête Et werent remuant la belette tout autour de la place et si vous avez commencé à faire beaucoup plus étudier vous pourriez obtenir un meilleur score. quot Ces deux estimations sont en fait des prévisions moyennes mobiles. Le premier est d'utiliser uniquement votre score le plus récent pour prévoir vos performances futures. C'est ce que l'on appelle une moyenne mobile en utilisant une période de données. La seconde est également une prévision moyenne mobile, mais en utilisant deux périodes de données. Supposons que toutes ces personnes se brisant sur votre grand esprit ont sorte de pissé vous off et vous décidez de bien faire sur le troisième test pour vos propres raisons et de mettre un score plus élevé en face de vos quotalliesquot. Vous prenez le test et votre score est en fait un 89 Tout le monde, y compris vous-même, est impressionné. Donc, maintenant, vous avez le test final du semestre à venir et, comme d'habitude, vous vous sentez le besoin d'inciter tout le monde à faire leurs prédictions sur la façon dont vous allez faire sur le dernier test. Eh bien, j'espère que vous voyez le modèle. Maintenant, j'espère que vous pouvez voir le modèle. Qui pensez-vous est le sifflet le plus précis alors que nous travaillons. Maintenant, nous revenons à notre nouvelle entreprise de nettoyage a commencé par votre demi-soeur sœur appelé Whistle While We Work. Vous avez des données de ventes passées représentées par la section suivante dans une feuille de calcul. Nous présentons d'abord les données pour une moyenne mobile de trois périodes prévisionnelles. L'entrée pour la cellule C6 doit être maintenant Vous pouvez copier cette formule de cellule vers le bas pour les autres cellules C7 à C11. Remarquez comment la moyenne se déplace sur les données historiques les plus récentes, mais utilise exactement les trois périodes les plus récentes disponibles pour chaque prédiction. Vous devriez également remarquer que nous n'avons pas vraiment besoin de faire les prédictions pour les périodes passées afin de développer notre prédiction la plus récente. Ceci est certainement différent du modèle de lissage exponentiel. Ive inclus les prévisions quotpastquot parce que nous les utiliserons dans la prochaine page Web pour mesurer la validité de prédiction. Maintenant, je veux présenter les résultats analogues pour une prévision moyenne mobile à deux périodes. L'entrée pour la cellule C5 doit être Maintenant, vous pouvez copier cette formule de cellule vers le bas pour les autres cellules C6 à C11. Remarquez que maintenant, seules les deux plus récentes données historiques sont utilisées pour chaque prédiction. Ici encore, j'ai inclus les prévisions quotpast à des fins d'illustration et pour une utilisation ultérieure dans la validation des prévisions. Quelques autres choses qui sont d'importance à remarquer. Pour une prévision moyenne mobile de la période m, seules les m valeurs de données les plus récentes sont utilisées pour faire la prédiction. Rien d'autre n'est nécessaire. Pour une prévision moyenne mobile de la période m, lorsque vous faites des prédictions quotpast, notez que la première prédiction se produit dans la période m 1. Ces deux questions seront très importantes lorsque nous développerons notre code. Développement de la fonction Moyenne mobile. Maintenant, nous devons développer le code de la moyenne mobile qui peut être utilisé avec plus de souplesse. Le code suit. Notez que les entrées sont pour le nombre de périodes que vous souhaitez utiliser dans la prévision et le tableau des valeurs historiques. Vous pouvez le stocker dans le classeur que vous voulez. Fonction DéplacementAvant (Historique, NumberOfPeriods) En tant que Déclaration unique et initialisation de variables Dim Item Comme Variante Dim Compteur Comme Entier Dim Accumulation Comme Simple Dim HistoricalSize As Integer Initialisation des variables Counter 1 Accumulation 0 Détermination de la taille de Historique HistoricalSize Historical. Count For Counter 1 To NumberOfPeriods Accumuler le nombre approprié des valeurs les plus récentes observées antérieurement Accumulation Accumulation Historique (Historique - Taille - NombreOfPeriods Counter) MovingAverage Accumulation NumberOfPeriods Le code sera expliqué en classe. Vous souhaitez positionner la fonction sur la feuille de calcul afin que le résultat du calcul apparaît où il devrait aimer la suivante. L'approche la plus simple serait de prendre la moyenne de Janvier à Mars et l'utiliser pour estimer les ventes d'avril8217: (129 134 122) 3 128.333 Ainsi, sur la base des ventes de janvier à mars, vous prédirez que les ventes en avril seront de 128 333. Une fois que les ventes réelles d'avril sont arrivées, vous calculez ensuite la prévision pour mai, cette fois en février à avril. Vous devez être cohérent avec le nombre de périodes que vous utilisez pour la prévision moyenne mobile. Le nombre de périodes que vous utilisez dans vos prévisions de moyenne mobile est arbitraire, vous pouvez utiliser seulement deux périodes, ou cinq ou six périodes de votre volonté pour générer vos prévisions. L'approche ci-dessus est une moyenne mobile simple. Parfois, les ventes plus récentes8217 peuvent être plus influentes des ventes du mois à venir, donc vous voulez donner à ces mois plus près plus de poids dans votre modèle de prévision. Il s'agit d'une moyenne mobile pondérée. Et tout comme le nombre de périodes, les poids que vous assignez sont purement arbitraires. Let8217s dire que vous vouliez donner March8217s ventes 50 poids, Février8217s 30 poids et Janvier8217s 20. Ensuite, votre prévision pour avril sera 127.000 (122.50) (134.30) (129.20) 127. Limites des méthodes de moyenne mobile Les moyennes mobiles sont considérées comme une technique de prévision 8220smoothing8221. Parce que vous êtes en train de prendre une moyenne au fil du temps, vous adouciez (ou lissage) les effets des occurrences irrégulières dans les données. Par conséquent, les effets de la saisonnalité, des cycles économiques et d'autres événements aléatoires peuvent considérablement augmenter les erreurs de prévision. Jetez un coup d'oeil à une année pleine de données 8217s, et comparer une moyenne mobile de 3 périodes et une moyenne mobile de 5 périodes: Notez que dans ce cas que je n'ai pas créé des prévisions, mais plutôt centré les moyennes mobiles. La première moyenne mobile sur trois mois est pour février, et elle est la moyenne de janvier, février et mars. J'ai aussi fait semblable pour la moyenne sur 5 mois. Maintenant, jetez un oeil sur le graphique suivant: Qu'est-ce que vous voyez n'est pas la moyenne de trois mois de la série moyenne beaucoup plus lisse que la série de ventes réelles Et comment environ la moyenne mobile de cinq mois It8217s encore plus lisse. Par conséquent, plus vous utilisez de périodes dans votre moyenne mobile, le plus lisse votre série chronologique. Par conséquent, pour les prévisions, une moyenne mobile simple peut ne pas être la méthode la plus précise. Les méthodes moyennes mobiles se révèlent très précieuses lorsque l'on essaie d'extraire les composantes saisonnières, irrégulières et cycliques d'une série chronologique pour des méthodes de prévision plus avancées, comme la régression et l'ARIMA, et l'utilisation de moyennes mobiles pour décomposer une série chronologique sera traitée plus tard Dans la série. Détermination de l'exactitude d'un modèle de moyenne mobile En général, vous voulez une méthode de prévision qui a le moins d'erreur entre les résultats réels et prédits. L'une des mesures les plus courantes de l'exactitude des prévisions est l'écart absolu moyen (MAD). Dans cette approche, pour chaque période de la série chronologique pour laquelle vous avez généré une prévision, vous prenez la valeur absolue de la différence entre les valeurs réelles et prévisionnelles de cette période (la déviation). Ensuite, vous faites la moyenne de ces écarts absolus et vous obtenez une mesure de MAD. MAD peut être utile pour décider du nombre de périodes que vous faites en moyenne, ou de la quantité de poids que vous placez sur chaque période. En général, vous choisissez celle qui donne le MAD le plus bas. Voici un exemple de la façon dont MAD est calculé: MAD est simplement la moyenne de 8, 1 et 3. Moyennes mobiles: Recap En utilisant les moyennes mobiles pour la prévision, n'oubliez pas: Les moyennes mobiles peuvent être simples ou pondérées Le nombre de périodes que vous utilisez pour votre Moyenne et tous les poids que vous assignez à chacun sont strictement arbitraires Moyennes mobiles lissent les motifs irréguliers dans les séries chronologiques données plus le nombre de périodes utilisées pour chaque point de données, plus l'effet de lissage En raison de lissage, la prévision des ventes du mois prochain 8217s basé sur le La plupart des ventes récentes de mois de mai peuvent entraîner de grands écarts en raison de la saisonnalité, cyclique, et les modèles irréguliers dans les données et les capacités de lissage d'une méthode de moyenne mobile peut être utile pour décomposer une série chronologique pour les méthodes de prévision plus avancées. Semaine suivante: Exponential Smoothing Dans la semaine prochaine 8217s Prévision vendredi. Nous allons discuter des méthodes de lissage exponentielle, et vous verrez qu'ils peuvent être bien supérieurs à la moyenne mobile des méthodes de prévision. 1) Pouvez-vous utiliser l'approche centrée MA pour prévoir ou tout simplement pour enlever la saisonnalité 2) Quand Vous utilisez le t simple (t-1t-2t-k) k MA pour prévoir une période à venir, est-il possible de prévoir plus d'une période à venir Je suppose que votre prévision serait l'un des points d'alimentation dans la prochaine. Merci. J'adore l'info et vos explications Je suis content que vous ayez aimé le blog I8217m sûr que plusieurs analystes ont utilisé l'approche centrée MA pour la prévision, mais personnellement je ne le ferais pas, puisque cette approche entraîne une perte d'observations aux deux extrémités. En fait, cela relie votre deuxième question. Généralement, un MA simple est utilisé pour prévoir une seule période à venir, mais de nombreux analystes 8211 et moi aussi parfois 8211 utiliseront ma prévision d'une période à venir comme l'une des entrées à la deuxième période à venir. Il est important de se rappeler que plus vous prévoyez de prévoir dans l'avenir, plus votre risque d'erreur de prévision est élevé. C'est la raison pour laquelle je ne recommande pas un MA centré pour la prévision 8211 la perte d'observations à la fin signifie avoir à compter sur les prévisions pour les observations perdues, ainsi que la période à venir, de sorte qu'il ya plus de chance d'erreur de prévision. Les lecteurs: vous êtes invités à peser dessus. Avez-vous des idées ou des suggestions sur ce Brian, merci pour votre commentaire et vos compliments sur le blog Nice initiative et une belle explication. It8217s vraiment utile. Je prévois des circuits imprimés personnalisés pour un client qui ne donne aucune prévision. J'ai utilisé la moyenne mobile, mais il n'est pas très précis que l'industrie peut monter et descendre. Nous voyons vers le milieu de l'été à la fin de l'année que l'expédition pcb8217s est en place. Ensuite, nous voyons au début de l'année ralentit. Comment puis-je être plus précis avec mes données Katrina, d'après ce que vous m'avez dit, il semble que vos ventes de circuits imprimés ont une composante saisonnière. Je ne saisir la saisonnalité dans certains des autres postes vendredi Prévisions. Une autre approche que vous pouvez utiliser, ce qui est assez facile, est l'algorithme Holt-Winters, qui tient compte de la saisonnalité. Vous pouvez trouver une bonne explication ici. Assurez-vous de déterminer si vos modèles saisonniers sont multiplicatifs ou additifs, car l'algorithme est légèrement différent pour chacun. Si vous tracer vos données mensuelles de quelques années et voir que les variations saisonnières à la même époque des années semblent être constante d'année en année, alors la saisonnalité est additive si les variations saisonnières au fil du temps semblent augmenter, alors la saisonnalité est Multiplicative. La plupart des séries chronologiques saisonnières seront multiplicatives. En cas de doute, supposer multiplicatif. Bonne chance Bonjour, Entre ces méthodes:. Prévision de la nef. Mise à jour de la moyenne. Moyenne mobile de longueur k. Moyenne mobile pondérée de longueur k OU Lissage exponentiel Lequel de ces modèles de mise à jour me recommandez-vous d'utiliser pour prévoir les données? À mon avis, je pense à la moyenne mobile. Mais je ne sais pas comment le rendre clair et structuré Cela dépend vraiment de la quantité et la qualité des données que vous avez et votre horizon de prévision (à long terme, à moyen terme ou à court terme) 3 Comprendre les niveaux de prévision et les méthodes Vous pouvez Générer des prévisions de détail (article unique) et des prévisions sommaires (ligne de produits) reflétant les modèles de demande de produits. Le système analyse les ventes passées pour calculer les prévisions en utilisant 12 méthodes de prévision. Les prévisions incluent des informations détaillées au niveau de l'article et des informations de niveau supérieur sur une succursale ou l'entreprise dans son ensemble. 3.1 Critères d'évaluation de la performance des prévisions En fonction de la sélection des options de traitement et des tendances et schémas des données sur les ventes, certaines méthodes de prévision ont un meilleur rendement que d'autres pour un ensemble de données historiques donné. Une méthode de prévision appropriée pour un produit peut ne pas convenir à un autre produit. Vous pouvez constater qu'une méthode de prévision qui fournit de bons résultats à un stade du cycle de vie d'un produit demeure appropriée tout au long du cycle de vie. Vous pouvez choisir entre deux méthodes pour évaluer le rendement actuel des méthodes de prévision: Pourcentage de précision (POA). Déviation absolue moyenne (MAD). Ces deux méthodes d'évaluation des performances requièrent des données de ventes historiques pour une période que vous spécifiez. Cette période est appelée période de blocage ou période de meilleur ajustement. Les données de cette période servent de base pour recommander la méthode de prévision à utiliser pour réaliser la projection de prévision suivante. Cette recommandation est spécifique à chaque produit et peut changer d'une génération de prévision à l'autre. 3.1.1 Meilleur ajustement Le système recommande la meilleure prévision d'ajustement en appliquant les méthodes de prévision sélectionnées à l'historique des commandes passées et en comparant la simulation de prévision à l'historique réel. Lorsque vous générez une prévision de meilleur ajustement, le système compare les historiques des commandes client à des prévisions pour une période donnée et calcule la précision avec laquelle chaque méthode de prévision différente prédit les ventes. Ensuite, le système recommande la prévision la plus précise comme la meilleure solution. Ce graphique illustre les meilleures prévisions d'ajustement: Figure 3-1 Prévision des meilleures prévisions Le système utilise cette séquence d'étapes pour déterminer le meilleur ajustement: Utiliser chaque méthode spécifiée pour simuler une prévision pour la période de blocage. Comparer les ventes réelles aux prévisions simulées pour la période d'indisponibilité. Calculer le POA ou le MAD pour déterminer quelle méthode de prévision correspond le plus exactement aux ventes réelles passées. Le système utilise POA ou MAD, en fonction des options de traitement que vous sélectionnez. Recommander une meilleure prévision d'ajustement par le POA qui est le plus proche de 100 pour cent (plus ou moins) ou le MAD qui est le plus proche de zéro. 3.2 Méthodes de prévision JD Edwards EnterpriseOne utilise 12 méthodes de prévision quantitative et indique quelle méthode est la mieux adaptée à la situation de prévision. Cette section traite de ce qui suit: Méthode 1: Pourcentage sur l'année dernière. Méthode 2: Pourcentage calculé sur l'année dernière. Méthode 3: Année passée à cette année. Méthode 4: Moyenne mobile. Méthode 5: Approximation linéaire. Méthode 6: Régression des moindres carrés. Méthode 7: Approximation du deuxième degré. Méthode 8: Méthode flexible. Méthode 9: Moyenne mobile pondérée. Méthode 10: Lissage linéaire. Méthode 11: Lissage exponentiel. Méthode 12: lissage exponentiel avec tendance et saisonnalité. Spécifiez la méthode que vous souhaitez utiliser dans les options de traitement du programme Prévisions de génération (R34650). La plupart de ces méthodes fournissent un contrôle limité. Par exemple, vous pouvez spécifier le poids des données historiques récentes ou la plage de dates des données historiques utilisées dans les calculs. Les exemples du guide indiquent la procédure de calcul pour chacune des méthodes de prévision disponibles, compte tenu d'un ensemble identique de données historiques. Les exemples de méthode dans le guide utilisent une partie ou la totalité de ces ensembles de données, qui sont des données historiques des deux dernières années. Les projections de prévision vont à l'année prochaine. Ces données sur l'historique des ventes sont stables, avec de légères hausses saisonnières en juillet et en décembre. Ce modèle est caractéristique d'un produit mature qui pourrait s'approcher de l'obsolescence. 3.2.1 Méthode 1: Pourcentage sur l'année dernière Cette méthode utilise la formule Pourcentage sur l'année dernière pour multiplier chaque période de prévision par l'augmentation ou la diminution en pourcentage spécifiée. Pour prévoir la demande, cette méthode nécessite le nombre de périodes pour le meilleur ajustement plus un an de l'historique des ventes. Cette méthode est utile pour prévoir la demande d'articles saisonniers avec croissance ou déclin. 3.2.1.1 Exemple: Méthode 1: Pourcentage sur l'année dernière La formule Pourcentage sur l'année dernière multiplie les données de ventes de l'année précédente par un facteur que vous spécifiez, puis projette le résultat au cours de l'année suivante. Cette méthode pourrait être utile dans la budgétisation pour simuler l'incidence d'un taux de croissance spécifié ou lorsque l'historique des ventes a une composante saisonnière importante. Spécifications prévisionnelles: Facteur de multiplication. Par exemple, spécifiez 110 dans l'option de traitement pour augmenter les données d'historique des ventes des années précédentes de 10%. Historique des ventes requis: un an pour le calcul de la prévision, plus le nombre de périodes nécessaires pour évaluer les performances de prévision (périodes de meilleur ajustement) que vous spécifiez. Ce tableau est l'historique utilisé dans le calcul de la prévision: la prévision de février est égale à 117 fois 1,1 128,7 arrondi à 129. La prévision de mars est égale à 115 fois 1,1 126,5 arrondi à 127. 3.2.2 Méthode 2: Calcul calculé sur l'année dernière Cette méthode utilise le pourcentage calculé Formule de l'année dernière pour comparer les ventes passées de périodes spécifiées aux ventes des mêmes périodes de l'année précédente. Le système détermine une augmentation ou une diminution en pourcentage, puis multiplie chaque période par le pourcentage pour déterminer la prévision. Pour prévoir la demande, cette méthode nécessite le nombre de périodes d'historique des commandes clients plus un an de l'historique des ventes. Cette méthode est utile pour prévoir la demande à court terme d'articles saisonniers avec croissance ou déclin. 3.2.2.1 Exemple: Méthode 2: Pourcentage calculé par rapport à l'année dernière La formule calculée pour cent par rapport à l'année dernière multiplie les données de ventes de l'année précédente par un facteur calculé par le système, puis projette ce résultat pour l'année suivante. Cette méthode pourrait être utile pour projeter l'effet d'étendre le taux de croissance récent d'un produit dans l'année suivante tout en préservant un modèle saisonnier qui est présent dans l'histoire des ventes. Spécifications prévisionnelles: Gamme d'historique des ventes à utiliser pour calculer le taux de croissance. Par exemple, spécifiez n égal à 4 dans l'option de traitement pour comparer l'historique des ventes pour les quatre dernières périodes à ces mêmes quatre périodes de l'année précédente. Utilisez le ratio calculé pour faire la projection pour l'année suivante. Historique des ventes requis: Un an pour calculer la prévision plus le nombre de périodes nécessaires pour évaluer le rendement prévu (périodes de meilleur ajustement). Ce tableau est l'historique utilisé dans le calcul de la prévision, étant donné n 4: la prévision de février est égale à 117 fois 0,9766 114,26 arrondie à 114. La prévision de mars est égale à 115 fois 0,9766 112,31 arrondie à 112. 3.2.3 Méthode 3: Dernières années pour les prochaines années. Pour prévoir la demande, cette méthode nécessite le nombre de périodes le mieux adapté plus un an de l'historique des commandes client. Cette méthode est utile pour prévoir la demande de produits matures avec une demande de niveau ou une demande saisonnière sans tendance. 3.2.3.1 Exemple: Méthode 3: Année dernière à cette année La formule Année dernière à cette année copie les données de ventes de l'année précédente à l'année suivante. Cette méthode pourrait être utile dans la budgétisation pour simuler les ventes au niveau actuel. Le produit est mature et n'a pas de tendance sur le long terme, mais il peut exister un schéma de demande saisonnière important. Spécifications prévisionnelles: Aucune. Historique des ventes requis: Un an pour calculer la prévision plus le nombre de périodes nécessaires pour évaluer le rendement prévu (périodes de meilleur ajustement). Ce tableau est l'historique utilisé pour le calcul de la prévision: la prévision de janvier est égale à janvier de l'année dernière avec une valeur de prévision de 128. La prévision de février est égale à février de l'année dernière avec une valeur de prévision de 117. La prévision de mars équivaut à mars de l'année dernière avec une valeur de prévision de 115. 3.2.4 Méthode 4: Moyenne mobile Cette méthode utilise la formule Moyenne mobile pour faire la moyenne du nombre de périodes spécifié pour projeter la période suivante. Vous devriez le recalculer souvent (mensuel, ou au moins trimestriel) pour refléter l'évolution du niveau de la demande. Pour prévoir la demande, cette méthode nécessite le nombre de périodes le mieux adapté, plus le nombre de périodes de l'historique des commandes client. Cette méthode est utile pour prévoir la demande de produits matures sans tendance. 3.2.4.1 Exemple: Méthode 4: Moyenne mobile de déplacement La moyenne mobile (MA) est une méthode populaire pour calculer la moyenne des résultats de l'historique des ventes récentes afin de déterminer une projection à court terme. La méthode de prévision MA est à la traîne des tendances. Les biais prévisionnels et les erreurs systématiques se produisent lorsque l'historique des ventes de produits présente une forte tendance ou des tendances saisonnières. Cette méthode fonctionne mieux pour les prévisions à court terme de produits matures que pour les produits en phase de croissance ou d'obsolescence du cycle de vie. Spécifications prévisionnelles: n est égal au nombre de périodes d'historique des ventes à utiliser dans le calcul de la prévision. Par exemple, spécifiez n 4 dans l'option de traitement pour utiliser les quatre dernières périodes comme base pour la projection dans la période suivante. Une grande valeur pour n (telle que 12) nécessite plus d'historique des ventes. Il en résulte une prévision stable, mais est lent à reconnaître les changements dans le niveau des ventes. Inversement, une petite valeur pour n (comme 3) est plus rapide pour répondre aux variations du niveau des ventes, mais la prévision pourrait fluctuer si largement que la production ne peut pas répondre aux variations. Historique des ventes requis: n plus le nombre de périodes nécessaires à l'évaluation des performances prévues (périodes de meilleur ajustement). Ce tableau est l'historique utilisé dans le calcul de la prévision: la prévision de février est égale à (114 119 137 125) 4 123.75 arrondie à 124. La prévision de mars égale (119 137 125 124) 4 126,25 arrondie à 126. 3.2.5 Méthode 5: Approximation linéaire Cette méthode Utilise la formule d'approximation linéaire pour calculer une tendance à partir du nombre de périodes de l'historique des commandes client et pour projeter cette tendance à la prévision. Vous devez recalculer la tendance mensuellement pour détecter les changements dans les tendances. Cette méthode exige le nombre de périodes de meilleur ajustement plus le nombre de périodes spécifiées de l'historique des commandes client. Cette méthode est utile pour prévoir la demande de nouveaux produits ou des produits dont les tendances positives ou négatives sont cohérentes et qui ne sont pas dues aux fluctuations saisonnières. 3.2.5.1 Exemple: Méthode 5: Approximation linéaire L'approximation linéaire calcule une tendance basée sur deux points de données d'historique des ventes. Ces deux points définissent une ligne de tendance droite qui est projetée dans l'avenir. Utilisez cette méthode avec prudence car les prévisions à long terme sont exploitées par de petits changements en seulement deux points de données. Spécifications de prévision: n est égal au point de données de l'historique des ventes qui est comparé au point de données le plus récent pour identifier une tendance. Par exemple, spécifiez n 4 pour utiliser la différence entre décembre (données les plus récentes) et août (quatre périodes avant décembre) comme base de calcul de la tendance. Historique des ventes minimum requis: n plus 1 plus le nombre de périodes nécessaires pour évaluer le rendement prévu (périodes de meilleur ajustement). Ce tableau est l'historique utilisé dans le calcul de la prévision: Prévision de janvier Décembre de l'année précédente 1 (Tendance) qui est égal à 137 (1 fois 2) 139. Prévision de février Décembre de l'année précédente 1 (Tendance) qui est 137 (2 fois 2) 141. La méthode de régression des moindres carrés (LSR) dérive une équation décrivant une relation de droite entre les données de ventes historiques Et le passage du temps. LSR ajuste une ligne à la plage de données sélectionnée de sorte que la somme des carrés des différences entre les points de données de vente réels et la ligne de régression soient minimisées. La prévision est une projection de cette droite vers l'avenir. Cette méthode nécessite l'historique des données de vente pour la période qui est représentée par le nombre de périodes le mieux adapté plus le nombre spécifié de périodes de données historiques. L'exigence minimale est deux points de données historiques. Cette méthode est utile pour prévoir la demande lorsqu'une tendance linéaire est dans les données. 3.2.6.1 Exemple: Méthode 6: régression linéaire de régression des moindres carrés, ou régression des moindres carrés (LSR), est la méthode la plus populaire pour identifier une tendance linéaire dans les données de ventes historiques. La méthode calcule les valeurs de a et b à utiliser dans la formule: Cette équation décrit une droite, où Y représente les ventes et X représente le temps. La régression linéaire est lente à reconnaître les points de retournement et les changements de fonction d'étape de la demande. La régression linéaire correspond à une droite aux données, même si les données sont saisonnières ou mieux décrites par une courbe. Lorsque les données de l'historique des ventes suivent une courbe ou présentent un schéma saisonnier fort, des biais prévisionnels et des erreurs systématiques se produisent. Spécifications de prévision: n correspond aux périodes de l'historique des ventes qui seront utilisées pour calculer les valeurs de a et b. Par exemple, spécifiez n 4 pour utiliser l'historique de septembre à décembre comme base pour les calculs. Lorsque des données sont disponibles, un n plus grand (tel que n 24) serait habituellement utilisé. LSR définit une ligne pour aussi peu que deux points de données. Pour cet exemple, une petite valeur de n (n 4) a été choisie pour réduire les calculs manuels requis pour vérifier les résultats. Historique des ventes minimum requis: n périodes plus le nombre de périodes nécessaires pour évaluer le rendement prévu (périodes de meilleur ajustement). Cette méthode est utilisée dans le calcul de la prévision: la prévision de mars est égale à 119,5 (7 fois 2,3) 135,6, arrondie à 136. 3.2.7 Méthode 7: Approximation du deuxième degré Pour appliquer la prévision, cette méthode utilise la formule d'approximation du deuxième degré pour tracer une courbe Qui est basé sur le nombre de périodes de l'histoire des ventes. Cette méthode nécessite le nombre de périodes le mieux adapté plus le nombre de périodes de l'historique des commandes de vente fois trois. Cette méthode n'est pas utile pour prévoir la demande pour une période de long terme. 3.2.7.1 Exemple: Méthode 7: Approximation du second degré La régression linéaire détermine les valeurs de a et b dans la formule de prévision Y a b X dans le but d'ajuster une ligne droite aux données de l'historique des ventes. L'approximation du deuxième degré est similaire, mais cette méthode détermine les valeurs de a, b et c dans cette formule de prévision: Y a b X c X 2 L'objectif de cette méthode est d'adapter une courbe aux données de l'historique des ventes. Cette méthode est utile lorsqu'un produit se trouve dans la transition entre les étapes du cycle de vie. Par exemple, lorsqu'un nouveau produit passe de l'introduction aux étapes de croissance, la tendance des ventes pourrait s'accélérer. En raison du terme du second ordre, la prévision peut rapidement approcher l'infini ou tomber à zéro (selon que le coefficient c est positif ou négatif). Cette méthode n'est utile qu'à court terme. Spécifications prévisionnelles: la formule trouve a, b et c pour adapter une courbe à exactement trois points. Vous spécifiez n, le nombre de périodes de données à accumuler dans chacun des trois points. Dans cet exemple, n 3. Les données réelles des ventes d'avril à juin sont combinées au premier point, Q1. Juillet à Septembre sont ajoutés pour créer Q2, et d'Octobre à Décembre somme à Q3. La courbe est ajustée aux trois valeurs Q1, Q2 et Q3. Historique des ventes requis: 3 périodes n de calcul de la prévision plus le nombre de périodes nécessaires pour évaluer le rendement prévu (périodes de meilleur ajustement). Ce tableau est l'historique utilisé pour le calcul de la prévision: Q0 (Jan) (Feb) (Mar) Q1 (Apr) (Mai) (Jun) qui est égal à 125 129 137 384 Q2 (Jul) (Août) (Sep) L'étape suivante consiste à calculer les trois coefficients a, b et c à utiliser dans la formule de prévision Y ab X c X 2. Q1, Q2 et Q3 sont présentés sur le graphique, où le temps est tracé sur l'axe horizontal. Q1 représente le total des ventes historiques pour avril, mai et juin et est tracée à X 1 Q2 correspond à Juillet à Septembre T3 correspond à Octobre à Décembre et Q4 Janvier à Mars. Ce graphique illustre le tracé de Q1, Q2, Q3 et Q4 pour une approximation de second degré: Figure 3-2 Tracer Q1, Q2, Q3 et Q4 pour une approximation de second degré Trois équations décrivent les trois points du graphe: (1) Q1 (3) Q3 a bX cX 2 où X 3 (Q3 a 3b 9c) Résoudre les trois équations simultanément (2) et résoudre pour b: (2) ndash (1) Q2 ndash Q1 b 3c b (Q2 ndash Q1) ndash 3c Remplacer cette équation pour B dans l'équation (3): (3) Q3 a 3 (Q2 ndash Q1) ndash 3c 9c a Q3 ndash 3 (Q2 ndash Q1) Enfin, substituez ces équations pour a et b dans l'équation (1): (1) Q3 ndash La méthode d'approximation du deuxième degré calcule a, b et c comme suit: a Q3 ndash 3 (Q2 ndash Q1) (Q2 ndash Q1) (Q2 ndash Q1) ndash 3c c Q1 c (Q3 ndash Q2) ) 370 ndash 3 (400 ndash 384) 370 ndash 3 (16) 322 b (Q2 ndash Q1) ndash3c (400 ndash 384) ndash (3 fois ndash23) 16 69 85 c (Q3 ndash Q2) 370 ndash 400) (384 ndash 400) 2 ndash23 Il s'agit d'un calcul de la prévision d'approximation du second degré: Y a bX cX 2 322 85X (ndash23) (X2) Lorsque X4, Q4 322 340 ndash 368 294. La prévision est égale à 294 3 98 par période. Lorsque X 5, Q5 322 425 ndash 575 172. La prévision équivaut à 172 3 58,33 arrondi à 57 par période. Lorsque X 6, Q 6 322 510 ndash 828 4. La prévision est égale à 4 3 1,33 arrondie à 1 par période. 3.2.8 Méthode 8: Méthode flexible Cette méthode vous permet de sélectionner le nombre le mieux adapté de périodes de l'historique des commandes clients qui commence n mois avant la date de début prévue et à Appliquer un pourcentage d'augmentation ou de diminution du facteur de multiplication avec lequel modifier la prévision. Cette méthode est similaire à Méthode 1, pourcentage sur l'année dernière, sauf que vous pouvez spécifier le nombre de périodes que vous utilisez comme base. Selon ce que vous sélectionnez comme n, cette méthode requiert la meilleure période d'ajustement plus le nombre de périodes de données de ventes qui est indiqué. Cette méthode est utile pour prévoir la demande pour une tendance planifiée. 3.2.8.1 Exemple: Méthode 8: Méthode flexible La méthode flexible (en pourcentage sur n mois avant) est semblable à la méthode 1, pourcentage par rapport à l'année dernière. Les deux méthodes multiplient les données de ventes d'une période antérieure par un facteur spécifié par vous, puis projetent ce résultat dans le futur. Dans la méthode Pourcentage sur l'année dernière, la projection est basée sur les données de la même période de l'année précédente. Vous pouvez également utiliser la méthode flexible pour spécifier une période, autre que la même période de l'année précédente, à utiliser comme base pour les calculs. Facteur de multiplication. Par exemple, spécifiez 110 dans l'option de traitement pour augmenter les données précédentes de l'historique des ventes de 10%. Période de base. Par exemple, n 4 fait que la première prévision est basée sur les données de vente en septembre de l'année dernière. Historique des ventes minimum requis: le nombre de périodes revenant à la période de base plus le nombre de périodes nécessaires pour évaluer le rendement prévu (périodes de meilleur ajustement). 3.2.9 Méthode 9: Moyenne mobile pondérée La formule Moyenne mobile pondérée est semblable à la méthode 4, formule Moyenne mobile, car elle fait la moyenne de l'historique des ventes des mois précédents pour projeter l'historique des ventes des prochains mois. Cependant, avec cette formule, vous pouvez affecter des pondérations pour chacune des périodes précédentes. Cette méthode requiert le nombre de périodes pondérées choisies plus le nombre de périodes correspondant aux données les mieux adaptées. Semblable à la moyenne mobile, cette méthode est à la traîne des tendances de la demande, donc cette méthode n'est pas recommandée pour les produits avec des tendances fortes ou de la saisonnalité. Cette méthode est utile pour prévoir la demande pour les produits matures avec une demande relativement relative. 3.2.9.1 Exemple: Méthode 9: moyenne mobile pondérée La méthode de moyenne mobile pondérée (AMM) est semblable à la méthode 4, moyenne mobile (EM). Toutefois, vous pouvez affecter des poids inégaux aux données historiques lors de l'utilisation de WMA. La méthode calcule une moyenne pondérée de l'historique des ventes récentes pour arriver à une projection à court terme. Les données plus récentes sont habituellement attribuées à un poids plus important que les données plus anciennes, de sorte que WMA est plus sensible aux changements dans le niveau des ventes. Toutefois, les biais prévisionnels et les erreurs systématiques se produisent lorsque l'historique des ventes de produits présente des tendances fortes ou des tendances saisonnières. Cette méthode fonctionne mieux pour les prévisions à court terme de produits matures que pour les produits en phase de croissance ou d'obsolescence du cycle de vie. Le nombre de périodes de l'historique des ventes (n) à utiliser dans le calcul des prévisions. Par exemple, spécifiez n 4 dans l'option de traitement pour utiliser les quatre dernières périodes comme base pour la projection dans la période suivante. Une grande valeur pour n (telle que 12) nécessite plus d'historique des ventes. Une telle valeur donne lieu à une prévision stable, mais il est lent de reconnaître les variations du niveau des ventes. Inversement, une petite valeur pour n (comme 3) réagit plus rapidement aux variations du niveau des ventes, mais la prévision peut fluctuer si largement que la production ne peut pas répondre aux variations. Le nombre total de périodes pour l'option de traitement rdquo14 - périodes à inclure ne doit pas dépasser 12 mois. Le poids attribué à chacune des périodes de données historiques. Les poids attribués doivent totaliser 1,00. Par exemple, lorsque n 4, assigner des poids de 0,50, 0,25, 0,15 et 0,10 avec les données les plus récentes recevant le plus grand poids. Historique des ventes minimum requis: n plus le nombre de périodes nécessaires pour évaluer le rendement prévu (périodes de meilleur ajustement). Ce tableau est l'historique utilisé dans le calcul de la prévision: la prévision de janvier est égale à (131 fois 0.10) (114 fois 0,15) (119 fois 0,25) (137 fois 0.50) (0,10 0,15 0,25 0,50) 128,45 arrondie à 128. Prévision de février égale (114 fois (128 fois 0.50) (128 fois 0.50) (128 fois 0.50) 1 127.5 arrondi à 128. La prévision de mars est égale (119 fois 0.10) (137 fois 0.15) (128 fois 0.25) (128 fois 0.50) 1 128.45 arrondi à 128. 3.2.10 Méthode 10: Lissage linéaire Cette méthode calcule une moyenne pondérée des données de ventes passées. Dans le calcul, cette méthode utilise le nombre de périodes d'historique des commandes client (de 1 à 12) indiquées dans l'option de traitement. Le système utilise une progression mathématique pour peser les données dans la plage allant du premier (poids le plus faible) au dernier (le plus de poids). Ensuite, le système projette cette information à chaque période de la prévision. Cette méthode nécessite le meilleur ajustement des mois, plus l'historique des commandes client pour le nombre de périodes spécifié dans l'option de traitement. 3.2.10.1 Exemple: Méthode 10: Lissage linéaire Cette méthode est similaire à la Méthode 9, WMA. Cependant, au lieu d'attribuer arbitrairement des pondérations aux données historiques, une formule est utilisée pour attribuer des poids qui diminuent de façon linéaire et forment une somme de 1,00. La méthode calcule ensuite une moyenne pondérée des historiques de ventes récents pour arriver à une projection à court terme. Comme toutes les techniques de prévision linéaire des moyennes mobiles, le biais de prévision et les erreurs systématiques se produisent lorsque l'historique des ventes du produit présente une forte tendance ou des modèles saisonniers. Cette méthode fonctionne mieux pour les prévisions à court terme de produits matures que pour les produits en phase de croissance ou d'obsolescence du cycle de vie. N est égal au nombre de périodes d'historique des ventes à utiliser dans le calcul de la prévision. Par exemple, spécifiez n égal à 4 dans l'option de traitement pour utiliser les quatre dernières périodes comme base pour la projection dans la période suivante. Le système attribue automatiquement les pondérations aux données historiques qui diminuent de façon linéaire et totalisent 1,00. Par exemple, lorsque n est égal à 4, le système attribue des poids de 0,4, 0,3, 0,2 et 0,1, les données les plus récentes recevant le poids le plus élevé. Historique des ventes minimum requis: n plus le nombre de périodes nécessaires pour évaluer le rendement prévu (périodes de meilleur ajustement). 3.2.11 Méthode 11: Lissage exponentiel Cette méthode calcule une moyenne lissée qui devient une estimation représentant le niveau général des ventes sur les périodes de données historiques sélectionnées. Cette méthode nécessite l'historique des données de vente pour la période de temps qui est représentée par le nombre de périodes les mieux ajustées plus le nombre de périodes de données historiques qui sont spécifiées. L'exigence minimale est de deux périodes de données historiques. Cette méthode est utile pour prévoir la demande lorsqu'aucune tendance linéaire n'est présente dans les données. 3.2.11.1 Exemple: Méthode 11: Lissage exponentiel Cette méthode est similaire à la Méthode 10, Lissage linéaire. Dans Linear Smoothing, le système attribue des poids qui diminuent linéairement aux données historiques. Dans Exponential Smoothing, le système attribue des poids qui décroissent exponentiellement. La prévision est une moyenne pondérée des ventes réelles de la période précédente et des prévisions de la période précédente. La prévision est une moyenne pondérée des ventes réelles de la période précédente et des prévisions de la période précédente. Alpha est le poids qui est appliqué aux ventes réelles pour la période précédente. (1 ndash alpha) est le poids qui est appliqué à la prévision pour la période précédente. Les valeurs pour l'alpha vont de 0 à 1 et tombent habituellement entre 0,1 et 0,4. La somme des poids est de 1,00 (alpha (1 ndash alpha) 1). Vous devez affecter une valeur pour la constante de lissage, alpha. Si vous n'attribuez pas de valeur à la constante de lissage, le système calcule une valeur supposée basée sur le nombre de périodes de l'historique des ventes spécifié dans l'option de traitement. Alpha est égal à la constante de lissage qui est utilisée pour calculer la moyenne lissée pour le niveau général ou l'ampleur des ventes. Les valeurs de l'intervalle alpha vont de 0 à 1. n est égale à la plage des données de l'historique des ventes à inclure dans les calculs. Généralement, un an de données de l'historique des ventes est suffisant pour estimer le niveau général des ventes. Pour cet exemple, une petite valeur de n (n 4) a été choisie pour réduire les calculs manuels qui sont nécessaires pour vérifier les résultats. Exponential Smoothing peut générer une prévision basée sur un point de données historiques. Historique des ventes minimum requis: n plus le nombre de périodes nécessaires pour évaluer le rendement prévu (périodes de meilleur ajustement). Méthode 12: Lissage exponentiel avec tendance et saisonnalité Cette méthode calcule une tendance, un indice saisonnier et une moyenne exponentiellement lissée de l'historique des commandes client. Le système applique ensuite une projection de la tendance à la prévision et s'ajuste pour l'indice saisonnier. Cette méthode exige le nombre de périodes les mieux ajustées plus deux années de données sur les ventes et est utile pour les éléments qui ont à la fois tendance et saisonnalité dans la prévision. Vous pouvez saisir le facteur alpha et bêta ou faire calculer le système. Les facteurs alpha et bêta sont la constante de lissage utilisée par le système pour calculer la moyenne lissée du niveau général ou de l'amplitude des ventes (alpha) et de la composante de tendance de la prévision (bêta). 3.2.12.1 Exemple: Méthode 12: lissage exponentiel avec tendance et saisonnalité Cette méthode est similaire à la méthode 11, lissage exponentiel, en ce que l'on calcule une moyenne lissée. Cependant, la Méthode 12 comprend également un terme dans l'équation de prévision pour calculer une tendance lissée. La prévision est composée d'une moyenne lissée qui est ajustée pour une tendance linéaire. Lorsque spécifié dans l'option de traitement, la prévision est également ajustée en fonction de la saisonnalité. Alpha est égal à la constante de lissage qui est utilisée pour calculer la moyenne lissée pour le niveau général ou l'ampleur des ventes. Les valeurs pour la plage alpha vont de 0 à 1. La bêta est égale à la constante de lissage utilisée pour calculer la moyenne lissée pour la composante de tendance de la prévision. Les valeurs de bêta vont de 0 à 1. Un indice saisonnier est appliqué à la prévision. Alpha et bêta sont indépendants les uns des autres. Ils ne doivent pas additionner 1,0. Historique des ventes minimum requis: Un an plus le nombre de périodes nécessaires pour évaluer le rendement prévu (périodes de meilleur ajustement). Lorsque deux données historiques ou plus sont disponibles, le système utilise deux années de données dans les calculs. La méthode 12 utilise deux équations de lissage exponentiel et une moyenne simple pour calculer une moyenne lissée, une tendance lissée et un indice saisonnier moyen simple. Figure 3-3 Indice saisonnier moyen simple La prévision est ensuite calculée en utilisant les résultats des trois équations: L est la longueur de la saisonnalité (L est égal à 12 mois ou 52 semaines). T est la période de temps actuelle. M est le nombre de périodes dans l'avenir de la prévision. S est le facteur d'ajustement saisonnier multiplicatif qui est indexé sur la période de temps appropriée. Ce tableau répertorie l'historique utilisé dans le calcul des prévisions: Cette section fournit un aperçu des évaluations prévisionnelles et discute: Vous pouvez sélectionner des méthodes de prévision pour générer jusqu'à 12 prévisions pour chaque produit. Chaque méthode de prévision peut créer une projection légèrement différente. Lorsque des milliers de produits sont prévus, une décision subjective est impraticable quant aux prévisions à utiliser dans les plans pour chaque produit. Le système évalue automatiquement les performances de chaque méthode de prévision que vous sélectionnez et pour chaque produit que vous prévoyez. Vous pouvez choisir entre deux critères de performance: MAD et POA. MAD est une mesure de l'erreur de prévision. Le POA est une mesure du biais de prévision. Ces deux techniques d'évaluation des performances requièrent des données réelles sur l'historique des ventes pour une période spécifiée par vous. La période de l'histoire récente utilisée pour l'évaluation est appelée période de blocage ou période de meilleur ajustement. Pour mesurer la performance d'une méthode de prévision, le système: Utilise les formules de prévision pour simuler une prévision pour la période de retenue historique. Effectue une comparaison entre les données de ventes réelles et les prévisions simulées pour la période de blocage. Lorsque vous sélectionnez plusieurs méthodes de prévision, ce même processus se produit pour chaque méthode. De multiples prévisions sont calculées pour la période de blocage et comparées à l'historique des ventes connu pour la même période. La méthode de prévision qui produit le meilleur rapport entre les prévisions et les ventes réelles pendant la période de retenue est recommandée pour les plans. Cette recommandation est spécifique à chaque produit et peut changer à chaque fois que vous générez une prévision. 3.3.1 Moyenne des écarts absolus Moyenne L'écart absolu (MAD) est la moyenne (ou moyenne) des valeurs absolues (ou magnitude) des écarts (ou erreurs) entre les données réelles et les prévisions. MAD est une mesure de l'ampleur moyenne des erreurs à attendre, compte tenu d'une méthode de prévision et de l'historique des données. Comme les valeurs absolues sont utilisées dans le calcul, les erreurs positives n'annulent pas les erreurs négatives. En comparant plusieurs méthodes de prévision, celle qui a le plus petit MAD est la plus fiable pour ce produit pour cette période de blocage. 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. Lorsque les prévisions sont constamment trop élevées, les stocks s'accumulent et les coûts d'inventaire augmentent. 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. Dans les services, l'ampleur des erreurs de prévision est généralement plus importante que le biais prévu. 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. Les scripts de cette page améliorent la navigation sur le contenu, mais ne modifient en rien le contenu.