Moving Durchschnitt Zu Prognose In Excel

Verwenden der FORECAST-Funktion in Excel (und Open Office Calc) kopieren Copyright. Inhalt auf InventoryOps ist urheberrechtlich geschützt und steht nicht für die Wiederveröffentlichung zur Verfügung. Lassen Sie mich beginnen, indem Sie sagen, dass Excels Prognose-Funktion ist nicht ein vollständiges Inventar Vorhersage-System. Die Vorhersage in der Bestandsverwaltung umfasst im Allgemeinen das Entfernen von Lärm aus der Nachfrage, dann die Berechnung und Integration von Trends, Saisonalität und Ereignisse. Die Prognose-Funktion wird nicht alle diese Dinge für Sie tun (technisch könnte es, aber es gibt bessere Möglichkeiten, einige davon zu erreichen). Aber es ist eine nette kleine Funktion, die einfach zu bedienen ist, und es kann sicherlich ein Teil Ihres Prognosesystems sein. Laut Microsoft Help zur Prognosefunktion. Die Funktion FORECAST (x, knownys, knownxs) gibt den vorhergesagten Wert der abhängigen Variablen (in den Daten durch bekannte) für den spezifischen Wert x der unabhängigen Variablen (die in den Daten durch bekanntexx dargestellt wird) unter Verwendung einer besten Übereinstimmung zurück (Kleinste Quadrate) lineare Regression, um y-Werte aus x-Werten vorherzusagen. Also, was genau bedeutet das Lineare Regression ist eine Form der Regressionsanalyse und kann verwendet werden, um eine mathematische Beziehung zwischen zwei (oder mehr) Sätze von Daten zu berechnen. In der Prognose würden Sie dies verwenden, wenn Sie dachten, dass ein Satz von Daten verwendet werden könnte, um einen anderen Satz von Daten vorherzusagen. Zum Beispiel, wenn Sie Baubedarf verkauft, können Sie feststellen, dass Änderungen der Zinsen verwendet werden können, um den Verkauf Ihrer Produkte vorauszusagen. Dies ist ein klassisches Beispiel für die Verwendung von Regression, um eine Beziehung zwischen einer externen Variablen (Zinssätze) und einer internen Variable (Ihren Verkäufen) zu berechnen. Wie wir später noch sehen werden, können Sie auch Regression verwenden, um eine Beziehung innerhalb desselben Datensatzes zu berechnen. Ein typischer Ansatz zur Regressionsanalyse beinhaltet die Verwendung von Regression, um die mathematische Beziehung zu bestimmen, aber auch, um Ihnen eine Vorstellung davon zu vermitteln, wie gültig diese Beziehung ist (das ist der Analyseteil). Die Forecast-Funktion überspringt die Analyse und berechnet einfach eine Beziehung und wendet sie automatisch auf Ihre Ausgabe an. Dies macht die Dinge für den Benutzer einfacher, aber es geht davon aus, dass Ihre Beziehung gültig ist. Im Wesentlichen verwendet die Forecast-Funktion eine lineare Regression, um einen Wert basierend auf einer Beziehung zwischen zwei Datensätzen vorherzusagen. Hier einige Beispiele. In Abbildung 1A haben wir eine Kalkulationstabelle, die den durchschnittlichen Zinssatz in den letzten 4 Jahren und den Absatz im gleichen Zeitraum von 4 Jahren umfasst. Wir zeigen auch einen voraussichtlichen Zinssatz für das 5. Jahr. Wir sehen in dem Beispiel, dass unsere Verkaufszahlen steigen, wenn die Zinsen sinken und sinken, wenn die Zinsen steigen. Wenn wir das Beispiel betrachten, können wir vermutlich vermuten, dass unsere Verkäufe für Jahr 5 irgendwo zwischen 5.000 und 6.000 liegen würden, basierend auf der beobachteten Beziehung zwischen Zinssätzen und Verkäufen in den vorherigen Perioden. Wir können die Prognosefunktion verwenden, um diese Beziehung präziser zu quantifizieren und sie auf das 5. Jahr anzuwenden. In Abbildung 1B sehen Sie, wie die Prognosefunktion angewendet wird. In diesem Fall ist die Formel in Zelle F4 FORECAST (F2, B3: E3, B2: E2). Was wir innerhalb der Klammer haben, wird als Argument bezeichnet. Ein Argument ist wirklich nur ein Mittel zur Übergabe von Parametern an die verwendete Funktion (in diesem Fall die Prognosefunktion). Jeder Parameter wird durch ein Komma getrennt. Damit die Forecast-Funktion funktioniert, muss sie wissen, welchen Wert wir verwenden, um unsere Produktion vorherzusagen (unsere Verkäufe des Jahres 5). In unserem Fall ist der Parameter (unser Jahr-5-Zinssatz) in Zelle F2, also ist das erste Element unseres Arguments F2. Als Nächstes muss er wissen, wo er die vorhandenen Werte finden kann, die er verwenden wird, um die Beziehung zu bestimmen, die auf F2 anzuwenden ist. Zuerst müssen wir die Zellen eingeben, die die Werte unserer abhängigen Variablen darstellen. In unserem Fall würde dies unsere Einheiten in den letzten 4 Jahren verkauft werden, daher geben wir B3: E3. Dann müssen wir die Zellen eingeben, die die Werte unserer Prädiktorvariablen repräsentieren. In unserem Fall sind dies die Zinsen der letzten 4 Jahre, daher geben wir B2: E2). Die Prognosefunktion kann nun die in den Jahren 1 bis 4 verkauften Einheiten mit den Zinssätzen in den gleichen Jahren vergleichen und dann diese Beziehung zu unserem vorhergesagten Jahr 5-Zinssatz anwenden, um unsere prognostizierten Umsätze für das Jahr 5 von 5,654 Einheiten zu erhalten. Im vorherigen Beispiel können wir die Graphen betrachten, um zu helfen, die Beziehung zu visualisieren. Auf den ersten Blick kann es nicht so offensichtlich aussehen, weil wir eine umgekehrte Beziehung haben (Verkäufe gehen oben, während Zinsen nach unten gehen), aber wenn Sie geistig eine der Diagramme gedreht würden, würden Sie eine sehr klare Beziehung sehen. Das ist eine der coolen Dinge über die Prognose-Funktion (und Regressionsanalyse). Es kann leicht mit einer umgekehrten Beziehung. Kopie des Urheberrechts. Inhalt auf InventoryOps ist urheberrechtlich geschützt und steht nicht für die Wiederveröffentlichung zur Verfügung. Nun sehen wir uns ein anderes Beispiel an. In Abbildung 2A sehen wir einen neuen Datensatz. In diesem Beispiel stiegen die Zinssätze in den vergangenen 4 Jahren nach oben und unten, der Absatz zeigte jedoch einen konstanten Aufwärtstrend. Während es möglich ist, dass die Zinsen in diesem Beispiel einige Auswirkungen auf unsere Umsätze hatten, ist es offensichtlich, dass hier wesentlich mehr Faktoren zu berücksichtigen sind. Durch die Verwendung unserer Prognose-Funktion mit diesen Daten, geben wir eine Prognose von 7.118 Einheiten für das Jahr 5 zurück. Ich denke, die meisten von uns würden auf unsere Umsatzentwicklung zu schauen und zuzustimmen, seine weitaus wahrscheinlicher unsere Verkäufe für Jahr 5 wäre 9.000 Einheiten. Wie ich bereits erwähnt habe, geht die Prognose-Funktion davon aus, dass die Beziehung gültig ist, daher produziert sie eine Ausgabe, die auf der bestmöglichen Größe basiert, die sie aus den Daten ergibt, die sie erhalten. Mit anderen Worten, wenn wir sagen, es gibt eine Beziehung, es glaubt uns und produziert die Ausgabe entsprechend, ohne uns eine Fehlermeldung oder ein Signal, das implizieren würde die Beziehung ist sehr schlecht. Also, seien Sie vorsichtig, was Sie verlangen. Die bisherigen Beispiele deckten die klassische Anwendung der Regression auf die Prognose. Während all dies klingt ziemlich glatt, ist diese klassische Anwendung der Regression nicht so nützlich, wie Sie vielleicht denken (Sie können überprüfen, mein Buch für weitere Informationen über Regression und warum es nicht eine gute Wahl für Ihre Prognose braucht werden). Aber jetzt können Sie mit der Forecast-Funktion einfach zu identifizieren Trend innerhalb eines bestimmten Satz von Daten. Beginnen wir mit der Betrachtung von Fig. 3A. Hier haben wir Nachfrage mit einem sehr offensichtlichen Trend. Die meisten von uns sollten in der Lage, diese Daten betrachten und sich wohl fühlen, vorauszusagen, dass die Nachfrage in Periode 7 wird wahrscheinlich 60 Einheiten sein. Wenn Sie diese Daten jedoch über die für die Bestandsführung verwendeten typischen Prognoserechnungen laufen ließen, können Sie überrascht sein, wie viele dieser Berechnungen für den Trend verantwortlich sind. Da die Prognosefunktion es erfordert, eine abhängige Variable und eine Prädiktorvariable einzugeben, wie gehen wir über die Verwendung der Prognosefunktion aus, wenn wir nur einen Datensatz haben Nun, während es technisch wahr ist, dass wir einen einzigen Datensatz haben (unsere Haben wir tatsächlich eine Beziehung, die innerhalb dieses Datensatzes vor sich geht. In diesem Fall ist unsere Beziehung zeitlich begrenzt. Daher können wir jede Periodenanforderung als Prädiktorvariable für die folgenden Periodennachfragen verwenden. So müssen wir nur sagen, die Prognose-Funktion, um die Nachfrage in den Perioden 1 bis 5 als die vorhandenen Daten für die Prädiktor-Variable verwenden und verwenden Sie Nachfrage in den Perioden 2 bis 6 als die vorhandenen Daten für die abhängige Variable. Dann sagen Sie es, diese Beziehung auf die Nachfrage in Periode 6 anzuwenden, um unsere Prognose für Periode 7 zu berechnen. Sie können in Abbildung 3B sehen, unsere Formel in Zelle I3 ist FORECAST (H2, C2: H2, B2: G2). Und es gibt eine Prognose von 60 Einheiten zurück. Offensichtlich ist dieses Beispiel nicht realistisch, da die Nachfrage viel zu nett ist (kein Rauschen). So sehen wir in Abbildung 3C, wo wir diese gleiche Berechnung auf einige realistische Daten. Ich möchte nur zu wiederholen, dass, während die Forecast-Funktion nützlich ist, ist es nicht ein Prognosesystem. Ich normalerweise lieber ein wenig mehr Kontrolle über genau, wie ich anwenden und erweitern Tendenzen zu meiner Prognose. Darüber hinaus möchten Sie zunächst entfernen Sie alle anderen Elemente Ihrer Nachfrage, die nicht im Zusammenhang mit Ihren Grundbedarf und Trend. Beispielsweise möchten Sie alle Effekte von Saisonalität oder Ereignissen (z. B. Promotions) aus Ihrem Bedarf entfernen, bevor Sie die Forecast-Funktion anwenden. Sie würden dann Ihre Saisonalität Index und alle Event-Indizes auf die Ausgabe der Forecast-Funktion anwenden. Sie können auch mit Ihren Eingaben spielen, um ein bestimmtes gewünschtes Ergebnis zu erhalten. Beispielsweise möchten Sie vielleicht zuerst versuchen, Ihre Bedarfs-Historie (durch einen gleitenden Durchschnitt, einen gewichteten gleitenden Durchschnitt oder eine exponentielle Glättung) zu glätten, und das ist die Vorhersagevariable anstelle der rohen Nachfrage. Weitere Informationen zu Forecasting finden Sie in meinem Buch Inventory Management Explained. Verwenden der Forecast-Funktion in Open Office Calc. Für Benutzer von Openoffice. org Calc. Funktioniert die Forecast-Funktion genauso wie in Excel. Allerdings gibt es einen leichten Unterschied in der Syntax in Calc verwendet. Wo immer Sie ein Komma in einem Argument in einer Excel-Funktion verwenden würden, verwenden Sie stattdessen ein Semikolon in Calc. Also, anstelle der Excel-Formel würden Sie eingeben Zum Artikel-Seite für weitere Artikel von Dave Piasecki. Kopie des Urheberrechts. Inhalt auf InventoryOps ist urheberrechtlich geschützt und steht nicht für die Wiederveröffentlichung zur Verfügung. Dave Piasecki. Ist Eigentümer von Inventory Operations Consulting LLC. Ein Beratungsunternehmen, das Dienstleistungen im Zusammenhang mit Bestandsführung, Materialhandling und Lagerbetrieb anbietet. Er hat über 25 Jahre Erfahrung in der Betriebsführung und kann über seine Website (inventoryops) erreicht werden, wo er zusätzliche relevante Informationen unterhält. Mein Unternehmen Inventory Operations Consulting LLC bietet schnelle, erschwingliche, kompetente Unterstützung mit Bestandsführung und Lagerbetrieb. Mein BooksFORECASTING Saisonfaktor - der Prozentsatz der durchschnittlichen vierteljährlichen Nachfrage, die in jedem Quartal auftritt. Die jährliche Prognose für das Jahr 4 wird auf 400 Einheiten prognostiziert. Durchschnittliche Prognose pro Quartal ist 4004 100 Einheiten. Vierteljährliche Vorhersage Durchschn. Prognostiziert saisonale Faktor. Kausale Vorhersagemethoden Kausale Prognosemethoden basieren auf einer bekannten oder wahrgenommenen Beziehung zwischen dem zu prognostizierenden Faktor und anderen externen oder internen Faktoren 1. Regression: Die mathematische Gleichung bezieht sich auf eine abhängige Variable auf eine oder mehrere unabhängige Variablen, von denen angenommen wird, dass sie die abhängige Variable beeinflussen 2. ökonometrische Modelle: System von interdependenten Regressionsgleichungen, die einen Wirtschaftszweig beschreiben 3. Input-Output-Modelle: beschreibt die Ströme von einem Sektor der Wirtschaft zur anderen und sagt daher die Inputs vor, die zur Produktion von Outputs in einem anderen Sektor erforderlich sind 4. Simulationsmodellierung Es gibt zwei Aspekte von Prognosefehlern: Bias und Genauigkeit Bias - Eine Prognose ist voreingenommen, wenn sie mehr in eine Richtung als in der anderen Richtung irrt - die Methode neigt zu Unterprognosen oder Überprognosen. Genauigkeit - Prognosegenauigkeit bezieht sich auf die Entfernung der Prognosen von der tatsächlichen Nachfrage ignorieren die Richtung dieses Fehlers. Beispiel: Für sechs Perioden wurden die Prognosen und die tatsächliche Nachfrage nachverfolgt Die folgende Tabelle gibt die Ist-Nachfrage D t und die Prognose-Nachfrage F t für sechs Perioden an: kumulierte Summe der Prognosefehler (CFE) -20 mittlere absolute Abweichung (MAD) 170 6 28,33 mittlere quadriert Fehler (MSE) 5150 6 858.33 Standardabweichung der Prognosefehler 5150 6 29.30 Durchschnittlicher absoluter Prognosefehler (MAPE) 83.4 6 13.9 Welche Informationen prognostizieren prognostiziert, hat eine Tendenz zur Überschätzung der Nachfrage durchschnittlichen Fehler pro Prognose betrug 28,33 Einheiten oder 13,9 von Die tatsächliche Bedarfsabtastverteilung der Prognosefehler hat eine Standardabweichung von 29,3 Einheiten. KRITERIEN ZUR AUSWAHL EINES VORHABENMETHODES Ziele: 1. Maximieren Sie die Genauigkeit und 2. Minimieren Sie Vorspannungspotentialregeln für die Auswahl einer Zeitreihenvorhersagemethode. Wählen Sie die Methode aus, die mit dem kumulativen Vorhersagefehler (CFE) gemessen wird, oder gibt die kleinste mittlere absolute Abweichung (MAD) an oder gibt das kleinste Tracking-Signal oder unterstützt Management-Überzeugungen über das zugrunde liegende Bedarfsmuster oder andere. Es scheint offensichtlich, dass ein gewisses Maß an Genauigkeit und Bias zusammen verwendet werden sollte. Wie ist die Anzahl der zu untersuchenden Perioden, wenn die Nachfrage inhärent stabil ist, werden niedrige Werte von und und höhere Werte von N vorgeschlagen, wenn die Nachfrage inhärent instabil ist, werden hohe Werte von und und niedrigere Werte von N vorgeschlagen FOCUS FORECASTING quotfocus forecastingot bezieht sich auf Eine Annäherung zur Prognose, die Prognosen durch verschiedene Techniken entwickelt, dann wählt die Prognose aus, die durch den quotbestquot dieser Techniken produziert wurde, in denen quotbestquot durch irgendein Maß des Prognosefehlers bestimmt wird. FOKUSVORHERSAGE: BEISPIEL In den ersten sechs Monaten des Jahres betrug die Nachfrage nach einer Einzelhandelseinheit 15, 14, 15, 17, 19 und 18 Einheiten. Ein Händler nutzt ein Fokus-Prognosesystem, das auf zwei Prognosetechniken basiert: einem zweistufigen gleitenden Durchschnitt und einem trendgesteuerten exponentiellen Glättungsmodell mit 0,1 und 0,1. Bei dem exponentiellen Modell lag die Prognose für Januar bei 15 und das Trendmittel Ende Dezember war 1. Der Händler nutzt die mittlere absolute Abweichung (MAD) für die letzten drei Monate als Kriterium für die Auswahl des Modells, das zur Prognose verwendet wird Für den nächsten Monat. ein. Was wird die Prognose für Juli sein und welches Modell wird verwendet? Würden Sie auf Teil a antworten? Wenn die Nachfrage nach Mai 14 statt 19 gewesen wäre