पूर्वानुमान का इस्तेमाल करने वाली चलती - औसत - विधि

औसत पूर्वानुमान चलाना। परिचय जैसा कि आप अनुमान लगा सकते हैं हम भविष्यवाणी के कुछ सबसे प्राचीन तरीकों पर विचार कर रहे हैं लेकिन उम्मीद है कि ये स्प्रेडशीट में पूर्वानुमान लागू करने से संबंधित कुछ कंप्यूटिंग मुद्दों पर कम से कम एक सार्थक परिचय है। इस नस में हम जारी रहेंगे शुरुआत से शुरू और चलने के औसत पूर्वानुमान के साथ काम करना शुरू करते हैं। औसत पूर्वानुमान पूर्वानुमान चलाना हर कोई औसत मौके पर चलने से परिचित है, भले ही उनका मानना ​​है कि वे सभी कॉलेज के छात्रों को हर वक्त अपने परीक्षण के बारे में सोचें, जहां आप जा रहे हैं सेमेस्टर के दौरान चार परीक्षाएं हैं, मान लीजिए कि आपको अपनी पहली परीक्षा में 85 मिले हैं। आप अपने दूसरे टेस्ट स्कोर के लिए क्या भविष्यवाणी करेंगे.तुम्हें क्या लगता है कि आपका शिक्षक आपके अगले टेस्ट स्कोर के लिए भविष्यवाणी करेगा.तुम्हें क्या लगता है कि आपके दोस्तों का अनुमान लगाया जा सकता है अपने अगले टेस्ट स्कोर के लिए. तुम्हें क्या लगता है कि आपके माता-पिता आपके अगले टेस्ट स्कोर के लिए अनुमान लगा सकते हैं। आईएंड्स और माता-पिता, वे और आपके शिक्षक आपसे मिलने वाले 85 के क्षेत्र में कुछ पाने की उम्मीद कर रहे हैं। ठीक है, अब हम यह मान लें कि अपने मित्रों को अपने स्वयं के प्रचार के बावजूद, आप खुद को अनुमान लगाते हैं और आंकड़ा है कि आप दूसरे टेस्ट के लिए कम अध्ययन कर सकते हैं और आपको 73 मिल जाए। अब आप सभी को लेकर चिंतित और निराश होने की उम्मीद कर रहे हैं कि आप अपने तीसरे परीक्षण पर पहुंचेंगे। चाहे उनके अनुमान के विकास के लिए दो संभावित संभावनाएं हों चाहे वे इसे आपके साथ साझा करेंगे.वे खुद से कह सकते हैं, यह लड़का अपने स्मार्टफोन के बारे में हमेशा धुआं उड़ रहा है वह अगर वह भाग्यशाली हो तो 73 को मिलेगा.शायद माता-पिता इससे ज्यादा सहायक बनने की कोशिश करेंगे और कहते हैं, ठीक है, तो अब तक आप 85 और 73 मिल चुके हैं, इसलिए शायद आप को 85 73 2 79 के बारे में जानने के बारे में पता होना चाहिए, शायद अगर आपने कम पार्टिसाइज़ किया हो और सभी जगह पर वीज़ल को सताते हुए और यदि आप बहुत अधिक पढ़ना आप उच्च अंक प्राप्त कर सकते हैं। इन अनुमानों में से दो वास्तविक हैं लिविंग औसत पूर्वानुमान। पहले अपने भविष्य के प्रदर्शन की भविष्यवाणी करने के लिए केवल आपके नवीनतम स्कोर का उपयोग कर रहा है यह डेटा के एक अवधि का उपयोग करते हुए चलती औसत पूर्वानुमान कहा जाता है। दूसरा भी चलती औसत पूर्वानुमान है, लेकिन डेटा के दो अवधियों का उपयोग करते हैं। कि आपके महान दिमाग को खत्म करने वाले ये सभी लोग आपको परेशान करते हैं और आप अपने स्वयं के कारणों के लिए तीसरी परीक्षा में अच्छी तरह से काम करने का फैसला करते हैं और अपने सहयोगियों के सामने उच्च अंक डालते हैं आप परीक्षा लेते हैं और आपका स्कोर वास्तव में एक है 89 प्रत्येक व्यक्ति को, खुद सहित, प्रभावित है। इसलिए अब आपके पास सेमेस्टर की अंतिम परीक्षा आ रही है और हमेशा की तरह आपको लगता है कि आप सभी को अपनी भविष्यवाणियां बनाने की आवश्यकता महसूस कर रहे हैं कि आप अंतिम परीक्षा में कैसे करेंगे, अच्छा, उम्मीद है कि आप देखेंगे पैटर्न. अब, उम्मीद है कि आप पैटर्न देख सकते हैं जो आपको सबसे अधिक सटीक मानते हैं। हम जब भी काम करते हैं, हमले अब हम आपकी नई सफाई वाली कंपनी में लौट आए हैं जो आपकी बहिष्कार वाली बहन ने शुरू की थी, जब हम काम करते थे, तो आपके पास कुछ पिछले बिक्री डेटा एक स्प्रैडशीट से निम्न अनुभाग द्वारा प्रतिनिधित्व किया गया है हम पहले तीन दिनों की औसत पूर्वानुमान चलते समय डेटा प्रस्तुत करते हैं। सेल C6 के लिए प्रविष्टि होना चाहिए. अब आप इस सेल सूत्र को C11 के माध्यम से अन्य कक्षों C7 से कॉपी कर सकते हैं। नोटिस कैसे औसत चालें सबसे हाल के ऐतिहासिक आंकड़ों पर, लेकिन प्रत्येक भविष्यवाणी के लिए उपलब्ध तीन सबसे हाल की अवधि का उपयोग करता है आपको यह भी ध्यान देना चाहिए कि हमें वास्तव में पिछली अवधि के पूर्वानुमानों को बनाने की आवश्यकता है ताकि हमारी सबसे हाल की भविष्यवाणी विकसित हो सकें यह निश्चित रूप से अलग है घातीय चौरसाई मॉडल में मैंने पिछले भविष्यवाणियों को शामिल किया है क्योंकि हम भविष्य की वैधता को मापने के लिए अगले वेब पेज में उनका उपयोग करेंगे। अब मैं औसत अवधि के चलते दो अवधि के लिए समान परिणाम पेश करना चाहता हूं। सेल सी 5 के लिए प्रवेश होना चाहिए. अब आप इस सेल सूत्र को अन्य कोशिकाओं C6 से C11 तक कॉपी कर सकते हैं। नोटिस कैसे अब प्रत्येक भविष्यवाणी के लिए केवल दो सबसे हालिया टुकड़ों का उपयोग किया जाता है फिर मैं इसमें शामिल है उदाहरण के उद्देश्यों के लिए पिछले पूर्वानुमान और पूर्वानुमान सत्यापन में बाद में उपयोग के लिए। कुछ अन्य चीजें जो ध्यान देने योग्य हैं। मी-अवधि की औसत औसत पूर्वानुमान केवल मी के सबसे हाल के डेटा मानों को भविष्यवाणी करने के लिए उपयोग किया जाता है और कुछ नहीं आवश्यक है पिछली भविष्यवाणियां करते समय, एम-अवधि की औसत पूर्वानुमान के लिए, ध्यान दें कि पहली बार भविष्यवाणी की अवधि 1 एम में होती है। जब हम अपना कोड विकसित करते हैं तो इन दोनों मुद्दे बहुत महत्वपूर्ण होंगे.संभावना औसत समारोह का विकास अब हमें विकसित करने की आवश्यकता है चलती औसत पूर्वानुमान के लिए कोड जो अधिक लचीले ढंग से इस्तेमाल किया जा सकता है कोड निम्न सूचना देता है कि इनपुट अवधि में आप उपयोग करना चाहते हैं और ऐतिहासिक मूल्यों की सरणी के लिए हैं, आप इसे जो वही कार्यपुस्तिका में संग्रहीत कर सकते हैं। कार्य MovingAverage ऐतिहासिक, NumberOfPeriods के रूप में सिंगल घोषित करने और चर को प्रारंभ करने के रूप में Dim आइटम के रूप में चर अंकीय काउंटर के रूप में पूर्णांक मंद संचय के रूप में एकल मंद ऐतिहासिक आकार पूर्णांक के रूप में। चर को शुरू करना काउंटर 1 संचय 0. ऐतिहासिक सरणी के आकार का निर्धारण ऐतिहासिक सिमित। काउंटर 1 के लिए संख्या - अभियान अवधि। सबसे हाल ही में देखे गए मूल्यों की उचित संख्या को संचित करना। आकलन संचय ऐतिहासिक ऐतिहासिक सिज़िज़ - संख्याऑफ़परोड्स काउंटर। मैव्वेज एवेन्यूशन नंबरऑफपेरियोड। कोड को क्लास में समझाया जाएगा आप स्प्रेडशीट पर फ़ंक्शन की स्थिति बनाना चाहते हैं, ताकि गणना के परिणाम दिखाई दें जहां यह होना चाहिए जैसे निम्नलिखित। सरलतम दृष्टिकोण जनवरी के माध्यम से मार्च तक औसत लेना होगा और इसका उपयोग अप्रैल की बिक्री का अनुमान लगाने के लिए होगा। 12 9 134 122 3 128 333. हां, मार्च के माध्यम से जनवरी की बिक्री के आधार पर, आप अनुमान लगाते हैं कि अप्रैल में बिक्री 128,333 होगी, जब एक बार अप्रैल की वास्तविक बिक्री आती है, तो आप मई के पूर्वानुमान की गणना करेंगे, इस बार फरवरी के माध्यम से फरवरी का उपयोग करते हुए आपको औसत पूर्वानुमान लगाने के लिए उपयोग की जाने वाली समयावधि के अनुरूप होना चाहिए. आप अपने चलती औसत पूर्वानुमानों में उपयोग की जाने वाली समयावधि में मनमाना हैं, आप अपने पूर्वानुमानों को उत्पन्न करने के लिए केवल दो-अवधि या पांच या छह अवधि का उपयोग कर सकते हैं। उपरोक्त दृष्टिकोण एक सरल चलती औसत है, कभी-कभी, हाल के महीनों की बिक्री आने वाले महीनों की बिक्री के प्रभावशाली प्रभावशाली हो सकती है, इसलिए आप अपने पूर्वानुमान मॉडल में उन महीनों के अधिक वजन देना चाहते हैं यह एक भारित चलती औसत है और ये संख्या समय के लिए, आपके द्वारा जो वजन सौंपा जाता है वह विशुद्ध रूप से मनमाना है चलो कहते हैं कि आप मार्च की बिक्री 50 वजन, फरवरी के 30 वजन और जनवरी 20 को देना चाहते हैं। फिर अप्रैल के लिए आपका पूर्वानुमान 127,000 122 50 134 30 12 9 20 127. एल होगा मूविंग औसत तरीकों की नकल औसत स्थानांतरित करना एक चिकनाई अनुमान तकनीक माना जाता है क्योंकि आप समय के साथ औसत ले रहे हैं, आप डेटा के भीतर अनियमित घटनाओं के प्रभाव को नरम कर रहे हैं या चौरसाई कर रहे हैं, नतीजतन, ऋतु, व्यवसाय चक्र और अन्य के प्रभाव यादृच्छिक घटनाओं में नाटकीय रूप से पूर्वानुमान की भविष्यवाणी में वृद्धि हो सकती है एक पूर्ण वर्ष के मूल्य के आंकड़ों पर एक नज़र डालें और 3-अवधि की चलती औसत और 5-अवधि की चलती औसत की तुलना करें.इस उदाहरण में मैंने पूर्वानुमान नहीं बनाया, बल्कि केंद्रित चलती औसत: पहली 3 महीने की चलती औसत फरवरी के लिए है, और यह जनवरी, फरवरी और मार्च की औसत है I 5 माह की औसत के लिए भी इसी तरह की है अब निम्न चार्ट पर एक नज़र डालें.तुम क्या देख रहे हो नहीं तीन महीने चलती औसत श्रृंखला वास्तविक बिक्री श्रृंखला की तुलना में बहुत चिकनी और कैसे के बारे में पांच महीने चलती औसत यह भी चिकनी है, इसलिए अधिक समय आप अपने चल औसत पर उपयोग करते हैं, चिकनी अपने समय इसलिए, भविष्यवाणी के लिए, एक सरल चलती औसत सबसे सटीक तरीके नहीं हो सकता है औसत तरीकों को आगे बढ़ाना काफी मूल्यवान साबित होता है जब आप अधिक उन्नत पूर्वानुमान विधियों के लिए समय-सीमा के मौसमी, अनियमित और चक्रीय घटक निकालने की कोशिश कर रहे हैं, जैसे प्रतिगमन और एआरआईएमए, और समय श्रृंखला को कमजोर करने में औसत बढ़ने के उपयोग को बाद में श्रृंखला में संबोधित किया जाएगा। एक मूविंग औसत मॉडल की शुद्धता को निर्धारित करना। सामान्यतया, आप एक पूर्वानुमान की विधि चाहते हैं जिसमें वास्तविक और पूर्वानुमानित परिणामों के बीच कम से कम त्रुटि है पूर्वानुमान सटीकता का सबसे आम उपाय मतलब पूर्ण निरंतरता है, इस दृष्टिकोण में, समय अवधि में प्रत्येक अवधि के लिए जिसके लिए आपने पूर्वानुमान उत्पन्न किया था, आप उस अवधि के वास्तविक और पूर्वानुमानित मानों के विचलन के बीच अंतर का पूर्ण मूल्य लेते हैं आप उन निरपेक्ष विचलनों की औसतता प्राप्त करते हैं और आप एक औसत अंक प्राप्त कर सकते हैं, जो आपको औसत की अवधि, और या उससे अधिक की संख्या पर निर्णय लेने में सहायक हो सकता है सामान्यतया, आप सबसे कम एमएडी में से एक का चयन करते हैं, जो कि मैड की गणना की जाती है। एमएडी केवल 8, 1 और 3 की औसत है। औसत की गणना औसत के लिए चलती औसत का उपयोग करते समय याद रखें। औसत की औसत सरल या भारित हो सकती है। आप अपने औसत के लिए उपयोग की जाने वाली समयावधि की संख्या, और आपके द्वारा दिए गए किसी भी वज़न सख्ती से मनमाने तरीके से होते हैं। मॉलिंग की औसत समय श्रृंखला डेटा में अनियमित पैटर्न को आसान बनाता है, जितनी अधिक समय के लिए उपयोग किया जाता है प्रत्येक डेटा बिंदु, अधिक से अधिक चौरसाई प्रभाव। चूंकि चौरसाई के कारण, अगले महीने की बिक्री के पूर्वानुमान के अनुसार हाल के कुछ महीनों की बिक्री के परिणामस्वरूप मौसम में होने वाली चकाचौंध, और अनियमित पैटर्न के कारण बड़े विचलन का परिणाम हो सकता है। और चौरसाई क्षमताओं चलती औसत विधि का अधिक उन्नत पूर्वानुमान विधियों के लिए समय श्रृंखला को कमजोर करने में उपयोगी हो सकता है। अगला सप्ताह घातीय चिकनाई अगले सप्ताह के पूर्वानुमान में शुक्रवार को हम घातीय चौरसाई विधियों पर चर्चा करेंगे , और आप देखेंगे कि वे औसत पूर्वानुमानकारी विधियों को आगे बढ़ने से कहीं ज्यादा बेहतर हो सकते हैं। अभी भी पता नहीं क्यों गुरुवार को हमारे पूर्वानुमान शुक्रवार के पदों पर दिखाई देते हैं। बाहर का पता लगाएं। पोस्ट नेविगेशन। एक उत्तर दें छोड़ दो उत्तर दें। मेरे पास 2 प्रश्न हैं .1 क्या आप पूर्वानुमानित करने के लिए केन्द्रित एमए दृष्टिकोण का उपयोग करें या सिर्फ मौसमी को हटाने के लिए .2 जब आप साधारण टी टी -1 टी -2 टीके के एमए का उपयोग करते हैं, तो एक अवधि का पूर्वानुमान करने के लिए, क्या संभव है कि 1 से अधिक अवधि की भविष्यवाणी करना संभव है, तो मैं अनुमान लगाता हूं अगली में खिलाने वाले अंक में से एक होगा। धन्यवाद, जानकारी और आपके स्पष्टीकरणों को प्यार करो। मुझे आपको खुशी है कि ब्लॉग मुझे पसंद है मुझे यकीन है कि कई विश्लेषकों ने पूर्वानुमान के लिए केन्द्रित एमए दृष्टिकोण का इस्तेमाल किया है, लेकिन मैं व्यक्तिगत रूप से उस दृष्टिकोण के परिणाम दोनों छोर पर अवलोकन की हानि में यह वास्तव में तब आपके दूसरे प्रश्न में संबंध है आम तौर पर, साधारण एमए का उपयोग केवल एक अवधि का पूर्वानुमान करने के लिए किया जाता है, लेकिन कई विश्लेषकों और मैं भी कभी-कभी मेरे एक अवधि के पूर्वानुमान का उपयोग एक इनपुट के रूप में करेंगे दूसरी अवधि आगे यह एस याद रखना जरूरी है कि भविष्य में आप पूर्वानुमान करने का प्रयास करेंगे, भविष्य की त्रुटि के अधिक से अधिक जोखिम यही कारण है कि मैं अंत में टिप्पणियों के नुकसान की भविष्यवाणी करने के लिए केन्द्रित एमए की सिफारिश नहीं करता, इसका अर्थ है कि खोए गए अवलोकन के पूर्वानुमान के लिए भरोसा करना, साथ ही साथ अवधि भी आगे बढ़ रही है, इसलिए पूर्वानुमान त्रुटि की अधिक संभावना है। आप इस पर तौलना करने वाले रेडरों को आमंत्रित करते हैं। क्या आपके पास इसके बारे में कोई विचार या सुझाव है। ब्रायन, आपकी टिप्पणी के लिए धन्यवाद और ब्लॉग पर आपकी प्रशंसा। पहल और अच्छा स्पष्टीकरण यह वास्तव में उपयोगी है.मैं एक ग्राहक के लिए कस्टम मुद्रित सर्किट बोर्डों का पूर्वानुमान करता हूं जो किसी भी पूर्वानुमान को नहीं देता है, मैंने चलती औसत का इस्तेमाल किया है, हालांकि यह बहुत सटीक नहीं है क्योंकि उद्योग ऊपर और नीचे जा सकता है हम बीच के मध्य की ओर देखते हैं गर्मियों की साल के अंत तक शिपिंग है कि पीसीबी एस ऊपर है तो हम साल की शुरुआत में देखते हैं कि नीचे कैसे धीमा हो जाता है मैं अपने डेटा के साथ और अधिक सटीक कैसे हो सकता हूं। कैटरीना, जो आपने मुझसे कहा था, यह आपकी मुद्रित सर्किट बोर्ड की बिक्री एक मौसमी घटक है, मैं कुछ अन्य पूर्वानुमानों में शुक्रवार को मौसम का पता लगाता हूं, आप एक और दृष्टिकोण का उपयोग कर सकते हैं जो आप उपयोग कर सकते हैं, जो बहुत आसान है, होल्ट-विंटर्स एल्गोरिथ्म है, जो खाते की मौसमी स्थिति में ले जाता है आप इसे का एक अच्छा स्पष्टीकरण पा सकते हैं यह निर्धारित करने के लिए कि क्या आपके मौसमी पैटर्न गुणनीय या योजक हैं, क्योंकि प्रत्येक के लिए एल्गोरिदम थोड़ी अलग है यदि आप कुछ वर्षों से अपने मासिक डेटा को साजिश करते हैं और देखें कि वर्ष के एक ही समय में मौसमी विविधताएं वर्ष भर निरंतर लगती हैं, तो ऋणात्मकता जोड़ती है यदि समय के साथ मौसमी विविधताएं बढ़ रही हैं, तो ऋतुमान गुणात्मक होता है सबसे मौसमी समय श्रृंखला गुणात्मक होगी यदि संदेह में, गुणात्मक शुभकामनाएँ ग्रहण करें। वहां, वहां उन तरीकों के बीच नवे का पूर्वानुमान लंबाई k या तो भारित चल औसत औसत या एक्सपेंनेशन चौरसाई जो उन मॉडलों को अद्यतन करने में से एक है जिनका उपयोग मुझे forecas डेटा के लिए मेरी राय के लिए, मैं औसत मूविंग के बारे में सोच रहा हूं लेकिन मुझे यह नहीं पता कि यह कैसे स्पष्ट और संरचित है। यह वास्तव में आपकी डेटा की मात्रा और गुणवत्ता पर निर्भर करता है और आपकी पूर्वानुमानित क्षितिज दीर्घकालिक, मध्य अवधि , या अल्पावधि .3 अनुमान स्तर और विधियों को समझना। आप उत्पाद विवरण पैटर्न को प्रतिबिंबित करने वाले विस्तार से एक आइटम पूर्वानुमान और सारांश उत्पाद लाइन पूर्वानुमान उत्पन्न कर सकते हैं सिस्टम 12 पूर्वानुमानित तरीकों का उपयोग करके अनुमानों की गणना करने के लिए पिछली बिक्री का विश्लेषण करता है। पूर्वानुमान में विस्तृत जानकारी शामिल है एक शाखा या कंपनी के बारे में आइटम स्तर और उच्च स्तर की जानकारी पूरे.3 के रूप में। 1 पूर्वानुमान प्रदर्शन मूल्यांकन मानदंड। प्रसंस्करण के विकल्पों के चयन और बिक्री डेटा में प्रवृत्तियों और पैटर्नों के आधार पर, कुछ भविष्यवाणी पद्धति दूसरों के लिए बेहतर प्रदर्शन करती है दिए गए ऐतिहासिक डेटा सेट एक उत्पाद के लिए उपयुक्त एक भविष्यवाणी पद्धति किसी और उत्पाद के लिए उपयुक्त नहीं हो सकती हो सकता है आपको शायद एक पूर्वानुमान विधि उत्पाद जीवन चक्र के एक चरण में अच्छे परिणाम पूरे जीवन चक्र के दौरान उपयुक्त रहेंगे। आप पूर्वानुमान के तरीकों के वर्तमान प्रदर्शन का मूल्यांकन करने के लिए दो विधियों के बीच चयन कर सकते हैं। सटीकता के पीओए. मैन पूर्ण विचलन एमएडी। इन प्रदर्शन मूल्यांकन के दोनों विधियों को आपके द्वारा निर्दिष्ट अवधि के लिए ऐतिहासिक बिक्री डेटा की आवश्यकता होती है इस अवधि को एक पकड़-अवधि अवधि या सर्वोत्तम फिट की अवधि कहा जाता है इस अवधि में डेटा को अगली पूर्वानुमान प्रक्षेपण करने में पूर्वानुमानित विधि का उपयोग करने की सिफारिश करने के आधार के रूप में उपयोग किया जाता है यह सिफारिश विशिष्ट है प्रत्येक उत्पाद के लिए और एक पूर्वानुमान पीढ़ी से अगले 3 में बदल सकते हैं। 3 1 1 सर्वश्रेष्ठ फिट। सिस्टम पिछले विक्रय आदेश इतिहास के लिए चयनित पूर्वानुमान विधियों को लागू करने और वास्तविक इतिहास के पूर्वानुमान पूर्वानुमान की तुलना करते हुए सर्वोत्तम फिट पूर्वानुमान की सिफारिश करता है। एक बेहतरीन फिट पूर्वानुमान, सिस्टम विशिष्ट विक्रय आदेशों को एक विशिष्ट समय अवधि के पूर्वानुमान के लिए और तुलना करता है डब्ल्यू सही ढंग से प्रत्येक अलग पूर्वानुमान पद्धति की बिक्री की भविष्यवाणी की गई थी तब सिस्टम सबसे सटीक पूर्वानुमान के रूप में सर्वोत्तम फिट की सिफारिश करता है यह ग्राफ़िक सबसे अच्छी फिट पूर्वानुमान दिखाता है। फिक्सर 3-1 सर्वश्रेष्ठ फिट पूर्वानुमान। सिस्टम सबसे अच्छा फिट निर्धारित करने के लिए चरणों के इस अनुक्रम का उपयोग करता है। धारक अवधि के लिए नकली पूर्वानुमानों के लिए धारक अवधि के वास्तविक पूर्वानुमानों को धारण करने के लिए निर्दिष्ट विधि। पीओए या एमएडी को यह अनुमान लगाने के लिए कि कौन से भविष्यवाणी पद्धति सबसे पुरानी वास्तविक बिक्री से मेल खाती है, इसका मिलान करें। सिस्टम या तो पीओए या एमएडी का उपयोग करता है आपके द्वारा चुने जाने वाले प्रसंस्करण विकल्प। पीओए द्वारा 100% से अधिक के करीब या एमएडी जो कि शून्य के सबसे निकटतम 3.2 डिग्री पूर्वानुमान के लिए सबसे निकटतम पूर्वानुमान है। जद एडवर्ड्स एंटरप्राइज़ऑन पूर्वानुमान प्रबंधन मात्रात्मक पूर्वानुमान के लिए 12 तरीकों का उपयोग करता है और यह दर्शाता है कि किस स्थिति में भविष्यवाणी की स्थिति के लिए सबसे अच्छी सुविधा प्रदान की जाती है। इस अनुभाग में चर्चा की गई है। पिछले वर्ष की तुलना में 1 प्रतिशत। विधि 2 परिकलित प्रतिशत पिछले साल से अधिक। विधि 3 पिछले साल इस साल। विधि 4 चलती औसत। विधि 5 रैखिक अनुमान। विधि 6 कम से कम वर्गों प्रतिगमन। विधि 7 दूसरा डिग्री अनुमान। विधि 8 लचीले विधि। विधि 9 भारित औसत। विधि 10 रैखिक चिकनाई। विधि 11 घातीय चिकनाई। विधि 12 प्रवृत्ति और मौसमी के साथ घातीय चिकनाई। पूर्वानुमान पीढ़ी कार्यक्रम R34650 के लिए प्रसंस्करण विकल्पों में आप का उपयोग करना चाहते हैं कि विधि को निर्दिष्ट करें इन तरीकों में से अधिकांश सीमित नियंत्रण प्रदान करते हैं उदाहरण के लिए, हाल के ऐतिहासिक डेटा गणना में उपयोग की जाने वाली ऐतिहासिक डेटा की तारीख अवधि आपके द्वारा निर्दिष्ट की जा सकती है। मार्गदर्शिका में दिए गए उदाहरण, ऐतिहासिक पूर्वानुमानों के एक समान सेट को देखते हुए उपलब्ध पूर्वानुमान विधियों के लिए गणना प्रक्रिया को इंगित करते हैं। मार्गदर्शिका उपयोग में विधि उदाहरण भाग या इन सभी डेटा सेट, जो कि पिछले दो सालों से ऐतिहासिक डेटा है पूर्वानुमान पूर्वानुमान अगले साल में जाता है। यह बिक्री इतिहास डेटा स्थिर है जुलाई और दिसंबर में छोटे मौसमी वृद्धि के साथ यह पैटर्न एक परिपक्व उत्पाद की विशेषता है जो अप्रचलन के निकट हो सकता है। 2 2 1 विधि 1 प्रतिशत पिछले वर्ष से अधिक है। यह विधि निर्दिष्ट प्रतिशत से प्रत्येक पूर्वानुमान अवधि को गुणा करने के लिए पिछले वर्ष के आधार पर प्रतिशत का उपयोग करता है। वृद्धि या कमी। मांग की भविष्यवाणी करने के लिए, इस पद्धति के लिए सर्वोत्तम फिट प्लस अवधि के एक साल के बिक्री इतिहास की आवश्यकता होती है यह विधि मौसमी वस्तुओं की वृद्धि या गिरावट के साथ की मांग का पूर्वानुमान करने के लिए उपयोगी है। 2 2 1 1 उदाहरण विधि 1 प्रतिशत अंतिम से अधिक वर्ष। पिछले साल के मुकाबले प्रतिशत पिछले वर्ष की तुलना में आपके द्वारा निर्दिष्ट एक कारक से बिक्री आंकड़े गुणा करता है और फिर अगले साल के परिणामस्वरूप होने वाले प्रोजेक्ट्स यह पद्धति बजट में उपयोगी साबित हो सकती है ताकि किसी विशिष्ट विकास दर को प्रभावित कर सके या बिक्री इतिहास एक महत्वपूर्ण मौसमी घटक। मौसम विनिर्देश गुणक कारक उदाहरण के लिए, पिछले वर्ष के बिक्री इतिहास को बढ़ाने के लिए प्रसंस्करण के विकल्प में 110 निर्दिष्ट करें डेटा 10 प्रतिशत से। अनिवार्य बिक्री का इतिहास पूर्वानुमान की गणना के लिए एक वर्ष, प्लस समय अवधि की संख्या, जो आपके द्वारा विनिर्दिष्ट सबसे अच्छी फिट की पूर्वानुमान प्रदर्शन अवधि का मूल्यांकन करने के लिए आवश्यक है। इस तालिका का पूर्वानुमान पूर्वानुमान गणना में उपयोग किया गया है। फ़ेब्ररी का पूर्वानुमान बराबर है 117 1 1 128 7 राउंड टू 12 9। मार्च का पूर्वानुमान 115 1 1 126 5 के बराबर है 127.3 2 2 पद्धति 2 का अंतिम वर्ष के हिसाब से परिकलित प्रतिशत। इस पद्धति का उपयोग पिछले पश्चात की तुलना में पिछले साल के सूत्र के अनुसार बिक्री के लिए निर्दिष्ट अवधि पिछले वर्ष की इसी अवधि से सिस्टम ने प्रतिशत में वृद्धि या कमी को निर्धारित किया है, और फिर पूर्वानुमान के निर्धारण के लिए प्रतिशत द्वारा प्रत्येक अवधि को गुणा करता है। पूर्वानुमान की पूर्ति के लिए, इस विधि को विक्रय ऑर्डर के इतिहास की अवधि और बिक्री के एक वर्ष की आवश्यकता होती है इतिहास यह विधि मौसमी वस्तुओं की वृद्धि या गिरावट के साथ अल्पावधि मांग की भविष्यवाणी करने के लिए उपयोगी है। 2 2 1 उदाहरण विधि 2 पिछले वर्ष की तुलना में परिकलित प्रतिशत। पिछले साल के सूत्र में पिछले साल के आंकड़ों के अनुसार एक कारक है जो सिस्टम द्वारा गणना की जाती है और फिर अगले साल के लिए इसका परिणाम पेश करता है यह विधि उत्पाद के लिए हाल की वृद्धि दर को बढ़ाने के प्रभाव को पेश करने में उपयोगी हो सकती है बिक्री के इतिहास में मौजूद मौसमी पैटर्न को बनाए रखने के दौरान अगले वर्ष में। मौसम विनिर्देश विकास की दर की गणना में उपयोग करने के लिए बिक्री के इतिहास का रेंज उदाहरण के लिए, संसाधित करने के लिए प्रसंस्करण के विकल्प में निर्दिष्ट करें 4 सबसे हाल ही में चार के लिए बिक्री इतिहास पिछले वर्ष के उन चार अवधियों के लिए अवधि अगले वर्ष के लिए प्रक्षेपण करने के लिए गणना अनुपात का उपयोग करें। अपेक्षित बिक्री इतिहास पूर्वानुमान की गणना के लिए एक वर्ष और समय की अवधि की गणना करने के लिए आवश्यक है जो सर्वोत्तम प्रदर्शन की अवधि का मूल्यांकन करने के लिए आवश्यक हैं इस तालिका में अनुमानित गणना में इस्तेमाल किया जाने वाला इतिहास है, एन दिया गया है। फरवरी का पूर्वानुमान 114 9 मार्च, 114 9 114 के बराबर है। मार्च का पूर्वानुमान 115 के बराबर है 9 766 112 31 गोल करने के लिए 112.3 2 3 विधि 3 पिछले वर्ष इस वर्ष। इस पद्धति का उपयोग अगले साल के पूर्वानुमान के लिए पिछले साल की बिक्री का उपयोग करता है। मांग की भविष्यवाणी करने के लिए, इस पद्धति की अवधि के लिए सर्वोत्तम फिट प्लस बिक्री आदेश इतिहास के एक वर्ष की आवश्यकता है यह विधि प्रवृत्ति के बिना स्तर मांग या मौसमी मांग के साथ परिपक्व उत्पादों की मांग का पूर्वानुमान करने के लिए उपयोगी है। 2 3 1 उदाहरण पद्धति 3 पिछले वर्ष इस वर्ष। पिछले वर्ष इस वर्ष के फार्मूला प्रतियां पिछले साल से बिक्री डेटा अगले करने के लिए वर्ष यह तरीका बजट में उपयोगी हो सकता है ताकि वर्तमान स्तर पर बिक्री को अनुकरण किया जा सके। उत्पाद परिपक्व है और इसमें लंबे समय तक कोई प्रवृत्ति नहीं है, लेकिन एक महत्वपूर्ण मौसमी मांग पैटर्न मौजूद हो सकता है। मौसम विनिर्देश कोई नहीं। आवश्यक बिक्री इतिहास पूर्वानुमान की गणना के लिए एक वर्ष प्लस समय की अवधि की गणना करने के लिए आवश्यक है जो सबसे अच्छा फिट की पूर्वानुमान प्रदर्शन अवधि के मूल्यांकन के लिए आवश्यक हैं। इस तालिका का पूर्वानुमान गणना गणना में उपयोग किया जाता है। जनवरी का पूर्वानुमान पिछले साल जनवरी के बराबर के साथ एक forecas 128 का टी मूल्य। फरवरी की भविष्यवाणी 117 साल के पूर्वानुमान मूल्य के साथ पिछले साल फरवरी के बराबर होती है। मार्च का पूर्वानुमान 115.3 2 4 विधि 4 मूविंग औसत के पूर्वानुमान मूल्य के साथ पिछले वर्ष के मार्च के बराबर है। यह विधि निर्दिष्ट औसत के लिए स्थानांतरण औसत सूत्र का उपयोग करता है अगली अवधि में प्रोजेक्ट करने की अवधि की संख्या आपको मांग में बदलाव को प्रतिबिंबित करने के लिए अक्सर मासिक या फिर कम से कम त्रैमासिक पुनर्गणना चाहिए। मांग का पूर्वानुमान करने के लिए, इस पद्धति की आवश्यकता होती है सर्वोत्तम अवधि के साथ-साथ बिक्री आदेश इतिहास की अवधि की संख्या। प्रवृत्ति के बिना परिपक्व उत्पादों की मांग का पूर्वानुमान करना उपयोगी है। 2 2 4 1 उदाहरण विधि 4 चलते औसत. मॉविंग औसत एमए एक लोकप्रिय तरीका है, जो हाल के बिक्री इतिहास के परिणामों को अल्पावधि के लिए प्रक्षेपण निर्धारित करने के लिए लोकप्रिय है I प्रवृत्तियों पूर्वानुमान पूर्वाग्रह और व्यवस्थित त्रुटियां तब होती हैं जब उत्पाद की बिक्री का इतिहास मजबूत प्रवृत्ति या मौसमी पैटर्न दर्शाता है यह विधि परिपक्व उत्पादों के संक्षिप्त श्रेणी पूर्वानुमान के लिए बेहतर काम करती है जीवन चक्र के विकास या अप्रचलन चरणों में होने वाले उत्पादों की तुलना में। पूर्वानुमान विनिर्देश एन गणना पूर्वानुमान में उपयोग करने के लिए बिक्री के इतिहास की अवधि के बराबर होती है उदाहरण के लिए, सबसे हाल की चार अवधि का उपयोग करने के लिए प्रसंस्करण के विकल्प में n 4 निर्दिष्ट करें अगली पीढ़ी में प्रक्षेपण के आधार के रूप में, जैसे n के लिए बड़े मूल्य 12 को अधिक बिक्री इतिहास की आवश्यकता होती है, इसका परिणाम एक स्थिर पूर्वानुमान में होता है, लेकिन बिक्री के स्तर में बदलाव को पहचानने में धीमा है, इसके विपरीत, n के लिए एक छोटा सा मान 3 बिक्री के स्तर में बदलाव का उत्तर देने के लिए तेज़ है, लेकिन पूर्वानुमान इतने व्यापक रूप से उतार-चढ़ाव कर सकता है कि उत्पादन विविधताओं का जवाब नहीं दे सकता है। अनिवार्य बिक्री इतिहास n प्लस समय की अवधि की गणना करने के लिए आवश्यक है जो पूर्वानुमान के सर्वोत्तम प्रदर्शन की अवधि का मूल्यांकन करने के लिए आवश्यक हैं इस तालिका का इतिहास पूर्वानुमान गणना में उपयोग किया जाता है। फ़ेब्ररी का पूर्वानुमान 114 119 137 125 4 123 75 के बराबर होता है 124 तक होता है। मार्च का पूर्वानुमान बराबर है 119 137 125 124 4 126 25 126.3 के लिए गोल 2 5 विधि 5 रैखिक अनुमान। यह विधि बिक्री आदेश इतिहास की अवधि की संख्या से एक प्रवृत्ति की गणना करने के लिए और भविष्यवाणी करने के लिए इस प्रवृत्ति को प्रारम्भ करने के लिए रैखिक अनुमान श्रोता का उपयोग करता है, रुझानों में परिवर्तनों का पता लगाने के लिए आपको मासिक रुझान की पुनर्गणना चाहिए. इस पद्धति की अवधि की संख्या सर्वोत्तम ऑर्डर के साथ-साथ विक्रय ऑर्डर इतिहास की निर्दिष्ट अवधि की संख्या इस पद्धति का उपयोग नए उत्पादों की मांग, या लगातार सकारात्मक या नकारात्मक रुझानों के साथ उत्पादों के लिए उपयोगी है जो मौसमी उतार-चढ़ाव के कारण नहीं हैं। 2 5 1 उदाहरण विधि 5 रैखिक अनुमान। रैखिक अनुमान एक प्रवृत्ति की गणना करता है जो दो विक्रय इतिहास डेटा बिंदुओं पर आधारित होता है उन दो बिंदुओं को एक सीधे प्रवृत्ति रेखा को परिभाषित करता है जो भविष्य में पेश किया जाता है सावधानी के साथ इस पद्धति का उपयोग करें क्योंकि लंबे समय से अनुमानों को केवल दो डेटा बिंदुओं में छोटे परिवर्तनों से लाभ पहुंचाया जाता है। n बिक्री के इतिहास में डेटा बिंदु के बराबर होती है, जिसे किसी रुझान की पहचान करने के लिए सबसे हाल के डेटा बिंदु से तुलना की जाती है उदाहरण के लिए, स्पे दिसम्बर 4 के बीच अंतर का इस्तेमाल करने के लिए दिसंबर 4 से लेकर 4 अगस्त तक के रुझान का पता लगाने के लिए आधार के रूप में अंतर का उपयोग करें। न्यूनतम आवश्यक बिक्री इतिहास n प्लस 1 प्लस समय की अवधि जो कि पूर्वानुमान के सर्वोत्तम प्रदर्शन की अवधि का मूल्यांकन करने के लिए आवश्यक हैं फिट है.इस तालिका का इतिहास पूर्वानुमान गणना में उपयोग किया जाता है। जनवरी का पूर्वानुमान पिछले साल दिसंबर 1 1 137 1 2 13 9 के बराबर रुझान है। पिछले साल दिसम्बर फरवरी का अनुमान है 1 ट्रेंड जो 137 2 2 141 के बराबर है। मार्च का अनुमान पिछले साल दिसंबर 1 ट्रेंड जो बराबर है 137 3 2 143.3 2 6 विधि 6 कम से कम वर्गों के प्रतिगमन। कम से कम वर्गों प्रतिगमन एलएसआर विधि ऐतिहासिक बिक्री डेटा और समय बीतने के बीच एक सीधी रेखा संबंध का वर्णन करने वाला एक समीकरण प्राप्त करता है LSR डेटा की चयनित श्रेणी में एक पंक्ति फिट करता है ताकि वास्तविक बिक्री डेटा बिंदुओं और प्रतिगमन लाइन के बीच अंतर के वर्गों का योग कम कर दिया जाता है पूर्वानुमान भविष्य में इस सीधी रेखा की प्रक्षेपण है। इस पद्धति की अवधि के लिए विक्रय डेटा इतिहास की आवश्यकता होती है, जो सबसे अच्छी अवधि के साथ-साथ ऐतिहासिक डेटा अवधियों की निर्दिष्ट संख्या के आधार पर प्रदर्शित होती है न्यूनतम आवश्यकता दो ऐतिहासिक डेटा बिंदु है यह विधि एक पूर्वानुमान के लिए उपयोगी है जब एक रेखीय प्रवृत्ति डेटा में होती है .3 2 6 1 उदाहरण विधि 6 कम से कम वर्गों प्रतिगमन। लीडर रेग्रेसन, या कम स्क्वायर प्रतिगमन एलएसआर, ऐतिहासिक बिक्री डेटा में एक रैखिक प्रवृत्ति की पहचान करने के लिए सबसे लोकप्रिय तरीका है विधि सूत्र में इस्तेमाल होने वाले ए और बी के मूल्यों की गणना करता है यह समीकरण एक सीधी रेखा का वर्णन करता है, जहां वाई को बिक्री का प्रतिनिधित्व करता है और एक्स समय को दर्शाता है रेखीय प्रतिगमन मांग बिंदुओं और कदम फ़ंक्शन की मांग को पहचानने में धीमी है। रैखिक प्रतिगमन डेटा में सीधी रेखा फिट बैठती है, तब भी जब डेटा मौसमी या बेहतर द्वारा वर्णित होता है एक वक्र जब बिक्री इतिहास डेटा एक वक्र के बाद होता है या एक मजबूत मौसमी पैटर्न होता है, पूर्वानुमान पूर्वाग्रह और व्यवस्थित त्रुटियां होती हैं। मौसम विनिर्देश n समयावधि बिक्री इतिहास का उपयोग ए और बी के लिए मूल्यों की गणना में किया जाएगा उदाहरण के लिए, गणना के लिए आधार के रूप में सितंबर से दिसंबर तक के इतिहास का उपयोग करने के लिए एन 4 निर्दिष्ट करें जब डेटा उपलब्ध होता है, तो एन के रूप में एक बड़ा एन सामान्यतः होगा इस्तेमाल किया एलएसआर दो आंकड़ों के आंकड़ों के लिए एक रेखा परिभाषित करता है इस उदाहरण के लिए, एनएन 4 के लिए एक छोटा सा मान चुना गया था, जो मैन्युअल गणना को कम करने के लिए चुना गया था, जो कि परिणामों को सत्यापित करने के लिए जरूरी है। न्यूनतम आवश्यक बिक्री इतिहास n अवधि प्लस समय की संख्या सबसे अच्छा फिट की भविष्यवाणी के प्रदर्शन की अवधि का मूल्यांकन करने के लिए आवश्यक हैं। इस तालिका का पूर्वानुमान पूर्वानुमान गणना में उपयोग किया जाता है। मार्च का पूर्वानुमान 119 5 7 2 3 135 6 के बराबर है 136.3 2 7 विधि 7 दूसरा डिग्री अनुमान। पूर्वानुमान करने के लिए इस पद्धति को प्रोजेक्ट करने के लिए बिक्री इतिहास की अवधि की संख्या पर आधारित एक वक्र को साजिश करने के लिए द्वितीय डिग्री अनुमान का सूत्र का उपयोग करता है.इस पद्धति की अवधि सबसे अच्छी फिट की संख्या और विक्रय आदेश इतिहास के समय की अवधि की संख्या की आवश्यकता है hree यह विधि लंबी अवधि की अवधि के लिए पूर्वानुमान की पूर्ति करने के लिए उपयोगी नहीं है। 2 2 2 1 1 उदाहरण पद्धति 7 द्वितीय डिग्री अनुमान। लीडर रेगशन ए और बी के लिए पूर्वानुमान सूत्र में मान निर्धारित करता है Y ab X एक सीधी रेखा फिटिंग के उद्देश्य से बिक्री इतिहास के आंकड़ों के लिए दूसरी डिग्री अनुमान समान है, लेकिन यह विधि इस पूर्वानुमान के सूत्र में ए, बी और सी के लिए मूल्यों को निर्धारित करती है। इस पद्धति का उद्देश्य बिक्री इतिहास के आंकड़ों को वक्र में फिट करना है यह विधि तब उपयोगी होती है जब एक उत्पाद जीवन चक्र के चरणों के बीच संक्रमण में है उदाहरण के लिए, जब एक नया उत्पाद विकास के चरणों में परिचय से चलता है, तो बिक्री की प्रवृत्ति में तेजी ला सकती है क्योंकि दूसरे आदेश की अवधि के कारण, भविष्य में अनगिनतता का अनुमान लगाया जा सकता है या शून्य पर छोड़ सकता है, इस पर निर्भर करता है कि क्या गुणांक सी सकारात्मक या ऋणात्मक है यह विधि केवल अल्पावधि में उपयोगी होती है। फोर्कास्ट विनिर्देशों के सूत्र को एक, बी, और सी को वक्र को ठीक तीन अंकों के साथ फिट करने के लिए खोजें, आप एन को निर्दिष्ट करते हैं, डेटा के समय-काल की संख्या इस तीन अंकों में से प्रत्येक में जमा करने के लिए, इस उदाहरण में, अप्रैल से जून तक 3 वास्तविक बिक्री आंकड़े पहले बिंदु में एकत्रित किए जाते हैं, Q1 जुलाई से सितंबर को एक साथ जोड़ दिया जाता है ताकि Q2 बनाने के लिए, और अक्टूबर में दिसंबर राशि के माध्यम से Q3 के लिए क्यू 3 वक्र फिट हो तीन मूल्यों के लिए Q1, Q2, और Q3। पूर्वानुमान की गणना के लिए अनिवार्य बिक्री इतिहास 3 एन अवधि और प्लस समय की समयावधि की गणना करने के लिए आवश्यक है जो पूर्वानुमान के सर्वोत्तम प्रदर्शन की अवधि के मूल्यांकन के लिए आवश्यक हैं। यह तालिका पूर्वानुमान गणना में उपयोग किया जाता है। Q0 जनवरी फर Mar. Q1 अप्रैल मई जून, जो 125 122 137 384.Q2 के बराबर है, जो अगस्त, अगस्त के बराबर है, 140 12 9 131 400. क्वा 3 अक्टूबर, जो 114 114 9 137 370 के बराबर है। अगले चरण में तीन coefficients a, b, और सी को भविष्यवाणी के सूत्र में इस्तेमाल करने के लिए वाई अब एक्स सी एक्स 2। क्यू 1, क्यू 2, और क्यू 3 ग्राफिक पर प्रस्तुत किया जाता है, जहां समय क्षैतिज अक्ष पर लगाया जाता है Q1 अप्रैल, मई और जून के लिए कुल ऐतिहासिक बिक्री का प्रतिनिधित्व करता है और एक्स 1 क्यू 2 में प्लॉट किए गए सितंबर के माध्यम से जुलाई के अनुरूप है एम्बर Q3 अक्टूबर से दिसंबर के बीच से मेल खाता है और Q4 जनवरी के माध्यम से जनवरी का प्रतिनिधित्व करता है यह ग्राफ़िक दूसरी डिग्री अनुमान के लिए Q1, Q2, Q3, और Q4 की साजिश को दर्शाता है। फिक्चर 3-2 प्लॉटिंग Q1, Q2, Q3, और दूसरी डिग्री सन्निकटन के लिए Q4। तीन समीकरण ग्राफ पर तीन बिंदुओं का वर्णन करते हैं। 1 Q1 एक बीएक्स सीएक्स 2 जहां एक्स 1 क्यू 1 ए बी सी। 2 क्यू 2 एक बीएक्स सीएक्स 2 जहां एक्स 2 क्यू 2 ए 2 बी 4 सी। 3 क्यू 3 एक बीएक्स सीएक्स 2 जहां एक्स 3 क्यू 3 एक 3 बी 9 सी। समीकरण को तीन समीकरणों को एक साथ मिलाकर बी, ए, और सी। सब्ट्रैक्ट समीकरण 1 1 को समीकरण 2 2 से मिला और बी के लिए समीकरण करें। 3 क्यू 3 ए 3 क्यू 2 क्यू 1 3 सी 9 सी ए क्यू 3 3 क्यू 2 क्यू 1। अंत में, ए और बी के समीकरण 1 के लिए इन समीकरणों का विकल्प 1. 1 क्यू 3 3 क्यू 2 क्यू 1 क्यू 2 क्यू 3 3 सी सी क्यू 1 सी क्यू 3 क्यू 2 क्यू 1 क्यू 2 क्यू 2 2. द सेकंड डिग्री एपीओसीमेसमेंट मैनेजमेंट ए, बी और सी की गणना निम्नानुसार है। क्यू 3 3 क्यू 2 क्यू 1 370 3 400 384 370 3 16 322. बी क्यू 2 क्यू 1 3 सी 400 384 3 23 16 69 85 सी क्यू 3 क्यू 2 क्यू 1 क्यू 2 2 370 400 384 400 2 23.यह दूसरा डिग्री सन्निकटन पूर्वानुमान की गणना है। Y एक बीएक्स सीएक्स 2 322 85 एक्स 23 एक्स 2. जब एक्स 4, क्यू 4 322 340 368 294 पूर्वानुमान प्रति अवधि 294 3 98 के बराबर है। जब एक्स 5, Q5 322 425 575 172 पूर्वानुमान बराबर है 172 3 58 33 गोल प्रति 57. जब एक्स 6, Q6 322 510 828 4 पूर्वानुमान 4 3 1 33 के बराबर एक प्रति अवधि के लिए। यह अगले वर्ष के लिए पूर्वानुमान है, पिछले साल इस साल के लिए पूर्वानुमान है। 2 2 8 विधि 8 लचीले मेथड. इस विधि से आप प्रति सबसे अच्छा फिट नंबर चुन सकते हैं विक्रय आदेश इतिहास के आयोड्स जो पूर्वानुमान शुरू होने की तारीख से पहले n महीने लगते हैं, और एक प्रतिशत वृद्धि या गुणन कारक को लागू करने के साथ ही पूर्वानुमान को संशोधित करने के लिए, यह विधि विधि 1, पिछले वर्ष की तुलना में प्रतिशत, सिवाय इसके कि आप निर्दिष्ट कर सकते हैं आपके द्वारा आधार के रूप में उपयोग की जाने वाली समयावधि की संख्या। आपके द्वारा एन के रूप में चयन करने पर निर्भर करता है, इस पद्धति की अवधि सबसे अच्छी फिट होती है और यह दर्शाती है कि विक्रय डेटा की समयावधि की संख्या है। यह विधि नियोजित प्रवृत्ति की मांग का पूर्वानुमान करने के लिए उपयोगी है। 2 8 1 उदाहरण विधि 8 लचीले विधि। N महीने से अधिक लचीले विधि प्रतिशत पहले 1 के अनुसार विधि 1, प्रतिशत पिछले साल से अधिक है दोनों विधियों, पिछले समय की तुलना में आपके द्वारा निर्दिष्ट कारक द्वारा बिक्री के गुण, और फिर भविष्य में होने वाले प्रोजेक्ट पिछले साल की तुलना में प्रतिशत में, प्रक्षेपण पिछले वर्ष की इसी अवधि के आंकड़ों पर आधारित है, आप लचीले पद्धति का उपयोग एक समय अवधि निर्दिष्ट करने के लिए कर सकते हैं, अन्य में समान अवधि के अलावा गणना के लिए आधार के रूप में उपयोग करने के लिए। मल्टीप्लेक्शन कारक उदाहरण के लिए, पिछले विक्रय इतिहास के आंकड़ों को 10 प्रतिशत बढ़ाकर प्रसंस्करण के विकल्प में 110 निर्दिष्ट करें। उदाहरण के लिए, एन 4 बिक्री आंकड़ों के आधार पर पहले पूर्वानुमान का कारण बनता है पिछले साल सितंबर में। न्यूनतम आवश्यक बिक्री इतिहास अवधि की अवधि की अवधि के साथ-साथ समय अवधि की संख्या, जो सबसे अच्छा फिट की भविष्यवाणी प्रदर्शन अवधि का मूल्यांकन करने के लिए जरूरी है। इस तालिका का पूर्वानुमान गणना गणना में इस्तेमाल किया गया है। 2 2 9 विधि 9 वेटेड मूविंग औसत। वेटेड मूविंग औसत फॉर्मूला विधि 4, मूविंग एवरल फॉर्मूला जैसा है, क्योंकि यह अगले महीने के बिक्री इतिहास के लिए पिछले महीने के बिक्री इतिहास की औसत है, लेकिन इस फॉर्मूले के साथ आप प्रत्येक के लिए वज़न पूर्व की अवधि के लिए। इस पद्धति के लिए आवश्यक भारित अवधि की संख्या और प्लस अवधि की संख्या को सबसे अच्छा फिट डेटा की आवश्यकता होती है औसत चलती औसत के समान, यह विधि मांग प्रवृत्तियों से पीछे है, इसलिए यह मजबूत प्रवृत्तियों या मौसम के साथ उत्पादों के लिए विधि की सिफारिश नहीं की जाती है यह विधि अपेक्षाकृत स्तर की मांग वाले परिपक्व उत्पादों की मांग का पूर्वानुमान करने के लिए उपयोगी है। 2 9 1 उदाहरण विधि 9 भारित मूविंग औसत। भारित मूविंग औसत WMA विधि विधि 4 जैसा है , मूविंग औसत एमए हालांकि, आप डब्लूएमए का उपयोग करते समय ऐतिहासिक डेटा को असमान वजन प्रदान कर सकते हैं विधि अल्पावधि के लिए प्रक्षेपण के लिए आने वाले हाल के बिक्री इतिहास की भारित औसत की गणना करती है अधिक हाल के डेटा को आमतौर पर पुराने आंकड़ों की तुलना में अधिक बड़ा सौंपा जाता है, इसलिए डब्लूएमए बिक्री के स्तर में बदलाव के लिए अधिक उत्तरदायी है हालांकि, पूर्वानुमान पूर्वाग्रह और व्यवस्थित त्रुटियां तब होती हैं जब उत्पाद की बिक्री का इतिहास मजबूत रुझान या मौसमी पैटर्न दर्शाता है यह विधि परिपक्व या अप्रचलन में उत्पाद की तुलना में परिपक्व उत्पादों की छोटी अवधि के पूर्वानुमान के लिए बेहतर काम करती है जीवन चक्र के चरण। पूर्वानुमान गणना में उपयोग करने के लिए बिक्री इतिहास की अवधि की संख्या। उदाहरण के लिए, प्रक्रिया में एन 4 निर्दिष्ट करें अगली बार अवधि में प्रक्षेपण के आधार के रूप में सबसे हाल की चार अवधि का उपयोग करने के विकल्प के लिए ssing विकल्प, जैसे कि 12 के लिए बड़े मूल्य के लिए अधिक बिक्री इतिहास की आवश्यकता होती है एक स्थिर पूर्वानुमान में इस तरह के मान का परिणाम होता है, लेकिन इसमें बदलाव की पहचान करने में धीमी गति होती है इसके विपरीत, एन के लिए एक छोटा सा मान 3 जैसे बिक्री के स्तर में तेजी से प्रतिक्रिया देता है, लेकिन पूर्वानुमान इतने व्यापक रूप से उतार चढ़ाव हो सकता है कि उत्पादन विविधताओं का जवाब नहीं दे सकता है। प्रसंस्करण के विकल्प की कुल अवधि 14 - शामिल करने के लिए अवधि 12 महीनों से अधिक नहीं होनी चाहिए। प्रत्येक ऐतिहासिक डेटा की अवधि के लिए सौंपा जाने वाले वजन। सौंपा भार को कुल 1 00 होना चाहिए, उदाहरण के लिए, जब 4 4, 0 50, 0 25, 0, 15 और 0 सबसे हाल के आंकड़ों के साथ 10 सबसे बड़ा भार प्राप्त होता है। न्यूनतम आवश्यक बिक्री इतिहास n प्लस समय की अवधि की गणना करने के लिए आवश्यक है जो पूर्वानुमान के सर्वोत्तम प्रदर्शन की अवधि के मूल्यांकन के लिए आवश्यक हैं। यह तालिका पूर्वानुमान गणना में उपयोग किया जाता है। जनवरी का पूर्वानुमान ast बराबर 131 0 10 114 0 15 119 0 25 137 0 50 0 10 0 15 0 25 0 50 128 45 128 के लिए गोल। फ़ेब्रुइ भविष्यफल 114 0 10 119 0 15 137 0 25 128 0 50 1 127 5 राउंड टू 128 मार्च का पूर्वानुमान बराबर है 119 0 10 137 0 15 128 0 25 128 0 50 1 128 45 128.3 2 के लिए गोल 10 विधि 10 रैखिक चौरसाई। यह विधि पिछले बिक्री डेटा के एक भारित औसत की गणना करता है गणना में, यह विधि अवधि की संख्या का उपयोग करती है विक्रय आदेश इतिहास 1 से 12 तक दर्शाया गया है कि प्रसंस्करण विकल्प में प्रणाली पहले गणित की प्रगति का उपयोग करती है, पहले न्यूनतम वजन से लेकर अंतिम सबसे अधिक वजन तक की सीमा के आंकड़ों को मापने के लिए। तब सिस्टम पूर्वानुमान में प्रत्येक अवधि के लिए इस सूचना को प्रोजेक्ट करता है। विधि को महीने की सबसे अच्छी फिट और बिक्री आदेश इतिहास की आवश्यकता होती है, प्रसंस्करण के विकल्प में निर्दिष्ट अवधि के लिए। 2 2 2 1 1 उदाहरण विधि 10 रैखिक चिकनाई। यह विधि विधि 9, डब्लूएमए के समान है, लेकिन मनमाने ढंग से निर्दिष्ट करने के बजाय ऐतिहासिक डेटा के वजन, एक सूत्र का उपयोग किया जाता है 1 9 00 के लिए रैखिक रूप से गिरावट और योग को कम करने के लिए विधि को फिर से हाल के विक्रय इतिहास के भारित औसत की गणना के लिए लघु अवधि के लिए एक प्रक्षेपण पर पहुंचने के लिए सभी रैखिक चलती औसत पूर्वानुमान तकनीकों की तरह पूर्वानुमान पूर्वाग्रह और व्यवस्थित त्रुटियां तब होती हैं जब उत्पाद की बिक्री के इतिहास मजबूत प्रवृत्ति या मौसमी पैटर्न दर्शाता है यह पद्धति जीवन चक्र के विकास या अप्रचलन चरणों में उत्पादों के मुकाबले परिपक्व उत्पादों की छोटी अवधि के पूर्वानुमान के लिए बेहतर काम करती है। एन भविष्य की गणना में उपयोग करने के लिए बिक्री इतिहास की अवधि की संख्या के बराबर है उदाहरण के लिए, निर्दिष्ट करें अगली समय अवधि में प्रक्षेपण के आधार के रूप में सबसे हाल ही में चार अवधियों का उपयोग करने के लिए प्रसंस्करण के विकल्प में एन 4 बराबर है सिस्टम स्वचालित रूप से ऐतिहासिक डेटा के लिए वजन को असाइन करता है जो रैखिक रूप से गिरावट और 1 00 के बराबर है उदाहरण के लिए, जब n equals 4 , सिस्टम 0,4, 0, 3, 0 2, और 0 1 के वजन को सबसे अधिक वजन वाले सबसे हालिया आंकड़े प्रदान करता है। न्यूनतम आवश्यक बिक्री इतिहास एनपी सबसे अच्छा फिट की पूर्वानुमान प्रदर्शन अवधि का मूल्यांकन करने के लिए आवश्यक समय अवधि की संख्या। इस तालिका का इतिहास पूर्वानुमान गणना में इस्तेमाल किया गया है। 2 2 11 विधि 11 घातीय चिकनाई। यह विधि एक औसत औसत गणना करता है, जो कि अनुमानित अनुमान का अनुमान है चयनित ऐतिहासिक डेटा अवधिओं पर बिक्री का सामान्य स्तर। इस पद्धति को समय की अवधि के लिए विक्रय डेटा इतिहास की आवश्यकता होती है जिसे सबसे अच्छी फिट की संख्या और ऐतिहासिक डेटा अवधियों की संख्या से दर्शाया जाता है जो कि निर्दिष्ट हैं न्यूनतम आवश्यकता दो ऐतिहासिक डेटा अवधियों हैं विधि की मांग के पूर्वानुमान के लिए उपयोगी है जब डेटा में कोई रैखिक प्रवृत्ति नहीं होती है। 2 2 11 1 उदाहरण विधि 11 घातीय चिकनाई। यह विधि विधि 10, रैखिक चौरसाई में रैखिक चौरसाई के समान है, सिस्टम वजन घटाने देता है जो कि ऐतिहासिक डेटा घातीय चिकनाई में, प्रणाली घाटे को बढ़ाती है जो तेजी से क्षय हो जाती है घातीय चिकनाई पूर्वानुमान के लिए समीकरण है। पूर्वानुमान पी पूर्व वास्तविक बिक्री 1 पिछला पूर्वानुमान। पूर्वानुमान पिछले अवधि से वास्तविक बिक्री का एक भारित औसत और पिछले अवधि से पूर्वानुमान है अल्फा, जो पिछले अवधि 1 के लिए वास्तविक बिक्री के लिए लागू किया जाता है वह वजन है जो लागू किया जाता है पिछली अवधि के पूर्वानुमान के लिए 0 से 1 के बीच अल्फा श्रेणी के लिए मूल्य और आमतौर पर 0 1 और 0 के बीच आते हैं वजन की राशि 1 00 1 है। आपको चौरसाई निरंतर, अल्फा के लिए एक मान असाइन करना चाहिए यदि आप चौरसाई निरंतर के लिए एक मान असाइन, सिस्टम अनुमानित मान की गणना करता है जो प्रसंस्करण विकल्प में विनिर्दिष्ट विक्रय इतिहास की अवधि के आधार पर आधारित होता है। समानताएं चौरसाई स्थिरता जो सामान्य स्तर के लिए औसत औसत की गणना करने के लिए उपयोग की जाती है या बिक्री की मात्रा। अल्फा के लिए मुल्ये 0 से लेकर 1. एन तक की गणना में शामिल करने के लिए बिक्री इतिहास डेटा की सीमा के बराबर होती है। सामान्यतया, बिक्री इतिहास डेटा का एक वर्ष बिक्री के सामान्य स्तर का अनुमान लगाने के लिए पर्याप्त है इस उदाहरण के लिए, एनएन 4 के लिए एक छोटा सा मान चुना गया था, मैन्युअल गणनाओं को कम करने के लिए चुना गया है, जो परिणाम को सत्यापित करने के लिए जरूरी हैं। एक्सपोनेंबल स्मूथिंग एक अनुमान उत्पन्न कर सकता है जो कि एक ऐतिहासिक डेटा बिंदु के रूप में बहुत कम है। न्यूनतम आवश्यक बिक्री इतिहास n प्लस संख्या भविष्य की गणना के समय की अवधि के लिए सबसे अच्छा फिट की अवधि के मूल्यांकन के लिए जरूरी है। इस तालिका का पूर्वानुमान पूर्वानुमान गणना में इस्तेमाल किया गया है। 2 12 विधि 12 रुझान और मौज़ूदता के साथ घातीय चिकनाई। यह विधि एक प्रवृत्ति, एक मौसमी सूचकांक की गणना करता है, और विक्रय आदेश के इतिहास से औसत रूप से धीमा औसत औसत प्रणाली फिर प्रवृत्ति के अनुमान को लागू करती है और मौसमी सूचकांक के लिए समायोजित करती है। इस पद्धति के लिए सर्वोत्तम अवधि के साथ-साथ दो वर्ष के बिक्री डेटा की आवश्यकता होती है, और उन वस्तुओं के लिए उपयोगी होते हैं जो पूर्वानुमान में दोनों प्रवृत्ति और ऋतुता आप अल्फा और बीटा कारक दर्ज कर सकते हैं, या उनके पास अल्फा और बीटा कारक की गणना की जाती है जो कि चिकनाई स्थिर है प्रणाली सामान्य स्तर या विक्रय अल्फा की परिमाण और पूर्वानुमान बीटा की प्रवृत्ति घटकों के लिए औसत औसत की गणना करने के लिए उपयोग करती है। 2 12 1 उदाहरण विधि 12 रुझान और मौज़ूदता के साथ घातीय चिकनाई। यह विधि विधि 11, घातीय चिकनाई के समान है में, एक औसत औसत गणना की जाती है, हालांकि, विधि 12 में भी एक चिकनी प्रवृत्ति की गणना करने के लिए पूर्वानुमान समीकरण में एक शब्द शामिल है पूर्वानुमान एक रेखीय प्रवृत्ति के लिए समायोजित किया गया है कि एक चिकनी औसत से बना है जब प्रसंस्करण के विकल्प में निर्दिष्ट किया जाता है, पूर्वानुमान है भी मौसम के लिए समायोजित। एल्फा चौरसाई निरंतर के बराबर है जो सामान्य स्तर या विक्रय के परिमाण के लिए औसत औसत की गणना में उपयोग किया जाता है। 0 से 1 के बीच अल्फा श्रेणी के लिए मूल्य। बीटा चिकनाई स्थिर के बराबर होती है जिसका उपयोग औसत के लिए औसत औसत की गणना में किया जाता है पूर्वानुमान की प्रवृत्ति घटक। बीटा के लिए मुल्ये 0 से 1 तक होती हैं। भविष्य में एक मौसमी सूचकांक लागू किया जाता है। एल्फा और बीटा पर निर्भर हैं और दूसरे के लिए उन्हें 1 0. न्यूनतम राशि की आवश्यकता नहीं है न्यूनतम वार्षिक बिक्री का इतिहास एक वर्ष से अधिक समय की अवधि के लिए जो सबसे अच्छा फिट की पूर्वानुमान प्रदर्शन अवधि का मूल्यांकन करने के लिए जरूरी है जब ऐतिहासिक डेटा के दो या अधिक वर्ष उपलब्ध हैं, सिस्टम का उपयोग करता है गणना में दो साल का आंकड़ा। विधि 12 का उपयोग करता है दो घातीय चिकनाई समीकरण और एक साधारण औसत, एक चिकनी औसत, एक चिकनी प्रवृत्ति, और एक साधारण औसत मौसमी सूचकांक गणना करता है। एक तेजी से औसत smoothed। एक तेजी से चिकनी प्रवृत्ति। एक साधारण औसत मौसमी सूचकांक। 3-3 सरल औसत मौसमी सूचकांक। अनुमानित तो तीन समीकरणों के परिणामों का उपयोग करके गणना की जाती है। एल ऋतुमान की अवधि एल बराबर 12 महीने या 52 सप्ताह है। वर्तमान समय अवधि है। मी संख्या है पूर्वानुमान के भविष्य में समय की अवधि एस। गुणात्मक मौसमी समायोजन कारक है जो उपयुक्त समय अवधि के लिए अनुक्रमित है। यह तालिका अनुमान गणना में उपयोग किए जाने वाले इतिहास को सूचीबद्ध करती है.इस अनुभाग में भविष्य के पूर्वानुमानों और चर्चा की समीक्षा के बारे में जानकारी देता है। आप प्रत्येक उत्पाद के लिए जितने से 12 पूर्वानुमान उत्पन्न करने के लिए पूर्वानुमानित विधियों का चयन कर सकते हैं प्रत्येक पूर्वानुमान पद्धति एक अलग प्रक्षेपण बना सकती है जब हजारों उत्पादों का पूर्वानुमान होता है, तो एक व्यक्तिपरक निर्णय अव्यावहारिक है जिसका उपयोग करने के लिए पूर्वानुमान प्रत्येक उत्पाद के लिए योजना में। सिस्टम स्वचालित रूप से आपके द्वारा चुने गए प्रत्येक पूर्वानुमान की विधि के लिए प्रदर्शन का मूल्यांकन करता है और प्रत्येक उत्पाद के लिए जो आप पूर्वानुमान करते हैं, आप दो प्रदर्शन मानदंडों के बीच चयन कर सकते हैं माड और पीओए एमएडी पूर्वानुमान त्रुटि का एक उपाय है पीओए पूर्वानुमान पूर्वाग्रह का एक उपाय है इन दोनों प्रदर्शन मूल्यांकन तकनीकों को आपके द्वारा निर्दिष्ट अवधि के लिए वास्तविक बिक्री इतिहास डेटा की आवश्यकता होती है मूल्यांकन के लिए इस्तेमाल किए गए हाल के इतिहास की अवधि को एक पकड़ने की अवधि या सर्वोत्तम फिट की अवधि कहा जाता है। एक भविष्यवाणी पद्धति के प्रदर्शन को मापने के लिए, सिस्टम। ऐतिहासिक धारक अवधि के लिए पूर्वानुमान का अनुकरण करने के लिए सूत्रों का पूर्वानुमान। इस बीच तुलना करें वास्तविक बिक्री डेटा और पकड़ने की अवधि के लिए नकली पूर्वानुमान। जब आप कई पूर्वानुमान विधियों का चयन करते हैं, तो यह प्रक्रिया प्रत्येक विधि के लिए होती है एकाधिक पूर्वानुमान का गणना धारक अवधि के लिए की जाती है और इसी अवधि के ज्ञात बिक्री इतिहास की तुलना में पूर्वानुमानित विधि जो उत्पादन करती है पूर्वानुमान के बीच सबसे अच्छा मैच सबसे अच्छा फिट और वास्तविक अवधि के दौरान धारक की योजना में उपयोग के लिए अनुशंसा की जाती है यह सिफारिश प्रत्येक उत्पाद के लिए विशिष्ट है और हर बार जब आप पूर्वानुमान बनाते हैं तो बदलाव कर सकते हैं। 3 1 निरपेक्ष विचलन। एमएएन निरपेक्ष विचलन एमएडी पूर्ण मूल्यों या विचलन की तीव्रता या वास्तविकता का अनुमान है या वास्तविक और पूर्वानुमान वाले आंकड़ों के बीच त्रुटियों की तुलना में एमएडी उम्मीद की त्रुटियों की औसत परिमाण का एक उपाय है, एक भविष्यवाणी पद्धति और डेटा इतिहास को देखते हुए क्योंकि पूर्ण मूल्यों में उपयोग किया जाता है calculation, positive errors do not cancel out negative errors When comparing several forecasting methods, the one with the smallest MA D is the most reliable for that product for that holdout period When the forecast is unbiased and errors are normally distributed, a simple mathematical relationship exists between MAD and two other common measures of distribution, which are standard deviation and Mean Squared Error For example. MAD Actual Forecast n. Standard Deviation, 1 25 MAD. Mean Squared Error 2.This example indicates the calculation of MAD for two of the forecasting methods This example assumes that you have specified in the processing option that the holdout period length periods of best fit is equal to five periods.3 3 1 1 Method 1 Last Year to This Year. This table is history used in the calculation of MAD, given Periods of Best Fit 5.Mean Absolute Deviation equals 2 1 20 10 14 5 9 4.Based on these two choices, the Moving Average, n 4 method is recommended because it has the smaller MAD, 9 4, for the given holdout period.3 3 2 Percent of Accuracy. Percent of Accuracy POA is a measure of forecast bias When forecast s are consistently too high, inventories accumulate and inventory costs rise When forecasts are consistently too low, inventories are consumed and customer service declines A forecast that is 10 units too low, then 8 units too high, then 2 units too high is an unbiased forecast The positive error of 10 is canceled by negative errors of 8 and 2. Error Actual Forecast. When a product can be stored in inventory, and when the forecast is unbiased, a small amount of safety stock can be used to buffer the errors In this situation, eliminating forecast errors is not as important as generating unbiased forecasts However, in service industries, the previous situation is viewed as three errors The service is understaffed in the first period, and then overstaffed for the next two periods In services, the magnitude of forecast errors is usually more important than is forecast bias. POA Forecast sales during holdout period Actual sales during holdout period 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 fore cast, the more variables can affect the forecast. A forecast for a product family tends to be more accurate than a forecast for individual members of the product family. Some errors cancel each other as the forecasts for individual items summarize into the group, thus creating a more accurate forecast.3 4 3 Forecast Considerations. You should not rely exclusively on past data to forecast future demands These circumstances might affect the business, and require you to review and modify the forecast. New products that have no past data. Plans for future sales promotion. Changes in national and international politics. New laws and government regulations. Weather changes and natural disasters. Innovations from competition. You can use long term trend analysis to influence the design of the forecasts. Leading economic indicators.3 4 4 Forecasting Process. You use the Refresh Actuals program R3465 to copy data from the Sales Order History File table F42119 , the Sales Order Detail File table F4211 , or both, into either the Forecast File table F3460 or the Forecast Summary File table F3400 , depending on the kind of forecast that you plan to generate. Scripting on this page enhances content navigation, but does not change the content in any way.