3 perioden gleitender durchschnittsrechner

Moving Average Dieses Beispiel lehrt, wie Sie den gleitenden Durchschnitt einer Zeitreihe in Excel berechnen. Eine Bewegung wird verwendet, um Unregelmäßigkeiten (Spitzen und Täler) zu glätten, um Trends leicht zu erkennen. 1. Erstens, werfen wir einen Blick auf unsere Zeitreihe. 2. Klicken Sie auf der Registerkarte Daten auf Datenanalyse. Hinweis: Klicken Sie hier, um das Analyse-ToolPak-Add-In zu laden. 3. Wählen Sie Verschiebender Durchschnitt aus, und klicken Sie auf OK. 4. Klicken Sie im Feld Eingabebereich auf den Bereich B2: M2. 5. Klicken Sie in das Feld Intervall und geben Sie 6 ein. 6. Klicken Sie in das Feld Ausgabebereich und wählen Sie Zelle B3 aus. 8. Zeichnen Sie ein Diagramm dieser Werte. Erläuterung: Da wir das Intervall auf 6 setzen, ist der gleitende Durchschnitt der Durchschnitt der letzten 5 Datenpunkte und der aktuelle Datenpunkt. Als Ergebnis werden Spitzen und Täler geglättet. Die Grafik zeigt eine zunehmende Tendenz. Excel kann den gleitenden Durchschnitt für die ersten 5 Datenpunkte nicht berechnen, da nicht genügend frühere Datenpunkte vorhanden sind. 9. Wiederholen Sie die Schritte 2 bis 8 für Intervall 2 und Intervall 4. Fazit: Je größer das Intervall, desto mehr werden die Spitzen und Täler geglättet. Je kleiner das Intervall, desto näher sind die gleitenden Mittelwerte zu den tatsächlichen Datenpunkten. Bitte teilen Sie diese Seite auf GoogleMoving Durchschnittliche Rechner Angesichts einer Liste von sequentiellen Daten können Sie den n-Punkt gleitenden Durchschnitt (oder rollenden Durchschnitt), indem Sie den Durchschnitt von jedem Satz von n aufeinander folgenden Punkten zu konstruieren. Wenn Sie beispielsweise den geordneten Datensatz 10, 11, 11, 15, 13, 14, 12, 10, 11 haben, wird der 4-Punkt-Verschiebungsdurchschnitt 11,75, 12,5, 13,25, 13,5, 12,25, 11,75, Bewegungsdurchschnitte verwendet Um sequentielle Daten zu glätten, bilden sie scharfe Spitzen und Tauchgänge, die weniger ausgeprägt sind, da jeder Rohdatenpunkt nur ein Bruchgewicht im gleitenden Durchschnitt gegeben wird. Je größer der Wert von n ist. Desto glatter ist der Graph des gleitenden Mittelwertes im Vergleich zum Graphen der ursprünglichen Daten. Aktienanalysten betrachten häufig bewegte Durchschnitte der Aktienpreisdaten, um Trends vorherzusagen und Muster besser zu sehen. Sie können den folgenden Taschenrechner verwenden, um einen gleitenden Durchschnitt eines Datensatzes zu finden. Anzahl der Begriffe in einem einfachen n-Punkt gleitenden Durchschnitt Wenn die Anzahl der Begriffe in der ursprünglichen Menge d ist und die Anzahl der in jedem Durchschnitt verwendeten Begriffe n ist. Dann wird die Anzahl der Begriffe in der gleitenden Durchschnittssequenz sein. Wenn Sie beispielsweise eine Sequenz von 90 Aktienkursen haben und den 14-tägigen Rollendurchschnitt der Kurse einnehmen, wird die rollende durchschnittliche Sequenz 90-14-177 Punkte haben. Dieser Rechner berechnet Bewegungsdurchschnitte, bei denen alle Begriffe gleich gewichtet werden. Sie können auch gewichtete gleitende Durchschnitte erstellen, in denen einige Begriffe stärker gewichtet werden als andere. Zum Beispiel geben mehr Gewicht zu jüngeren Daten, oder die Schaffung eines zentral gewichteten Mittelwert, wo die mittleren Begriffe werden mehr gezählt. Siehe die gewichteten gleitenden Durchschnitte Artikel und Taschenrechner für weitere Informationen. Zusammen mit bewegenden arithmetischen Mitteln, schauen einige Analysten auch den bewegten Median der geordneten Daten, da der Median nicht von fremden Ausreißern beeinflusst wird. Moving Average Forecasting Introduction. Wie Sie vermutlich schauen, betrachten wir einige der primitivsten Ansätze zur Prognose. Aber hoffentlich sind diese zumindest eine lohnende Einführung in einige der Rechenprobleme im Zusammenhang mit der Umsetzung von Prognosen in Tabellenkalkulationen. In diesem Sinne werden wir von Anfang an beginnen und beginnen mit Moving Average Prognosen zu arbeiten. Gleitende durchschnittliche Prognosen. Jeder ist vertraut mit gleitenden durchschnittlichen Prognosen, unabhängig davon, ob sie glauben, sie sind. Alle Studenten tun sie die ganze Zeit. Denken Sie an Ihre Testergebnisse in einem Kurs, in dem Sie vier Tests während des Semesters haben werden. Angenommen, Sie haben eine 85 auf Ihrem ersten Test. Was würden Sie vorhersagen, für Ihre zweite Test-Score Was glauben Sie, Ihr Lehrer würde für Ihre nächste Test-Punkt vorhersagen Was denken Sie, Ihre Freunde könnten für Ihre nächste Test-Punkt vorherzusagen Was denken Sie, Ihre Eltern könnten für Ihre nächste Test-Score Unabhängig davon vorhersagen Alle die blabbing Sie tun könnten, um Ihre Freunde und Eltern, sie und Ihr Lehrer sind sehr wahrscheinlich zu erwarten, dass Sie etwas im Bereich der 85 erhalten Sie gerade bekommen. Nun, jetzt gehen wir davon aus, dass trotz Ihrer Selbst-Förderung an Ihre Freunde, Sie über-schätzen Sie sich und Figur, die Sie weniger für den zweiten Test lernen können und so erhalten Sie eine 73. Nun, was sind alle betroffenen und unbekümmerten gehen Erwarten Sie erhalten auf Ihrem dritten Test Es gibt zwei sehr wahrscheinlich Ansätze, damit sie eine Schätzung unabhängig davon entwickeln, ob sie sie mit Ihnen teilen. Sie können zu sich selbst sagen, dieser Kerl ist immer bläst Rauch über seine smarts. Hes gehend, ein anderes 73 zu erhalten, wenn hes glücklich. Vielleicht werden die Eltern versuchen, mehr unterstützend und sagen, quotWell, so weit youve bekommen eine 85 und eine 73, so dass Sie vielleicht auf eine über (85 73) / 2 79. Ich weiß nicht, vielleicht, wenn Sie weniger haben Partying und werent wedelte das Wiesel ganz über dem Platz und wenn Sie anfingen, viel mehr zu studieren, konnten Sie einen höheren score. quot erhalten. Beide dieser Schätzungen sind wirklich gleitende durchschnittliche Prognosen. Der erste verwendet nur Ihre jüngste Punktzahl, um Ihre zukünftige Performance zu prognostizieren. Dies wird als gleitende Durchschnittsprognose mit einer Datenperiode bezeichnet. Die zweite ist auch eine gleitende durchschnittliche Prognose, aber mit zwei Perioden von Daten. Nehmen wir an, dass alle diese Leute, die auf deinem großen Verstand zerschmettern, Art von dich angepisst haben und du entscheidest, auf dem dritten Test aus deinen eigenen Gründen gut zu tun und eine höhere Kerbe vor deinen quotalliesquot zu setzen. Sie nehmen den Test und Ihre Gäste ist eigentlich ein 89 Jeder, einschließlich selbst, ist beeindruckt. So jetzt haben Sie die abschließende Prüfung des Semesters herauf und wie üblich spüren Sie die Notwendigkeit, alle in die Vorhersagen zu machen, wie youll auf dem letzten Test tun. Nun, hoffentlich sehen Sie das Muster. Nun, hoffentlich können Sie das Muster sehen. Was glauben Sie, ist die genaueste Pfeife, während wir arbeiten. Jetzt kehren wir zu unserer neuen Reinigungsfirma zurück, die von Ihrer entfremdeten Halbschwester namens Whistle While We Work begonnen wurde. Sie haben einige vergangene Verkaufsdaten, die durch den folgenden Abschnitt aus einer Kalkulationstabelle dargestellt werden. Zuerst präsentieren wir die Daten für eine dreidimensionale gleitende Durchschnittsprognose. Der Eintrag für Zelle C6 sollte jetzt sein Sie können diese Zellformel auf die anderen Zellen C7 bis C11 kopieren. Beachten Sie, wie der Durchschnitt bewegt sich über die jüngsten historischen Daten, sondern verwendet genau die drei letzten Perioden zur Verfügung für jede Vorhersage. Sie sollten auch bemerken, dass wir nicht wirklich brauchen, um die Vorhersagen für die vergangenen Perioden zu machen, um unsere jüngste Vorhersage zu entwickeln. Dies ist definitiv anders als das exponentielle Glättungsmodell. Ive gehörte die quotpast predictionsquot, weil wir sie in der nächsten Web-Seite verwenden Vorhersage Gültigkeit zu messen. Nun möchte ich die analogen Ergebnisse für eine zwei-Periode gleitenden Durchschnitt Prognose zu präsentieren. Der Eintrag für die Zelle C5 sollte nun Sie diese Zelle Formel C6 bis C11 zu den anderen Zellen nach unten kopieren. Beachten Sie, wie jetzt nur noch die beiden letzten Stücke von historischen Daten für jede Vorhersage verwendet werden. Wieder habe ich die quotpast predictionsquot Bilder dienen der Veranschaulichung und für die spätere Verwendung in Prognose Validierung. Einige andere Dinge, die wichtig zu beachten sind. Für einen m-Zeitraum durchschnittliche Prognose bewegen nur die m letzten Datenwerte werden verwendet, um die Vorhersage zu machen. Nichts anderes ist notwendig. Für einen m-Zeitraum durchschnittliche Prognose bewegen, wenn quotpast predictionsquot machen, feststellen, dass die erste Vorhersage in Periode m 1. Beide Probleme auftritt, wird sehr bedeutend sein, wenn wir unseren Code zu entwickeln. Entwicklung der Moving Average Funktion. Nun müssen wir den Code für die gleitende Durchschnittsprognose entwickeln, die flexibler genutzt werden kann. Der Code folgt. Beachten Sie, dass die Eingänge für die Anzahl der Perioden sind Sie in der Prognose und dem Array von historischen Werten verwenden möchten. Sie können es in beliebiger Arbeitsmappe speichern. Funktion MovingAverage (Historische, NumberOfPeriods) As Single Deklarieren und Variablen Dim Artikel As Variant Dim Zähler As Integer Dim Accumulation As Single Dim HistoricalSize Initialisierung As Integer initialisieren Variablen Zähler 1 Accumulation 0 Bestimmung der Größe der historischen Array HistoricalSize Historical. Count für Zähler 1 Um NumberOfPeriods Anhäufung der entsprechenden Anzahl der zuletzt beobachteten Werte Accumulation Accumulation Historical (HistoricalSize - NumberOfPeriods Counter) MovingAverage Accumulation / NumberOfPariods Der Code wird in der Klasse erklärt. Sie wollen die Funktion in der Tabellenkalkulation positionieren, so dass das Ergebnis der Berechnung erscheint, wo es die folgenden. Simple Moving Average - SMA Was ist ein einfacher Moving Average - SMA Ein einfacher gleitender Durchschnitt (SMA) ist ein arithmetischer gleitender Durchschnitt berechnet Indem der Schlusskurs der Sicherheit für eine Anzahl von Zeitperioden addiert wird und dann diese Gesamtzahl durch die Anzahl von Zeitperioden dividiert wird. Wie in der obigen Grafik gezeigt, beobachten viele Händler kurzfristige Durchschnittswerte, um längerfristige Durchschnittswerte zu überschreiten, um den Beginn eines Aufwärtstrends zu signalisieren. Kurzzeitmittel können als Stufen der Unterstützung zu handeln, wenn der Preis erlebt ein Pullback. VIDEO Laden des Players. BREAKING DOWN Einfacher gleitender Durchschnitt - SMA Ein einfacher gleitender Durchschnitt ist anpassbar, indem er für eine unterschiedliche Anzahl von Zeitperioden berechnet werden kann, indem einfach der Schlusskurs des Wertpapiers für eine Anzahl von Zeitperioden addiert wird und dann diese Summe durch die Zahl dividiert wird Von Zeiträumen, die den durchschnittlichen Preis der Sicherheit über den Zeitraum gibt. Ein einfacher gleitender Durchschnitt glättet die Volatilität und macht es einfacher, die Preisentwicklung eines Wertpapiers zu sehen. Wenn der einfache gleitende Durchschnitt nach oben zeigt, bedeutet dies, dass der Sicherheitspreis steigt. Wenn es nach unten zeigt, bedeutet dies, dass der Sicherheitspreis sinkt. Je länger der Zeitrahmen für den gleitenden Durchschnitt, desto glatter der einfache gleitende Durchschnitt. Ein kürzerer bewegter Durchschnitt ist volatiler, aber sein Messwert ist näher an den Quelldaten. Analytische Bedeutung Die gleitenden Durchschnitte sind ein wichtiges analytisches Instrument, um aktuelle Preisentwicklungen und das Potenzial für eine Veränderung eines etablierten Trends zu identifizieren. Die einfachste Form der Verwendung eines einfachen gleitenden Durchschnitt in der Analyse ist es, schnell zu identifizieren, ob eine Sicherheit in einem Aufwärtstrend oder Abwärtstrend ist. Ein weiteres populäres, wenn auch etwas komplexeres analytisches Werkzeug, besteht darin, ein Paar einfacher gleitender Durchschnitte mit jeweils unterschiedlichen Zeitrahmen zu vergleichen. Liegt ein kurzfristiger einfacher gleitender Durchschnitt über einem längerfristigen Durchschnitt, wird ein Aufwärtstrend erwartet. Auf der anderen Seite signalisiert ein langfristiger Durchschnitt über einem kürzerfristigen Durchschnitt eine Abwärtsbewegung im Trend. Beliebte Trading-Muster Zwei beliebte Trading-Muster, die einfache gleitende Durchschnitte verwenden, schließen das Todeskreuz und ein goldenes Kreuz ein. Ein Todeskreuz tritt auf, wenn die 50-tägige einfache gleitende Durchschnitt unter dem 200-Tage gleitenden Durchschnitt kreuzt. Dies wird als bärisch signalisiert, dass weitere Verluste auf Lager sind. Das goldene Kreuz tritt auf, wenn ein kurzfristiger gleitender Durchschnitt über einen langfristigen gleitenden Durchschnitt bricht. Verstärkt durch hohe Handelsvolumina, kann dies signalisieren, weitere Gewinne sind in store. A Prognose Berechnung Beispiele A.1 Prognose Kalkulationsmethoden Zwölf Methoden der Berechnung von Prognosen stehen zur Verfügung. Die meisten dieser Methoden bieten eine eingeschränkte Benutzerkontrolle. Beispielsweise könnte das Gewicht, das auf die jüngsten historischen Daten oder den Datumsbereich der in den Berechnungen verwendeten historischen Daten gesetzt wurde, spezifiziert werden. Die folgenden Beispiele zeigen das Berechnungsverfahren für jede der verfügbaren Prognosemethoden bei einem identischen Satz von historischen Daten. Die folgenden Beispiele verwenden dieselben Verkaufsdaten für 2004 und 2005, um eine Verkaufsprognose von 2006 zu erstellen. Zusätzlich zur Prognoserechnung enthält jedes Beispiel eine simulierte Prognose für eine dreimonatige Halteperiode (Verarbeitungsoption 19 3), die dann für Prozentsätze der Genauigkeit und der mittleren Absolutabweichung (tatsächlicher Umsatz gegenüber simulierter Prognose) verwendet wird. A.2 Kriterien für die Bewertung der Prognoseleistung Abhängig von der Auswahl der Verarbeitungsoptionen und den in den Verkaufsdaten vorhandenen Trends und Mustern werden einige Prognosemethoden für einen bestimmten historischen Datensatz besser abschneiden als andere. Eine für ein Produkt geeignete Prognosemethode ist möglicherweise nicht für ein anderes Produkt geeignet. Es ist auch unwahrscheinlich, dass eine Prognosemethode, die in einem Stadium des Produktlebenszyklus gute Ergebnisse liefert, über den gesamten Lebenszyklus hinweg angemessen bleibt. Sie können zwischen zwei Methoden wählen, um die aktuelle Leistung der Prognosemethoden zu bewerten. Diese sind mittlere absolute Abweichung (MAD) und Prozent der Genauigkeit (POA). Beide dieser Leistungsbewertungsverfahren erfordern historische Verkaufsdaten für einen vom Benutzer angegebenen Zeitraum. Dieser Zeitraum wird als Halteperiode oder Perioden am besten geeignet (PBF) bezeichnet. Die Daten in diesem Zeitraum dienen als Grundlage für die Empfehlung, welche der Prognosemethoden für die nächste Prognoseprojektion verwendet werden sollen. Diese Empfehlung ist spezifisch für jedes Produkt und kann von einer Prognosegeneration zur nächsten wechseln. Die beiden prognostizierten Methoden der Leistungsbewertung werden in den Seiten nach den Beispielen der zwölf Prognosemethoden vorgestellt. A.3 Methode 1 - Angegebene Prozent über dem Vorjahres Diese Methode multipliziert Umsatzdaten aus dem Vorjahr von einem Benutzer angegebenen Faktor zum Beispiel 1,10 für eine 10-Erhöhung oder 0,97 für ein 3-Abnahme. Erforderliche Verkaufsgeschichte: Ein Jahr für die Berechnung der Prognose plus die benutzerdefinierte Anzahl von Zeiträumen für die Bewertung der Prognoseperformance (Verarbeitungsoption 19). A.4.1 Prognoserechnung Berechnung des Umsatzverlaufs für die Berechnung des Wachstumsfaktors (Verarbeitungsoption 2a) 3 in diesem Beispiel. Summe den letzten drei Monaten des Jahres 2005: 114 119 137 370 Summe die gleichen drei Monate für das Vorjahr: 123 139 133 395 Der berechnete Faktor 370/395 0,9367 Berechnen Sie die Prognosen: Januar 2005 Umsatz 128 0,9367 119,8036 oder etwa 120 Februar 2005 Umsatz 117 0.9367 109.5939 oder etwa 110 März 2005 Umsatz 115 0,9367 107,7205 oder etwa 108 A.4.2 Simulierte Prognose Berechnung Summe die drei Monate des Jahres 2005 vor Periode holdout (Juli, August, September): 129 140 131 400 Summe die gleichen 3 Monate für das Vorjahr: 141 128 118 387 der berechnete Faktor 400/387 1,033591731 berechnen simulierte Prognose: Oktober 2004 Umsatz 123 1,033591731 127,13178 November 2004 Umsatz 139 1,033591731 143,66925 Dezember 2004 Umsatz 133 1,033591731 137,4677 A.4.3 Prozent der Genauigkeit Berechnung POA ( 143,66925 137,4677 127,13178) / (114 119 137) 100 408,26873 / 370 100 110,3429 A.4.4 absolute Abweichung Berechnung MAD Mittelwert (127,13178-114 143,66925-119 137.4677- 137) / 3 (13,13178 24,66925 0,4677) / 3 12,75624 A.5 Methode 3 - Letztes Jahr zu diesem Jahr Mit dieser Methode werden die Verkaufsdaten des Vorjahres auf das nächste Jahr kopiert. Erforderliche Verkaufsgeschichte: Ein Jahr für die Berechnung der Prognose plus die Anzahl der für die Bewertung der Prognoseperformance angegebenen Zeiträume (Verarbeitungsoption 19). A.6.1 Prognoseberechnung Anzahl der Perioden, die in den Durchschnitt einzubeziehen sind (Verarbeitungsoption 4a) 3 in diesem Beispiel Für jeden Monat der Prognose durchschnittlich die letzten drei Monate Daten. Januar Prognose: 114 119 137 370, 370/3 123,333 oder 123 Vorhersage Februar: 119 137 123 379, 379/3 126,333 oder 126 März-Prognose: 137 123 126 379, 386/3 128,667 oder 129 A.6.2 Simulierte Prognose Berechnung Oktober 2005 Umsatz (129 140 131) / 3 133,3333 November 2005 Umsatz (140 131 114) / 3 128,3333 Dezember 2005 Umsatz (131 114 119) / 3 121,3333 A.6.3 Prozent der Genauigkeit Berechnung POA (133,3333 128,3333 121,3333) / (114 119 137) (- 114 128,3333-119 121,3333-137 133,3333) / 3 14,7777 A.7 Methode 5 - Lineare Näherung Lineare Näherung berechnet einen Trend auf zwei Verkaufshistorie Datenpunkte basierend 100 103,513 A.6.4 absolute Abweichung Berechnung MAD Mittelwert. Diese beiden Punkte definieren eine gerade Linie, die in die Zukunft projiziert wird. Verwenden Sie diese Methode mit Vorsicht, da Langstreckenvorhersagen durch kleine Änderungen an nur zwei Datenpunkten genutzt werden. Erforderliche Verkaufsgeschichte: Anzahl der in die Regression einzubeziehenden Perioden (Verarbeitungsoption 5a) plus 1 plus Anzahl der Zeiträume für die Bewertung der Prognoseperformance (Verarbeitungsoption 19). A.8.1 Prognose Berechnung für jeden Monat der Prognose Anzahl der Perioden in Regression (Verarbeitungsoption 6a) in diesem Beispiel 3 enthalten, fügen Sie die Zunahme oder Abnahme während der angegebenen Zeiträume vor Periode holdout der Vorperiode. Durchschnitt der letzten drei Monate (114 119 137) / 3 123,3333 Zusammenfassung der letzten drei Monate mit Gewicht betrachtet (114 1) (119 2) (137 3) 763 Differenz zwischen den Werten 763-123,3333 (1 2 3) 23-Verhältnis (12 22 32) - 2 14. März - 2. Dezember value1 Difference / Verhältnis 23/2 11,5 value2 Mittelwert - value1 Verhältnis 123,3333-11,5 2 100,3333 Prognose (1 n) Wert1 Wert2 4 11,5 100,3333 146,333 oder 146 Vorhersage 5 11,5 100,3333 157,8333 oder 158 Prognose 6 11,5 100,3333 169,3333 oder 169 A.8.2 Simulierte Prognose Berechnung Oktober 2004 Umsatz: Durchschnitt der letzten drei Monate (129 140 131) / 3 133,3333 Zusammenfassung der letzten drei Monate mit Gewicht betrachtet (129 1) (140 2) (131 3) 802 Differenz zwischen den Werten 802 - 133,333 (1 2 3) 2 Verhältnis (12 22 32) - 2 3 14 - 12 2 Wert1 Differenz / Verhältnis 2/2 1 Wert2 Durchschnitt - Wert1 Verhältnis 133,333 - 1 2 131,333 Prognose (1 n) Wert1 Wert2 4 1 131,3333 135,3333 November 2004 Umsatz Durchschnitt der letzten drei Monate (140 131 114) / 3 128,3333 Zusammenfassung der letzten drei Monate mit Gewicht betrachtet (140 1) (131 2) (114 3) 744 Differenz zwischen dem Werte 744-128,3333 (1 2 3) -25,9999 value1 Difference / Ratio--25,9999 / 2 -12,9999 Value2 Mittelwert - value1 Verhältnis 128,3333 - (-12,9999) 2 154,3333 Prognose 4 -12,9999 154,3333 102,3333 Dezember 2004 Umsatz Durchschnitt der letzten drei Monate ( 131 114 119) / 3 121.3333 Zusammenfassung der letzten drei Monate mit betrachtetem Gewicht (131 1) (114 2) (119 3) 716 Differenz zwischen den Werten 716 - 121,333 (1 2 3) -11,9999 Wert1 Differenz / Verhältnis -11,9999 / 2 -5,9999 Value2 Mittelwert - value1 Verhältnis 121,3333 - (-5,9999) 2 133,3333 Prognose 4 (-5,9999) 133,3333 109,3333 A.8.3 Prozent der Genauigkeit Berechnung POA (135.33 102.33 109.33) / (114 119 137) 100 93.78 A.8.4 Mittlere absolute Abweichungsberechnungs MAD (135,33 bis 114 102,33 bis 119 109,33 bis 137) / 3 21.88 A.9 Methode 7 - Zweiter Grad Approximation Lineare Regression ermittelt Werte für a und b in der Prognose Formel Y ein bX mit dem Ziel der Anpassung einer geraden Linie Die Verkaufsverlaufsdaten. Zweite Grad Approximation ist ähnlich. Dieses Verfahren ermittelt jedoch Werte für a, b und c in der Prognoseformel Y a bX cX2 mit dem Ziel, eine Kurve an die Verkaufsverlaufsdaten anzupassen. Dieses Verfahren kann nützlich sein, wenn sich ein Produkt im Übergang zwischen den Stufen eines Lebenszyklus befindet. Wenn sich beispielsweise ein neues Produkt von der Einführung in die Wachstumsstadien bewegt, kann sich die Umsatzentwicklung beschleunigen. Wegen des Termes der zweiten Ordnung kann die Prognose schnell an die Unendlichkeit heranreichen oder auf Null fallen (abhängig davon, ob der Koeffizient c positiv oder negativ ist). Daher ist dieses Verfahren nur kurzfristig nutzbar. Prognosedaten: Die Formeln finden a, b und c, um eine Kurve auf genau drei Punkte zu platzieren. Sie geben n in der Verarbeitungsoption 7a an, die Anzahl der Zeitperioden der Daten, die sich in jedem der drei Punkte ansammeln. In diesem Beispiel n 3. Daher werden die tatsächlichen Verkaufsdaten für April bis Juni in den ersten Punkt Q1 zusammengefasst. Juli bis September werden addiert, um Q2 zu schaffen, und Oktober bis Dezember Summe zu Q3. Die Kurve wird an die drei Werte Q1, Q2 und Q3 angepasst. Erforderliche Verkaufsgeschichte: 3 n Perioden für die Berechnung der Prognose plus die Anzahl der Zeiträume für die Bewertung der Prognoseperformance (PBF) erforderlich. Anzahl der einzubeziehenden Perioden (Verarbeitungsoption 7a) 3 in diesem Beispiel Die vorherigen (3 n) Monate in dreimonatigen Blöcken verwenden: Q1 (Apr - Jun) 125 122 137 384 Q2 (Jul - Sep) 129 140 131 400 Q3 Der nächste Schritt besteht darin, die drei Koeffizienten a, b und c zu berechnen, die in der Prognoseformel Y a bX cX2 (1) Q1 a bX cX2 (mit X 1) abc (2) Q2 verwendet werden (1) aus Gleichung (2) subtrahieren Sie die Gleichung (1) aus der Gleichung (1) aus der Gleichung (2) (3) (3) Q3 a 3 (Q2 - Q1) - 3c c Setzen Sie diese Gleichungen für a und b in die Gleichung (3) ein Gleichung (1) Q3 - 3 (Q2 - Q1) (q2 - Q1) - 3c c Q1 c (Q3 - Q2) (Q1 - Q2) / 2 Das Zweite-Grad-Approximationsverfahren berechnet a, b und c wie folgt: Q2 - Q2) (Q1 - Q2) / 2 (370 - 400) (384 - 400) / 2 - 23 b (Q2 - Q1) - 3c (400 - 384) - (3 -23) 85 Y a bX cX2 322 85X (-23) X2 Januar bis März (X4): (322 340 - 368) / 3 294/3 98 für den Zeitraum April bis Juni (X5): (322 425 - 575) / 3 57.333 oder 57 für den Zeitraum Juli bis September (X6): (322 510 - 828) / 3 1,33 oder 1 für Oktober bis Dezember (X7) (322 595 - 1127 / 3 -70 A.9.2 Simulierte Prognoseberechnung Oktober, November und Dezember 2004 Umsatz: Q1 (Jan - März) 360 Q2 (Apr - Jun) 384 Q3 (Jul - Sep) 400 a 400 - 3 (384 - 360) 328 C (400 - 384) (360 - 384) / 2 -4 b (384 - 360) - 3 (-4) 36 328 36 4 (-4) 16/3 136 A.9.3 Prozent der Genauigkeitsberechnung POA (136 136 13.6) A.10 Methode 8 - Flexible Methode Die flexible Methode (Prozentwert über n Monate vor) Ist vergleichbar mit Methode 1, Prozent über dem letzten Jahr. Beide Methoden multiplizieren Verkaufsdaten aus einer vorherigen Zeitspanne mit einem benutzerdefinierten Faktor und projizieren dieses Ergebnis dann in die Zukunft. In der Percent Over Last Year Methode basiert die Projektion auf Daten aus dem gleichen Zeitraum des Vorjahres. Das Flexible-Verfahren fügt die Möglichkeit hinzu, einen Zeitraum anzugeben, der nicht derselbe Zeitraum ist, der als Basis für die Berechnungen verwendet wird. Multiplikationsfaktor. Geben Sie z. B. 1.15 in der Verarbeitungsoption 8b an, um die vorherigen Verkaufsverlaufsdaten um 15. Basisperiode zu erhöhen. Zum Beispiel führt n 3 dazu, dass die erste Prognose im Oktober 2005 auf Verkaufsdaten basiert. Minimale Verkaufsgeschichte: Die vom Benutzer angegebene Anzahl von Perioden zurück zur Basisperiode plus die Anzahl der Zeitperioden, die für die Bewertung der Prognoseperformance erforderlich sind ( PBF). A.10.4 Mittlere Absolutabweichung MAD (148 - 114 161 - 119 151 - 137) / 3 30 A.11 Methode 9 - Gewichteter gleitender Durchschnitt Die Methode des gewichteten gleitenden Mittels (WMA) ähnelt Methode 4, . Mit dem Weighted Moving Average können Sie jedoch den historischen Daten ungleiche Gewichte zuordnen. Die Methode berechnet einen gewichteten Durchschnitt der letzten Verkäufe Geschichte, um zu einer Projektion für die kurzfristige kommen. Neuere Daten sind in der Regel ein größeres Gewicht als ältere Daten zugeordnet, so dass dies WMA mehr reagiert auf Verschiebungen in der Ebene des Umsatzes. Prognosevorhersage und systematische Fehler treten jedoch immer noch auf, wenn die Produktverkäufe Geschichte starke Trend - oder saisonale Muster aufweisen. Diese Methode ist besser für Kurzstreckenvorhersagen von reifen Produkten besser geeignet als für Produkte in den Wachstums - oder Obsoleszenzphasen des Lebenszyklus. N die Anzahl der Perioden der Verkaufsgeschichte, die in der Prognoserechnung verwendet werden sollen. Geben Sie z. B. n 3 in der Verarbeitungsoption 9a an, um die letzten drei Perioden als Grundlage für die Projektion in die nächste Zeitperiode zu verwenden. Ein großer Wert für n (wie 12) erfordert mehr Umsatz Geschichte. Es resultiert in einer stabilen Prognose, aber es wird nur langsam sein, Veränderungen im Umsatzniveau zu erkennen. Andererseits reagiert ein kleiner Wert für n (z. B. 3) schneller auf Verschiebungen des Umsatzniveaus, doch kann die Prognose so weit schwanken, dass die Produktion nicht auf die Variationen reagieren kann. Das Gewicht, das jeder der historischen Datenperioden zugewiesen ist. Die zugeordneten Gewichte müssen insgesamt 1,00 betragen. Zum Beispiel, wenn n 3, Gewichte von 0,6, 0,3 und 0,1 zuweisen, wobei die neuesten Daten das größte Gewicht empfangen. Mindestens erforderlicher Umsatzverlauf: n plus Anzahl der Zeiträume, die für die Bewertung der Prognoseperformance (PBF) erforderlich sind. MAD (133,5 - 114 121,7 - 119 118,7 - 137) / 3 13.5 A.12 Methode 10 - Lineare Glättung Diese Methode ähnelt Methode 9, Weighted Moving Average (WMA). Jedoch wird anstelle der willkürlichen Zuweisung von Gewichten zu den historischen Daten eine Formel verwendet, um Gewichtungen zuzuweisen, die linear abnehmen und auf 1,00 summieren. Das Verfahren berechnet dann einen gewichteten Durchschnitt der letzten Verkaufsgeschichte, um zu einer Projektion für die kurze Zeit zu gelangen. Wie bei allen linearen gleitenden durchschnittlichen Prognosemethoden treten Prognosevorhersage und systematische Fehler auf, wenn die Produktverkaufsgeschichte starke Trend - oder saisonale Muster aufweist. Diese Methode ist besser für Kurzstreckenvorhersagen von reifen Produkten besser geeignet als für Produkte in den Wachstums - oder Obsoleszenzphasen des Lebenszyklus. N die Anzahl der Perioden der Verkaufsgeschichte, die in der Prognoserechnung verwendet werden sollen. Dies ist in der Verarbeitungsoption 10a spezifiziert. Beispielsweise n 3 in der Verarbeitungsoption 10b geben die letzten drei Perioden als Basis für die Projektion in der nächsten Zeitperiode verwendet werden. Das System vergibt automatisch die Gewichte der historischen Daten, die linear sinken und auf 1,00 sinken. Wenn zum Beispiel 3 N, wird das System zuweisen Gewichte von 0,5, 0,3333 und 0,1, mit den neuesten Daten das größte Gewicht zu erhalten. Mindestens erforderlicher Umsatzverlauf: n plus Anzahl der Zeiträume, die für die Bewertung der Prognoseperformance (PBF) erforderlich sind. A.12.1 Forecast Berechnung Anzahl Perioden im Glättungs Durchschnitt (Verarbeitungsoption 10a) 3 in diesem Beispiel Verhältnis für eine Periode vor 3 / (n2 n) / 2, 3 / (32 3) / 2 3/6 0,5 Verhältnis für zwei aufzunehmen Vorperioden 2 / (n2 n) / 2 2 / (32 3) / 2 2/6 0,3333 .. Verhältnis für drei Perioden vor 1 / (n2 n) / 2 1 / (32 3) / 2 1/6 0,1666. Januar Prognose:. 137 0.5 119 3.1 114 06.01 127.16 oder 127 Vorhersage Februar: 127 0.5 137 3.1 119 6.1 129 März-Prognose: 129 0.5 127 3.1 137 6.1 129,666 oder 130 A.12.2 Simulierte Prognose Berechnung Oktober 2004 Umsatz 129 1/6 140 2/6 131 3/6 133,6666 November 2004 Umsatz 140 1/6 131 2/6 114 3/6 124 Dezember 2004 Umsatz 131 1/6 114 2/6 119 3/6 119,3333 A.12.3 Prozent der Genauigkeit Berechnung POA (133,6666 119,3333 124) / (114 119 137) 100 101,891 A.12.4 absolute Abweichung Berechnung MAD Mittelwert (133,6666 - 114 124 - 119 119.3333 - 137) / 3 14,1111 A.13 Methode 11 - Exponentielle Glättung Diese Methode ist ähnlich wie Methode 10, Lineare Glättung. In der Linearglättung vergibt das System Gewichte an die historischen Daten, die linear abnehmen. Bei exponentieller Glättung weist das System Gewichte auf, die exponentiell zerfallen. Die exponentielle Glättung Prognosegleichung lautet: Prognose a (Zurück tatsächlichen Verkäufe) (1 - a) Vorherige Prognose Die Prognose ist ein gewichteter Durchschnitt der tatsächlichen Verkäufe der Vorperiode und die Prognose gegenüber der Vorperiode. A ist das Gewicht auf den tatsächlichen Umsatz für die vorherige Periode angewendet. (1 - a) das auf die Prognose der Vorperiode angewandte Gewicht. Gültige Werte für einen Bereich von 0 bis 1 und üblicherweise zwischen 0,1 und 0,4 liegen. Die Summe der Gewichte beträgt 1,00. A (1 - a) 1 Sie sollten einen Wert für die Glättungskonstante zuweisen, a. Wenn Sie keine Werte für die Glättungskonstante zuordnen, berechnet das System einen angenommenen Wert auf der Grundlage der in der Verarbeitungsoption 11a angegebenen Anzahl von Perioden der Verkaufsgeschichte. Eine Glättungskonstante, die beim Berechnen des geglätteten Durchschnitts für das allgemeine Niveau oder die Grße der Verkäufe verwendet wird. Gültige Werte für einen Bereich von 0 bis 1. n der Bereich der Verkaufsgeschichtsdaten, der in die Berechnungen aufzunehmen ist. Generell reicht ein Jahr der Umsatzverlaufsdaten aus, um das allgemeine Umsatzniveau abzuschätzen. Für dieses Beispiel wurde ein kleiner Wert für n (n 3) gewählt, um die manuellen Berechnungen zur Verifizierung der Ergebnisse zu reduzieren. Eine exponentielle Glättung kann eine Prognose erzeugen, die auf nur einem historischen Datenpunkt basiert. Mindestens erforderlicher Umsatzverlauf: n plus Anzahl der Zeiträume, die für die Bewertung der Prognoseperformance (PBF) erforderlich sind. A.13.1 Prognoseberechnung Die Anzahl der Perioden, die in den Glättungsdurchschnitt (Verarbeitungsoption 11a) 3 und alpha-Faktor (Verarbeitungsoption 11b) einzubeziehen sind, ist in diesem Beispiel ein Faktor für die ältesten Vertriebsdaten 2 / (11) oder 1 bei alpha Einen Faktor für die zweitältesten Verkaufsdaten 2 / (12) oder alpha, wenn alpha einen Faktor für die 3. ältesten Verkaufsdaten 2 / (13) angegeben ist, oder alpha, wenn alpha ein Faktor für die letzten Verkaufsdaten 2 angegeben ist / (1n) oder alpha wenn alpha angegeben ist November Sm. Durchschn. A (Oktober-Ist) (1 - a) Oktober Sm. Durchschn. 1 114 0 0 114 Dezember Sm. Durchschn. A (November-Ist) (1 - a) November Sm. Durchschn. 2/3 119 1/3 114 117.3333 Januar Vorhersage a (Dezember Tatsächlich) (1 - a) Dezember Sm. Durchschn. 2/4 137 2/4 117.3333 127.16665 oder 127 Februar Prognose Januar Prognose 127 März Prognose Januar Prognose 127 A.13.2 Simulierte Prognoseberechnung Juli 2004 Sm. Durchschn. 2/2 129 129 August Sm. Durchschn. 2/3 140 1/3 129 136,333 September Sm. Durchschn. 2/4 131 2/4 136,333 133,6666 Oktober 2004 Verkauf Sep Sm. Durchschn. 133.6666 August 2004. Sm. Durchschn. 2/2 140 140 September Sm. Durchschn. 2/3 131 1/3 140 134 Oktober Sm. Durchschn. 2/4 114 2/4 134 124 November 2004 Verkaufs September Sm. Durchschn. 124 September 2004 Sm. Durchschn. 2/2 131 131 Oktober Sm. Durchschn. 2/3 114 1/3 131 119,6666 November Sm. Durchschn. 2/4 119 2/4 119,6666 119,3333 Dezember 2004 Verkaufs September Sm. Durchschn. 119,3333 A.13.3 Prozent der Genauigkeit Berechnung POA (133,6666 119,3333 124) / (114 119 137) 100 101,891 A.13.4 absolute Abweichung Berechnung MAD Mittelwert (133,6666 - 114 124 - 119 119.3333 - 137) / 3 14,1111 A.14 Methode 12 - exponentielle Glättung mit Trend und Saisonalität Diese Methode ähnelt dem Verfahren 11, Glättung Exponential, dass eine geglättete Mittelwert berechnet wird. Das Verfahren 12 enthält jedoch auch einen Ausdruck in der Prognose-Gleichung, um einen geglätteten Trend zu berechnen. Die Prognose setzt sich aus einem geglätteten Durchschnitt und einem linearen Trend zusammen. Wenn in der Verarbeitungsoption angegeben, wird die Prognose auch saisonbedingt angepasst. Eine Glättungskonstante, die beim Berechnen des geglätteten Durchschnitts für das allgemeine Niveau oder die Grße der Verkäufe verwendet wird. Gültige Werte für den Alpha-Bereich von 0 bis 1. b die Glättungskonstante, die beim Berechnen des geglätteten Durchschnitts für die Trendkomponente der Prognose verwendet wird. Gültige Werte für Beta reichen von 0 bis 1. Ob ein saisonaler Index auf die Prognose a und b angewendet wird, sind unabhängig voneinander. Sie müssen nicht zu 1.0 hinzufügen. Mindestens erforderlicher Umsatzverlauf: zwei Jahre plus Anzahl der für die Bewertung der Prognoseperformance (PBF) erforderlichen Zeiträume. Methode 12 verwendet zwei exponentielle Glättungsgleichungen und einen einfachen Mittelwert, um einen geglätteten Durchschnitt, einen geglätteten Trend und einen einfachen durchschnittlichen saisonalen Faktor zu berechnen. A.14.1 Prognoseberechnung A) Eine exponentiell geglättete durchschnittliche MAD (122.81 - 114 133.14 - 119 135.33 - 137) / 3 8.2 A.15 Auswertung der Prognosen Sie können Prognosemethoden auswählen, um pro Prognose bis zu zwölf Prognosen zu generieren. Jede Prognose-Methode wird wahrscheinlich eine etwas andere Projektion. Wenn Tausende von Produkten prognostiziert werden, ist es unpraktisch, eine subjektive Entscheidung zu treffen, welche der Prognosen in Ihren Plänen für jedes der Produkte verwendet werden. Das System wertet die Leistung automatisch für jede der von Ihnen ausgewählten Prognosemethoden und für jede der Prognoseprognosen aus. Sie können zwischen zwei Leistungskriterien, Mean Absolute Deviation (MAD) und Percent of Accuracy (POA) wählen. MAD ist ein Maß für den Prognosefehler. POA ist ein Maß für die Vorhersage. Beide dieser Leistungsbewertungsverfahren erfordern tatsächliche Verkaufsgeschichtsdaten für eine vom Benutzer angegebene Zeitspanne. Diese Periode der jüngsten Geschichte wird als Halteperiode oder Perioden am besten geeignet (PBF) bezeichnet. Um die Leistung einer Prognosemethode zu messen, verwenden Sie die Prognoseformeln, um eine Prognose für die historische Halteperiode zu simulieren. Normalerweise gibt es Unterschiede zwischen den tatsächlichen Verkaufsdaten und der simulierten Prognose für die Halteperiode. Wenn mehrere Prognosemethoden ausgewählt werden, erfolgt dieser Prozess für jede Methode. Mehrere Prognosen werden für die Halteperiode berechnet und mit dem bekannten Umsatzverlauf für denselben Zeitraum verglichen. Für die Verwendung in Ihren Plänen wird die Prognosemethode empfohlen, die die optimale Übereinstimmung zwischen der Prognose und dem tatsächlichen Umsatz während des Haltezeitraums liefert. Diese Empfehlung ist spezifisch für jedes Produkt und kann sich von einer Prognosegeneration zur nächsten ändern. A.16 Mittlere Absolutabweichung (MAD) MAD ist der Mittelwert (oder Mittelwert) der Absolutwerte (oder Größen) der Abweichungen (oder Fehler) zwischen Ist - und Prognosedaten. MAD ist ein Maß für die durchschnittliche Größe der zu erwartenden Fehler bei einer Prognosemethode und einem Datenverlauf. Da bei der Berechnung absolute Werte verwendet werden, werden positive Fehler nicht negativ ausgewertet. Beim Vergleich mehrerer Prognosemethoden hat sich diejenige mit dem kleinsten MAD als die zuverlässigste für dieses Produkt für diese Halteperiode erwiesen. Wenn die Prognose unvoreingenommen ist und Fehler normal verteilt sind, gibt es eine einfache mathematische Beziehung zwischen MAD und zwei anderen üblichen Maßeinheiten für Verteilung, Standardabweichung und Mean Squared Error: A.16.1 Prozent der Genauigkeit (POA) Prozent der Genauigkeit (POA) Ein Maß für die Vorhersage Bias. Wenn die Prognosen konsequent zu hoch sind, sammeln sich die Vorräte an und die Lagerhaltungskosten steigen. Wenn die Prognosen konsequent zwei niedrig sind, werden die Vorräte verbraucht und der Kundendienst sinkt. Eine Prognose, die 10 Einheiten zu niedrig ist, dann 8 Einheiten zu hoch, dann 2 Einheiten zu hoch, wäre eine unvoreingenommene Prognose. Der positive Fehler von 10 wird durch negative Fehler von 8 und 2 gelöscht. Fehler Tatsächlich - Prognose Wenn ein Produkt im Inventar gespeichert werden kann und wenn die Prognose nicht vorhanden ist, kann eine kleine Menge an Sicherheitsbestand verwendet werden, um die Fehler zu puffern. In dieser Situation ist es nicht so wichtig, Prognosefehler zu eliminieren, da es sich um die Erzeugung von unvorhersehbaren Prognosen handelt. In der Dienstleistungsbranche wäre die obige Situation jedoch als drei Fehler zu betrachten. Der Dienst würde in der ersten Periode unterbesetzt sein, dann überbesetzt für die nächsten zwei Perioden. In Services ist die Größenordnung der Prognosefehler in der Regel wichtiger als die prognostizierte Bias. Die Summierung über die Halteperiode erlaubt positive Fehler, negative Fehler abzubrechen. Wenn die Summe der tatsächlichen Verkäufe die Summe der prognostizierten Verkäufe übersteigt, ist das Verhältnis größer als 100. Natürlich ist es unmöglich, mehr als 100 genau zu sein. Wenn eine Prognose nicht vorliegt, beträgt das POA-Verhältnis 100. Daher ist es wünschenswerter, genauer als 100 genau zu sein, als 110 genau zu sein. Die POA-Kriterien wählen die Prognosemethode, die ein POA-Verhältnis am nächsten zu 100 hat. Scripting auf dieser Seite verbessert die Inhaltsnavigation, ändert aber den Inhalt in keiner Weise.