المرجحة سبيل المثال الحركة من المتوسط التنبؤ

أمثلة حساب التنبؤات. أ 1 طرق حساب التنبؤات. طرق حساب حساب التنبؤات متوفرة توفر معظم هذه الطرق التحكم المحدود للمستخدم على سبيل المثال، قد يكون الوزن الموزع على البيانات التاريخية الحديثة أو النطاق الزمني للبيانات التاريخية المستخدمة في الحسابات محدد الأمثلة التالية توضح طريقة الحساب لكل طريقة من طرق التنبؤ المتاحة، نظرا لمجموعة متطابقة من البيانات التاريخية. الأمثلة التالية تستخدم نفس بيانات المبيعات لعامي 2004 و 2005 لإنتاج توقعات المبيعات لعام 2006 بالإضافة إلى حساب التوقعات، كل مثال يتضمن توقعات عام 2005 المحاكاة لخيار معالجة فترة الانتظار لمدة ثلاثة أشهر 19 3 التي تستخدم بعد ذلك لنسبة من الدقة ومتوسط ​​حسابات الانحراف المطلق المبيعات الفعلية مقارنة بالتوقعات المحاكاة. أ 2 معايير تقييم الأداء المتوقعة. اعتمادا على اختيارك لخيارات المعالجة و على الاتجاهات والأنماط الموجودة في بيانات المبيعات، وبعض أساليب التنبؤ أداء أفضل من غيرها لمجموعة بيانات تاريخية معينة. طريقة التنبؤ المناسبة لمنتج واحد قد لا تكون مناسبة لمنتج آخر ومن غير المرجح أيضا أن طريقة التنبؤ التي توفر نتائج جيدة في مرحلة واحدة من دورة حياة المنتج سوف تبقى مناسبة طوال دورة الحياة بأكملها. يمكنك الاختيار بين طريقتين لتقييم الأداء الحالي لأساليب التنبؤ هذه هي تعني الانحراف المطلق ماد و٪ من الدقة بوا كل من هذه الأساليب تقييم الأداء تتطلب بيانات المبيعات التاريخية لفترة محددة المستخدم من الزمن هذه الفترة الزمنية تسمى فترة أو فترات استبقاء مناسبة بف تستخدم البيانات في هذه الفترة كأساس لتوصية أي من طرق التنبؤ المستخدمة في تقديم توقعات التوقعات التالية هذه التوصية خاصة بكل منتج، وقد تتغير من جيل من التنبؤات إلى الجيل التالي تظهر طرائق تقييم أداء التنبؤين في السنة (3) الطريقة 1 - النسبة المئوية المحددة خلال السنة الماضية. تضاعف هذه الطريقة بيانات المبيعات عن السنة السابقة بواسطة عامل محدد من قبل المستخدم على سبيل المثال، 1 10 لزيادة 10، أو 0 97 من أجل 3 انخفاض. تاريخ المبيعات المطلوبة سنة واحدة لحساب التوقعات بالإضافة إلى المستخدم المحدد عدد من الفترات الزمنية لتقييم توقعات الأداء معالجة الخيار 19.A 4 1 حساب التنبؤ. تجربة من تاريخ المبيعات لاستخدامها في حساب الخيار عامل عامل النمو 2a 3 في هذا على سبيل المثال. سم الأشهر الثلاثة الأخيرة من عام 2005 114 119 137 370.Sum نفس ثلاثة أشهر عن السنة السابقة 123 139 133 395. العامل المحسوب 370 395 0 9367. حساب التوقعات. يناير 2005 المبيعات 128 0 9367 119 8036 أو حوالي 120. شباط / فبراير 2005 المبيعات 117 0 9367 109 5939 أو حوالي 110.March، 2005 المبيعات 115 0 9367 107 7205 أو حوالي 108.A 4 2 محاكاة حساب محاكاة. ومثلاثة أشهر من 2005 قبل فترة الاستحواذ يوليو، أغسطس، سبتمبر 129 140 131 400 . نفس نفس الفترة من العام السابق 141 118 118 387 - المعامل المحسوب 400 387 1 033591731.حساب التوقعات المحاكية. أكتوبر / تشرين الأول 2004 المبيعات 123 1 033591731 127 13178. نوفمبر 2004 المبيعات 139 1 033591731 143 66925.December، 2004 المبيعات 133 1 033591731 137 4677.A 4 3 النسبة المئوية لحساب الدقة. بوا 127 13178 143 66925 137 4677 114 119 137 100 408 26873 370 100 110 3429.A 4 4 متوسط ​​حساب الانحراف المطلق. أم 127 12717 - 114 143 66925 - 119 137 4677- 137 3 13 13178 24 66925 0 4677 3 12 75624.A 5 الطريقة الثالثة - السنة الماضية لهذا العام. هذه الطريقة نسخ بيانات المبيعات من السنة السابقة إلى السنة التالية. تاريخ المبيعات المطلوبة سنة واحدة لحساب التوقعات بالإضافة إلى عدد الفترات الزمنية المحددة لتقييم خيار معالجة الأداء التنبؤي 19.A 6 1 حساب التنبؤات: عدد الفترات التي يتعين إدراجها في متوسط ​​خيار المعالجة 4a 3 في هذا المثال. بالنسبة إلى كل شهر من التنبؤات، s. توقعات يناير 114 119 13 7 370 أو 370 3 123 333 أو 123. توقعات شباط / فبراير 119 137 123 379 أو 379 3 126 333 أو 126. توقعات آذار / مارس 137 123 126 379 أو 386 3 128 667 أو 129.A 6 2 حساب التنبؤات المحاكاة. مبيعات تشرين الأول / أكتوبر 2005 129 140 131 3 133 3333. نوفمبر 2005 المبيعات 140 131 114 3 128 3333.December 2005 المبيعات 131 114 119 3 121 3333.A 6 3 نسبة حساب الدقة. بوا 133 3333 128 3333 121 3333 114 119 137 100 103 513.A 6 4 يعني حساب الانحراف المطلق. 133 133 3333 - 114 128 3333 - 119 121 3333 - 137 3 14 7777.A 7 الطريقة 5 - التقريب الخطي. التحليل الخطي يحسب اتجاها يستند إلى نقطتي بيانات تاريخ المبيعات. وهذه نقطتين تحدد اتجاها مستقيما الخط المتوقع في المستقبل استخدام هذه الطريقة بحذر، حيث يتم الاستفادة من التنبؤات طويلة المدى بتغييرات صغيرة في نقطتي بيانات فقط. تاريخ المبيعات المطلوب عدد الفترات التي يجب تضمينها في خيار معالجة الانحدار 5a، زائد 1 بالإضافة إلى عدد الوقت فترات لتقييم خيار معالجة الأداء التنبؤي 19 ألف 8 1 بالنسبة إلى إيكاست كالكولاتيون. عدد الفترات التي يجب تضمينها في خيار معالجة الانحدار 6a 3 في هذا المثال. لكل شهر من التوقعات، أضف الزيادة أو النقصان خلال الفترات المحددة قبل فترة الاستبقاء في الفترة السابقة. متوسط ​​الأشهر الثلاثة السابقة 114 119 137 3 123 3333.Summary من الأشهر الثلاثة السابقة مع الوزن في الاعتبار. 114 1 119 2 137 3 763 - الاختلاف بين القيم. 763 - 123 3333 1 2 3 23 - النسبة 1 2 2 2 3 2 - 2 3 14 - 12 2 - النسبة المئوية 1 نسبة الفرق 23 2 11 5 - القيمة 2 المتوسط ​​- القيمة 1 123 3333 - 11 5 2 100 3333.Forecast 1 n value1 value2 4 11 5 100 3333 146 333 أو 146.Forecast 5 11 5 100 3333 157 8333 أو 158.Forecast 6 11 5 100 3333 169 3333 أو 169.A 8 2 حساب التوقعات المحاكية. المبيعات في أكتوبر 2004.المتوسط ​​في الأشهر الثلاثة السابقة . 129 140 131 3 133 3333.Summary من الأشهر الثلاثة السابقة مع الوزن في الاعتبار. 129 1 140 2 131 3 802 - الاختلاف بين القيم. 802 - 133 3333 1 2 3 2.Ratio 1 2 2 2 3 2 - 2 3 14 - 12 2.Value1 نسبة الاختلاف 2 2 1.Value2 متوسط ​​- value1 نسبة 133 3333 - 1 2 131 3333.Forecast 1 n value1 value2 4 1 131 3333 135 3333.November 2004 sales. Average من الأشهر الثلاثة السابقة. 140 131 114 3 128 3333.Summary من الأشهر الثلاثة السابقة مع الوزن في الاعتبار. 140 1 131 2 114 3 744.الفرق بين القيم 744 - 128 3333 1 2 3 -25 9999.Value1 نسبة الاختلاف -25 9999 2 -12 9999.Value2 متوسط ​​- القيمة 1 128 3333 - -12 9999 2 154 3333.Forecast 4 -12 9999 154 3333 102 3333.December 2004 sales. Average من الأشهر الثلاثة السابقة. 131 114 119 3 121 3333.Summary من الأشهر الثلاثة السابقة مع الوزن في الاعتبار. 131 1 114 2 119 3 716.الفرق بين القيم. 716 - 121 3333 1 2 3 -11 9999.Value1 نسبة الاختلاف -11 9999 2 -5 9999.Value2 متوسط ​​- قيمة 1 121 3333 - -5 9999 2 133 3333.Forecast 4 -5 9999 133 3333 109 3333.A 8 3 النسبة المئوية لحساب الدقة. بوا 135 33 102 33 109 33 114 119 137 100 93 78.A 8 4 حساب متوسط ​​الانحراف المطلق. MAD 135 33 - 114 102 33 - 119 109 33 - 137 3 21 88.A 9 الطريقة 7 - درجة التقريب. يحدد الانحدار الخطي القيم a و b في صيغة التنبؤ Y a بكس بهدف تركيب خط مستقيم على بيانات تاريخ المبيعات تقريب الدرجة الثانية متشابه ومع ذلك، تحدد هذه الطريقة قيم a و b و c في صيغة التنبؤ Y بكس cX2 بهدف تركيب منحنى لبيانات تاريخ المبيعات قد تكون هذه الطريقة مفيدة عندما يكون المنتج في مرحلة الانتقال بين مراحل دورة حياة على سبيل المثال، عندما يتحرك منتج جديد من مراحل مقدمة إلى مراحل النمو ، فإن اتجاه المبيعات قد يتسارع بسبب مصطلح الترتيب الثاني، يمكن التنبؤ بسرعة الاقتراب إنفينيتي أو إسقاط إلى الصفر اعتمادا على ما إذا كان معامل ج موجب أو سلبي لذلك، هذه الطريقة مفيدة فقط على المدى القصير. مواصفات فوريك الصيغ يجد a، b، c لتتناسب مع منحنى إلى ثلاث نقاط بالضبط يمكنك تحديد n في خيار المعالجة 7a، وعدد من الفترات الزمنية للبيانات لتتراكم في كل من النقاط الثلاث في هذا المثال ن 3 لذلك، يتم الجمع بين بيانات المبيعات الفعلية لشهر أبريل حتى يونيو في النقطة الأولى، Q1 يوليو حتى سبتمبر تضاف معا لخلق Q2 ، وتشرين الأول / أكتوبر حتى كانون الأول / ديسمبر إلى Q3 سيتم تركيب المنحنى على القيم الثلاث Q1 و Q2 و Q3.Required تاريخ المبيعات 3 n فترات لحساب التوقعات بالإضافة إلى عدد الفترات الزمنية اللازمة لتقييم الأداء التنبؤي بف. عدد من أجل تضمين خيار المعالجة 7 أ 3 في هذا المثال. استخدم الأشهر الثلاثة السابقة في فدرات ثلاثة أشهر. Q1 أبريل - يونيو 125 122 137 384.Q2 يوليو - سبتمبر 129 140 131 400.Q3 أكتوبر - ديسمبر 114 119 137 370. وتشمل الخطوة التالية ج حساب المعاملات الثلاثة a و b و c لاستخدامها في صيغة التنبؤ Y a بكس سك 2. 1 Q1 a بكس سك 2 حيث X 1 a b c. 2 Q2 a بكس سك 2 حيث X 2 a 2b 4c. 3 Q3 a بكس سك 2 حيث X 3 a 3b 9.c حل المعادلات الثلاث في وقت واحد لإيجاد b و a و c. Soptract المعادلة 1 من المعادلة 2 وحل b. Substitute هذه المعادلة b إلى المعادلة 3. 3 Q3 a 3 Q2 - Q1 - 3c C. Finally، يستعاض عن هذه المعادلات عن a و b في المعادلة 1. Q3 - 3 Q2 - Q1 q2 - Q1 - 3c c Q1.c Q3 - Q2 Q1 - Q2 2.The طريقة التقريب من الدرجة الثانية تحسب (أ) و (ب) و (ج) على النحو التالي: (أ) 3 - 3 س 2 - 1 370 - 3 400 - 384 322 ج س 3 - س 2 س 1 - س 2 2 370 - 400 384 - 400 2 - 23 - ب س 2 - 384 - 3 -23 85.Y a بكس سك 2 322 85 X -23 X 2. يناير / كانون الثاني من توقعات آذار / مارس X 4. 322 340 - 368 3 294 3 98 لكل فترة. أبريل من حزيران / يونيه توقعات X 5. 322 425 - 575 3 57 333 أو 57 لكل فترة. توقعات تموز / يوليه من هذا العام X 6 322 510 - 828 3 1 33 أو 1 لكل فترة. تشرين الأول / أكتوبر كانون الأول / ديسمبر X 7. 322 595 - 1127 3 -70.A 9 2 حساب التنبؤات المحاكاة. تشرين الأول / أكتوبر، تشرين الثاني / نوفمبر و ديسمبر، 2004 المبيعات. Q1 يناير - مارس 360.Q2 أبريل - يونيو 384.Q3 يوليو - سبتمبر 400.a 400 - 3 384 - 360 328.c 400 - 384 360 - 384 2 - 4.b 384 - 360 - 3 -4 36. 328 36 4 -4 16 3 136.A 9 3 نسبة حساب الدقة. بوا 136 136 136 114 119 137 100 110 27.A 9 4 حساب الانحراف المطلق المتوسط. أحمد 136 - 114 136 - 119 136 - 137 3 13 33.A 10 الطريقة 8 - الطريقة المرنة. الطريقة المرنة النسبة المئوية أكثر من شهر يشبه سابقة الطريقة 1، النسبة المئوية خلال السنة الماضية كلتا الطريقتين تضاعف بيانات المبيعات من فترة زمنية سابقة بواسطة عامل محدد من قبل المستخدم ، ثم مشروع هذه النتيجة في المستقبل في طريقة النسبة المئوية على مدى العام الماضي، ويستند الإسقاط على بيانات من نفس الفترة الزمنية في العام السابق الأسلوب المرن يضيف القدرة على تحديد فترة زمنية أخرى من نفس الفترة من العام الماضي إلى استخدام كأساس لحسابات. عامل الضرب على سبيل المثال، حدد 1 15 في خيار المعالجة 8b لزيادة البيانات السابقة مبيعات التاريخ بنسبة 15.Base الفترة على سبيل المثال، ن 3 سوف يسبب أول توقعات أن تستند على بيانات المبيعات في أكتوبر، 2005. الحد الأدنى لسجل المبيعات رقم المستخدم المحدد o f إلى فترة الأساس، بالإضافة إلى عدد الفترات الزمنية اللازمة لتقييم الأداء التنبؤي بف. A 10 4 حساب الانحراف المطلق المتوسط. 148 - 114 161 - 119 151 - 137 3 30 ألف 11 الطريقة 9 - التحرك المرجح المتوسط. المتوسط ​​المتحرك المتوسط ​​المرجح أسلوب وما يشبه الأسلوب 4، المتوسط ​​المتحرك ما ومع ذلك، مع المتوسط ​​المتحرك المرجح يمكنك تعيين الأوزان غير المتكافئة للبيانات التاريخية الأسلوب بحساب المتوسط ​​المرجح من تاريخ المبيعات الأخيرة للوصول إلى إسقاط ل على المدى القصير عادة ما يتم تعيين المزيد من البيانات الحديثة وزن أكبر من البيانات القديمة، لذلك هذا يجعل وما أكثر استجابة للتحولات في مستوى المبيعات ومع ذلك، التحيز التنبؤ والأخطاء المنهجية لا تزال تحدث عندما يظهر تاريخ مبيعات المنتجات اتجاه قوي أو أنماط موسمية هذا يعمل بشكل أفضل للتنبؤات قصيرة المدى من المنتجات الناضجة بدلا من المنتجات في مراحل النمو أو التقادم من دورة الحياة. عدد الفترات من تاريخ المبيعات لاستخدامها في حساب التنبؤ على سبيل المثال، حدد ن 3 في خيار المعالجة 9a لاستخدام أحدث ثلاث فترات كأساس للتوقعات في الفترة الزمنية القادمة قيمة كبيرة ل n مثل 12 يتطلب المزيد من المبيعات التاريخ أنه يؤدي إلى توقعات مستقرة ، ولكن سيكون بطيئا في التعرف على التحولات في مستوى المبيعات من ناحية أخرى، فإن قيمة صغيرة ل n مثل 3 تستجيب أسرع للتحولات في مستوى المبيعات، ولكن التوقعات قد تتقلب على نطاق واسع بحيث لا يمكن أن تستجيب للإنتاج الاختلافات. الوزن المخصص لكل فترة من فترات البيانات التاريخية يجب أن يبلغ مجموع الترجيح المعين 1 00 على سبيل المثال، عندما يكون n 3، يعطى أوزان 0 و 0 و 3 و 0 1، مع تلقي أحدث البيانات أكبر وزن . الحد الأدنى المطلوب من تاريخ المبيعات n بالإضافة إلى عدد الفترات الزمنية المطلوبة لتقييم الأداء التنبؤي بف. أحمد 133 5 - 114 121 7 - 119 118 7 - 137 3 13 5.A 12 الطريقة 10 - التنعيم الخطي. هذا الأسلوب مشابه ل الطريقة 9، المتوسط ​​المتحرك المرجح وما كيف من أي وقت مضى، بدلا من التعيين التعسفي للأوزان للبيانات التاريخية، يتم استخدام صيغة لتعيين الأوزان التي تنخفض خطيا ومجموعها إلى 00 1 وتحسب الطريقة ثم المتوسط ​​المرجح لتاريخ المبيعات الأخيرة للوصول إلى إسقاط على المدى القصير. كما هو صحيح من جميع تقنيات التنبؤ المتوسط ​​المتحرك الخطي والتحيز التنبؤي والأخطاء المنهجية تحدث عندما يظهر تاريخ مبيعات المنتجات اتجاها قويا أو أنماط موسمية هذا الأسلوب يعمل بشكل أفضل للتنبؤات قصيرة المدى من المنتجات الناضجة بدلا من المنتجات في مراحل النمو أو التقادم من الحياة دورة. عدد فترات مبيعات التاريخ لاستخدامها في حساب التنبؤ هذا محدد في خيار المعالجة 10a على سبيل المثال، حدد n 3 في خيار المعالجة 10b لاستخدام أحدث ثلاث فترات كأساس للتوقعات في الفترة الزمنية التالية سيقوم النظام تلقائيا بتعيين أوزان البيانات التاريخية التي تنخفض خطيا ومجموعها إلى 00 1 على سبيل المثال، عندما n 3، s سوف يستيم تعيين الأوزان من 0 5، 0 3333، و 0 1، مع أحدث البيانات تلقي أكبر وزن. الحد الأدنى المطلوب تاريخ المبيعات ن بالإضافة إلى عدد من الفترات الزمنية اللازمة لتقييم الأداء التنبؤ بف. A 12 1 حساب التنبؤ. عدد الفترات التي يجب تضمينها في تمهيد متوسط ​​خيار المعالجة 10a 3 في هذا المثال. الطريقة لفترة واحدة قبل 3 n 2 n 2 3 3 2 3 2 3 6 0 5.Ratio لفترتين قبل 2 n 2 n 2 2 3 2 3 2 2 6 0 3333.Ratio لمدة ثلاث فترات قبل 1 n 2 n 2 1 3 2 3 2 1 6 0 1666. توقعات شهرية 137 0 5 119 1 3 114 1 6 127 16 أو 127. توقعات شباط / فبراير 127 0 5 137 1 3 119 1 6 129. توقعات المسيرة 129 0 5 127 1 3 137 1 6 129 666 أو 130.A 12 2 حساب التنبؤات المحاكاة. أكتوبر / تشرين الأول 2004 المبيعات 129 1 6 140 2 6 131 3 6 133 6666. نوفمبر / تشرين الثاني 2004 المبيعات 140 1 6 131 2 6 114 3 6 124. كانون الأول / ديسمبر 2004 المبيعات 131 1 6 114 2 6 119 3 6 119 3333.A 12 3 نسبة حساب الدقة. بوا 133 6666 124 119 3333 114 119 137 100 101 891.A 12 4 حساب متوسط ​​الانحراف المطلق. MAD الطريقة 11 - التنعيم الأسي. هذا الأسلوب يشبه الأسلوب 10، الخطي التمهيد في الخطي التمهيد النظام يعين الأوزان إلى البيانات التاريخية التي تنخفض خطيا في التماسك الأسي ، فإن النظام يعين الأوزان التي تسوس أضعافا مضاعفة الأسي تنعيم معادلة التنبؤ هو. فوريكاست المبيعات الفعلية السابقة 1 - A التوقعات السابقة. التوقع هو المتوسط ​​المرجح للمبيعات الفعلية من الفترة السابقة والتوقعات من الفترة السابقة هو هو الوزن المطبق على المبيعات الفعلية للفترة السابقة 1-a هو الوزن المطبق على التوقعات للفترة السابقة القيم الصالحة لنطاق من 0 إلى 1، وعادة ما تقع بين 0 1 و 0 4 مجموع الأوزان هو 1 00 a 1-a 1. يجب تعيين قيمة لمستوى التمهيد، a إذا لم تقم بتعيين قيم ثابت التمهيد، يقوم النظام بحساب قيمة مفترضة استنادا إلى عدد فترات تاريخ المبيعات سبيسيفي d في خيار المعالجة 11a. a ثابت التمهيد المستخدم في حساب المتوسط ​​المنعم للمستوى العام أو حجم المبيعات القيم الصالحة لنطاق من 0 إلى 1.n نطاق بيانات تاريخ المبيعات ليشمل في الحسابات عموما سنة واحدة من بيانات تاريخ المبيعات كافية لتقدير المستوى العام للمبيعات لهذا المثال، تم اختيار قيمة صغيرة ل ن 3 من أجل تقليل الحسابات اليدوية المطلوبة للتحقق من النتائج الأسس التمهيد يمكن أن تولد توقعات على أساس أقل من تاريخ واحد نقطة البيانات. الحد الأدنى المطلوب من تاريخ المبيعات n بالإضافة إلى عدد الفترات الزمنية المطلوبة لتقييم الأداء التنبؤي بف. A 13 1 حساب التنبؤ. عدد الفترات التي يجب تضمينها في تمهيد متوسط ​​خيار المعالجة 11a 3 وخيار معالجة عامل ألفا 11 ب فارغ في هذا مثال لعامل بيانات المبيعات الأقدم 2 1 1 أو 1 عندما يكون ألفا محددا. عامل ل 2 أقدم بيانات المبيعات 2 1 2 أو ألفا عندما يكون ألفا محددا. عامل ل 3 أقدم بيانات المبيعات 2 1 3 أو ألفا عندما يتم تحديد ألفا. عامل لأحدث بيانات المبيعات 2 1 n أو ألفا عندما يتم تحديد ألفا. نوفمبر سم أفغ أكتوبر الفعلي 1 - أكتوبر تشرين الأول سم المتوسط ​​1 114 0 0 114.December سم متوسط ​​نوفمبر تشرين الثاني الفعلي 1 - نوفمبر تشرين الثاني سم متوسط ​​2 3 119 1 3 114 117 3333. يناير توقعات ديسمبر الفعلي 1 - ديسمبر سم أفغ 2 4 137 2 4 117 3333 127 16665 أو 127. توقعات فبراير يناير توقعات 127.March توقعات كانون الثاني / يناير 127.A 13 2 حساب التنبؤات المحاكاة. جولي، 2004 سم أفغ 2 2 129 129. سم سم أفغ 2 3 140 1 3 129 136 3333. سم سم أفغ 2 4 131 2 4 136 3333 133 6666.October، 2004 ساليس سيب سم أفغ 133 6666.August، 2004 سم أفغ 2 2 140 140.September سم أفغ 2 3 131 1 3 140 134. أكتوبر سم أفغ 2 4 114 2 4 134 124. نوفمبر، 2004 المبيعات سيب سم متوسط ​​124. أيلول / سبتمبر 2004 سم أفغ 2 2 131 131. أكتوبر سم أفغ 2 3 114 1 3 131 119 6666. نوفيمبر سم أفغ 2 4 119 2 4 119 6666 119 3333. ديسمبر 2004 المبيعات سبتمبر المتوسط ​​المتوسط ​​119 3333.A 13 3 النسبة المئوية من الدقة الحسابية (بوا 133 6666 124 119 3333 114 119 137 100 101 891.A 13 4 حساب متوسط ​​الانحراف المطلق. المادة 133 6666 - 114 124 - 119 119 3333 - 137 3 14 1111.A 14 الطريقة 12 - التماسك الأسي مع الاتجاه والموسمية. وهذا الأسلوب يشبه الأسلوب 11، التماسك الأسي، حيث يحسب المتوسط ​​الملمس ومع ذلك، تشتمل الطريقة 12 أيضا على مصطلح في معادلة التنبؤ لحساب اتجاه سلس. وتتكون التنبؤات من معدل متوسط ​​تم ضبطه لاتجاه خطي عند تحديده في خيار المعالجة، يتم تعديل التوقعات أيضا للموسمية. a ثابت التمهيد المستخدم في حساب المتوسط ​​المنعم للمستوى العام أو حجم المبيعات القيم الصالحة لمدى ألفا من 0 إلى 1.b ثابت التمهيد المستخدم في حساب السلس متوسط ​​عنصر الاتجاه للتنبؤ القيم الصالحة لنطاق بيتا من 0 إلى 1. ما إذا كان المؤشر الموسمي يطبق على التنبؤ. أ و ب مستقلان عن بعضهما البعض. لا يلزم إضافتهما إلى 1 0. مين إيموم مطلوب تاريخ المبيعات عامين بالإضافة إلى عدد من الفترات الزمنية المطلوبة لتقييم الأداء بف المتوقعة. الميثود 12 يستخدم اثنين من المعادلات تمهيد الأسي ومتوسط ​​بسيط لحساب المتوسط ​​السلس، واتجاه سلس، ومتوسط ​​بسيط عامل موسمي. A 14 1 حساب التوقعات. A متوسط ​​ممسود أضعافا. MAD 122 81 - 114 133 14 - 119 135 33 - 137 3 8 2.A 15 تقييم التنبؤات. يمكنك اختيار أساليب التنبؤ لتوليد ما يصل إلى اثني عشر التوقعات لكل منتج كل التنبؤ من المحتمل أن تخلق طريقة مختلفة قليلا عند توقع الآلاف من المنتجات، فمن غير العملي لاتخاذ قرار شخصي بشأن أي من التوقعات لاستخدامها في الخطط الخاصة بك لكل من المنتجات. النظام تلقائيا بتقييم الأداء لكل من أساليب التنبؤ التي تحددها، ولكل من المنتجات توقعات يمكنك الاختيار بين معيارين الأداء، يعني الانحراف المطلق درهم ونسبة من أكور أسي بوا ماد هو مقياس لخطأ التنبؤ بوا هو مقياس للتنبؤ بالتنبؤ يتطلب كل من تقنيات تقييم الأداء هذه بيانات تاريخ المبيعات الفعلية لفترة زمنية محددة للمستخدم. وتسمى هذه الفترة من التاريخ الحديث فترة استيعاب أو فترات تناسب بف. لقياس أداء طريقة التنبؤ، استخدم الصيغ المتوقعة لمحاكاة توقعات لفترة الاستحواذ التاريخية ستكون هناك عادة اختلافات بين بيانات المبيعات الفعلية والتوقعات المحاكاة لفترة الاستحواذ. عندما يتم اختيار طرق التنبؤ المتعددة، فإن هذه العملية نفسها يحدث لكل طريقة يتم حساب التنبؤات المتعددة لفترة الاستحواذ ومقارنتها مع تاريخ المبيعات المعروف لنفس الفترة من الوقت يوصى باستخدام طريقة التنبؤ التي تنتج أفضل مطابقة تناسب أفضل بين التوقعات والمبيعات الفعلية خلال فترة الاستبعاد للاستخدام في خططك هذه التوصية محددة لكل منتج، ويمكن أن تتغير من جيل واحد للتنبؤ إلى ن xt. A 16 يعني الانحراف المطلق ماد. MAD هو متوسط ​​أو متوسط ​​القيم المطلقة أو حجم الانحرافات أو الأخطاء بين البيانات الفعلية والتنبؤات ماد هو مقياس لمتوسط ​​حجم الأخطاء المتوقع، بالنظر إلى طريقة التنبؤ والبيانات التاريخ نظرا لأن القيم المطلقة تستخدم في الحساب، فإن الأخطاء الإيجابية لا تلغي الأخطاء السلبية عند المقارنة بين عدة طرق للتنبؤ، فقد أظهرت واحدة مع أصغر درهم أن تكون الأكثر موثوقية لهذا المنتج لفترة الاستيلاء عندما تكون التوقعات غير منحازة و يتم توزيع الأخطاء عادة، وهناك علاقة رياضية بسيطة بين ماد واثنين من التدابير المشتركة الأخرى للتوزيع والانحراف المعياري ومتوسط ​​تربيع error. A 16 1 النسبة المئوية من الدقة POA. Percent دقة بوا هو مقياس للتنبؤ التوقعات عندما تكون التوقعات على الدوام مرتفعة جدا، تتراكم المخزونات وترتفع تكاليف المخزون عندما تكون التوقعات ثابتة باستمرار، يتم استهلاك المخزون وتراجع خدمة العملاء s التوقعات التي هي 10 وحدات منخفضة جدا، ثم 8 وحدات مرتفعة جدا، ثم 2 وحدات عالية جدا، سيكون توقعات غير متحيزة يتم إلغاء الخطأ الإيجابي من 10 من الأخطاء السلبية من 8 و 2. الخطأ الفعلي - التنبؤ. عندما المنتج يمكن تخزينها في المخزون، وعندما توقعات غير منحازة، كمية صغيرة من مخزون السلامة يمكن استخدامها لتخفيف الأخطاء في هذه الحالة، فإنه ليس من المهم للقضاء على أخطاء التنبؤ كما هو لتوليد توقعات غير منحازة ولكن في صناعات الخدمات ، فإن الحالة المذكورة أعلاه سوف ينظر إليها على أنها ثلاثة أخطاء الخدمة سيكون نقص الموظفين في الفترة الأولى، ثم زيادة عدد الموظفين للفترتين المقبلتين في الخدمات، وحجم أخطاء التنبؤ عادة ما تكون أكثر أهمية مما هو متوقع التحيز. الجمع خلال فترة الاستحواذ يسمح أخطاء إيجابية لإلغاء الأخطاء السلبية عندما يتجاوز إجمالي المبيعات الفعلية مجموع المبيعات المتوقعة، ونسبة أكبر من 100 وبطبيعة الحال، فإنه من المستحيل أن يكون أكثر من 100 دقيقة عندما تكون التوقعات غير منحازة إد، فإن نسبة بوا ستكون 100 ولذلك، فمن المستحسن أن يكون 95 دقيقة من أن تكون دقيقة 110 معايير بوا اختيار طريقة التنبؤ التي لديها نسبة بوا الأقرب إلى 100. سكريبتينغ في هذه الصفحة يعزز التنقل المحتوى، ولكن لا تغيير المحتوى بأي شكل من الأشكال. المرحلة ينطوي على توليد عدد أو مجموعة من الأرقام أو السيناريو الذي يتوافق مع حدوث مستقبلي من الضروري للغاية للتخطيط قصير المدى والطويل المدى من خلال التعريف، ويستند التنبؤ على البيانات السابقة ، بدلا من التنبؤ، الذي هو أكثر موضوعية، واستنادا إلى غريزة، ويشعر الأمعاء، أو تخمين على سبيل المثال، فإن الأخبار المسائية يعطي توقعات الطقس لا التنبؤ الطقس بغض النظر عن المصطلحات التنبؤ والتنبؤ غالبا ما تستخدم بين التداخل على سبيل المثال ، تعاريف الانحدار تقنية تستخدم أحيانا في التنبؤ عموما تنص على أن الغرض منه هو شرح أو التنبؤ. ويستند فوريكاستينغ على عدد من الافتراضات. الماضي سوف يكرر نفسه وبعبارة أخرى ، ما حدث في الماضي سيحدث مرة أخرى في المستقبل. كما يقصر الأفق التوقعات، توقعات دقة الزيادة على سبيل المثال، فإن توقعات للغد سيكون أكثر دقة من توقعات الشهر المقبل توقعات الشهر المقبل سيكون أكثر دقة من فإن التوقعات للعام المقبل وتوقعات للعام المقبل ستكون أكثر دقة من توقعات لمدة عشر سنوات في المستقبل. التجميع في المجموع هو أكثر دقة من التنبؤ البنود الفردية وهذا يعني أن الشركة سوف تكون قادرة على التنبؤ إجمالي الطلب على مجموعة كاملة من المنتجات بشكل أكثر دقة من أنها سوف تكون قادرة على التنبؤ وحدات حفظ المخزون الفردية سكوكس على سبيل المثال، يمكن أن جنرال موتورز توقع أكثر دقة العدد الإجمالي للسيارات اللازمة للعام المقبل من العدد الإجمالي للشفروليه الأبيض إمبالاس مع حزمة خيار معين. Forecasts نادرا ما تكون دقيقة وعلاوة على ذلك، والتوقعات هي تقريبا أبدا دقيقة تماما في حين أن بعض قريبة جدا، وعدد قليل من الحق على المال لذلك، فمن الحكمة لتقديم نطاق توقعات إذا كان من المتوقع أن يبلغ الطلب على 100،000 وحدة للشهر القادم، فمن غير المحتمل للغاية أن الطلب يساوي 100،000 بالضبط ومع ذلك، فإن توقعات من 90،000 إلى 110،000 ستوفر هدف أكبر بكثير للتخطيط. ويليام J ستيفنسون يسرد عددا من الخصائص التي هي مشتركة لتوقعات جيدة. دقيقة وينبغي تحديد درجة معينة من الدقة وذكر بحيث يمكن إجراء مقارنة للتنبؤات البديلة. الرجاء طريقة التنبؤ يجب أن توفر باستمرار توقعات جيدة إذا كان المستخدم هو إنشاء بعض درجة الثقة. في الوقت المناسب هناك حاجة إلى قدر معين من الوقت للرد على التوقعات لذلك يجب أن تسمح أفق التنبؤ للوقت اللازم لإجراء تغييرات. سهلة الاستخدام وفهم المستخدمين للتوقعات يجب أن تكون واثقة ومريحة العمل معها. كوست - فعالية تكلفة جعل التنبؤ لا ينبغي أن تفوق الفوائد التي تم الحصول عليها من التنبؤات. وتتراوح تقنيات التصوير من بسيطة إلى المتطرفة يتم تصنيف هذه التقنيات عادة على أنها نوعية أو كمية. التقنيات التقنية. تقنيات التنبؤ النوعية هي أكثر عمومية من نظيراتها الكمية. التقنيات النوعية هي أكثر فائدة في المراحل الأولى من دورة حياة المنتج، عندما تكون البيانات السابقة أقل للاستخدام في الأساليب الكمية وتشمل الأساليب الكمية تقنية دلفي، تقنية المجموعة الاسمية نغت، آراء قوة المبيعات والآراء التنفيذية، وأبحاث السوق. تكنولوجيا دلفي يستخدم تقنية دلفي فريق من الخبراء لإنتاج توقعات يطلب من كل خبير لتقديم توقعات محددة إلى الحاجة في متناول اليد بعد أن يتم إجراء التوقعات الأولية، كل خبير يقرأ ما كتبه كل خبير آخر، وبطبيعة الحال، تأثرت بآرائهم ثم يتم بعد ذلك التنبؤ من قبل كل خبير كل خبير ثم يقرأ مرة أخرى ما كتبه كل خبير آخر و يتأثر مرة أخرى من تصورات الآخرين هذه العملية يكرر نفسه حتى كل إكس إرت تقترب من الاتفاق على السيناريو المطلوب أو الأعداد. تقنية المجموعة الرئيسية. تقنية المجموعة الرئيسية تشبه تقنية دلفي حيث أنها تستخدم مجموعة من المشاركين، عادة الخبراء بعد أن يستجيب المشاركون للأسئلة المتعلقة بالتنبؤات، فإنهم يرتبون ردودهم بالترتيب من الأهمية النسبية المتصورة ثم يتم تجميع التصنيف وتجميعه في نهاية المطاف، يجب على المجموعة التوصل إلى توافق في الآراء بشأن أولويات القضايا المرتبة. ساليس فورس أوبينيونس. موظفي المبيعات غالبا ما يكون مصدرا جيدا للمعلومات المتعلقة بالطلب في المستقبل قد يطلب مدير المبيعات المدخلات من كل شخص المبيعات وتجميع ردودهم في توقعات قوة مركبة المركب ينبغي توخي الحذر عند استخدام هذه التقنية حيث أن أعضاء قوة المبيعات قد لا تكون قادرة على التمييز بين ما يقوله العملاء وما يفعلونه فعلا أيضا، إذا كان وسوف تستخدم التنبؤات لإنشاء حصص المبيعات، قد يميل قوة المبيعات لتوفير تقديرات أقل. أوبي NIONS. Sometimes المستويات العليا المديرين تلبية وتطوير التوقعات على أساس معرفتهم من مجالات مسؤوليتها ويشار إلى هذا أحيانا باسم هيئة محلفين من الرأي التنفيذي. الماركيت ريزارتش. في أبحاث السوق، وتستخدم استطلاعات المستهلكين لإنشاء الطلب المحتمل مثل هذه البحوث التسويقية وعادة ما ينطوي على بناء استبيان الذي يلتمس المعلومات الشخصية والديموغرافية والاقتصادية والتسويقية في بعض الأحيان، وجمع الباحثين في السوق هذه المعلومات شخصيا في منافذ البيع بالتجزئة ومراكز التسوق، حيث يمكن للمستهلك تجربة الطعم، ويشعر، ورائحة، ورؤية منتج معين الباحث يجب أن نكون حذرين من أن عينة من الأشخاص الذين شملهم الاستطلاع تمثل هدف المستهلك المطلوب. التقنيات التقنية. تقنيات التنبؤ الكمي هي عموما أكثر موضوعية من نظرائهم النوعي يمكن التنبؤات الكمية التنبؤات سلسلة زمنية أي إسقاط الماضي في المستقبل أو التنبؤات على أساس على النماذج الترابطية أي على أساس واحد أو أكثر المتغيرات التفسيرية قد تكون لسلاسل الوقت السلاسل الأساسية التي تحتاج إلى تحديدها من قبل المتنبأ وبالإضافة إلى ذلك، قد تحتاج إلى تحديد أسباب السلوك قد تكون بعض هذه السلوكيات أنماط أو ببساطة الاختلافات العشوائية بين أنماط are. Trends، والتي هي تحركات طويلة الأجل صعودا أو هبوطا في البيانات. الطبيعة، التي تنتج الاختلافات على المدى القصير التي ترتبط عادة إلى الوقت من السنة والشهر، أو حتى يوم معين، كما تشهد مبيعات التجزئة في عيد الميلاد أو المسامير في النشاط المصرفي في الأول من الشهر وفي أيام الجمعة. الدورات، وهي الاختلافات الموجية التي تستمر لأكثر من سنة والتي ترتبط عادة بالظروف الاقتصادية أو السياسية. التباينات التنظيمية التي لا تعكس السلوك النموذجي، مثل فترة من الطقس القاسي أو الإضراب النقابي. التباينات العشوائية، التي تشمل جميع السلوكيات غير النمطية التي لا تمثلها التصنيفات الأخرى. من بين نماذج السلاسل الزمنية، أبسط هو التنبؤ غير متوفر A نا v (ه) يستخدم ببساطة الطلب الفعلي خلال الفترة الماضية كطلب متوقع للفترة المقبلة وهذا بالطبع يجعل الافتراض بأن الماضي سوف يكرر ويفترض أيضا أن أي اتجاهات أو موسمية أو دورات إما تنعكس في الفترة السابقة أو لا وجود لها مثال على التنبؤات غير المبينة في الجدول 1. الجدول 1 التنبؤات الأخرى. أسلوب بسيط آخر هو استخدام المتوسطات لجعل التنبؤ باستخدام المتوسط، واحد ببساطة يأخذ متوسط ​​بعض عدد من فترات البيانات السابقة عن طريق تجميع كل فترة وتقسيم النتيجة حسب عدد الفترات تم العثور على هذه التقنية لتكون فعالة جدا للتنبؤ قصير المدى. وتشمل معدلات المتوسط ​​المتوسط ​​المتحرك والمتوسط ​​المرجح والمتوسط ​​المتحرك المرجح A المتوسط ​​المتحرك takes a predetermined number of periods, sums their actual demand, and divides by the number of periods to reach a forecast For each subsequent period, the oldest period of data drops off and the latest period is added Assuming a three-month moving average and using the data from Table 1, one would simply add 45 January , 60 February , and 72 March and divide by three to arrive at a forecast for April 45 60 72 177 3 59.To arrive at a forecast for May, one would drop January s demand from the equation and add the demand from April Table 2 presents an example of a three-month moving average forecast. Table 2 Three Month Moving Average Forecast. Actual Demand 000 s. A weighted average applies a predetermined weight to each month of past data, sums the past data from each period, and divides by the total of the weights If the forecaster adjusts the weights so that their sum is equal to 1, then the weights are multiplied by the actual demand of each applicable period The results are then summed to achieve a weighted forecast Generally, the more recent the data the higher the weight, and the older the data the smaller the weight Using the demand example, a weighted average using weights of 4 3 2, and 1 would yield the forecast for June as 60 1 72 2 58 3 40 4 53 8.Forecasters may also use a combination of the weighted average and moving average forecasts A weighted moving average forecast assigns weights to a predetermined number of periods of actual data and computes the forecast the same way as described above As with all moving forecasts, as each new period is added, the data from the oldest period is discarded Table 3 shows a three-month weighted moving average forecast utilizing the weights 5 3, and 2.Table 3 Three Month Weighted Moving Average Forecast. Actual Demand 000 s. A more complex form of weighted moving average is exponential smoothing, so named because the weight falls off exponentially as the data ages Exponential smoothing takes the previous period s forecast and adjusts it by a predetermined smoothing constant, called alpha the value for alpha is less than one multiplied by the difference in the previous forecast and the demand that actually occurred during the previously forecasted period called forecast error Exponential smoothing is expressed formulaically as such New forecast previous forecast alpha actual demand previous forecast F F A F. Exponential smoothing requires the forecaster to begin the forecast in a past period and work forward to the period for which a current forecast is needed A substantial amount of past data and a beginning or initial forecast are also necessary The initial forecast can be an actual forecast from a previous period, the actual demand from a previous period, or it can be estimated by averaging all or part of the past data Some heuristics exist for computing an initial forecast For example, the heuristic N 2 1 and an alpha of 5 would yield an N of 3, indicating the user would average the first three periods of data to get an initial forecast However, the accuracy of the initial forecast is not critical if one is using large amounts of data, since exponential smoothing is self-correcting Given enoug h periods of past data, exponential smoothing will eventually make enough corrections to compensate for a reasonably inaccurate initial forecast Using the data used in other examples, an initial forecast of 50, and an alpha of 7, a forecast for February is computed as such New forecast February 50 7 45 50 41 5.Next, the forecast for March New forecast March 41 5 7 60 41 5 54 45 This process continues until the forecaster reaches the desired period In Table 4 this would be for the month of June, since the actual demand for June is not known. Actual Demand 000 s. An extension of exponential smoothing can be used when time-series data exhibits a linear trend This method is known by several names double smoothing trend-adjusted exponential smoothing forecast including trend FIT and Holt s Model Without adjustment, simple exponential smoothing results will lag the trend, that is, the forecast will always be low if the trend is increasing, or high if the trend is decreasing With this model th ere are two smoothing constants, and with representing the trend component. An extension of Holt s Model, called Holt-Winter s Method, takes into account both trend and seasonality There are two versions, multiplicative and additive, with the multiplicative being the most widely used In the additive model, seasonality is expressed as a quantity to be added to or subtracted from the series average The multiplicative model expresses seasonality as a percentage known as seasonal relatives or seasonal indexes of the average or trend These are then multiplied times values in order to incorporate seasonality A relative of 0 8 would indicate demand that is 80 percent of the average, while 1 10 would indicate demand that is 10 percent above the average Detailed information regarding this method can be found in most operations management textbooks or one of a number of books on forecasting. Associative or causal techniques involve the identification of variables that can be used to predict anothe r variable of interest For example, interest rates may be used to forecast the demand for home refinancing Typically, this involves the use of linear regression, where the objective is to develop an equation that summarizes the effects of the predictor independent variables upon the forecasted dependent variable If the predictor variable were plotted, the object would be to obtain an equation of a straight line that minimizes the sum of the squared deviations from the line with deviation being the distance from each point to the line The equation would appear as y a bx, where y is the predicted dependent variable, x is the predictor independent variable, b is the slope of the line, and a is equal to the height of the line at the y-intercept Once the equation is determined, the user can insert current values for the predictor independent variable to arrive at a forecast dependent variable. If there is more than one predictor variable or if the relationship between predictor and forecast is not linear, simple linear regression will be inadequate For situations with multiple predictors, multiple regression should be employed, while non-linear relationships call for the use of curvilinear regression. ECONOMETRIC FORECASTING. Econometric methods, such as autoregressive integrated moving-average model ARIMA , use complex mathematical equations to show past relationships between demand and variables that influence the demand An equation is derived and then tested and fine-tuned to ensure that it is as reliable a representation of the past relationship as possible Once this is done, projected values of the influencing variables income, prices, etc are inserted into the equation to make a forecast. EVALUATING FORECASTS. Forecast accuracy can be determined by computing the bias, mean absolute deviation MAD , mean square error MSE , or mean absolute percent error MAPE for the forecast using different values for alpha Bias is the sum of the forecast errors FE For the exponential smo othing example above, the computed bias would be 60 41 5 72 54 45 58 66 74 40 60 62 6 69.If one assumes that a low bias indicates an overall low forecast error, one could compute the bias for a number of potential values of alpha and assume that the one with the lowest bias would be the most accurate However, caution must be observed in that wildly inaccurate forecasts may yield a low bias if they tend to be both over forecast and under forecast negative and positive For example, over three periods a firm may use a particular value of alpha to over forecast by 75,000 units 75,000 , under forecast by 100,000 units 100,000 , and then over forecast by 25,000 units 25,000 , yielding a bias of zero 75,000 100,000 25,000 0 By comparison, another alpha yielding over forecasts of 2,000 units, 1,000 units, and 3,000 units would result in a bias of 5,000 units If normal demand was 100,000 units per period, the first alpha would yield forecasts that were off by as much as 100 percent while the se cond alpha would be off by a maximum of only 3 percent, even though the bias in the first forecast was zero. A safer measure of forecast accuracy is the mean absolute deviation MAD To compute the MAD, the forecaster sums the absolute value of the forecast errors and then divides by the number of forecasts FE N By taking the absolute value of the forecast errors, the offsetting of positive and negative values are avoided This means that both an over forecast of 50 and an under forecast of 50 are off by 50 Using the data from the exponential smoothing example, MAD can be computed as follows 60 41 5 72 54 45 58 66 74 40 60 62 4 16 35 Therefore, the forecaster is off an average of 16 35 units per forecast When compared to the result of other alphas, the forecaster will know that the alpha with the lowest MAD is yielding the most accurate forecast. Mean square error MSE can also be utilized in the same fashion MSE is the sum of the forecast errors squared divided by N-1 FE N-1 Squaring the fo recast errors eliminates the possibility of offsetting negative numbers, since none of the results can be negative Utilizing the same data as above, the MSE would be 18 5 17 55 8 74 20 62 3 383 94 As with MAD, the forecaster may compare the MSE of forecasts derived using various values of alpha and assume the alpha with the lowest MSE is yielding the most accurate forecast. The mean absolute percent error MAPE is the average absolute percent error To arrive at the MAPE one must take the sum of the ratios between forecast error and actual demand times 100 to get the percentage and divide by N Actual demand forecast Actual demand 100 N Using the data from the exponential smoothing example, MAPE can be computed as follows 18 5 60 17 55 72 8 74 58 20 62 48 100 4 28 33 As with MAD and MSE, the lower the relative error the more accurate the forecast. It should be noted that in some cases the ability of the forecast to change quickly to respond to changes in data patterns is considered to be mo re important than accuracy Therefore, one s choice of forecasting method should reflect the relative balance of importance between accuracy and responsiveness, as determined by the forecaster. MAKING A FORECAST. William J Stevenson lists the following as the basic steps in the forecasting process. Determine the forecast s purpose Factors such as how and when the forecast will be used, the degree of accuracy needed, and the level of detail desired determine the cost time, money, employees that can be dedicated to the forecast and the type of forecasting method to be utilized. Establish a time horizon This occurs after one has determined the purpose of the forecast Longer-term forecasts require longer time horizons and vice versa Accuracy is again a consideration. Select a forecasting technique The technique selected depends upon the purpose of the forecast, the time horizon desired, and the allowed cost. Gather and analyze data The amount and type of data needed is governed by the forecast s purpose, the forecasting technique selected, and any cost considerations. Make the forecast. Monitor the forecast Evaluate the performance of the forecast and modify, if necessary. FURTHER READING. Finch, Byron J Operations Now Profitability, Processes, Performance 2 ed Boston McGraw-Hill Irwin, 2006.Green, William H Econometric Analysis 5 ed Upper Saddle River, NJ Prentice Hall, 2003.Joppe, Dr Marion The Nominal Group Technique The Research Process Available from. Stevenson, William J Operations Management 8 ed Boston McGraw-Hill Irwin, 2005.Also read article about Forecasting from Wikipedia. Weighted Moving Averages The Basics. Over the years, technicians have found two problems with the simple moving average The first problem lies in the time frame of the moving average MA Most technical analysts believe that price action the opening or closing stock price, is not enough on which to depend for properly predicting buy or sell signals of the MA s crossover action To solve this problem, analy sts now assign more weight to the most recent price data by using the exponentially smoothed moving average EMA Learn more in Exploring The Exponentially Weighed Moving Average. An Example For example, using a 10-day MA, an analyst would take the closing price of the 10th day and multiply this number by 10, the ninth day by nine, the eighth day by eight and so on to the first of the MA Once the total has been determined, the analyst would then divide the number by the addition of the multipliers If you add the multipliers of the 10-day MA example, the number is 55 This indicator is known as the linearly weighted moving average For related reading, check out Simple Moving Averages Make Trends Stand Out. Many technicians are firm believers in the exponentially smoothed moving average EMA This indicator has been explained in so many different ways that it confuses students and investors alike Perhaps the best explanation comes from John J Murphy s Technical Analysis Of The Financial Markets , published by the New York Institute of Finance, 1999.The exponentially smoothed moving average addresses both of the problems associated with the simple moving average First, the exponentially smoothed average assigns a greater weight to the more recent data Therefore, it is a weighted moving average But while it assigns lesser importance to past price data, it does include in its calculation all the data in the life of the instrument In addition, the user is able to adjust the weighting to give greater or lesser weight to the most recent day s price, which is added to a percentage of the previous day s value The sum of both percentage values adds up to 100.For example, the last day s price could be assigned a weight of 10 10 , which is added to the previous days weight of 90 90 This gives the last day 10 of the total weighting This would be the equivalent to a 20-day average, by giving the last days price a smaller value of 5 05.Figure 1 Exponentially Smoothed Moving Average. The ab ove chart shows the Nasdaq Composite Index from the first week in Aug 2000 to June 1, 2001 As you can clearly see, the EMA, which in this case is using the closing price data over a nine-day period, has definite sell signals on the Sept 8 marked by a black down arrow This was the day that the index broke below the 4,000 level The second black arrow shows another down leg that technicians were actually expecting The Nasdaq could not generate enough volume and interest from the retail investors to break the 3,000 mark It then dove down again to bottom out at 1619 58 on Apr 4 The uptrend of Apr 12 is marked by an arrow Here the index closed at 1,961 46, and technicians began to see institutional fund managers starting to pick up some bargains like Cisco, Microsoft and some of the energy-related issues Read our related articles Moving Average Envelopes Refining A Popular Trading Tool and Moving Average Bounce. The maximum amount of monies the United States can borrow The debt ceiling was cr eated under the Second Liberty Bond Act. The interest rate at which a depository institution lends funds maintained at the Federal Reserve to another depository institution.1 A statistical measure of the dispersion of returns for a given security or market index Volatility can either be measured. An act the U S Congress passed in 1933 as the Banking Act, which prohibited commercial banks from participating in the investment. Nonfarm payroll refers to any job outside of farms, private households and the nonprofit sector The U S Bureau of Labor. The currency abbreviation or currency symbol for the Indian rupee INR , the currency of India The rupee is made up of 1.