Mad weighted moving average forecast

A Exemplos de cálculos de previsão A.1 Métodos de cálculo de previsão Estão disponíveis doze métodos de cálculo de previsões. A maioria desses métodos fornece controle limitado do usuário. Por exemplo, o peso colocado em dados históricos recentes ou o intervalo de datas dos dados históricos usados ​​nos cálculos podem ser especificados. Os exemplos a seguir mostram o procedimento de cálculo para cada um dos métodos de previsão disponíveis, dado um conjunto idêntico de dados históricos. Os exemplos a seguir usam os mesmos dados de vendas de 2004 e 2005 para produzir uma previsão de vendas para 2006. Além do cálculo da previsão, cada exemplo inclui uma previsão simulada de 2005 para um período de espera de três meses (opção de processamento 19 3) que é usada para porcentagem de precisão e cálculos de desvio absoluto médio (vendas reais comparadas à previsão simulada). A.2 Critérios de avaliação de desempenho de previsão Dependendo da sua seleção de opções de processamento e das tendências e padrões existentes nos dados de vendas, alguns métodos de previsão terão melhor desempenho do que outros para um determinado conjunto de dados históricos. Um método de previsão apropriado para um produto pode não ser apropriado para outro produto. Também é improvável que um método de previsão que forneça bons resultados em um estágio do ciclo de vida de um produto permaneça adequado durante todo o ciclo de vida. Você pode escolher entre dois métodos para avaliar o desempenho atual dos métodos de previsão. Estes são Desvio Absoluto Médio (MAD) e Porcentagem de Precisão (POA). Ambos os métodos de avaliação de desempenho exigem dados históricos de vendas para um período de tempo especificado pelo usuário. Esse período é chamado de período de holdout ou períodos de melhor ajuste (PBF). Os dados nesse período são usados ​​como base para recomendar quais métodos de previsão usar na próxima projeção de previsão. Essa recomendação é específica para cada produto e pode mudar de uma geração de previsão para a próxima. Os dois métodos de avaliação de desempenho previstos são demonstrados nas páginas seguindo os exemplos dos doze métodos de previsão. A.3 Método 1 - Porcentagem especificada no último ano Esse método multiplica os dados de vendas do ano anterior por um fator especificado pelo usuário, por exemplo, 1,10 para um aumento de 10 ou 0,97 para um decréscimo de 3. Histórico de vendas necessário: Um ano para calcular a previsão mais o número especificado pelo usuário de períodos de tempo para avaliar o desempenho da previsão (opção de processamento 19). A.4.1 Cálculo da previsão Intervalo do histórico de vendas a ser usado no cálculo do fator de crescimento (opção de processamento 2a) 3 neste exemplo. Soma os últimos três meses de 2005: 114 119 137 370 Soma os mesmos três meses do ano anterior: 123 139 133 395 O fator calculado 370/395 0,9367 Calcule as previsões: janeiro de 2005 vendas 128 0,9367 119,8036 ou cerca de 120 fevereiro de 2005 vendas 117 0,9367 109,5939 ou cerca de 110 março, 2005 vendas 115 0,9367 107,7205 ou cerca de 108 A.4.2 Simulado Previsão Cálculo Soma os três meses de 2005 antes do período de espera (julho, agosto, setembro): 129 140 131 400 Soma os mesmos três meses para o ano anterior: 141 128 118 387 O fator calculado 400/387 1.033591731 Calcule a previsão simulada: outubro de 2004 vendas 123 1.033591731 127.13178 Novembro, 2004 vendas 139 1.033591731 143.66925 Dezembro de 2004 vendas 133 1.033591731 137.4677 A.4.3 Porcentagem de Precisão Cálculo POA ( 127.13178 143.66925 137.4677) / (114 119 137) 100 408.26873 / 370 100 110.3429 A.4.4 Cálculo do Desvio Absoluto Médio MAD (127.13178 - 114 143.66925 - 119 137.4677- 137) / 3 (13,13178 24,66925 0,4677) / 3 12,75624 A.5 Método 3 - do ano passado ao ano Este método copia os dados de vendas do ano anterior para o ano seguinte. Histórico de vendas necessário: Um ano para calcular a previsão mais o número de períodos especificados para avaliar o desempenho da previsão (opção de processamento 19). A.6.1 Cálculo da previsão Número de períodos a serem incluídos na média (opção de processamento 4a) 3 neste exemplo Para cada mês da previsão, calcule a média dos dados dos três meses anteriores. Previsão de janeiro: 114 119 137 370, 370/3 123.333 ou 123 Previsão de fevereiro: 119 137 123 379, 379/3 126.333 ou 126 previsão de março: 137 123 126 379, 386/3 128.667 ou 129 A.6.2 Cálculo Simulado da Previsão Outubro 2005 vendas (129 140 131) / 3 133,3333 Novembro 2005 vendas (140 131 114) / 3 128,3333 Dezembro 2005 vendas (131 114 119) / 3 121,3333 A.6,3 Porcentagem de Precisão Cálculo POA (133,3333 128,3333 121,3333) / (114 119 137) 100 103,513 A.6.4 Cálculo do Desvio Absoluto Médio MAD (133.3333 - 114 128.3333 - 119 121.3333 - 137) / 3 14.7777 A.7 Método 5 - Aproximação Linear A Aproximação Linear calcula uma tendência baseada em dois pontos de dados do histórico de vendas. Esses dois pontos definem uma linha reta de tendência que é projetada no futuro. Use este método com cautela, pois as previsões de longo alcance são aproveitadas por pequenas alterações em apenas dois pontos de dados. Histórico de vendas necessário: o número de períodos a serem incluídos na regressão (opção de processamento 5a), mais 1 mais o número de períodos de tempo para avaliar o desempenho da previsão (opção de processamento 19). A.8.1 Cálculo da previsão Número de períodos a serem incluídos na regressão (opção de processamento 6a) 3 neste exemplo Para cada mês da previsão, adicione o aumento ou a redução durante os períodos especificados antes do período de retenção do período anterior. Média dos três meses anteriores (114 119 137) / 3 123,3333 Resumo dos três meses anteriores com peso considerado (114 1) (119 2) (137 3) 763 Diferença entre os valores 763 - 123,3333 (1 2 3) 23 Razão (12 22 32) - 2 3 14 - 12 2 Valor1 Diferença / Relação 23/2 11,5 Valor2 Relação média-valor1 123,3333 - 11,5 2 100,3333 Previsão (1 n) valor1 valor2 4 11,5 100,3333 146,333 ou 146 Previsão 5 11,5 100,3333 157,8333 ou 158 Previsão 6 11,5 100,3333 169,3333 ou 169 A.8.2 Cálculo Simulado das Previsões Vendas de outubro de 2004: Média dos três meses anteriores (129 140 131) / 3 133,3333 Sumário dos três meses anteriores com peso considerado (129 1) (140 2) (131 3) 802 Diferença entre os valores 802 - 133,3333 (1 2 3) 2 Ratio (12 22 32) - 2 3 14 - 12 2 Value1 Diferença / Relação 2/2 1 Value2 Average - value1 ratio 133,3333 - 1 2 131,3333 Previsão (1 n) value1 value2 4 1 131.3333 135.3333 novembro de 2004 média de vendas dos três meses anteriores (140 131 114) / 3 128,3333 Resumo dos três meses anteriores com peso considerado (140 1) (131 2) (114 3) 744 Diferença entre os valores 744 - 128,3333 (1 2 3) - 25,9999 Valor1 Diferença / Relação -25,9999 / 2 -12,9999 Valor2 Relação médio-valor1 128,3333 - (-12,9999) 2 154,3333 Previsão 4 -12,9999 154,3333 102,3333 Vendas em dezembro de 2004 Média dos três meses anteriores (131 114 119) / 3 121,3333 Sumário do três meses anteriores com peso considerado (131 1) (114 2) (119 3) 716 Diferença entre os valores 716 - 121,3333 (1 2 3) -11,9999 Valor1 Diferença / Relação -11,9999 / 2 -5,9999 Valor2 Relação médio-valor1 121,3333 - (-5,9999) 2 133,3333 Previsão 4 (-5,9999) 133,3333 109,3333 A.8,3 Porcentagem de Precisão Cálculo POA (135,33 102,33 109,33) / (114 119 137) 100 93,78 A.8,4 Média Desvio Absoluto Cálculo MAD (135,33 - 114 102,33 - 119 109,33 - 137) / 3 21,88 A.9 Me thod 7 - Aproximação de segundo grau A regressão linear determina os valores para a e b na fórmula de previsão Y a bX com o objetivo de ajustar uma linha reta aos dados do histórico de vendas. Aproximação de segundo grau é semelhante. No entanto, esse método determina valores para a, b e c na fórmula de previsão Y a bX cX2 com o objetivo de ajustar uma curva aos dados do histórico de vendas. Esse método pode ser útil quando um produto está na transição entre estágios de um ciclo de vida. Por exemplo, quando um novo produto passa da fase de introdução para o de crescimento, a tendência de vendas pode acelerar. Por causa do termo de segunda ordem, a previsão pode se aproximar rapidamente do infinito ou cair para zero (dependendo se o coeficiente c é positivo ou negativo). Portanto, esse método é útil apenas no curto prazo. Especificações de previsão: as fórmulas encontram a, b e c para ajustar uma curva exatamente a três pontos. Você especifica n na opção de processamento 7a, o número de períodos de tempo para acumular dados em cada um dos três pontos. Neste exemplo n 3. Portanto, os dados de vendas reais de abril a junho são combinados no primeiro ponto, Q1. Julho a setembro são somados para criar o segundo trimestre e a soma de outubro a dezembro para o terceiro trimestre. A curva será ajustada aos três valores Q1, Q2 e Q3. Histórico de vendas necessário: 3 n períodos para o cálculo da previsão mais o número de períodos de tempo necessários para avaliar o desempenho da previsão (PBF). Número de períodos a incluir (opção de processamento 7a) 3 neste exemplo Utilize os (3 n) meses anteriores em blocos de três meses: Q1 (Abr - Jun) 125 122 137 384 Q2 (Jul - Set) 129 140 131 400 Q3 ( Oct - Dec) 114 119 137 370 O passo seguinte envolve o cálculo dos três coeficientes a, b e c a serem usados ​​na fórmula de previsão Y a bX cX2 (1) Q1 a bX cX2 (onde X 1) abc (2) Q2 a bX cX2 (onde X 2) a 2b 4c (3) Q3 a bX cX2 (onde X 3) a 3b 9c Resolva as três equações simultaneamente para encontrar b, a e c: Subtraia a equação (1) da equação (2) e resolva para b (2) - (1) Q2 - Q1 b 3c Substitua esta equação por b pela equação (3) (3) Q3 a 3 (Q2 - Q1) - 3c c Por fim, substitua estas equações por a e b em equação (1) Q3 - 3 (Q2 - Q1) (q2 - Q1) - 3c c Q1c (Q3 - Q2) (Q1 - Q2) / 2 O método de Aproximação de Segundo Grau calcula a, b e c da seguinte forma: a Q3 - 3 (Q2 - Q1) 370 - 3 (400 - 384) 322 c (Q3 - 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 de Janeiro a Março (X4): (322 340 - 368) / 3 294/3 98 por período de Abril a Junho (X5): (322 425 - 575) / 3 57,333 ou 57 por período de Julho a Setembro (X6): (322 510 - 828) / 3 1,33 ou 1 por período de Outubro a Dezembro (X7) (322 595 - 1127/3 -70 A.9.2 Cálculo Simulado da Previsão Vendas de outubro, novembro e dezembro de 2004: Q1 (Jan - Mar) 360 Q2 (Abr - Jun) 384 Q3 (Jul - Set) 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 Porcentagem de Precisão Cálculo POA (136 136 136) / (114 119 137) 100 110,27 A.9,4 Média Desvio Absoluto Cálculo MAD (136 - 114 136 - 119 136 - 137) / 3 13,33 A.10 Método 8 - Método Flexível O Método flexível (Porcentagem acima de n meses antes) é semelhante ao Método 1, Percentagem acima do ano passado. Ambos os métodos multiplicam os dados de vendas de um período de tempo anterior por um fator especificado pelo usuário e projetam esse resultado no futuro. No método Porcentagem sobre o Ano Anterior, a projeção é baseada em dados do mesmo período do ano anterior. O método flexível adiciona a capacidade de especificar um período de tempo diferente do mesmo período do ano passado para usar como base para os cálculos. Fator de multiplicação. Por exemplo, especifique 1.15 na opção de processamento 8b para aumentar os dados do histórico de vendas anterior em 15. Período de base. Por exemplo, n 3 fará com que a primeira previsão seja baseada nos dados de vendas em outubro de 2005. Histórico de vendas mínimo: O usuário especificou o número de períodos de volta ao período base, mais o número de períodos necessários para avaliar o desempenho da previsão ( PBF). A.10.4 Cálculo do Desvio Absoluto Médio MAD (148 - 114 161 - 119 151 - 137) / 3 30 A.11 Método 9 - Média Móvel Ponderada O método da Média Móvel Ponderada (WMA) é semelhante ao Método 4, Média Móvel (MA) . No entanto, com a Média Móvel Ponderada, você pode atribuir pesos desiguais aos dados históricos. O método calcula uma média ponderada do histórico de vendas recente para chegar a uma projeção para o curto prazo. Dados mais recentes geralmente recebem um peso maior do que os dados mais antigos, o que torna a WMA mais responsiva a mudanças no nível de vendas. No entanto, o viés de previsão e os erros sistemáticos ainda ocorrem quando o histórico de vendas do produto exibe forte tendência ou padrões sazonais. Este método funciona melhor para previsões de curto prazo de produtos maduros, em vez de produtos nos estágios de crescimento ou obsolescência do ciclo de vida. n o número de períodos do histórico de vendas para usar no cálculo da previsão. Por exemplo, especifique n 3 na opção de processamento 9a para usar os três períodos mais recentes como base para a projeção no próximo período de tempo. Um grande valor para n (como 12) requer mais histórico de vendas. Isso resulta em uma previsão estável, mas demorará a reconhecer mudanças no nível de vendas. Por outro lado, um pequeno valor para n (como 3) responderá mais rapidamente a mudanças no nível de vendas, mas a previsão pode variar tão amplamente que a produção não pode responder às variações. O peso atribuído a cada um dos períodos de dados históricos. Os pesos atribuídos devem totalizar para 1,00. Por exemplo, quando n 3, atribua pesos de 0,6, 0,3 e 0,1, com os dados mais recentes recebendo o maior peso. Histórico de vendas mínimo exigido: n mais o número de períodos de tempo necessários para avaliar o desempenho da previsão (PBF). MAD (133,5 - 114 121,7 - 119 118,7 - 137) / 3 13,5 A.12 Método 10 - Suavização linear Este método é semelhante ao Método 9, Média Móvel Ponderada (WMA). No entanto, em vez de atribuir arbitrariamente pesos aos dados históricos, uma fórmula é usada para atribuir pesos que diminuem linearmente e somam 1,00. O método calcula então uma média ponderada do histórico de vendas recente para chegar a uma projeção para o curto prazo. Como acontece com todas as técnicas de previsão de média móvel linear, o viés de previsão e os erros sistemáticos ocorrem quando o histórico de vendas do produto exibe forte tendência ou padrões sazonais. Este método funciona melhor para previsões de curto prazo de produtos maduros, em vez de produtos nos estágios de crescimento ou obsolescência do ciclo de vida. n o número de períodos do histórico de vendas para usar no cálculo da previsão. Isso é especificado na opção de processamento 10a. Por exemplo, especifique n 3 na opção de processamento 10b para usar os três períodos mais recentes como base para a projeção no próximo período de tempo. O sistema atribuirá automaticamente os pesos aos dados históricos que declinam linearmente e somam 1,00. Por exemplo, quando n 3, o sistema atribuirá pesos de 0,5, 0,3333 e 0,1, com os dados mais recentes recebendo o maior peso. Histórico de vendas mínimo exigido: n mais o número de períodos de tempo necessários para avaliar o desempenho da previsão (PBF). A.12.1 Cálculo da previsão Número de períodos a incluir na média de suavização (opção de processamento 10a) 3 neste exemplo Proporção para um período anterior 3 / (n2 n) / 2 3 / (32 3) / 2 3/6 0,5 Rácio para dois períodos anteriores 2 / (n2 n) / 2 2 / (32 3) / 2 2/6 0,3333. Relação para três períodos anteriores 1 / (n2 n) / 2 1 / (32 3) / 2 1/6 0,1666. Previsão de janeiro: 137 0.5 119 1/3 114 1/6 127.16 ou 127 Previsão de fevereiro: 127 0.5 137 1/3 119 1/6 129 Previsão de março: 129 0.5 127 1/3 137 1/6 129.666 ou 130 A.12.2 Cálculo da Previsão Simulada Vendas de outubro de 2004 129 1/6 140 2/6 131 3/6 133.6666 Vendas de novembro de 2004 140 1/6 131 2/6 114 3/6 124 Vendas de dezembro de 2004 131 1/6 114 2/6 119 3/6 119,3333 A.12.3 Porcentagem de Precisão Cálculo POA (133.6666 124 119.3333) / (114 119 137) 100 101.891 A.12.4 Média Desvio Absoluto Cálculo MAD (133.6666 - 114 124 - 119 119.3333 - 137) / 3 14.1111 A.13 Método 11 - Suavização Exponencial Este método é semelhante ao Método 10, Linea r Suavização. Em Linear Smoothing, o sistema atribui pesos aos dados históricos que diminuem linearmente. Na suavização exponencial, o sistema atribui pesos que decaem exponencialmente. A equação de previsão de suavização exponencial é: Previsão a (Vendas reais anteriores) (1 - a) Previsão anterior A previsão é uma média ponderada das vendas reais do período anterior e da previsão do período anterior. a é o peso aplicado às vendas reais do período anterior. (1-a) é o peso aplicado à previsão do período anterior. Valores válidos para um intervalo de 0 a 1 e geralmente ficam entre 0,1 e 0,4. A soma dos pesos é 1,00. a (1-a) 1 Você deve atribuir um valor para a constante de suavização, a. Se você não atribuir valores para a constante de regularização, o sistema calculará um valor assumido com base no número de períodos do histórico de vendas especificado na opção de processamento 11a. a constante de suavização usada no cálculo da média suavizada para o nível geral ou magnitude das vendas. Valores válidos para um intervalo de 0 a 1. n o intervalo de dados do histórico de vendas para incluir nos cálculos. Geralmente, um ano de dados do histórico de vendas é suficiente para estimar o nível geral de vendas. Para este exemplo, um pequeno valor para n (n3) foi escolhido para reduzir os cálculos manuais necessários para verificar os resultados. A suavização exponencial pode gerar uma previsão com base em apenas um ponto de dados históricos. Histórico de vendas mínimo exigido: n mais o número de períodos de tempo necessários para avaliar o desempenho da previsão (PBF). A.13.1 Cálculo da previsão Número de períodos a serem incluídos na média de suavização (opção de processamento 11a) 3 e fator alfa (opção de processamento 11b) em branco neste exemplo um fator para os dados de vendas mais antigos 2 / (11) ou 1 quando alfa é especificou um fator para os 2os dados de vendas mais antigos 2 / (12), ou alfa quando alfa é especificado um fator para os 3os dados de vendas mais antigos 2 / (13) ou alfa quando alfa é especificado um fator para os dados de vendas mais recentes 2 / (1n), ou alfa quando alfa é especificado Novembro Sm. Média a (outubro real) (1 - a) outubro Sm. Média 1 114 0 0 114 Dezembro Sm. Média a (Novembro Real) (1 - a) Novembro Sm. Média 2/3 119 1/3 114 117,3333 Janeiro Previsão a (Dezembro Real) (1 - a) Dezembro Sm. Média 2/4 137 2/4 117,3333 127,16665 ou 127 Previsão de fevereiro Previsão de janeiro 127 Março Previsão de janeiro Previsão 127 A.13.2 Cálculo de previsão simulada Julho de 2004 Sm. Média 2/2 129 129 Agosto Sm. Média 2/3 140 1/3 129 136,3333 Setembro Sm. Média 2/4 131 2/4 136,3333 133,6666 outubro de 2004 vendas Sep Sm. Média 133,6666 Agosto, 2004 Sm. Média 2/2 140 140 Setembro Sm. Média 2/3 131 1/3 140 134 outubro Sm. Média 2/4 114 2/4 134 124 Novembro, 2004 vendas Sep Sm. Média 124 de setembro de 2004 Sm. Média 2/2 131 131 outubro Sm. Média 2/3 114 1/3 131 119.6666 Novembro Sm. Média 2/4 119 2/4 119.6666 119,3333 Vendas em dezembro de 2004 Sep Sm. Média 119,3333 A.13.3 Porcentagem de Precisão Cálculo POA (133.6666 124 119.3333) / (114 119 137) 100 101.891 A.13.4 Média Desvio Absoluto Cálculo MAD (133.6666 - 114 124 - 119 119.3333 - 137) / 3 14.1111 A.14 Método 12 - Suavização Exponencial com Tendência e Sazonalidade Este método é semelhante ao Método 11, Suavização Exponencial, em que uma média suavizada é calculada. No entanto, o método 12 também inclui um termo na equação de previsão para calcular uma tendência suavizada. A previsão é composta por uma média suavizada ajustada para uma tendência linear. Quando especificado na opção de processamento, a previsão também é ajustada para sazonalidade. a constante de suavização usada no cálculo da média suavizada para o nível geral ou magnitude das vendas. Os valores válidos para alfa variam de 0 a 1. b a constante de suavização usada no cálculo da média aproximada para o componente de tendência da previsão. Os valores válidos para o beta variam de 0 a 1. Se um índice sazonal é aplicado à previsão, a e b são independentes um do outro. Eles não precisam adicionar a 1.0. Histórico de vendas mínimo exigido: dois anos mais o número de períodos de tempo necessários para avaliar o desempenho da previsão (PBF). O método 12 usa duas equações de suavização exponencial e uma média simples para calcular uma média suavizada, uma tendência suavizada e um fator sazonal médio simples. A.14.1 Cálculo da previsão A) MAD média ponderada exponencialmente (122,81 - 114 133,14 - 119 135,33 - 137) / 3 8,2 A.15 Avaliação das previsões Você pode selecionar métodos de previsão para gerar até doze previsões para cada produto. Cada método de previsão provavelmente criará uma projeção ligeiramente diferente. Quando milhares de produtos são previstos, é impraticável tomar uma decisão subjetiva sobre quais previsões usar nos seus planos para cada um dos produtos. O sistema avalia automaticamente o desempenho de cada um dos métodos de previsão selecionados e para cada uma das previsões de produtos. Você pode escolher entre dois critérios de desempenho, Desvio Médio Absoluto (MAD) e Porcentagem de Precisão (POA). MAD é uma medida de erro de previsão. O POA é uma medida do viés de previsão. Ambas as técnicas de avaliação de desempenho exigem dados reais do histórico de vendas para um período de tempo especificado pelo usuário. Este período da história recente é chamado de período de holdout ou períodos melhor ajustados (PBF). Para medir o desempenho de um método de previsão, use as fórmulas de previsão para simular uma previsão para o período de validação histórica. Geralmente haverá diferenças entre os dados de vendas reais e a previsão simulada para o período de holdout. Quando vários métodos de previsão são selecionados, esse mesmo processo ocorre para cada método. Várias previsões são calculadas para o período de validação e comparadas com o histórico de vendas conhecido para o mesmo período de tempo. O método de previsão que produz a melhor correspondência (melhor ajuste) entre a previsão e as vendas reais durante o período de validação é recomendado para uso em seus planos. Essa recomendação é específica para cada produto e pode mudar de uma geração de previsão para a próxima. A.16 Desvio Médio Absoluto (MAD) MAD é a média (ou média) dos valores absolutos (ou magnitude) dos desvios (ou erros) entre os dados reais e os dados previstos. MAD é uma medida da magnitude média dos erros a serem esperados, dado um método de previsão e histórico de dados. Como os valores absolutos são usados ​​no cálculo, os erros positivos não cancelam os erros negativos. Ao comparar vários métodos de previsão, aquele com o menor MAD mostrou ser o mais confiável para aquele produto naquele período de holdout. Quando a previsão é imparcial e os erros são normalmente distribuídos, existe uma relação matemática simples entre MAD e duas outras medidas comuns de distribuição, desvio padrão e erro médio quadrático: A.16.1 Porcentagem de Precisão (POA) Porcentagem de Precisão (POA) é uma medida do viés de previsão. Quando as previsões são consistentemente altas demais, os estoques acumulam-se e os custos de estoque aumentam. Quando as previsões são consistentemente duas baixas, os estoques são consumidos e o serviço ao cliente diminui. Uma previsão que é 10 unidades muito baixas, então 8 unidades muito altas, então 2 unidades muito altas, seria uma previsão imparcial. O erro positivo de 10 é cancelado por erros negativos de 8 e 2. Erro Real - Previsão Quando um produto pode ser armazenado no estoque e quando a previsão é imparcial, uma pequena quantidade de estoque de segurança pode ser usada para proteger os erros. Nessa situação, não é tão importante eliminar os erros de previsão, pois é gerar previsões imparciais. No entanto, nas indústrias de serviços, a situação acima seria vista como três erros. O serviço estaria com falta de pessoal no primeiro período e, em seguida, o excesso de pessoal nos dois próximos períodos. Nos serviços, a magnitude dos erros de previsão é geralmente mais importante do que o viés de previsão. A soma do período de espera permite que erros positivos cancelem erros negativos. Quando o total de vendas reais excede o total de vendas previstas, a proporção é maior que 100. É claro que é impossível ter mais de 100 precisas. Quando uma previsão é imparcial, o índice do POA será 100. Portanto, é mais desejável ter 95 valores precisos do que 110 precisos. Os critérios do POA selecionam o método de previsão que tem uma proporção de POA mais próxima de 100. O script nesta página aprimora a navegação de conteúdo, mas não altera o conteúdo de forma alguma.3 Noções básicas sobre níveis e métodos de previsão Você pode gerar previsões de detalhes (item único) e resumo (linha de produtos) previsões que refletem padrões de demanda de produtos. O sistema analisa as vendas passadas para calcular previsões usando 12 métodos de previsão. As previsões incluem informações detalhadas no nível do item e informações de nível superior sobre uma filial ou a empresa como um todo. 3.1 Critérios de avaliação de desempenho da previsão Dependendo da seleção das opções de processamento e das tendências e padrões nos dados de vendas, alguns métodos de previsão têm melhor desempenho do que outros para um determinado conjunto de dados históricos. Um método de previsão apropriado para um produto pode não ser apropriado para outro produto. Você pode descobrir que um método de previsão que fornece bons resultados em um estágio do ciclo de vida de um produto permanece adequado durante todo o ciclo de vida. Você pode selecionar entre dois métodos para avaliar o desempenho atual dos métodos de previsão: Porcentagem de precisão (POA). Desvio absoluto médio (MAD). Ambos os métodos de avaliação de desempenho exigem dados históricos de vendas por um período especificado por você. Este período é chamado de período de espera ou período de melhor ajuste. Os dados nesse período são usados ​​como base para recomendar qual método de previsão usar na próxima projeção de previsão. Essa recomendação é específica para cada produto e pode mudar de uma geração de previsão para a próxima. 3.1.1 Melhor ajuste O sistema recomenda a previsão de melhor ajuste aplicando os métodos de previsão selecionados ao histórico de pedidos de vendas anteriores e comparando a simulação de previsão com o histórico real. Quando você gera uma previsão de melhor ajuste, o sistema compara os históricos reais de pedidos de vendas com as previsões de um período de tempo específico e calcula com que precisão cada método de previsão diferente previu as vendas. Em seguida, o sistema recomenda a previsão mais precisa como o melhor ajuste. Este gráfico ilustra as previsões de melhor ajuste: Figura 3-1 Previsão de melhor ajuste O sistema usa essa sequência de etapas para determinar o melhor ajuste: Use cada método especificado para simular uma previsão para o período de validação. Compare as vendas reais com as previsões simuladas para o período de holdout. Calcular o POA ou o MAD para determinar qual método de previsão mais se aproxima das vendas reais passadas. O sistema usa o POA ou o MAD, com base nas opções de processamento selecionadas. Recomende uma previsão de melhor ajuste pelo POA que esteja mais próximo de 100% (acima ou abaixo) ou da MAD mais próxima de zero. 3.2 Métodos de Previsão O Gerenciamento de Previsões do JD Edwards EnterpriseOne usa 12 métodos para previsão quantitativa e indica qual método fornece o melhor ajuste para a situação de previsão. Esta seção discute: Método 1: Porcentagem sobre o ano passado. Método 2: Porcentagem calculada sobre o ano passado. Método 3: ano passado para este ano. Método 4: Média Móvel. Método 5: Aproximação Linear. Método 6: Regressão de Mínimos Quadrados. Método 7: Aproximação de Segundo Grau. Método 8: método flexível. Método 9: Média Móvel Ponderada. Método 10: Suavização Linear. Método 11: suavização exponencial. Método 12: Suavização exponencial com tendência e sazonalidade. Especifique o método que você deseja utilizar nas opções de processamento do programa Geração de previsão (R34650). A maioria desses métodos fornece controle limitado. Por exemplo, o peso colocado em dados históricos recentes ou o intervalo de datas de dados históricos usados ​​nos cálculos podem ser especificados por você. Os exemplos no guia indicam o procedimento de cálculo para cada um dos métodos de previsão disponíveis, dado um conjunto idêntico de dados históricos. Os exemplos de métodos no guia usam parte ou todos esses conjuntos de dados, que são dados históricos dos últimos dois anos. A projeção prevista vai para o próximo ano. Esses dados do histórico de vendas são estáveis ​​com pequenos aumentos sazonais em julho e dezembro. Esse padrão é característico de um produto maduro que pode estar se aproximando da obsolescência. 3.2.1 Método 1: Porcentagem sobre o ano passado Esse método usa a fórmula Porcentagem sobre o ano anterior para multiplicar cada período de previsão pelo aumento ou diminuição percentual especificado. Para prever a demanda, esse método exige o número de períodos para o melhor ajuste, além de um ano do histórico de vendas. Este método é útil para prever a demanda por itens sazonais com crescimento ou declínio. 3.2.1.1 Exemplo: Método 1: Porcentagem sobre o ano anterior A fórmula Porcentagem sobre o ano anterior multiplica os dados de vendas do ano anterior por um fator que você especifica e, em seguida, projeta resultados ao longo do próximo ano. Esse método pode ser útil no orçamento para simular o efeito de uma taxa de crescimento especificada ou quando o histórico de vendas tem um componente sazonal significativo. Especificações de previsão: fator de multiplicação. Por exemplo, especifique 110 na opção de processamento para aumentar os dados do histórico de vendas dos anos anteriores em 10 por cento. Histórico de vendas necessário: Um ano para calcular a previsão, mais o número de períodos de tempo necessários para avaliar o desempenho da previsão (períodos de melhor ajuste) que você especificar. Esta tabela é usada no cálculo da previsão: previsão de fevereiro é igual a 117 vezes 1,1 128,7 arredondado para 129. Previsão de março é igual a 115 vezes 1,1 126,5 arredondado para 127. 3.2.2 Método 2: Porcentagem calculada sobre o ano anterior Esse método usa o Porcentagem Calculado Sobre Fórmula do ano anterior para comparar as vendas passadas de períodos específicos às vendas dos mesmos períodos do ano anterior. O sistema determina um aumento ou redução percentual e, em seguida, multiplica cada período pela porcentagem para determinar a previsão. Para prever a demanda, esse método exige o número de períodos do histórico de pedidos de vendas mais um ano do histórico de vendas. Esse método é útil para prever a demanda de curto prazo de itens sazonais com crescimento ou declínio. 3.2.2.1 Exemplo: Método 2: Porcentagem calculada sobre o ano anterior A fórmula de Porcentagem calculada sobre o ano anterior multiplica os dados de vendas do ano anterior por um fator calculado pelo sistema e projeta esse resultado para o ano seguinte. Esse método pode ser útil para projetar o efeito de estender a taxa de crescimento recente de um produto para o próximo ano, ao mesmo tempo em que preserva um padrão sazonal presente no histórico de vendas. Especificações de previsão: intervalo de histórico de vendas para usar no cálculo da taxa de crescimento. Por exemplo, especifique n é igual a 4 na opção de processamento para comparar o histórico de vendas dos quatro períodos mais recentes aos mesmos quatro períodos do ano anterior. Use a taxa calculada para fazer a projeção para o próximo ano. Histórico de vendas necessário: Um ano para calcular a previsão mais o número de períodos de tempo necessários para avaliar o desempenho da previsão (períodos de melhor ajuste). Esta tabela é usada no cálculo da previsão, dado n 4: previsão de fevereiro é igual a 117 vezes 0,9766 114,26 arredondado para 114. Previsão de março é igual a 115 vezes 0,9766 112,31 arredondado para 112. 3.2.3 Método 3: Ano passado para este ano Este método usa vendas do ano passado para a previsão dos próximos anos. Para prever a demanda, esse método exige o número de períodos mais adequados e mais um ano do histórico de pedidos de vendas. Esse método é útil para prever a demanda por produtos maduros com demanda nivelada ou demanda sazonal sem uma tendência. 3.2.3.1 Exemplo: Método 3: Ano passado a este ano A fórmula do ano passado a este ano copia os dados de vendas do ano anterior para o ano seguinte. Esse método pode ser útil no orçamento para simular as vendas no nível atual. O produto é maduro e não tem tendência a longo prazo, mas pode existir um padrão significativo de demanda sazonal. Especificações de previsão: nenhuma. Histórico de vendas necessário: Um ano para calcular a previsão mais o número de períodos de tempo necessários para avaliar o desempenho da previsão (períodos de melhor ajuste). Esta tabela é usada no cálculo da previsão: previsão de janeiro igual a janeiro do ano passado com previsão de 128. Previsão de fevereiro é igual a fevereiro do ano passado com previsão de 117. Previsão de março é igual a março do ano passado com um valor previsto de 115. 3.2.4 Método 4: Média Móvel Esse método usa a fórmula Média Móvel para calcular a média do número especificado de períodos para projetar o próximo período. Você deve recalculá-lo frequentemente (mensalmente ou pelo menos trimestralmente) para refletir o nível de demanda variável. Para prever a demanda, esse método exige o número de períodos mais adequados e o número de períodos do histórico de pedidos de vendas. Esse método é útil para prever a demanda de produtos maduros sem uma tendência. 3.2.4.1 Exemplo: Método 4: Média Móvel Média Móvel (MA) é um método popular para calcular a média dos resultados do histórico recente de vendas para determinar uma projeção para o curto prazo. O método de previsão de MA está aquém das tendências. O viés de previsão e os erros sistemáticos ocorrem quando o histórico de vendas do produto exibe forte tendência ou padrões sazonais. Esse método funciona melhor para previsões de curto prazo de produtos maduros do que para produtos que estão nos estágios de crescimento ou obsolescência do ciclo de vida. Especificações de previsão: n é igual ao número de períodos do histórico de vendas para usar no cálculo da previsão. Por exemplo, especifique n 4 na opção de processamento para usar os quatro períodos mais recentes como base para a projeção no próximo período de tempo. Um grande valor para n (como 12) requer mais histórico de vendas. Isso resulta em uma previsão estável, mas demora a reconhecer mudanças no nível de vendas. Por outro lado, um valor pequeno para n (como 3) é mais rápido para responder a mudanças no nível de vendas, mas a previsão pode variar tão amplamente que a produção não pode responder às variações. Histórico de vendas necessário: n mais o número de períodos de tempo necessários para avaliar o desempenho da previsão (períodos de melhor ajuste). Esta tabela é usada no cálculo da previsão: previsão de fevereiro igual a (114 119 137 125) / 4 123,75 arredondada para 124. Previsão de março é igual (119 137 125 124) / 4 126,25 arredondada para 126. 3.2.5 Método 5: Aproximação Linear Esse método usa a fórmula Aproximação Linear para calcular uma tendência do número de períodos do histórico de pedidos de vendas e projetar essa tendência para a previsão. Você deve recalcular a tendência mensalmente para detectar alterações nas tendências. Esse método requer o número de períodos de melhor ajuste mais o número de períodos especificados do histórico de pedidos de vendas. Esse método é útil para prever a demanda por novos produtos ou produtos com tendências positivas ou negativas consistentes que não são decorrentes de flutuações sazonais. 3.2.5.1 Exemplo: Método 5: Aproximação Linear A Aproximação Linear calcula uma tendência baseada em dois pontos de dados do histórico de vendas. Esses dois pontos definem uma linha reta de tendência que é projetada no futuro. Use este método com cautela, pois as previsões de longo alcance são aproveitadas por pequenas alterações em apenas dois pontos de dados. Especificações de previsão: n é igual ao ponto de dados no histórico de vendas que é comparado ao ponto de dados mais recente para identificar uma tendência. Por exemplo, especifique n 4 para usar a diferença entre dezembro (dados mais recentes) e agosto (quatro períodos antes de dezembro) como base para calcular a tendência. Histórico de vendas mínimo requerido: n mais 1 mais o número de períodos de tempo necessários para avaliar o desempenho da previsão (períodos de melhor ajuste). Esta tabela é usada no cálculo da previsão: Previsão de janeiro Dezembro do ano passado 1 (Tendência) que é igual a 137 (1 vez 2) 139. Previsão de fevereiro dezembro do ano passado 1 (Tendência) igual a 137 (2 vezes 2) 141. Março prevê dezembro do ano passado 1 (Tendência) que é igual a 137 (3 vezes 2) 143. 3.2.6 Método 6: Regressão de Mínimos Quadrados O método de Regressão de Mínimos Quadrados (LSR) deriva uma equação descrevendo uma relação de linha reta entre os dados históricos de vendas e a passagem do tempo. O LSR ajusta uma linha ao intervalo de dados selecionado, de modo que a soma dos quadrados das diferenças entre os pontos de dados de vendas reais e a linha de regressão seja minimizada. A previsão é uma projeção dessa linha reta para o futuro. Esse método exige histórico de dados de vendas para o período representado pelo número de períodos que melhor se ajustam mais o número especificado de períodos de dados históricos. O requisito mínimo é dois pontos de dados históricos. Esse método é útil para prever a demanda quando uma tendência linear está nos dados. 3.2.6.1 Exemplo: Método 6: Regressão de Mínimos Quadrados A regressão linear, ou Regressão de Mínimos Quadrados (LSR), é o método mais popular para identificar uma tendência linear em dados históricos de vendas. O método calcula os valores de a e b a serem usados ​​na fórmula: Essa equação descreve uma linha reta, em que Y representa vendas e X representa o tempo. A regressão linear é lenta para reconhecer os pontos de virada e as mudanças na função da demanda. A regressão linear se ajusta a uma linha reta para os dados, mesmo quando os dados são sazonais ou melhor descritos por uma curva. Quando os dados do histórico de vendas seguem uma curva ou têm um forte padrão sazonal, ocorre viés de previsão e erros sistemáticos. Especificações de previsão: n é igual aos períodos do histórico de vendas que serão usados ​​no cálculo dos valores para a e b. Por exemplo, especifique n 4 para usar o histórico de setembro a dezembro como base para os cálculos. Quando os dados estão disponíveis, um n maior (como n 24) normalmente seria usado. O LSR define uma linha por apenas dois pontos de dados. Para este exemplo, um pequeno valor para n (n 4) foi escolhido para reduzir os cálculos manuais necessários para verificar os resultados. Histórico de vendas mínimo exigido: n períodos mais o número de períodos de tempo necessários para avaliar o desempenho da previsão (períodos de melhor ajuste). Esta tabela é usada no cálculo da previsão: previsão de março é igual a 119,5 (7 vezes 2,3) 135,6 arredondado para 136. 3.2.7 Método 7: Aproximação de Segundo Grau Para projetar a previsão, este método usa a fórmula Aproximação de Segundo Grau para traçar uma curva que é baseado no número de períodos do histórico de vendas. Esse método requer o número de períodos mais adequados e o número de períodos do histórico de pedidos de vendas multiplicados por três. Este método não é útil para prever a demanda por um período de longo prazo. 3.2.7.1 Exemplo: Método 7: Aproximação de segundo grau A regressão linear determina os valores para a e b na fórmula de previsão Y a b X com o objetivo de ajustar uma linha reta aos dados do histórico de vendas. A Aproximação de Segundo Grau é semelhante, mas este método determina valores para a, b e c na fórmula desta previsão: Y a b X c X 2 O objetivo deste método é ajustar uma curva aos dados do histórico de vendas. Esse método é útil quando um produto está na transição entre os estágios do ciclo de vida. Por exemplo, quando um novo produto passa da fase de introdução para o de crescimento, a tendência de vendas pode acelerar. Por causa do termo de segunda ordem, a previsão pode se aproximar rapidamente do infinito ou cair para zero (dependendo se o coeficiente c é positivo ou negativo). Este método é útil apenas no curto prazo. Especificações de previsão: a fórmula encontra a, b e c para ajustar uma curva exatamente a três pontos. Você especifica n, o número de períodos de tempo para acumular dados em cada um dos três pontos. Neste exemplo, n 3. Os dados de vendas reais de abril a junho são combinados no primeiro ponto, Q1. Julho a setembro são somados para criar o segundo trimestre e a soma de outubro a dezembro para o terceiro trimestre. A curva é ajustada aos três valores Q1, Q2 e Q3. Histórico de vendas necessário: 3 vezes n períodos para calcular a previsão mais o número de períodos de tempo necessários para avaliar o desempenho da previsão (períodos de melhor ajuste). Esta tabela é usada no cálculo da previsão: Q0 (Jan) (Fev) (Mar) Q1 (Abr) (Maio) (Jun), que é igual a 125 122 137 384 Q2 (Jul) (Ago) (Set), o que equivale a 140 129 131 400 Q3 (Out) (Nov) (Dez), que é igual a 114 119 137 370 A próxima etapa envolve o cálculo dos três coeficientes a, b e c a serem usados ​​na fórmula de previsão Y ab X c X 2. Q1, Q2 e Q3 são apresentados no gráfico, onde o tempo é plotado no eixo horizontal. Q1 representa o total de vendas históricas para abril, maio e junho e é plotado em X 1 Q2 corresponde a julho a setembro Q3 corresponde a outubro a dezembro e Q4 representa janeiro a março. Este gráfico ilustra a plotagem de Q1, Q2, Q3 e Q4 para aproximação de segundo grau: Figura 3-2 Traçando Q1, Q2, Q3 e Q4 para aproximação de segundo grau Três equações descrevem os três pontos no gráfico: (1) Q1 a bX cX 2 em que X 1 (Q 1 abc) (2) Q2 a bX cX 2 em que X 2 (Q2 a 2b 4c) (3) Q3 a bX cX 2 em que X 3 (Q3 a 3b 9c) Resolva as três equações simultaneamente para encontrar b, a e c: Subtraia a equação 1 (1) da equação 2 (2) e resolva para b: (2) ndash (1) Q ndash Q1 b 3c b (Q2 ndash Q1) ndash 3c Substitua esta equação por b na equação (3): (3) Q3 a 3 (Q2 ndash Q1) ndash 3c 9c a Q3 ndash 3 (Q2 ndash Q1) Por fim, substitua essas equações por aeb na equação (1): (1) Q3 ndash 3 (Q2 ndash Q1) (Q2 ndash Q1) ndash 3c c Q1c (Q3 ndash Q2) (Q1 ndash Q2) / 2 O método de Aproximação de Segundo Grau calcula a, b e c da seguinte forma: um ndash Q3 3 (Q2 ndash Q1) 370 ndash 3 (400 ndash 384) 370 ndash 3 (16) 322 b (Q2 ndash Q1) ndash3c (400 nd cinza 384) ndash (3 vezes ndash23) 16 69 85 c (Q3 ndash Q2) (Q1 ndash Q2) / 2 (370 ndash 400) (384 ndash 400) / 2 ndash23 Este é um cálculo da previsão de aproximação de segundo grau: Y a bX cX 2 322 85X (ndash23) (X 2) Quando X 4, Q4 322 340 ndash 368 294. A previsão é igual a 294/3 98 por período. Quando X 5, Q5 322 425 ndash 575 172. A previsão é igual a 172/3 58,33 arredondado para 57 por período. Quando X 6, Q6 322 510 ndash 828 4. A previsão é igual a 4/3 1,33 arredondado para 1 por período. Esta é a previsão para o ano que vem, Ano Passado para Este Ano: 3.2.8 Método 8: Método Flexível Esse método permite selecionar o melhor número de períodos de histórico de pedidos de vendas que iniciam n meses antes da data de início da previsão, e aplicar um aumento percentual ou diminuir o fator de multiplicação com o qual modificar a previsão. Esse método é semelhante ao Método 1, Porcentagem sobre o ano anterior, exceto pelo fato de que você pode especificar o número de períodos usados ​​como base. Dependendo do que você selecionar como n, esse método requer períodos mais adequados, além do número de períodos de dados de vendas que são indicados. Esse método é útil para prever a demanda de uma tendência planejada. 3.2.8.1 Exemplo: Método 8: Método flexível O método flexível (Porcentagem acima de n meses anteriores) é semelhante ao Método 1, Porcentagem sobre o ano anterior. Os dois métodos multiplicam os dados de vendas de um período de tempo anterior por um fator especificado por você e projetam esse resultado no futuro. No método Porcentagem sobre o Ano Anterior, a projeção é baseada em dados do mesmo período do ano anterior. Você também pode usar o método flexível para especificar um período de tempo diferente do mesmo período do ano anterior para usar como base para os cálculos. Fator de multiplicação. Por exemplo, especifique 110 na opção de processamento para aumentar os dados do histórico de vendas anteriores em 10 por cento. Período base. Por exemplo, n4 faz com que a primeira previsão seja baseada em dados de vendas em setembro do ano passado. Histórico de vendas mínimo requerido: o número de períodos anteriores ao período base mais o número de períodos de tempo necessários para avaliar o desempenho da previsão (períodos de melhor ajuste). Esta tabela é usada no cálculo da previsão: 3.2.9 Método 9: Média Móvel Ponderada A fórmula da Média Móvel Ponderada é semelhante ao Método 4, fórmula Média Móvel, porque calcula a média do histórico de vendas do mês anterior para projetar o histórico de vendas do próximo mês. No entanto, com essa fórmula, você pode atribuir pesos para cada um dos períodos anteriores. Esse método requer o número de períodos ponderados selecionados mais o número de períodos que melhor ajustam os dados. Semelhante à Média Móvel, esse método fica atrás das tendências de demanda, portanto, esse método não é recomendado para produtos com tendências ou sazonalidade fortes. Esse método é útil para prever a demanda de produtos maduros com demanda relativamente nivelada. 3.2.9.1 Exemplo: Método 9: Média Móvel Ponderada O método da Média Móvel Ponderada (WMA) é semelhante ao Método 4, Média Móvel (MA). No entanto, você pode atribuir pesos diferentes aos dados históricos ao usar o WMA. O método calcula uma média ponderada do histórico de vendas recente para chegar a uma projeção para o curto prazo. Dados mais recentes geralmente recebem um peso maior do que os dados mais antigos, portanto, o WMA é mais responsivo a mudanças no nível de vendas. No entanto, erros de previsão e erros sistemáticos ocorrem quando o histórico de vendas do produto exibe fortes tendências ou padrões sazonais. Este método funciona melhor para previsões de curto prazo de produtos maduros do que para produtos nas fases de crescimento ou obsolescência do ciclo de vida. O número de períodos do histórico de vendas (n) a ser usado no cálculo da previsão. Por exemplo, especifique n 4 na opção de processamento para usar os quatro períodos mais recentes como base para a projeção no próximo período de tempo. Um grande valor para n (como 12) requer mais histórico de vendas. Tal valor resulta em uma previsão estável, mas demora a reconhecer mudanças no nível de vendas. Por outro lado, um pequeno valor para n (como 3) responde mais rapidamente a mudanças no nível de vendas, mas a previsão pode variar tão amplamente que a produção não pode responder às variações. O número total de períodos para a opção de processamento rdquo14 - períodos para inclusive não deve exceder 12 meses. O peso atribuído a cada um dos períodos de dados históricos. Os pesos atribuídos devem totalizar 1,00. Por exemplo, quando n 4, atribua pesos de 0,50, 0,25, 0,15 e 0,10 com os dados mais recentes recebendo o maior peso. Histórico de vendas mínimo exigido: n mais o número de períodos de tempo necessários para avaliar o desempenho da previsão (períodos de melhor ajuste). Esta tabela é usada no cálculo da previsão: Previsão de janeiro é igual a (131 vezes 0,10) (114 vezes 0,15) (119 vezes 0,25) (137 vezes 0,50) / (0,10 0,15 0,25 0,50) 128,45 arredondado para 128. Previsão de fevereiro é igual (114 vezes 0,10) (119 vezes 0,15) (137 vezes 0,25) (128 vezes 0,50) / 1 127,5 arredondado para 128. Previsão de março é igual a (119 vezes 0,10) (137 vezes 0,15) (128 vezes 0,25) (128 vezes 0,50) / 1 128,45 arredondado para 128. 3.2.10 Método 10: Suavização linear Este método calcula uma média ponderada dos dados de vendas anteriores. No cálculo, esse método usa o número de períodos do histórico de pedidos de vendas (de 1 a 12) indicado na opção de processamento. O sistema usa uma progressão matemática para pesar os dados na faixa do primeiro (menor peso) até o final (maior peso). Em seguida, o sistema projeta essas informações para cada período na previsão. Esse método exige os meses mais adequados e o histórico de pedidos de vendas para o número de períodos especificado na opção de processamento. 3.2.10.1 Exemplo: Método 10: Suavização Linear Este método é semelhante ao Método 9, WMA. No entanto, em vez de atribuir arbitrariamente pesos aos dados históricos, uma fórmula é usada para atribuir pesos que diminuem linearmente e somam 1,00. O método calcula então uma média ponderada do histórico de vendas recente para chegar a uma projeção para o curto prazo. Como todas as técnicas de previsão de média móvel linear, o viés de previsão e os erros sistemáticos ocorrem quando o histórico de vendas do produto exibe forte tendência ou padrões sazonais. Este método funciona melhor para previsões de curto prazo de produtos maduros do que para produtos nas fases de crescimento ou obsolescência do ciclo de vida. n é igual ao número de períodos do histórico de vendas para usar no cálculo da previsão. Por exemplo, especifique n igual a 4 na opção de processamento para usar os quatro períodos mais recentes como base para a projeção no próximo período de tempo. O sistema atribui automaticamente os pesos aos dados históricos que declinam linearmente e somam 1,00. Por exemplo, quando n é igual a 4, o sistema atribui pesos de 0,4, 0,3, 0,2 e 0,1, com os dados mais recentes recebendo o maior peso. Histórico de vendas mínimo exigido: n mais o número de períodos de tempo necessários para avaliar o desempenho da previsão (períodos de melhor ajuste). Esta tabela é usada no cálculo da previsão: 3.2.11 Método 11: Suavização Exponencial Esse método calcula uma média suavizada, que se torna uma estimativa representando o nível geral de vendas durante os períodos de dados históricos selecionados. Esse método exige histórico de dados de vendas para o período de tempo representado pelo número de períodos que melhor se ajustam, além do número de períodos de dados históricos especificados. O requisito mínimo é dois períodos de dados históricos. Esse método é útil para prever a demanda quando não há tendência linear nos dados. 3.2.11.1 Exemplo: Método 11: Suavização Exponencial Este método é semelhante ao Método 10, Suavização Linear. Em Suavização linear, o sistema atribui pesos que declinam linearmente aos dados históricos. Na suavização exponencial, o sistema atribui pesos que decaem exponencialmente. A equação para previsão de Suavização Exponencial é: Previsão alfa (Vendas Reais Prévias) (1 ndashalpha) (Previsão Anterior) A previsão é uma média ponderada das vendas reais do período anterior e da previsão do período anterior. Alfa é o peso aplicado às vendas reais do período anterior. (1 ndash alfa) é o peso aplicado à previsão do período anterior. Valores para alfa variam de 0 a 1 e geralmente ficam entre 0,1 e 0,4. A soma dos pesos é 1,00 (alfa (1 ndash alfa) 1). Você deve atribuir um valor para a constante de suavização, alfa. Se você não atribuir um valor para a constante de regularização, o sistema calculará um valor assumido com base no número de períodos do histórico de vendas especificado na opção de processamento. alpha é igual à constante de suavização usada para calcular a média suavizada para o nível geral ou a magnitude das vendas. Os valores para alfa variam de 0 a 1. n é igual ao intervalo de dados do histórico de vendas para incluir nos cálculos. Geralmente, um ano de dados do histórico de vendas é suficiente para estimar o nível geral de vendas. Para este exemplo, um pequeno valor para n (n 4) foi escolhido para reduzir os cálculos manuais necessários para verificar os resultados. A suavização exponencial pode gerar uma previsão baseada em apenas um ponto de dados históricos. Histórico de vendas mínimo exigido: n mais o número de períodos de tempo necessários para avaliar o desempenho da previsão (períodos de melhor ajuste). Esta tabela é usada no cálculo da previsão: 3.2.12 Método 12: Suavização exponencial com tendência e sazonalidade Este método calcula uma tendência, um índice sazonal e uma média suavizada exponencialmente do histórico de pedidos de vendas. O sistema aplica uma projeção da tendência à previsão e ajusta o índice sazonal. Esse método requer o número de períodos mais adequados, mais dois anos de dados de vendas, e é útil para itens que têm tendência e sazonalidade na previsão. Você pode inserir o fator alfa e beta ou fazer com que o sistema os calcule. Os fatores alfa e beta são a constante de suavização que o sistema usa para calcular a média aproximada do nível geral ou magnitude das vendas (alfa) e o componente de tendência da previsão (beta). 3.2.12.1 Exemplo: Método 12: Suavização Exponencial com Tendência e Sazonalidade Este método é semelhante ao Método 11, Suavização Exponencial, em que uma média suavizada é calculada. No entanto, o método 12 também inclui um termo na equação de previsão para calcular uma tendência suavizada. A previsão é composta por uma média suavizada que é ajustada para uma tendência linear. Quando especificado na opção de processamento, a previsão também é ajustada para sazonalidade. Alfa é igual à constante de suavização usada no cálculo da média suavizada para o nível geral ou a magnitude das vendas. Os valores para alfa variam de 0 a 1. Beta é igual à constante de suavização usada no cálculo da média aproximada do componente de tendência da previsão. Os valores para beta variam de 0 a 1. Se um índice sazonal é aplicado à previsão. Alfa e beta são independentes um do outro. Eles não precisam totalizar 1.0. Histórico de vendas mínimo requerido: Um ano mais o número de períodos de tempo necessários para avaliar o desempenho da previsão (períodos de melhor ajuste). Quando dois ou mais anos de dados históricos estão disponíveis, o sistema usa dois anos de dados nos cálculos. O método 12 usa duas equações de suavização exponencial e uma média simples para calcular uma média suavizada, uma tendência suavizada e um índice sazonal médio simples. Uma média suavemente exponencial: Uma tendência suavizada exponencialmente: Um índice sazonal médio simples: Figura 3-3 Índice sazonal médio simples A previsão é calculada usando os resultados das três equações: L é a duração da sazonalidade (L é igual a 12 meses ou 52 semanas). t é o período de tempo atual. m é o número de períodos de tempo no futuro da previsão. S é o fator de ajuste sazonal multiplicativo que é indexado ao período de tempo apropriado. Esta tabela lista o histórico usado no cálculo da previsão: Esta seção fornece uma visão geral das Avaliações de previsão e discute: Você pode selecionar métodos de previsão para gerar até 12 previsões para cada produto. Cada método de previsão pode criar uma projeção ligeiramente diferente. Quando milhares de produtos são previstos, uma decisão subjetiva é impraticável em relação a qual previsão usar nos planos para cada produto. O sistema avalia automaticamente o desempenho de cada método de previsão selecionado e para cada produto previsto. Você pode selecionar entre dois critérios de desempenho: MAD e POA. MAD é uma medida de erro de previsão. O POA é uma medida do viés de previsão. Ambas as técnicas de avaliação de desempenho exigem dados reais do histórico de vendas por um período especificado por você. O período de histórico recente usado para avaliação é chamado de período de holdout ou período de melhor ajuste. Para medir o desempenho de um método de previsão, o sistema: Usa as fórmulas de previsão para simular uma previsão para o período de validação histórica. Faz uma comparação entre os dados de vendas reais e a previsão simulada para o período de holdout. Quando você seleciona vários métodos de previsão, esse mesmo processo ocorre para cada método. Várias previsões são calculadas para o período de validação e comparadas com o histórico de vendas conhecido para o mesmo período. O método de previsão que produz a melhor correspondência (melhor ajuste) entre a previsão e as vendas reais durante o período de validação é recomendado para uso nos planos. Essa recomendação é específica para cada produto e pode ser alterada toda vez que você gerar uma previsão. 3.3.1 Desvio Médio Absoluto O Desvio Absoluto Médio (MAD) é a média (ou média) dos valores absolutos (ou magnitude) dos desvios (ou erros) entre os dados reais e os dados previstos. MAD é uma medida da magnitude média dos erros a serem esperados, dado um método de previsão e histórico de dados. Como os valores absolutos são usados ​​no cálculo, os erros positivos não cancelam os erros negativos. Ao comparar vários métodos de previsão, aquele com o menor MAD é o mais confiável para aquele produto naquele período de holdout. Quando a previsão é imparcial e os erros são normalmente distribuídos, existe uma relação matemática simples entre MAD e duas outras medidas comuns de distribuição, que são desvio padrão e erro médio quadrático. Por exemplo: MAD (Sigma (Real) ndash (Previsão)) n Desvio Padrão, (sigma) cong 1.25 Erro Quadrático Médio MAD cong ndashsigma2 Este exemplo indica o cálculo de MAD para dois dos métodos de previsão. Este exemplo assume que você especificou na opção de processamento que o período do período de validação (períodos de melhor ajuste) é igual a cinco períodos. 3.3.1.1 Método 1: Último Ano para Este Ano Esta tabela é um histórico usado no cálculo do MAD, dado os Períodos de Melhor Ajuste 5: Desvio Médio Absoluto é igual (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. Quando as previsões são consistentemente altas demais, os estoques acumulam-se e os custos de estoque aumentam. When forecasts are consistently too low, inventories are consumed and customer service declines. A forecast that is 10 units too low, then 8 units too high, then 2 units too high is an unbiased forecast. The positive error of 10 is canceled by negative errors of 8 and 2. (Error) (Actual) ndash (Forecast) When a product can be stored in inventory, and when the forecast is unbiased, a small amount of safety stock can be used to buffer the errors. In this situation, eliminating forecast errors is not as important as generating unbiased forecasts. However, in service industries, the previous situation is viewed as three errors. The service is understaffed in the first period, and then overstaffed for the next two periods. Nos serviços, a magnitude dos erros de previsão é geralmente mais importante do que o viés de previsão. POA (SigmaForecast sales during holdout period) / (SigmaActual sales during holdout period) times 100 percent The summation over the holdout period enables positive errors to cancel negative errors. When the total of forecast sales exceeds the total of actual sales, the ratio is greater than 100 percent. Of course, the forecast cannot be more than 100 percent accurate. When a forecast is unbiased, the POA ratio is 100 percent. A 95 percent accuracy rate is more desirable than a 110 percent accurate rate. The POA criterion selects the forecasting method that has a POA ratio that is closest to 100 percent. This example indicates the calculation of POA for two forecasting methods. This example assumes that you have specified in the processing option that the holdout period length (periods of best fit) is equal to five periods. 3.3.2.1 Method 1: Last Year to This Year This table is history used in the calculation of MAD, given Periods of Best Fit 5: 3.4.2 Forecast Accuracy These statistical laws govern forecast accuracy: A long term forecast is less accurate than a short term forecast because the further into the future you project the forecast, the more variables can affect the forecast. A forecast for a product family tends to be more accurate than a forecast for individual members of the product family. Some errors cancel each other as the forecasts for individual items summarize into the group, thus creating a more accurate forecast. 3.4.3 Forecast Considerations You should not rely exclusively on past data to forecast future demands. These circumstances might affect the business, and require you to review and modify the forecast: New products that have no past data. Plans for future sales promotion. Changes in national and international politics. New laws and government regulations. Weather changes and natural disasters. Innovations from competition. You can use long term trend analysis to influence the design of the forecasts: Leading economic indicators. 3.4.4 Forecasting Process You use the Refresh Actuals program (R3465) to copy data from the Sales Order History File table (F42119), the Sales Order Detail File table (F4211), or both, into either the Forecast File table (F3460) or the Forecast Summary File table (F3400), depending on the kind of forecast that you plan to generate. Scripting on this page enhances content navigation, but does not change the content in any way. Weighted Moving Average Forecast and MAD in EXCEL The problem states that the manager of the Carpet City outlet needs to make an accurate forecast of the demand for Soft Shag carpet (it biggest seller). Se o gerente não pedir carpete suficiente da fábrica de tapetes, os clientes comprarão o carpete de um dos muitos concorrentes da Carpet City. O gerente coletou os seguintes dados de demanda para os últimos oito meses Mês Demanda por Tapete Soft Shag 1.000 y 1 8 2 12 3 7 4 9 5 15 6 11 7 10 8 12 Calcule uma previsão média móvel de 3 meses para o mês 4 a 9 uma média ponderada da média móvel de 3 meses para os meses 4 a 9. Atribua pesos de .53. 33 e .12 para o mês em sequência, começando com o mês mais recente. Compare as duas previsões usando MAD, cuja previsão parece ser mais precisa. Visualização da solução Por favor, consulte o anexo Solution. xlsx para o trabalho e. Resumo da solução Uma Previsão Média Móvel de 3 Meses e outra Previsão Média Móvel Ponderada de 3 Meses, usando diferentes fatores de suavização / pesagem, foram realizadas no Excel. O erro de previsão (MAD) foi calculado e as duas previsões foram comparadas usando esses valores MAD. Adicionar solução ao carrinho Remover do carrinho