كيف إلى تحديد - متوسط - مطلق - الانحراف من واحد متوسط الحركة ،

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 المطلوب 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، قيمة صغيرة ل n مثل 3 سوف تستجيب أسرع للتحولات في مستوى المبيعات، ولكن التوقعات قد تتقلب على نطاق واسع جدا أن الإنتاج لا يمكن أن تستجيب ل 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 التوقعات هذا محدد في خيار المعالجة 10a على سبيل المثال، حدد n 3 في خيار المعالجة 10b لاستخدام أحدث ثلاث فترات كأساس للإسقاط 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 التجانس، 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 وتزداد تكاليف المخزون عندما تكون التوقعات منخفضة باستمرار، يتم استهلاك المخزونات وانخفاض 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 إجمالي 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. تأخذ مع متوسط ​​الانحراف المطلق. في الاسبوع الماضي ق توقعات الجمعة آخر، ناقشنا المتوسط ​​المتحرك أساليب التنبؤ، على حد سواء بسيطة ومرجحة عندما سلسلة زمنية ثابتة، وهذا هو، المعارض لا يوجد اتجاه ملحوظ أو الموسمية و لا تخضع إلا لعشوائية الوجود اليومي، ومن ثم فإن المتوسط ​​المتحرك للطرق أو حتى المتوسط ​​البسيط للمسلسل بأكمله مفيد للتنبؤ بالفترات القليلة التالية ومع ذلك، فإن معظم السلاسل الزمنية هي أي شيء إلا أن مبيعات التجزئة الثابتة لها عناصر اتجاهية وموسمية ودورية، في حين أن المرافق العامة لديها مكونات الاتجاه والموسمية التي تؤثر على استخدام الكهرباء والحرارة وبالتالي، يمكن أن تتحرك متوسط ​​التنبؤ التنبؤات نهج أقل من النتائج المرغوبة وعلاوة على ذلك، فإن أرقام المبيعات الأخيرة عادة ما تكون أكثر دلالة على المبيعات في المستقبل، لذلك غالبا ما يكون هناك حاجة إلى وجود نظام التنبؤ الذي يضع وزنا أكبر على الملاحظات الأحدث أدخل تمهيد الأسي. على عكس نماذج المتوسط ​​المتحرك، والتي تستخدم عددا ثابتا من فإن معظم القيم الأخيرة في السلاسل الزمنية للتجانس والتنبؤ والتجانس الأسي يتضمن جميع القيم الزمنية لسلسلة زمنية، مما يضع أثقل وزن على البيانات الحالية، والأوزان على الملاحظات القديمة التي تتضاءل أضعافا مضاعفة بمرور الوقت. ونظرا للتركيز على جميع الفترات السابقة في البيانات مجموعة، ونموذج تمهيد الأسي هو العودية عندما سلسلة زمنية لا يوجد أي موسمية قوية أو ملحوظ أو الاتجاه، أبسط شكل من الأسس تمهيد واحد الأسي تمهيد يمكن تطبيقها صيغة لتلطيف أسي واحد هو. في هذه المعادلة، يمثل t 1 التنبؤ قيمة الفترة t 1 Y t هي القيمة الفعلية للفترة الحالية، ت هي قيمة التنبؤ فو r الفترة الحالية، t هو ثابت التمهيد أو ألفا، عدد بين 0 و 1 ألفا هو الوزن الذي تعينه لأحدث الملاحظة في سلسلة الوقت الخاص بك أساسا، كنت تستند توقعاتك للفترة المقبلة على القيمة الفعلية لهذه الفترة، والقيمة التي توقعت لهذه الفترة، والتي بدورها كانت تقوم على توقعات لفترات قبل ذلك. لنفترض أنك كنت في العمل لمدة 10 أسابيع وتريد أن التنبؤ المبيعات للأسبوع ال 11 المبيعات لأول 10 أسابيع. من المعادلة أعلاه، كنت أعلم أنه من أجل التوصل إلى توقعات للأسبوع 11، تحتاج القيم المتوقعة لأسابيع 10، 9، وعلى طول الطريق وصولا الى الاسبوع 1 كما تعلمون أن الأسبوع 1 ليس لديها أي فترة سابقة، لذلك لا يمكن التنبؤ و، تحتاج إلى تحديد ثابت تمهيد، أو ألفا، لاستخدام التنبؤات الخاصة بك. تحديد التوقعات الأولية. الخطوة الأولى في بناء نموذج التماسك الأسي الخاص بك هو توليد قيمة التنبؤ ل الفترة الأولى في سلسلة الوقت الخاص بك الممارسة الأكثر شيوعا هو تعيين القيمة المتوقعة من الأسبوع 1 يساوي القيمة الفعلية، 200، والتي سنفعلها في مثالنا نهج آخر سيكون أنه إذا كان لديك بيانات المبيعات السابقة لهذا، ولكن لا تستخدمه في بناء الخاص بك من النموذج، قد تأخذ في المتوسط ​​بضع من فترات سابقة مباشرة واستخدام ذلك كما التنبؤ كيف يمكنك تحديد توقعات الأولية الخاصة بك هو ذاتي. كيفية كبيرة ينبغي ألفا Be. This هو أيضا دعوة الحكم، والعثور على ألفا المناسب يخضع للمحاكمة والخطأ عموما، إذا سلسلة الوقت الخاص بك هو مستقر جدا، صغير هو المناسب التفتيش البصري من المبيعات الخاصة بك على الرسم البياني هو أيضا مفيد في محاولة لتحديد ألفا لتبدأ لماذا هو حجم المهم لأن وأقرب إلى 1، والمزيد من الوزن الذي يتم تعيينه إلى القيمة الأخيرة في تحديد توقعاتك، وكلما زادت سرعة التنبؤات الخاصة بك إلى أنماط في سلسلة الوقت الخاص بك وأقل تمهيد الذي يحدث بالمثل، كلما كان أقرب إلى 0، ث e المزيد من الوزن الذي يتم وضعه على الملاحظات السابقة في تحديد التوقعات، وأكثر ببطء توقعاتك يضبط على أنماط في السلاسل الزمنية، وأكثر تجانس يحدث دعونا ق فحص بصريا 10 أسابيع من المبيعات. الأسية تجانس عملية. المبيعات تظهر متداخلة إلى حد ما، تتأرجح بين 200 و 235 دعونا نبدأ مع ألفا من 0 5 وهذا يعطينا الجدول التالي. لاحظ كيف، على الرغم من توقعاتك أرين ر دقيقة، عندما القيمة الفعلية لأسبوع معين هو أعلى مما توقعت الأسابيع من 2 إلى 5، على سبيل المثال، توقعاتك لكل أسبوع من الأسابيع اللاحقة من 3 إلى 6 تعدل صعودا عندما تكون قيمك الفعلية أقل من توقعاتك مثل أسابيع 6 و 8 و 9 و 10، فإن توقعاتك للأسبوع التالي تعدل إلى الأسفل لاحظ أيضا أنه عند الانتقال إلى فترات لاحقة، تلعب توقعاتك السابقة دورا أقل وأقل في التنبؤات اللاحقة، حيث يقل وزنها بشكل كبير فقط بالنظر إلى الجدول أعلاه، فإنك تعلم أن t وقال انه يتوقع للأسبوع 11 سيكون أقل من 220 8، توقعاتك للأسبوع 10.So، استنادا لدينا ألفا والمبيعات الماضية لدينا، لدينا أفضل تخمين هو أن المبيعات في الأسبوع 11 سيكون 215 4 نلقي نظرة على الرسم البياني الفعلي مقابل المبيعات المتوقعة لأسابيع 1-10.Notice أن المبيعات المتوقعة هي أكثر سلاسة من الفعلية، ويمكنك أن ترى كيف يتكيف خط المبيعات المتوقعة لالمسامير والانخفاضات في سلسلة زمنية المبيعات الفعلية. ما لو كنا قد استخدمت ألفا أصغر أو أكبر . نحن سوف تثبت باستخدام كل ألفا من 30 واحد من 70 وهذا يعطينا الجدول التالي والرسم البياني. باستخدام ألفا من 0 70، ونحن في نهاية المطاف مع أدنى ماد من الثوابت الثلاثة نضع في اعتبارنا أن الحكم على الاعتمادية من فإن التوقعات ليست دائما حول التقليل من الدرهم المدروسة، بعد كل شيء، هو متوسط ​​الانحرافات لاحظ كيف بشكل كبير الانحرافات المطلقة لكل من الفاس تتغير من أسبوع لآخر التوقعات قد تكون أكثر موثوقية باستخدام ألفا التي تنتج أعلى درهم، ولكن أقل التباين بين الانحرافات الفردية تيسي على التمدد الأسي. التمهيد إكسبوننتيال ليس المقصود للتنبؤ على المدى الطويل وعادة ما يتم استخدامه للتنبؤ واحد أو اثنين، ولكن نادرا ما أكثر من ثلاث فترات المقبلة أيضا، إذا كان هناك تغيير جذري مفاجئ في مستوى المبيعات أو القيم، و تستمر السلسلة الزمنية عند هذا المستوى الجديد، ثم الخوارزمية سوف تكون بطيئة للحاق التغيير المفاجئ وبالتالي، سيكون هناك خطأ التنبؤ أكبر في حالات من هذا القبيل، سيكون من الأفضل لتجاهل الفترات السابقة قبل التغيير، وتبدأ عملية التمهيد الأسية مع المستوى الجديد وأخيرا، ناقش هذا المنصب تمهيد أسي واحد، والذي يستخدم عندما لا يكون هناك موسمية ملحوظة أو الاتجاه في البيانات عندما يكون هناك اتجاه ملحوظ أو النمط الموسمي في البيانات، سوف تجانس أسي واحد تسفر عن معنوية خطأ في التنبؤ هناك حاجة إلى تجانس الأسي مضاعفة هنا لضبط لتلك الأنماط وسوف تغطي التجانس الأسي مزدوج في الأسبوع المقبل ق توقعات الجمعة الجمعة. واحد من إي سيست، الأكثر شيوعا تقنيات التنبؤ بالسلاسل الزمنية هي أن المتوسط ​​المتحرك يتحرك متوسط ​​الأساليب المتحركة إذا كان كل ما عليك هو عدة فترات متتالية من المتغير على سبيل المثال المبيعات، وفتح حسابات التوفير الجديدة، الحضور الورشة، وما إلى ذلك إعادة التنبؤ، وليس غيرها البيانات للتنبؤ بما ستكون عليه قيمة الفترة القادمة في كثير من الأحيان، وذلك باستخدام الأشهر القليلة الماضية من المبيعات للتنبؤ المبيعات في الشهر المقبل هو الأفضل لتقديرات غير المشروطة ومع ذلك، يمكن أن تتحرك المتوسطات أساليب أخطاء التنبؤ خطيرة إذا تطبق بلا مبالاة. المتوسطات المتحركة الطريقة . من المفترض أن تتحرك المتوسطات المتحركة لتقدير قيمة الفترة التالية من خلال حساب متوسط ​​قيمة الفترتين الأخيرتين مباشرة قبل أن تقول أنك كنت في العمل لمدة ثلاثة أشهر، من يناير إلى مارس، وأردت توقع مبيعات أبريل الخاص بك المبيعات للأشهر الثلاثة الأخيرة تبدو مثل هذا. أبسط النهج سيكون أن يأخذ متوسط ​​يناير حتى مارس واستخدام ذلك لتقدير المبيعات أبريل. 129 134 122 3 128 333.Hence, based on the sales of January through March, you predict that sales in April will be 128,333 Once April s actual sales come in, you would then compute the forecast for May, this time using February through April You must be consistent with the number of periods you use for moving average forecasting. The number of periods you use in your moving average forecasts are arbitrary you may use only two-periods, or five or six periods whatever you desire to generate your forecasts. The approach above is a simple moving average Sometimes, more recent months sales may be stronger influencers of the coming month s sales, so you want to give those nearer months more weight in your forecast model This is a weighted moving average And just like the number of periods, the weights you assign are purely arbitrary Let s say you wanted to give March s sales 50 weight, February s 30 weight, and January s 20 Then your forecast for April will be 127,000 122 50 134 30 129 20 127.L imitations of Moving Average Methods Moving averages are considered a smoothing forecast technique Because you re taking an average over time, you are softening or smoothing out the effects of irregular occurrences within the data As a result, the effects of seasonality, business cycles, and other random events can dramatically increase forecast error Take a look at a full year s worth of data, and compare a 3-period moving average and a 5-period moving average. Notice that in this instance that I did not create forecasts, but rather centered the moving averages The first 3-month moving average is for February, and it s the average of January, February, and March I also did similar for the 5-month average Now take a look at the following chart. What do you see Is not the three-month moving average series much smoother than the actual sales series And how about the five-month moving average It s even smoother Hence, the more periods you use in your moving average, the smoother your time s eries Hence, for forecasting, a simple moving average may not be the most accurate method Moving average methods do prove quite valuable when you re trying to extract the seasonal, irregular, and cyclical components of a time series for more advanced forecasting methods, like regression and ARIMA, and the use of moving averages in decomposing a time series will be addressed later in the series. Determining the Accuracy of a Moving Average Model. Generally, you want a forecasting method that has the least error between actual and predicted results One of the most common measures of forecast accuracy is the Mean Absolute Deviation MAD In this approach, for each period in the time series for which you generated a forecast, you take the absolute value of the difference between that period s actual and forecasted values the deviation Then you average those absolute deviations and you get a measure of MAD MAD can be helpful in deciding on the number of periods you average, and or the amount of weight you place on each period Generally, you pick the one that results in the lowest MAD Here s an example of how MAD is calculated. MAD is simply the average of 8, 1, and 3.Moving Averages Recap When using moving averages for forecasting, remember. Moving averages can be simple or weighted. The number of periods you use for your average, and any weights you assign to each are strictly arbitrary. Moving averages smooth out irregular patterns in time series data the larger the number of periods used for each data point, the greater the smoothing effect. Because of smoothing, forecasting next month s sales based on the most recent few month s sales can result in large deviations because of seasonality, cyclical, and irregular patterns in the data and. The smoothing capabilities of a moving average method can be useful in decomposing a time series for more advanced forecasting methods. Next Week Exponential Smoothing In next week s Forecast Friday we will discuss exponential smoothing methods , and you will see that they can be far superior to moving average forecasting methods. Still don t know why our Forecast Friday posts appear on Thursday Find out at. Let New Posts Come to You. How do you calculate mean absolute deviation. Answer by MostCuriousWill. The Mean Absolute Deviation is calculated in three simple steps.1 Determine the Mean Add all numbers and divide by the count. example the weights of the following three people, denoted by letters are A - 56 Kgs B - 78 Kgs C - 90 Kgs. Mean 56 78 90 3 74 6 2 Determine deviation of each variable from the Mean i e 56-74 6 -18 67 78-74 6 3 33 90-74 6 15 33 3 Make the deviation absolute by squaring and determining the roots i e eliminate the negative aspect Thus the Mean Absolute Deviation is 18 67 3 33 15 33 3 12 44.Alternatively you can use the excel formula AVEDEV 56,78,90 to obtain the result Different Methods There are different formulas for the calculation of mean absolute deviation For example mean absolute deviation from mean an d mean absolute deviation from median Similarly the formulas for grouped and ungrouped data are also different In order to see the calculation of mean absolute deviation from mean and mean absolute deviation from median for both grouped and ungrouped data please visit the link given below Let s consider the sample. First of all you must decide, what am I calculating the mean absolute deviation from Will it be the mean, the mode or the median It could be any measure of what statisticians call location or central tendency. For no good reason except that it s familiar to most people let me choose the mean of the sample It proves to be 5.Now we need the absolute deviation of each sample element from the mean Notice that these are the distances between the mean and the sample elements. The sum of these is 18 then their average is 18 5 3 6 So the mean absolute deviation from the mean is 3 6 In other words, the sample points are, on average 3 6 units from the mean. For more information visit the روابط ذات علاقة. 267 others found this useful. First, you need to determine the mean The mean of a list of numbers is the sum of those numbers divided by the quantity of items in the list read add all the numbers up and divide by how many there are Then, subtract the mean from every number to get the list of deviations Create a list of these numbers It s OK to get negative numbers here Next, square the resulting list of numbers read multiply them with themselves Add up all of the resulting squares to get their total sum Divide your result by one less than the number of items in the list To get the standard deviation, just take the square root of the resulting number Example your list of numbers 1, 3, 4, 6, 9, 19 mean 1 3 4 6 9 19 6 42 6 7 list of deviations -6, -4, -3, -1, 2, 12 squares of deviations 36, 16, 9, 1, 4, 144 sum of deviations 36 16 9 1 4 144 210 divided by one less than the number of items in the list 210 5 42 square root of this number square root 42 about 6 48 MORE.30 people found this useful.