Pronóstico Promedio Móvil Ponderado Enojado

A Ejemplos de cálculo de pronósticos A.1 Métodos de cálculo de pronósticos Hay disponibles doce métodos de cálculo de pronósticos. La mayoría de estos métodos proporcionan un control limitado del usuario. Por ejemplo, se puede especificar el peso de los datos históricos recientes o el intervalo de fechas de los datos históricos utilizados en los cálculos. Los siguientes ejemplos muestran el procedimiento de cálculo para cada uno de los métodos de pronóstico disponibles, dados un conjunto idéntico de datos históricos. Los siguientes ejemplos utilizan los mismos datos de ventas de 2004 y 2005 para producir un pronóstico de ventas de 2006. Además del cálculo de pronóstico, cada ejemplo incluye una predicción simulada de 2005 para un período de retención de tres meses (opción de procesamiento 19 3), que se utiliza para el porcentaje de precisión y cálculos de desviación absoluta media (ventas reales comparadas con predicciones simuladas). A.2 Criterios de evaluación del rendimiento de la previsión Dependiendo de su selección de las opciones de procesamiento y de las tendencias y patrones existentes en los datos de ventas, algunos métodos de pronóstico obtendrán mejores resultados que otros para un conjunto de datos históricos dado. Un método de pronóstico apropiado para un producto puede no ser apropiado para otro producto. También es improbable que un método de predicción que proporcione buenos resultados en una etapa del ciclo de vida de un producto siga siendo apropiado durante todo el ciclo de vida. Puede elegir entre dos métodos para evaluar el rendimiento actual de los métodos de pronóstico. Estas son la desviación absoluta media (MAD) y el porcentaje de precisión (POA). Ambos métodos de evaluación de rendimiento requieren datos históricos de ventas para un período de tiempo especificado por el usuario. Este período de tiempo se denomina período de retención o período de mejor ajuste (PBF). Los datos de este período se utilizan como base para recomendar cuál de los métodos de pronóstico se utilizará para realizar la siguiente proyección de pronóstico. Esta recomendación es específica para cada producto y puede cambiar de una generación de pronóstico a otra. Los dos métodos de evaluación del desempeño de los pronósticos se demuestran en las páginas que siguen los ejemplos de los doce métodos de pronóstico. A.3 Método 1 - Porcentaje especificado durante el año pasado Este método multiplica los datos de ventas del año anterior por un factor especificado por el usuario, por ejemplo, 1,10 para un aumento de 10 o 0,97 para una disminución de 3. Historial de ventas requerido: Un año para calcular el pronóstico más el número especificado por el usuario de períodos de tiempo para evaluar el desempeño del pronóstico (opción de procesamiento 19). A.4.1 Cálculo de pronósticos Rango del historial de ventas que se utilizará en el cálculo del factor de crecimiento (opción de procesamiento 2a) 3 en este ejemplo. Sumar los últimos tres meses de 2005: 114 119 137 370 Sumar los mismos tres meses del año anterior: 123 139 133 395 El factor calculado 370/395 0,9367 Calcular las previsiones: Ventas de enero de 2005 128 0,9367 119,8036 o aproximadamente el 120 de febrero de 2005 Ventas 117 0,9367 109,5939 o alrededor de las ventas del 110 de marzo de 2005 115 0,9367 107,7205 o alrededor de 108 A.4.2 Cálculo de previsiones simuladas Sumar los tres meses de 2005 antes del período de retención (julio, agosto y septiembre): 129 140 131 400 Sumar los mismos tres meses Para el año anterior: 141 128 118 387 El factor calculado 400/387 1.033591731 Calcula el pronóstico simulado: Octubre, 2004 ventas 123 1.033591731 127.13178 Ventas de noviembre de 2004 139 1.033591731 143.66925 Ventas de diciembre de 2004 133 1.033591731 137.4677 A.4.3 Porcentaje de Precisión Cálculo POA (127.13178 143.66925 137.4677) / (114 119 137) 100 408.26873 / 370 100 110.3429 A.4.4 Cálculo de Desviación Absoluta Media MAD (127.13178 - 114 143.66925 - 119 137.4677 - 137) / 3 (13.13178 24.66925 0.4677) / 3 12.75624 A.5 Método 3 - El año pasado a este año Este método copia los datos de ventas del año anterior al año siguiente. Historial de ventas requerido: Un año para calcular el pronóstico más el número de periodos de tiempo especificados para evaluar el desempeño del pronóstico (opción de procesamiento 19). A.6.1 Cálculo del pronóstico Número de periodos que se incluirán en el promedio (opción de procesamiento 4a) 3 en este ejemplo Para cada mes del pronóstico, promedio de los datos de los tres meses anteriores. Previsiones de enero: 114 119 137 370, 370/3 123.333 o 123 Previsiones de febrero: 119 137 123 379, 379/3 126.333 o 126 Previsiones de marzo: 137 123 126 379, 386/3 128.667 o 129 A.6.2 Cálculo de pronóstico simulado Octubre 2005 Ventas (129 140 131) / 3 133,3333 Ventas de noviembre de 2005 (140 131 114) / 3 128,3333 Ventas de diciembre de 2005 (131 114 119) / 3 121,3333 A.6.3 Porcentaje de cálculo de la exactitud POA (133.3333 128.3333 121.3333) / (114 119 137) 100 103.513 A.6.4 Cálculo de la desviación absoluta media MAD (133.3333 - 114 128.3333 - 119 121.3333 - 137) / 3 14.7777 A.7 Método 5 - Aproximación lineal La aproximación lineal calcula una tendencia basada en dos puntos de datos del historial de ventas. Estos dos puntos definen una línea de tendencia recta que se proyecta hacia el futuro. Utilice este método con precaución, ya que los pronósticos a largo plazo son aprovechados por pequeños cambios en sólo dos puntos de datos. Historial de ventas requerido: El número de períodos a incluir en la regresión (opción de procesamiento 5a), más 1 más el número de períodos de tiempo para evaluar el rendimiento de la previsión (opción de procesamiento 19). A.8.1 Cálculo del pronóstico Número de períodos a incluir en la regresión (opción de procesamiento 6a) 3 en este ejemplo Para cada mes del pronóstico, agregue el aumento o disminución durante los períodos especificados antes del período de retención del período anterior. Promedio de los tres meses anteriores (114 119 137) / 3 123.3333 Resumen de los tres meses anteriores con ponderación considerada (114 1) (119 2) (137 3) 763 Diferencia entre los valores 763 - 123.3333 (1 2 3) 23 Relación (12 22 32) - 2 3 14 - 12 2 Valor1 Diferencia / Relación 23/2 11,5 Valor2 Relación medio-valor1 123,3333 - 11,5 2 100,333 Pronóstico (1 n) valor1 valor2 4 11,5 100,333 146,333 o 146 Pronóstico 5 11,5 100,3333 157,8333 o 158 Previsiones 6 11,5 100,3333 169,3333 o 169 A.8.2 Cálculo de pronósticos simulados Ventas de octubre de 2004: Promedio de los tres meses anteriores (129 140 131) / 3 133,3333 Resumen de los tres meses anteriores con ponderación considerada (129 1) (140 2) (131 3) 802 Diferencia entre los valores 802 - 133.3333 (1 2 3) 2 Relación (12 22 32) - 2 3 14 - 12 2 Valor1 Diferencia / Relación 2/2 1 Valor2 Promedio - valor1 ratio 133.3333 - 1 2 131.3333 Pronóstico (1 N) valor1 valor2 4 1 131,3333 135,3333 Ventas de noviembre de 2004 Promedio de los tres meses anteriores (140 131 114) / 3 128,333 Resumen de los tres meses anteriores con ponderación considerada (140 1) (131 2) (114 3) 744 Diferencia entre el Valores 744 - 128.3333 (1 2 3) -25.9999 Valor1 Diferencia / Ratio -25.9999 / 2 -12.9999 Valor2 Relación medio-valor1 128.3333 - (-12.9999) 2 154.3333 Previsión 4 -12.9999 154.3333 102.3333 Diciembre 2004 Ventas Promedio de los tres meses anteriores ( 131 114 119) / 3 121.3333 Resumen de los tres meses anteriores con el peso considerado (131 1) (114 2) (119 3) 716 Diferencia entre los valores 716 - 121.3333 (1 2 3) -11.9999 Valor1 Diferencia / Ratio -11.9999 / 2 -5,9999 Valor2 Relación medio-valor1 121,3333 - (-5,9999) 2 133,333 Previsión 4 (-5,9999) 133,3333 109,3333 A.8.3 Porcentaje de precisión Cálculo POA (135,33 102,33 109,33) / (114 119 137) 100 93,78 A.8,4 Media absoluta Métodos 7 - Aproximación de Segundo Grado La Regresión Lineal determina los valores para ayb en la fórmula de pronóstico Y a bX con el objetivo de ajustar una línea recta a Los datos del historial de ventas. La Aproximación de Segundo Grado es similar. Sin embargo, este método determina valores para a, by c en la fórmula de pronóstico Y a bX cX2 con el objetivo de ajustar una curva a los datos del historial de ventas. Este método puede ser útil cuando un producto está en la transición entre etapas de un ciclo de vida. Por ejemplo, cuando un nuevo producto pasa de la introducción a las fases de crecimiento, la tendencia de las ventas puede acelerarse. Debido al término de segundo orden, el pronóstico puede acercarse rápidamente al infinito o caer a cero (dependiendo de si el coeficiente c es positivo o negativo). Por lo tanto, este método es útil sólo en el corto plazo. Especificaciones de pronóstico: Las fórmulas encuentran a, b yc para ajustar una curva a exactamente tres puntos. Se especifica n en la opción de procesamiento 7a, el número de periodos de tiempo de datos que se acumulan en cada uno de los tres puntos. En este ejemplo n 3. Por lo tanto, los datos de ventas reales de abril a junio se combinan en el primer punto, Q1. Julio a septiembre se suman para crear Q2, y octubre a diciembre suma a Q3. La curva se ajustará a los tres valores Q1, Q2 y Q3. Historial de ventas requerido: 3 n períodos para calcular la previsión más el número de periodos de tiempo requeridos para evaluar el desempeño de pronóstico (PBF). Número de períodos a incluir (opción de procesamiento 7a) 3 en este ejemplo Utilice los meses previos (3 n) en bloques trimestrales: Q1 (abril - junio) 125 122 137 384 Q2 (julio - septiembre) 129 140 131 400 Q3 El siguiente paso consiste en calcular los tres coeficientes a, b yc que se utilizarán en la fórmula de pronóstico Y a bX cX2 (1) Q1 a bX cX2 (donde X1) abc (2) Q2 A b c c c x 2 (donde X 2) a 2b 4c (3) Q3 a bX cX2 (donde X 3) a 3b 9c Resuelve las tres ecuaciones simultáneamente para hallar b, a y c: Restar la ecuación (1) de la ecuación (2) Y resuelva para b (2) - (1) Q2 - Q1 b 3c Sustituya esta ecuación por b en la ecuación (3) (3) Q3 a 3 (Q2 - Q1) - 3c c Finalmente, sustitúyase estas ecuaciones para ayb en El método de Aproximación de Segundo Grado calcula a, b y c de la siguiente manera: a (a), (a), (a), (c) Q3 - 3 (Q2 - Q1) 370 - 3 (400 - 384) 322 c (Q3 - Q2) (Q1 - Q2) / 2 (370 - 400) (322 340 - 368) / 3 294/3 98 por período de abril a junio (-) - 3c (400 - 384) - (3 -23) 85 Y a bX cX2 322 85X (322 510 - 828) / 3 1,33 o 1 por período de octubre a diciembre (X7) (322 595 - 1127) / 3 -70 A.9.2 Cálculo de pronósticos simulados Octubre, noviembre y diciembre de 2004 Ventas: T1 (enero - marzo) 360 P2 (abril - junio) 384 P3 (julio - sep) 400 a 400 - 3 (384 - 360) 328 (400 - 384) (360 - 384) / 2 -4b (384 - 360) - 3 (-4) 36 328 36 4 (-4) 16/3 136 A.9.3 Porcentaje de cálculo de precisión POA (136 136 136) / (114 119 137) 100 110,27 A.9.4 Cálculo de Desviación Absoluta Media MAD (136 - 114 136 - 119 136 - 137) / 3 13.33 A.10 Método 8 - Método Flexible Método Flexible (Porcentaje sobre n Meses Previo) Es similar al método 1, porcentaje sobre el año pasado. Ambos métodos multiplican los datos de ventas de un período de tiempo anterior por un factor especificado por el usuario, luego proyectan ese resultado en el futuro. En el método Porcentaje sobre el año pasado, la proyección se basa en datos del mismo período del año anterior. El método flexible agrega la capacidad de especificar un período de tiempo distinto del mismo período del año pasado para utilizarlo como base para los cálculos. Factor de multiplicación. Por ejemplo, especifique 1.15 en la opción de procesamiento 8b para aumentar los datos del historial de ventas anterior en 15. Período de base. Por ejemplo, n 3 hará que el primer pronóstico se base en los datos de ventas en octubre de 2005. Historial de ventas mínimo: El usuario especificó el número de periodos al período base, más el número de períodos necesarios para evaluar el desempeño del pronóstico ( PBF). A.10.4 Cálculo de desviación absoluta media MAD (148 - 114 161 - 119 151 - 137) / 3 30 A.11 Método 9 - Promedio móvil ponderado El método de media móvil ponderada (WMA) es similar al método 4, promedio móvil (MA) . Sin embargo, con la media móvil ponderada puede asignar pesos desiguales a los datos históricos. El método calcula un promedio ponderado del historial de ventas reciente para llegar a una proyección para el corto plazo. Los datos más recientes se asignan generalmente un peso mayor que los datos antiguos, por lo que esto hace que WMA responda mejor a los cambios en el nivel de ventas. Sin embargo, el sesgo de pronóstico y los errores sistemáticos todavía ocurren cuando el historial de ventas del producto muestra tendencias fuertes o patrones estacionales. Este método funciona mejor para los pronósticos a corto plazo de productos maduros que para productos en las etapas de crecimiento o obsolescencia del ciclo de vida. N el número de períodos del historial de ventas para usar en el cálculo de pronóstico. Por ejemplo, especifique n 3 en la opción de procesamiento 9a para utilizar los tres períodos más recientes como base para la proyección en el siguiente período de tiempo. Un valor grande para n (como 12) requiere más historial de ventas. Esto resulta en un pronóstico estable, pero será lento para reconocer los cambios en el nivel de ventas. Por otro lado, un valor pequeño para n (como 3) responderá más rápidamente a los cambios en el nivel de ventas, pero el pronóstico puede fluctuar tan ampliamente que la producción no puede responder a las variaciones. El peso asignado a cada uno de los períodos de datos históricos. Los pesos asignados deben ser de 1,00. Por ejemplo, cuando n 3, asignar pesos de 0,6, 0,3 y 0,1, con los datos más recientes que reciben el mayor peso. Historial de ventas mínimo requerido: n más el número de periodos de tiempo requeridos para evaluar el desempeño del pronóstico (PBF). MAD (133,5 - 114 121,7 - 119 118,7 - 137) / 3 13,5 A.12 Método 10 - Suavizado lineal Este método es similar al Método 9, Promedio móvil ponderado (WMA). Sin embargo, en lugar de asignar arbitrariamente pesos a los datos históricos, se utiliza una fórmula para asignar pesos que disminuyen linealmente y sumen a 1,00. El método entonces calcula un promedio ponderado del historial de ventas reciente para llegar a una proyección a corto plazo. Como ocurre con todas las técnicas de predicción de media móvil lineal, el sesgo de predicción y los errores sistemáticos ocurren cuando el historial de ventas del producto muestra tendencias fuertes o patrones estacionales. Este método funciona mejor para los pronósticos a corto plazo de productos maduros que para productos en las etapas de crecimiento o obsolescencia del ciclo de vida. N el número de períodos del historial de ventas para usar en el cálculo de pronóstico. Esto se especifica en la opción de procesamiento 10a. Por ejemplo, especifique n 3 en la opción de procesamiento 10b para utilizar los tres períodos más recientes como base para la proyección en el siguiente período de tiempo. El sistema asignará automáticamente los pesos a los datos históricos que disminuyen linealmente y sumen a 1,00. Por ejemplo, cuando n 3, el sistema asignará pesos de 0,5, 0,3333 y 0,1, con los datos más recientes recibiendo el mayor peso. Historial de ventas mínimo requerido: n más el número de periodos de tiempo requeridos para evaluar el desempeño del pronóstico (PBF). A.12.1 Cálculo del pronóstico Número de períodos a incluir en el promedio de suavizado (opción de procesamiento 10a) 3 en este ejemplo Razón para un período anterior 3 / (n2 n) / 2 3 / (32 3) / 2 3/6 0,5 Razón para dos Periodos previos 2 / (n2n) / 2 2 / (32 3) / 2 2/6 0,3333. Relación para tres períodos anteriores 1 / (n2n) / 2 1 / (32 3) / 2 1/6 0,1666. Previsiones de enero: 137 0,5 119 1/3 114 1/6 127,16 o 127 Previsiones de febrero: 127 0,5 137 1/3 119 1/6 129 Previsiones de marzo: 129 0,5 127 1/3 137 1/6 129,666 o 130 A.12.2 Simulación del cálculo de previsión Ventas de octubre de 2004 129 1/6 140 2/6 131 3/6 133,6666 Ventas de noviembre de 2004 140 1/6 131 2/6 114 3/6 124 Diciembre 2004 ventas 131 1/6 114 2/6 119 3/6 (133.6666 124 119.3333) / (114 119 137) 100 101.891 A.12.4 Cálculo de Desviación Absoluta Media MAD (133.6666 - 114 124 - 119 119.3333 - 137) / 3 14.1111 A.13 Método 11 - Suavizado Exponencial Este método es similar al Método 10, Suavizado Lineal. En el suavizado lineal el sistema asigna pesos a los datos históricos que disminuyen linealmente. En el suavizado exponencial, el sistema asigna pesos que decaen exponencialmente. La ecuación de predicción de suavizado exponencial es: Previsión a (Ventas reales anteriores) (1 - a) Previsión anterior La previsión es una media ponderada de las ventas reales del período anterior y la previsión del período anterior. A es el peso aplicado a las ventas reales del período anterior. (1 - a) es el peso aplicado a la previsión del período anterior. Valores válidos para un rango de 0 a 1, y generalmente caen entre 0,1 y 0,4. La suma de los pesos es 1,00. A (1 - a) 1 Debe asignar un valor para la constante de suavizado, a. Si no asigna valores para la constante de suavizado, el sistema calcula un valor supuesto basado en el número de períodos del historial de ventas especificado en la opción de procesamiento 11a. A la constante de suavizado utilizada en el cálculo del promedio suavizado para el nivel general o la magnitud de las ventas. Valores válidos para un rango de 0 a 1. n el rango de datos del historial de ventas para incluir en los cálculos. Generalmente, un año de datos de historial de ventas es suficiente para estimar el nivel general de ventas. Para este ejemplo, se escogió un pequeño valor para n (n 3) para reducir los cálculos manuales requeridos para verificar los resultados. El suavizado exponencial puede generar un pronóstico basado en tan poco como un punto de datos históricos. Historial de ventas mínimo requerido: n más el número de periodos de tiempo requeridos para evaluar el desempeño del pronóstico (PBF). A.13.1 Cálculo del pronóstico Número de períodos a incluir en el promedio de suavizado (opción de procesamiento 11a) 3 y factor alfa (opción de procesamiento 11b) en blanco en este ejemplo un factor para los datos de ventas más antiguos 2 / (11) o 1 cuando alfa es Se especificó un factor para los datos de ventas más antiguos 2 / (12), o alfa cuando se especifica alfa un factor para los 3 primeros datos de ventas 2 / (13) o alfa cuando se especifica alfa un factor para los datos de ventas más recientes 2 / (1n), o alfa cuando se especifica alfa Noviembre Sm. Promedio A (Octubre Real) (1 - a) Octubre Sm. Promedio 1 114 0 0 114 Diciembre Sm. Promedio A (Noviembre Actual) (1 - a) Noviembre Sm. Promedio 2/3 119 1/3 114 117.3333 Pronóstico de enero a (diciembre Actual) (1 - a) Diciembre Sm. Promedio 2/4 137 2/4 117.3333 127.16665 o 127 Febrero Pronóstico Enero Pronóstico 127 Marzo Pronóstico Enero Pronóstico 127 A.13.2 Simulated Forecast Calculation Julio, 2004 Sm. Promedio 2/2 129 129 Agosto Sm. Promedio 2/3 140 1/3 129 136.3333 Septiembre Sm. Promedio 2/4 131 2/4 136.3333 133.6666 Octubre, 2004 ventas Sep. Sm. Promedio 133.6666 Agosto, 2004 Sm. Promedio 2/2 140 140 Septiembre Sm. Promedio 2/3 131 1/3 140 134 Octubre Sm. Promedio 2/4 114 2/4 134 124 Noviembre, 2004 ventas Sep Sm. Promedio 124 de septiembre de 2004 Sm. Promedio 2/2 131 131 Octubre Sm. Promedio 2/3 114 1/3 131 119,6666 Noviembre Sm. Promedio 2/4 119 2/4 119.6666 119.3333 Diciembre 2004 ventas Sep Sm. Promedio 119.3333 A.13.3 Porcentaje de Precisión Cálculo POA (133.6666 124 119.3333) / (114 119 137) 100 101.891 A.13.4 Cálculo de Desviación Absoluta Media MAD (133.6666 - 114 124 - 119 119.3333 - 137) / 3 14.1111 A.14 Método 12 - Suavizado exponencial con tendencia y estacionalidad Este método es similar al método 11, Suavizado exponencial en el que se calcula un promedio suavizado. Sin embargo, el Método 12 también incluye un término en la ecuación de pronóstico para calcular una tendencia suavizada. El pronóstico se compone de un promedio suavizado ajustado para una tendencia lineal. Cuando se especifica en la opción de procesamiento, el pronóstico también se ajusta a la estacionalidad. A la constante de suavizado utilizada en el cálculo del promedio suavizado para el nivel general o la magnitud de las ventas. Los valores válidos para alfa varían de 0 a 1. b la constante de suavizado utilizada en el cálculo del promedio suavizado para el componente de tendencia de la previsión. Los valores válidos para el rango beta van de 0 a 1. Si un índice estacional se aplica al pronóstico ayb son independientes entre sí. No tienen que agregar 1.0. Historial de ventas mínimo requerido: dos años más el número de periodos de tiempo requeridos para evaluar el desempeño del pronóstico (PBF). El método 12 utiliza dos ecuaciones exponenciales de suavizado y un promedio simple para calcular un promedio suavizado, una tendencia suavizada y un factor estacional promedio simple. A.14.1 Cálculo de pronósticos A) Un promedio exponencialmente suavizado MAD (122.81 - 114 133.14 - 119 135.33 - 137) / 3 8.2 A.15 Evaluación de los pronósticos Puede seleccionar métodos de pronóstico para generar hasta doce pronósticos para cada producto. Cada método de pronóstico probablemente creará una proyección ligeramente diferente. Cuando se pronostican miles de productos, no es práctico tomar una decisión subjetiva respecto a cuál de las previsiones utilizar en sus planes para cada uno de los productos. El sistema evalúa automáticamente el rendimiento de cada uno de los métodos de pronóstico que selecciona y para cada uno de los productos previstos. Puede elegir entre dos criterios de rendimiento, la media de desviación absoluta (MAD) y el porcentaje de precisión (POA). MAD es una medida del error de pronóstico. POA es una medida del sesgo de pronóstico. Ambas técnicas de evaluación de rendimiento requieren datos reales del historial de ventas para un período de tiempo especificado por el usuario. Este período de la historia reciente se llama un período de retención o períodos de mejor ajuste (PBF). Para medir el rendimiento de un método de pronóstico, utilice las fórmulas de pronóstico para simular una previsión para el período de retención histórico. Normalmente habrá diferencias entre los datos de ventas reales y el pronóstico simulado para el período de retención. Cuando se seleccionan varios métodos de pronóstico, se produce el mismo proceso para cada método. Se calculan varias previsiones para el período de retención y se comparan con el historial de ventas conocido para ese mismo período de tiempo. Se recomienda el uso del método de previsión que produzca el mejor ajuste (el mejor ajuste) entre las previsiones y las ventas reales durante el período de retención para su uso en sus planes. Esta recomendación es específica para cada producto y puede cambiar de una generación de pronóstico a otra. A.16 Desviación absoluta media (MAD) MAD es la media (o promedio) de los valores absolutos (o magnitudes) de las desviaciones (o errores) entre los datos reales y los pronosticados. MAD es una medida de la magnitud promedio de los errores a esperar, dado un método de predicción y el historial de datos. Dado que los valores absolutos se utilizan en el cálculo, los errores positivos no anulan los errores negativos. Cuando se comparan varios métodos de pronóstico, el que tiene el MAD más pequeño ha demostrado ser el más fiable para ese producto durante ese período de retención. Cuando el pronóstico es imparcial y los errores normalmente se distribuyen, existe una relación matemática simple entre MAD y otras dos medidas comunes de distribución, desviación estándar y error cuadrático medio: A.16.1 Porcentaje de precisión (POA) Porcentaje de precisión (POA) es Una medida del sesgo de previsión. Cuando las previsiones son consistentemente demasiado altas, los inventarios se acumulan y los costos de inventario aumentan. Cuando las previsiones son consistentemente dos bajas, los inventarios se consumen y el servicio al cliente disminuye. Un pronóstico que es 10 unidades demasiado bajo, entonces 8 unidades demasiado alto, entonces 2 unidades demasiado alto, sería un pronóstico imparcial. El error positivo de 10 es cancelado por errores negativos de 8 y 2. Error Actual - Pronóstico Cuando un producto puede almacenarse en inventario, y cuando el pronóstico es imparcial, se puede usar una pequeña cantidad de stock de seguridad para amortiguar los errores. En esta situación, no es tan importante eliminar errores de pronóstico como es generar pronósticos imparciales. Sin embargo, en las industrias de servicios, la situación anterior sería vista como tres errores. El servicio estaría con escasez de personal en el primer período, y luego en exceso para los próximos dos períodos. En los servicios, la magnitud de los errores de pronóstico suele ser más importante de lo previsto. La suma durante el período de retención permite que los errores positivos cancelen errores negativos. Cuando el total de las ventas reales supera el total de las ventas previstas, la proporción es superior a 100. Por supuesto, es imposible tener más de 100 precisión. Cuando un pronóstico no es imparcial, la proporción de POA será 100. Por lo tanto, es más deseable ser 95 preciso que ser 110 exacto. El criterio POA selecciona el método de pronóstico que tiene una relación de POA más cercana a 100. El scripting en esta página mejora la navegación de contenido, pero no cambia el contenido de ninguna manera.3 Descripción de los niveles y métodos de pronóstico Puede generar las previsiones de detalle Y las previsiones de resumen (línea de productos) que reflejan los patrones de demanda de productos. El sistema analiza las ventas pasadas para calcular los pronósticos usando 12 métodos de pronóstico. Los pronósticos incluyen información detallada a nivel de artículo e información de nivel superior sobre una sucursal o la empresa en su conjunto. 3.1 Criterios de evaluación del desempeño de pronóstico Dependiendo de la selección de las opciones de procesamiento y de las tendencias y patrones en los datos de ventas, algunos métodos de pronóstico tienen mejores resultados que otros para un conjunto de datos históricos dado. Un método de pronóstico apropiado para un producto puede no ser apropiado para otro producto. Es posible que encuentre que un método de pronóstico que proporcione buenos resultados en una etapa del ciclo de vida del producto permanezca apropiado durante todo el ciclo de vida. Puede seleccionar entre dos métodos para evaluar el rendimiento actual de los métodos de pronóstico: Porcentaje de precisión (POA). Desviación absoluta media (MAD). Ambos métodos de evaluación de rendimiento requieren datos históricos de ventas para un período que especifique. Este período se denomina período de retención o período de mejor ajuste. Los datos de este período se utilizan como base para recomendar qué método de pronóstico se utilizará para realizar la siguiente proyección de pronóstico. Esta recomendación es específica para cada producto y puede cambiar de una generación de pronóstico a otra. 3.1.1 Mejor ajuste El sistema recomienda la mejor previsión de ajuste aplicando los métodos de previsión seleccionados al historial de pedidos de ventas anteriores y comparando la simulación de pronóstico con el historial real. Cuando se genera un pronóstico de ajuste óptimo, el sistema compara los historiales reales de órdenes de venta con los pronósticos para un período de tiempo específico y calcula con qué precisión cada método de pronóstico predijo las ventas. A continuación, el sistema recomienda el pronóstico más preciso como el mejor ajuste. Este gráfico ilustra las mejores previsiones de ajuste: Figura 3-1 Pronóstico de mejor ajuste El sistema utiliza esta secuencia de pasos para determinar el mejor ajuste: Utilice cada método especificado para simular un pronóstico para el período de retención. Compare las ventas reales con las previsiones simuladas para el período de retención. Calcular el POA o el MAD para determinar qué método de pronóstico coincide más estrechamente con las ventas reales pasadas. El sistema utiliza POA o MAD, en función de las opciones de proceso que seleccione. Recomendar una mejor previsión de ajuste por el POA que es más cercano al 100 por ciento (más o menos) o el MAD que está más cerca de cero. 3.2 Métodos de pronóstico JD Edwards EnterpriseOne Forecast Management utiliza 12 métodos para la previsión cuantitativa e indica qué método proporciona el mejor ajuste para la situación de pronóstico. Esta sección discute: Método 1: Porcentaje sobre el año pasado. Método 2: Porcentaje calculado sobre el año pasado. Método 3: año pasado a este año. Método 4: Promedio móvil. Método 5: Aproximación lineal. Método 6: Regresión de mínimos cuadrados. Método 7: Aproximación de Segundo Grado. Método 8: Método flexible. Método 9: Promedio móvil ponderado. Método 10: Suavizado lineal. Método 11: suavizado exponencial. Método 12: suavizado exponencial con tendencia y estacionalidad. Especifique el método que desea utilizar en las opciones de proceso del programa Generación de pronósticos (R34650). La mayoría de estos métodos proporcionan un control limitado. Por ejemplo, puede especificar el peso asignado a los datos históricos recientes o el intervalo de fechas de los datos históricos que se utilizan en los cálculos. Los ejemplos de la guía indican el procedimiento de cálculo para cada uno de los métodos de pronóstico disponibles, dados un conjunto idéntico de datos históricos. Los ejemplos de métodos en la guía usan parte o todos estos conjuntos de datos, que son datos históricos de los últimos dos años. La previsión de proyección va en el próximo año. Estos datos del historial de ventas son estables con pequeños aumentos estacionales en julio y diciembre. Este patrón es característico de un producto maduro que podría estar acercándose a la obsolescencia. 3.2.1 Método 1: Porcentaje sobre el año pasado Este método utiliza la fórmula Porcentaje sobre el año pasado para multiplicar cada período de pronóstico por el incremento o disminución porcentual especificado. Para pronosticar la demanda, este método requiere el número de períodos para el mejor ajuste más un año del historial de ventas. Este método es útil para pronosticar la demanda de artículos estacionales con crecimiento o disminución. 3.2.1.1 Ejemplo: Método 1: Porcentaje sobre el año pasado La fórmula Porcentaje sobre el año pasado multiplica los datos de ventas del año anterior por un factor que especifique y luego los proyectos que resultan durante el año siguiente. Este método puede ser útil en el presupuesto para simular el efecto de una tasa de crecimiento especificada o cuando el historial de ventas tiene un componente estacional significativo. Especificaciones de pronóstico: Factor de multiplicación. Por ejemplo, especifique 110 en la opción de procesamiento para aumentar los datos de historial de ventas de años anteriores en un 10 por ciento. Historial de ventas requerido: Un año para calcular el pronóstico, más el número de períodos de tiempo que se requieren para evaluar el rendimiento de pronóstico (períodos de mejor ajuste) que especifique. Esta tabla es la historia usada en el cálculo de pronósticos: pronóstico de febrero es igual a 117 veces 1,1 128,7 redondeado a 129. Pronóstico de marzo es igual a 115 veces 1,1 126,5 redondeado a 127. 3.2.2 Método 2: Porcentaje calculado sobre el año pasado Este método utiliza el porcentaje calculado Fórmula del año pasado para comparar las ventas pasadas de períodos especificados a las ventas de los mismos períodos del año anterior. El sistema determina un porcentaje de aumento o disminución, y luego multiplica cada período por el porcentaje para determinar el pronóstico. Para predecir la demanda, este método requiere el número de períodos del historial de órdenes de venta más un año del historial de ventas. Este método es útil para pronosticar la demanda a corto plazo de artículos estacionales con crecimiento o disminución. 3.2.2.1 Ejemplo: Método 2: Porcentaje calculado durante el año pasado La fórmula calculada sobre el año pasado multiplica los datos de ventas del año anterior por un factor calculado por el sistema y, a continuación, proyecta ese resultado para el año siguiente. Este método puede ser útil para proyectar el efecto de extender la tasa de crecimiento reciente de un producto al siguiente año, a la vez que se preserva un patrón estacional que está presente en el historial de ventas. Especificaciones de pronóstico: Rango de historial de ventas para utilizar en el cálculo de la tasa de crecimiento. Por ejemplo, especifique n igual a 4 en la opción de proceso para comparar el historial de ventas de los cuatro períodos más recientes a esos mismos cuatro períodos del año anterior. Utilice la relación calculada para hacer la proyección para el próximo año. Historial de ventas requerido: Un año para calcular el pronóstico más el número de periodos de tiempo que se requieren para evaluar el desempeño del pronóstico (períodos de mejor ajuste). Esta tabla es la historia utilizada en el cálculo del pronóstico, dado n 4: Pronóstico de febrero es igual a 117 veces 0,9766 114,26 redondeado a 114. Pronóstico de marzo es igual a 115 veces 0,9766 112,31 redondeado a 112. 3.2.3 Método 3: Año pasado a este año Este método utiliza Ventas de los últimos años para los próximos años. Para predecir la demanda, este método requiere el número de periodos que mejor se ajustan más un año del historial de pedidos de ventas. Este método es útil para pronosticar la demanda de productos maduros con demanda de nivel o demanda estacional sin una tendencia. 3.2.3.1 Ejemplo: Método 3: Año pasado a este año La fórmula Año pasado a este año copia los datos de ventas del año anterior al año siguiente. Este método puede ser útil en el presupuesto para simular ventas en el nivel actual. El producto es maduro y no tiene tendencia a largo plazo, pero puede haber un patrón de demanda estacional significativo. Especificaciones de pronóstico: Ninguna. Historial de ventas requerido: Un año para calcular el pronóstico más el número de periodos de tiempo que se requieren para evaluar el desempeño del pronóstico (períodos de mejor ajuste). Esta tabla es la historia utilizada en el cálculo de pronósticos: Pronóstico de enero es igual a enero del año pasado con un valor de pronóstico de 128. Pronóstico de febrero es igual a febrero del año pasado con un valor de pronóstico de 117. Pronóstico de marzo es igual a marzo del año pasado con un valor de previsión de 115. 3.2.4 Método 4: Promedio móvil Este método utiliza la fórmula Promedio móvil para promediar el número especificado de períodos para proyectar el siguiente período. Deberá recalcularlo con frecuencia (mensual o al menos trimestral) para reflejar el cambio en el nivel de demanda. Para predecir la demanda, este método requiere el número de periodos que mejor se ajustan más el número de períodos del historial de órdenes de venta. Este método es útil para pronosticar la demanda de productos maduros sin una tendencia. 3.2.4.1 Ejemplo: Método 4: Moving Average Moving Average (MA) es un método popular para promediar los resultados del historial de ventas reciente para determinar una proyección a corto plazo. El método de pronóstico de MA está a la zaga de las tendencias. El sesgo de pronóstico y los errores sistemáticos ocurren cuando el historial de ventas del producto exhibe una tendencia fuerte o patrones estacionales. Este método funciona mejor para los pronósticos a corto plazo de productos maduros que para productos que están en las etapas de crecimiento o obsolescencia del ciclo de vida. Especificaciones de pronóstico: n es igual al número de períodos del historial de ventas para usar en el cálculo de pronóstico. Por ejemplo, especifique n 4 en la opción de procesamiento para utilizar los cuatro períodos más recientes como base para la proyección en el siguiente período de tiempo. Un valor grande para n (como 12) requiere más historial de ventas. Esto resulta en un pronóstico estable, pero es lento para reconocer los cambios en el nivel de ventas. Por el contrario, un valor pequeño para n (como 3) es más rápido para responder a los cambios en el nivel de ventas, pero el pronóstico podría fluctuar tan ampliamente que la producción no puede responder a las variaciones. Historial de ventas requerido: n más el número de periodos de tiempo que se requieren para evaluar el rendimiento de la previsión (períodos de mejor ajuste). Esta tabla es la historia utilizada en el cálculo de la previsión: pronóstico de febrero es igual a (114 119 137 125) / 4 123.75 redondeado a 124. Pronóstico de marzo es igual a (119 137 125 124) / 4 126,25 redondeado a 126. 3.2.5 Método 5: Aproximación lineal Este método utiliza la fórmula de aproximación lineal para calcular una tendencia a partir del número de períodos del historial de órdenes de venta y proyectar esta tendencia al pronóstico. Debe recalcular la tendencia mensualmente para detectar cambios en las tendencias. Este método requiere el número de períodos de mejor ajuste más el número de períodos especificados del historial de órdenes de venta. Este método es útil para predecir la demanda de nuevos productos o productos con tendencias positivas o negativas consistentes que no se deban a fluctuaciones estacionales. 3.2.5.1 Ejemplo: Método 5: Aproximación lineal La aproximación lineal calcula una tendencia que se basa en dos puntos de datos del historial de ventas. Estos dos puntos definen una línea de tendencia recta que se proyecta hacia el futuro. Utilice este método con precaución porque los pronósticos a largo plazo son aprovechados por pequeños cambios en sólo dos puntos de datos. Especificaciones de pronóstico: n es igual al punto de datos del historial de ventas que se compara con el punto de datos más reciente para identificar una tendencia. Por ejemplo, especifique n 4 para utilizar la diferencia entre diciembre (datos más recientes) y agosto (cuatro períodos antes de diciembre) como base para calcular la tendencia. Historial de ventas mínimo requerido: n más 1 más el número de periodos de tiempo que se requieren para evaluar el rendimiento de la previsión (períodos de mejor ajuste). Esta tabla es la historia utilizada en el cálculo del pronóstico: Pronóstico de enero Diciembre del año pasado 1 (Tendencia) que es igual a 137 (1 vez 2) 139. Pronóstico de febrero Diciembre del año pasado 1 (Tendencia) que es igual a 137 (2 veces 2) 141. El método de regresión de mínimos cuadrados (LSR) deriva una ecuación que describe una relación de línea recta entre los datos de ventas históricas Y el paso del tiempo. LSR ajusta una línea al rango seleccionado de datos de modo que se minimiza la suma de los cuadrados de las diferencias entre los puntos de datos de ventas reales y la línea de regresión. El pronóstico es una proyección de esta línea recta hacia el futuro. Este método requiere el historial de datos de ventas para el período que se representa por el número de períodos mejor ajustados más el número especificado de períodos de datos históricos. El requisito mínimo es dos puntos de datos históricos. Este método es útil para pronosticar la demanda cuando existe una tendencia lineal en los datos. 3.2.6.1 Ejemplo: Método 6: Regresión lineal de regresión de mínimos cuadrados, o Regresión de mínimos cuadrados (LSR), es el método más popular para identificar una tendencia lineal en los datos históricos de ventas. El método calcula los valores para ayb que se utilizarán en la fórmula: Esta ecuación describe una línea recta, donde Y representa las ventas y X representa el tiempo. La regresión lineal es lenta para reconocer los puntos de giro y los cambios en la función escalonada de la demanda. La regresión lineal se ajusta en línea recta a los datos, incluso cuando los datos son estacionales o mejor descritos por una curva. Cuando los datos del historial de ventas siguen una curva o tienen un patrón estacional fuerte, se producen sesgos de previsión y errores sistemáticos. Especificaciones de pronóstico: n es igual a los períodos del historial de ventas que se utilizarán para calcular los valores de ayb. Por ejemplo, especifique n 4 para utilizar el historial de septiembre a diciembre como base para los cálculos. Cuando los datos están disponibles, un n más grande (como n 24) se utilizaría normalmente. LSR define una línea para tan sólo dos puntos de datos. Para este ejemplo, se escogió un pequeño valor para n (n 4) para reducir los cálculos manuales que se requieren para verificar los resultados. Historial de ventas mínimo requerido: n períodos más el número de periodos de tiempo que se requieren para evaluar el desempeño de la previsión (períodos de mejor ajuste). Esta tabla es la historia utilizada en el cálculo de pronóstico: pronóstico de marzo es igual a 119.5 (7 veces 2.3) 135.6 redondeado a 136. 3.2.7 Método 7: Aproximación de Segundo Grado Para proyectar el pronóstico, este método utiliza la fórmula de Aproximación de Segundo Grado para trazar una curva Que se basa en el número de períodos del historial de ventas. Este método requiere el número de periodos mejor ajustados más el número de períodos del historial de pedidos de ventas tres veces. Este método no es útil para pronosticar la demanda a largo plazo. 3.2.7.1 Ejemplo 7: Aproximación de Segundo Grado La Regresión Lineal determina los valores para ayb en la fórmula de pronóstico Y a b X con el objetivo de ajustar una línea recta a los datos del historial de ventas. La aproximación de segundo grado es similar, pero este método determina los valores de a, by c en la fórmula de pronóstico: Y a b X c X 2 El objetivo de este método es ajustar una curva a los datos del historial de ventas. Este método es útil cuando un producto está en la transición entre las etapas del ciclo de vida. Por ejemplo, cuando un nuevo producto pasa de la fase de introducción a la de crecimiento, la tendencia de ventas podría acelerarse. Debido al término de segundo orden, el pronóstico puede acercarse rápidamente al infinito o caer a cero (dependiendo de si el coeficiente c es positivo o negativo). Este método es útil sólo en el corto plazo. Especificaciones de pronóstico: la fórmula encuentra a, b yc para ajustar una curva a exactamente tres puntos. Especifique n, el número de períodos de tiempo de datos que se acumulan en cada uno de los tres puntos. En este ejemplo, n 3. Los datos reales de ventas de abril a junio se combinan en el primer punto, Q1. Julio a septiembre se suman para crear Q2, y octubre a diciembre suma a Q3. La curva se adapta a los tres valores Q1, Q2 y Q3. Historial de ventas requerido: 3 veces n períodos para calcular el pronóstico más el número de periodos de tiempo que se requieren para evaluar el desempeño de la previsión (períodos de mejor ajuste). Esta tabla es la historia usada en el cálculo de pronóstico: Q0 (Jan) (Feb) (Mar) Q1 (Abr) (Mayo) (Jun) que es igual a 125 129 137 384 Q2 (Jul) (Aug) (Sep) El siguiente paso consiste en calcular los tres coeficientes a, by c que se utilizarán en la fórmula de previsión Y ab X c X 2. Q1, Q2 y Q3 se presentan en el gráfico, donde el tiempo se representa en el eje horizontal. Q1 representa las ventas históricas totales para abril, mayo y junio y se representa en X 1 Q2 corresponde a julio a septiembre Q3 corresponde a octubre a diciembre y Q4 a enero a marzo. Este gráfico ilustra el trazado de Q1, Q2, Q3 y Q4 para la aproximación de segundo grado: Figura 3-2 Trazado Q1, Q2, Q3 y Q4 para la aproximación de segundo grado Tres ecuaciones describen los tres puntos del gráfico: (1) Q1 (3) Q3 a bX cX 2 donde X 3 (Q3 a 3b 9c) Resuelve las tres ecuaciones simultáneamente Para encontrar b, ay c: Reste la ecuación 1 (1) de la ecuación 2 (2) y resuelva para b: (2) ndash (1) Q2 ndash Q1 b 3c b (Q2 ndash Q1) ndash 3c Sustituya esta ecuación por B en la ecuación (3): (3) Q3 a 3 (Q2 ndash Q1) ndash 3c 9c a Q3 ndash 3 (Q2 ndash Q1) Finalmente, sustitúyase estas ecuaciones para ayb en la ecuación (1): (1) Q3 ndash El método de Aproximación de Segundo Grado calcula a, byc como sigue: a Q3 ndash 3 (Q2 ndash Q1) (Q2 ndash Q1) ndash 3c c Q1 c (Q3 ndash Q2) Q1) 370 ndash 3 (400 ndash 384) 370 ndash 3 (16) 322 b (Q2 ndash Q1) ndash3c (400 ndash 384) ndash (3 veces ndash23) 16 69 85 c (Q3 ndash Q2) 2 (370 ndash 400) (384 ndash 400) / 2 ndash23 Este es un cálculo de la predicción de aproximación de segundo grado: Y a bX cX 2 322 85X (ndash23) (X2) Cuando X4, Q4 322 340 ndash 368 294. La Pronóstico es igual a 294/3 98 por período. Cuando X 5, Q5 322 425 ndash 575 172. El pronóstico es igual a 172/3 58,33 redondeado a 57 por período. Cuando X 6, Q 6 322 510 ndash 828 4. El pronóstico es igual a 4/3 1,33 redondeado a 1 por período. Esta es la previsión para el próximo año, del año pasado a este año: 3.2.8 Método 8: Método flexible Este método le permite seleccionar el número de períodos de orden de ventas que se inicia n meses antes de la fecha de inicio prevista y Aplicar un aumento porcentual o disminuir el factor de multiplicación con el que modificar el pronóstico. Este método es similar al método 1, porcentaje sobre el año pasado, excepto que puede especificar el número de períodos que utiliza como base. Dependiendo de lo que selecciona como n, este método requiere períodos mejor ajustados más el número de períodos de datos de ventas que se indica. Este método es útil para pronosticar la demanda de una tendencia planificada. 3.2.8.1 Ejemplo: Método 8: Método Flexible El Método Flexible (Porcentaje sobre n Meses Previo) es similar al Método 1, Porcentaje Sobre el Año Pasado. Both methods multiply sales data from a previous time period by a factor specified by you, and then project that result into the future. En el método Porcentaje sobre el año pasado, la proyección se basa en datos del mismo período del año anterior. You can also use the Flexible Method to specify a time period, other than the same period in the last year, to use as the basis for the calculations. Factor de multiplicación. For example, specify 110 in the processing option to increase previous sales history data by 10 percent. Base period. For example, n 4 causes the first forecast to be based on sales data in September of last year. Minimum required sales history: the number of periods back to the base period plus the number of time periods that is required for evaluating the forecast performance (periods of best fit). This table is history used in the forecast calculation: 3.2.9 Method 9: Weighted Moving Average The Weighted Moving Average formula is similar to Method 4, Moving Average formula, because it averages the previous months sales history to project the next months sales history. However, with this formula you can assign weights for each of the prior periods. This method requires the number of weighted periods selected plus the number of periods best fit data. Similar to Moving Average, this method lags behind demand trends, so this method is not recommended for products with strong trends or seasonality. This method is useful to forecast demand for mature products with demand that is relatively level. 3.2.9.1 Example: Method 9: Weighted Moving Average The Weighted Moving Average (WMA) method is similar to Method 4, Moving Average (MA). However, you can assign unequal weights to the historical data when using WMA. The method calculates a weighted average of recent sales history to arrive at a projection for the short term. More recent data is usually assigned a greater weight than older data, so WMA is more responsive to shifts in the level of sales. However, forecast bias and systematic errors occur when the product sales history exhibits strong trends or seasonal patterns. This method works better for short range forecasts of mature products than for products in the growth or obsolescence stages of the life cycle. The number of periods of sales history (n) to use in the forecast calculation. For example, specify n 4 in the processing option to use the most recent four periods as the basis for the projection into the next time period. Un valor grande para n (como 12) requiere más historial de ventas. Such a value results in a stable forecast, but it is slow to recognize shifts in the level of sales. Conversely, a small value for n (such as 3) responds more quickly to shifts in the level of sales, but the forecast might fluctuate so widely that production cannot respond to the variations. The weight that is assigned to each of the historical data periods. The assigned weights must total 1.00. For example, when n 4, assign weights of 0.50, 0.25, 0.15, and 0.10 with the most recent data receiving the greatest weight. Minimum required sales history: n plus the number of time periods that are required for evaluating the forecast performance (periods of best fit). This table is history used in the forecast calculation: January forecast equals (131 times 0.10) (114 times 0.15) (119 times 0.25) (137 times 0.50) / (0.10 0.15 0.25 0.50) 128.45 rounded to 128. February forecast equals (114 times 0.10) (119 times 0.15) (137 times 0.25) (128 times 0.50) / 1 127.5 rounded to 128. March forecast equals (119 times 0.10) (137 times 0.15) (128 times 0.25) (128 times 0.50) / 1 128.45 rounded to 128. 3.2.10 Method 10: Linear Smoothing This method calculates a weighted average of past sales data. In the calculation, this method uses the number of periods of sales order history (from 1 to 12) that is indicated in the processing option. The system uses a mathematical progression to weigh data in the range from the first (least weight) to the final (most weight). Then the system projects this information to each period in the forecast. This method requires the months best fit plus the sales order history for the number of periods that are specified in the processing option. 3.2.10.1 Example: Method 10: Linear Smoothing This method is similar to Method 9, WMA. Sin embargo, en lugar de asignar arbitrariamente pesos a los datos históricos, se utiliza una fórmula para asignar pesos que disminuyen linealmente y sumen a 1,00. El método entonces calcula un promedio ponderado del historial de ventas reciente para llegar a una proyección a corto plazo. Like all linear moving average forecasting techniques, forecast bias and systematic errors occur when the product sales history exhibits strong trend or seasonal patterns. This method works better for short range forecasts of mature products than for products in the growth or obsolescence stages of the life cycle. n equals the number of periods of sales history to use in the forecast calculation. For example, specify n equals 4 in the processing option to use the most recent four periods as the basis for the projection into the next time period. The system automatically assigns the weights to the historical data that decline linearly and sum to 1.00. For example, when n equals 4, the system assigns weights of 0.4, 0.3, 0.2, and 0.1, with the most recent data receiving the greatest weight. Minimum required sales history: n plus the number of time periods that are required for evaluating the forecast performance (periods of best fit). This table is history used in the forecast calculation: 3.2.11 Method 11: Exponential Smoothing This method calculates a smoothed average, which becomes an estimate representing the general level of sales over the selected historical data periods. This method requires sales data history for the time period that is represented by the number of periods best fit plus the number of historical data periods that are specified. The minimum requirement is two historical data periods. This method is useful to forecast demand when no linear trend is in the data. 3.2.11.1 Example: Method 11: Exponential Smoothing This method is similar to Method 10, Linear Smoothing. In Linear Smoothing, the system assigns weights that decline linearly to the historical data. In Exponential Smoothing, the system assigns weights that exponentially decay. The equation for Exponential Smoothing forecasting is: Forecast alpha (Previous Actual Sales) (1 ndashalpha) (Previous Forecast) The forecast is a weighted average of the actual sales from the previous period and the forecast from the previous period. Alpha is the weight that is applied to the actual sales for the previous period. (1 ndash alpha) is the weight that is applied to the forecast for the previous period. Values for alpha range from 0 to 1 and usually fall between 0.1 and 0.4. The sum of the weights is 1.00 (alpha (1 ndash alpha) 1). You should assign a value for the smoothing constant, alpha. If you do not assign a value for the smoothing constant, the system calculates an assumed value that is based on the number of periods of sales history that is specified in the processing option. alpha equals the smoothing constant that is used to calculate the smoothed average for the general level or magnitude of sales. Values for alpha range from 0 to 1. n equals the range of sales history data to include in the calculations. Generally, one year of sales history data is sufficient to estimate the general level of sales. For this example, a small value for n (n 4) was chosen to reduce the manual calculations that are required to verify the results. Exponential Smoothing can generate a forecast that is based on as little as one historical data point. Minimum required sales history: n plus the number of time periods that are required for evaluating the forecast performance (periods of best fit). This table is history used in the forecast calculation: 3.2.12 Method 12: Exponential Smoothing with Trend and Seasonality This method calculates a trend, a seasonal index, and an exponentially smoothed average from the sales order history. The system then applies a projection of the trend to the forecast and adjusts for the seasonal index. This method requires the number of periods best fit plus two years of sales data, and is useful for items that have both trend and seasonality in the forecast. You can enter the alpha and beta factor, or have the system calculate them. Alpha and beta factors are the smoothing constant that the system uses to calculate the smoothed average for the general level or magnitude of sales (alpha) and the trend component of the forecast (beta). 3.2.12.1 Example: Method 12: Exponential Smoothing with Trend and Seasonality This method is similar to Method 11, Exponential Smoothing, in that a smoothed average is calculated. Sin embargo, el Método 12 también incluye un término en la ecuación de pronóstico para calcular una tendencia suavizada. The forecast is composed of a smoothed average that is adjusted for a linear trend. Cuando se especifica en la opción de procesamiento, el pronóstico también se ajusta a la estacionalidad. Alpha equals the smoothing constant that is used in calculating the smoothed average for the general level or magnitude of sales. Values for alpha range from 0 to 1. Beta equals the smoothing constant that is used in calculating the smoothed average for the trend component of the forecast. Values for beta range from 0 to 1. Whether a seasonal index is applied to the forecast. Alpha and beta are independent of one another. They do not have to sum to 1.0. Minimum required sales history: One year plus the number of time periods that are required to evaluate the forecast performance (periods of best fit). When two or more years of historical data is available, the system uses two years of data in the calculations. Method 12 uses two Exponential Smoothing equations and one simple average to calculate a smoothed average, a smoothed trend, and a simple average seasonal index. An exponentially smoothed average: An exponentially smoothed trend: A simple average seasonal index: Figure 3-3 Simple Average Seasonal Index The forecast is then calculated by using the results of the three equations: L is the length of seasonality (L equals 12 months or 52 weeks). t is the current time period. m is the number of time periods into the future of the forecast. S is the multiplicative seasonal adjustment factor that is indexed to the appropriate time period. This table lists history used in the forecast calculation: This section provides an overview of Forecast Evaluations and discusses: You can select forecasting methods to generate as many as 12 forecasts for each product. Each forecasting method might create a slightly different projection. When thousands of products are forecast, a subjective decision is impractical regarding which forecast to use in the plans for each product. The system automatically evaluates performance for each forecasting method that you select and for each product that you forecast. You can select between two performance criteria: MAD and POA. MAD es una medida del error de pronóstico. POA es una medida del sesgo de pronóstico. Both of these performance evaluation techniques require actual sales history data for a period specified by you. The period of recent history used for evaluation is called a holdout period or period of best fit. To measure the performance of a forecasting method, the system: Uses the forecast formulas to simulate a forecast for the historical holdout period. Makes a comparison between the actual sales data and the simulated forecast for the holdout period. When you select multiple forecast methods, this same process occurs for each method. Multiple forecasts are calculated for the holdout period and compared to the known sales history for that same period. The forecasting method that produces the best match (best fit) between the forecast and the actual sales during the holdout period is recommended for use in the plans. This recommendation is specific to each product and might change each time that you generate a forecast. 3.3.1 Mean Absolute Deviation Mean Absolute Deviation (MAD) is the mean (or average) of the absolute values (or magnitude) of the deviations (or errors) between actual and forecast data. MAD is a measure of the average magnitude of errors to expect, given a forecasting method and data history. Because absolute values are used in the calculation, positive errors do not cancel out negative errors. When comparing several forecasting methods, the one with the smallest MAD is the most reliable for that product for that holdout period. When the forecast is unbiased and errors are normally distributed, a simple mathematical relationship exists between MAD and two other common measures of distribution, which are standard deviation and Mean Squared Error. For example: MAD (Sigma (Actual) ndash (Forecast)) n Standard Deviation, (sigma) cong 1.25 MAD Mean Squared Error cong ndashsigma2 This example indicates the calculation of MAD for two of the forecasting methods. This example assumes that you have specified in the processing option that the holdout period length (periods of best fit) is equal to five periods. 3.3.1.1 Method 1: Last Year to This Year This table is history used in the calculation of MAD, given Periods of Best Fit 5: Mean Absolute Deviation equals (2 1 20 10 14) / 5 9.4. Based on these two choices, the Moving Average, n 4 method is recommended because it has the smaller MAD, 9.4, for the given holdout period. 3.3.2 Percent of Accuracy Percent of Accuracy (POA) is a measure of forecast bias. Cuando las previsiones son consistentemente demasiado altas, los inventarios se acumulan y los costos de inventario aumentan. 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. En los servicios, la magnitud de los errores de pronóstico suele ser más importante de lo previsto. 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). If the manager does not order enough carpet from the carpet mill, customers will buy their carpet from one of Carpet City many competitors. The manager has collected the following demand data for the past eight month Month Demand for Soft Shag Carpet 1,000 yd 1 8 2 12 3 7 4 9 5 15 6 11 7 10 8 12 Compute a 3 month moving average forecast for month 4 through 9 Compute a weighed 3 month moving average forecast for months 4 through 9. Assign weights of .53. 33,and .12 to the month in sequence, starting with the most recent month. Compare the two forecast by using MAD, which forecast appears to be more accurate. Solution Preview Please refer to the attachment Solution. xlsx for the working and. Solution Summary A 3 Month Moving Average Forecast and another 3 Month Weighted Moving Average Forecast, using different smoothing/weighing factors, has been performed in Excel. Forecast Error (MAD) has been calculated and the two forecasts has been compared using these MAD values. Add Solution to Cart Remove from Cart