Beispiel Gewichtete Gleitende Durchschnitt Prognose

A Prognoseberechnungsbeispiele. 1 PrognoseberechnungsmethodenTuchmethoden zur Berechnung von Prognosen sind verfügbar Die meisten dieser Methoden sorgen für eine begrenzte Benutzersteuerung. Beispielsweise kann das Gewicht der aktuellen historischen Daten oder der Datumsbereich der in den Berechnungen verwendeten historischen Daten sein Spezifiziert Die folgenden Beispiele zeigen das Berechnungsverfahren für jede der verfügbaren Prognosemethoden, wobei ein identischer Satz historischer Daten vorliegt. Die folgenden Beispiele verwenden die gleichen Verkaufsdaten von 2004 und 2005, um eine Umsatzprognose von 2006 zu erstellen. Zusätzlich zur Prognoseberechnung ist jedes Beispiel Enthält eine simulierte Prognose von 2005 für eine dreimonatige Holdout-Periode Verarbeitungsoption 19 3, die dann für Prozent der Genauigkeit verwendet wird und mittlere Absolutabweichung Berechnungen tatsächlichen Umsatz im Vergleich zu simulierten Prognose. A 2 Prognose Performance Evaluation Criteria. Depending auf Ihre Auswahl an Verarbeitungsoptionen und Auf die Trends und Muster, die in den Verkaufsdaten vorhanden sind, einige Prognosemethoden Wird besser als andere für einen gegebenen historischen Datensatz ausführen Eine Prognosemethode, die für ein Produkt geeignet ist, ist möglicherweise nicht für ein anderes Produkt geeignet. Es ist auch unwahrscheinlich, dass eine Prognosemethode, die in einem Stadium des Lebenszyklus eines Produkts gute Ergebnisse liefert, bleibt Während des gesamten Lebenszyklus. Sie können zwischen zwei Methoden wählen, um die aktuelle Leistung der Prognose-Methoden zu bewerten Dies sind Mean Absolute Deviation MAD und Prozent der Genauigkeit POA Beide dieser Performance-Evaluierung Methoden erfordern historische Verkaufsdaten für einen Benutzer bestimmten Zeitraum Diese Zeitspanne wird als Halteperiode oder Perioden bezeichnet, die am besten pBF passen. Die Daten in diesem Zeitraum dienen als Grundlage für die Empfehlung, welche der Prognosemethoden bei der Herstellung der nächsten Prognoseprojektion verwendet werden. Diese Empfehlung ist für jedes Produkt spezifisch und kann sich ändern Von einer Prognoseerzeugung zur nächsten Die beiden prognostizierten Leistungsbewertungsmethoden werden in der pa Ges nach den Beispielen für die zwölf Vorhersagemethoden. 3 Methode 1 - Festgelegter Prozentsatz über letztes Jahr. Diese Methode multipliziert die Verkaufsdaten des Vorjahres mit einem vom Benutzer angegebenen Faktor, zB 1 10 für 10 Zunahme oder 0 97 für a 3 Abnahme. Berforderte Verkaufshistorie Ein Jahr für die Berechnung der Prognose plus der Benutzer spezifizierte Anzahl von Zeiträumen für die Bewertung der Prognose Performance-Verarbeitung Option 19.A 4 1 Prognose Berechnung. Range der Umsatz Geschichte bei der Berechnung der Wachstumsfaktor Verarbeitung Option 2a 3 in diesem verwenden Beispiel. Sum die letzten drei Monate des Jahres 2005 114 119 137 370.Sum die gleichen drei Monate für das Vorjahr 123 139 133 395.Der berechnete Faktor 370 395 0 9367.Calculate die Prognosen. Januar, 2005 Umsatz 128 0 9367 119 8036 oder Etwa 120.Februar, 2005 Umsatz 117 0 9367 109 5939 oder etwa 110.März, 2005 Umsatz 115 0 9367 107 7205 oder etwa 108.A 4 2 Simulierte Prognose Berechnung. Sum die drei Monate des Jahres 2005 vor Holdout Zeitraum Juli, Aug, Sept.129 140 131 400.Sum die gleichen drei Monate für das Vorjahr.141 128 118 387.Der berechnete Faktor 400 387 1 033591731.Calculate simulierte Prognose. Oktober, 2004 Umsatz 123 1 033591731 127 13178.November 2004 Umsatz 139 1 033591731 143 66925.December, 2004 Umsatz 133 1 033591731 137 4677.A 4 3 Prozent der Genauigkeitsberechnung. POA 127 13178 143 66925 137 4677 114 119 137 100 408 26873 370 100 110 3429.A 4 4 Mittlere Absolutabweichungsberechnung. MAD 127 13178 - 114 143 66925 - 119 137 4677- 137 3 13 13178 24 66925 0 4677 3 12 75624.A 5 Methode 3 - Letztes Jahr in diesem Jahr. Diese Methode kopiert die Verkaufsdaten vom Vorjahr auf das nächste Jahr. Erforderliche Verkaufsgeschichte Ein Jahr für die Berechnung der Prognose Plus die Anzahl der für die Auswertung der Prognoseleistungsverarbeitungsoption festgelegten Zeiträume 19.A 6 1 Prognoseberechnung. Zahl der Perioden, die in die durchschnittliche Verarbeitungsoption 4a 3 in diesem Beispiel aufgenommen werden sollen. Für jeden Monat der Prognose durchschnittlich die letzten drei Monate S Daten. Januar Prognose 114 119 13 7 370, 370 3 123 333 oder 123.Februarprognose 119 137 123 379, 379 3 126 333 oder 126.Märzvorhersage 137 123 126 379, 386 3 128 667 oder 129.A 6 2 Simulierte Prognoseberechnung. Oktober 2005 Umsatz 129 140 131 3 133 3333.November 2005 Umsatz 140 131 114 3 128 3333.Dekember 2005 Umsatz 131 114 119 3 121 3333.A 6 3 Prozent der Genauigkeitsberechnung. POA 133 3333 128 3333 121 3333 114 119 137 100 103 513.A 6 4 Mittlere Absolute Abweichungsberechnung. MAD 133 3333 - 114 128 3333 - 119 121 3333 - 137 3 14 7777.A 7 Methode 5 - Lineare Approximation. Linear Die Approximation berechnet einen Trend, der auf zwei Verkaufsverlaufsdatenpunkten basiert. Diese beiden Punkte definieren einen geraden Trend Linie, die in die Zukunft projiziert wird Verwenden Sie diese Methode mit Vorsicht, da Langstrecken-Prognosen durch kleine Änderungen in nur zwei Datenpunkten genutzt werden. Gebene Verkaufsgeschichte Die Anzahl der Perioden in Regressionsverarbeitung Option 5a, plus 1 plus die Anzahl der Zeit enthalten Perioden für die Bewertung der Prognoseleistungsverarbeitungsoption 19.A 8 1 Für Ecast Calculation. Number von Perioden, die in Regressionsverarbeitung Option 6a 3 in diesem Beispiel enthalten. Für jeden Monat der Prognose, fügen Sie die Erhöhung oder Abnahme während der angegebenen Zeiträume vor der Halteperiode der vorherigen Periode. Ausstattung der letzten drei Monate 114 119 137 3 123 3333. Zusammenfassung der letzten drei Monate mit Gewicht berücksichtigt. 114 1 119 2 137 3 763.Differenz zwischen den Werten. 763 - 123 3333 1 2 3 23.Ratio 1 2 2 2 3 2 - 2 3 14 - 12 2.Value1 Differenzverhältnis 23 2 11 5.Value2 Durchschnitt - Wert1 Verhältnis 123 3333 - 11 5 2 100 3333.Forecast 1 n Wert1 Wert2 4 11 5 100 3333 146 333 oder 146.Forecast 5 11 5 100 3333 157 8333 oder 158.Forecast 6 11 5 100 3333 169 3333 oder 169.A 8 2 Simulierte Prognoseberechnung. Oktober 2004 sales. Average der letzten drei Monate . 129 140 131 3 133 3333. Zusammenfassung der letzten drei Monate mit Gewicht betrachtet. 129 1 140 2 131 3 802.Differenz zwischen den Werten. 802 - 133 3333 1 2 3 2.Ratio 1 2 2 2 3 2 - 2 3 14 - 12 2.Value1 Differenzverhältnis 2 2 1.Value2 Durchschnitt - Wert1 Verhältnis 133 3333 - 1 2 131 3333.Forecast 1 n Wert1 Wert2 4 1 131 3333 135 3333.November 2004 sales. Average der letzten drei Monate. 140 131 114 3 128 3333. Zusammenfassung der letzten drei Monate mit Gewicht berücksichtigt. 140 1 131 2 114 3 744.Differenz zwischen den Werten 744 - 128 3333 1 2 3 -25 9999.Value1 Differenzverhältnis -25 9999 2 -12 9999.Value2 Durchschnitt - Wert1 Verhältnis 128 3333 - -12 9999 2 154 3333.Forecast 4 -12 9999 154 3333 102 3333.Dekember 2004 sales. Average der letzten drei Monate. 131 114 119 3 121 3333. Zusammenfassung der letzten drei Monate mit Gewicht betrachtet. 131 1 114 2 119 3 716.Differenz zwischen den Werten. 716 - 121 3333 1 2 3 -11 9999.Value1 Differenzverhältnis -11 9999 2 -5 9999.Value2 Durchschnitt - Wert1 Verhältnis 121 3333 - -5 9999 2 133 3333.Forecast 4 -5 9999 133 3333 109 3333.A 8 3 Prozentsatz der Genauigkeitsberechnung. POA 135 33 102 33 109 33 114 119 137 100 93 78.A 8 4 Mittlere Absolutabweichungsberechnung. MAD 135 33 - 114 102 33 - 119 109 33 - 137 3 21 88.A 9 Methode 7 - Zweitens Grad Approximation. Linear Regression bestimmt Werte für a und b in der Prognoseformel Y a bX mit dem Ziel, eine Gerade an die Verkaufsgeschichte Daten anzupassen Zweite Grad Approximation ist ähnlich Diese Methode bestimmt jedoch Werte für a, b und c in Die Prognoseformel Y a bX cX2 mit dem Ziel, eine Kurve an die Verkaufsgeschichtsdaten anzupassen Diese Methode kann nützlich sein, wenn ein Produkt im Übergang zwischen den Phasen eines Lebenszyklus ist. Wenn beispielsweise ein neues Produkt von der Einführung in die Wachstumsstadien bewegt wird , Kann sich die Umsatzentwicklung beschleunigen. Aufgrund der zweiten Bestellung kann sich die Prognose schnell nähern Unendlichkeit oder Tropfen auf Null, je nachdem, ob der Koeffizient c positiv oder negativ ist. Daher ist diese Methode nur kurzfristig nützlich. Forecast-Spezifikationen Die Formeln finden a, b und c, um eine Kurve auf genau drei Punkte zu setzen. Sie geben n in der Verarbeitungsoption 7a, die Anzahl der Zeitperioden der Daten, um sich in jeden der drei Punkte zu akkumulieren In diesem Beispiel n 3 Daher werden die tatsächlichen Verkaufsdaten für April bis Juni in den ersten Punkt zusammengefasst, Q1 Juli bis September werden zusammen addiert, um Q2 zu erstellen Und Oktober bis Dezember Summe auf Q3 Die Kurve wird an die drei Werte Q1, Q2 und Q3 angepasst. Erforderliche Verkaufshistorie 3 n Perioden für die Berechnung der Prognose plus die Anzahl der Zeiträume, die für die Auswertung der Prognoseleistung erforderlich sind PBF. Number of Perioden, um die Verarbeitungsoption 7a 3 in diesem Beispiel aufzunehmen. Verwenden Sie die vorherigen 3 n Monate in dreimonatigen Blocks. Qu1 Apr - Jun 125 122 137 384.Q2 Jul - Sep 129 140 131 400.Q3 Okt - Dec 114 119 137 370. Der nächste Schritt beinhaltet c Wobei die drei Koeffizienten a, b und c in der Vorhersageformel Y a bX cX 2 verwendet werden. 1 Q1 a bX cX 2 wobei X 1 a b c ist. 2 Q2 a bX cX 2 wobei X 2 a 2b 4c ist. 3 Q3 a bX cX 2 wobei X 3 a 3b 9c die drei Gleichungen gleichzeitig analysieren, um b, a und c zu finden. Gleichung Gleichung 1 aus Gleichung 2 zu addieren und für b zu lösen. Diese Gleichung für b in Gleichung 3 einzustellen. 3 Q3 a 3 Q2 - Q1 - 3c c. Schließen Sie diese Gleichungen für a und b in Gleichung 1. Q3 - 3 Q2 - Q1 q2 - Q1 - 3c c Q1.c Q3 - Q2 Q1 - Q2 2.Die zweite Grad Approximation Methode berechnet A, b und c wie folgt. a Q3 - 3 Q2 - Q1 370 - 3 400 - 384 322.c Q3 - Q2 Q1 - Q2 2 370 - 400 384 - 400 2 -23.b Q2 - Q1 - 3c 400 - 384 - 3 -23 85.Y a bX cX 2 322 85 X -23 X 2.Januar bis März Vorhersage X 4. 322 340 - 368 3 294 3 98 pro Periode. April bis Juni Prognose X 5. 322 425 - 575 3 57 333 oder 57 pro Zeitraum. Juli bis September Prognose X 6. 322 510 - 828 3 1 33 oder 1 pro Zeitraum. Oktober bis Dezember X 7. 322 595 - 1127 3 -70.A 9 2 Simulierte Prognose Berechnung. Oktober, November Und Dezember 2004 sales. Q1 Jan - Mar 360.Q2 Apr - Jun 384.Q3 Jul - Sep 400.a 400 - 3 384 - 360 328.c 400 - 384 360 - 384 2 -4.b 384 - 360 - 3 -4 36. 328 36 4 -4 16 3 136.A 9 3 Prozent der Genauigkeitsberechnung. POA 136 136 136 114 119 137 100 110 27.A 9 4 Mittlere Absolutabweichungsberechnung. MAD 136 - 114 136 - 119 136 - 137 3 13 33.A 10 Methode 8 - Flexible Methode. Die Flexible Methode Prozent über n Monate Prior ist ähnlich wie Methode 1, Prozent über letztes Jahr Beide Methoden multiplizieren Verkaufsdaten aus einer vorherigen Zeitspanne durch einen vom Benutzer angegebenen Faktor , Dann projizieren Sie das Ergebnis in die Zukunft In der Percent Over Last Year Methode basiert die Projektion auf Daten aus dem gleichen Zeitraum im Vorjahr Die Flexible Methode fügt die Möglichkeit hinzu, einen anderen Zeitraum als den gleichen Zeitraum des Vorjahres anzugeben Verwendung als Grundlage für die Berechnungen. Multiplikationsfaktor Geben Sie z. B. 1 15 in der Verarbeitungsoption 8b an, um die bisherigen Verkaufsverlaufsdaten um 15.Basisperiode zu erhöhen. Beispielsweise wird n 3 die erste Prognose auf Verkaufsdaten in Oktober 2005.Minimum Verkaufsgeschichte Der Benutzer angegebene Nummer o F Perioden zurück zur Basisperiode plus die Anzahl der Zeiträume, die für die Auswertung der Prognoseleistung erforderlich sind. PBF. 10 4 Mittlere Absolute Abweichungsberechnung. MAD 148 - 114 161 - 119 151 - 137 3 30.A 11 Methode 9 - Gewichtetes Verschieben Durchschnittlich Die gewichtete Moving Average WMA Methode ähnelt Methode 4, Moving Average MA Mit dem Weighted Moving Average können Sie den historischen Daten ungleiche Gewichte zuordnen. Die Methode berechnet einen gewichteten Durchschnitt der letzten Verkaufsgeschichte, um eine Projektion für die Kurzfristig Neuere Daten werden in der Regel ein größeres Gewicht als ältere Daten zugewiesen, so dass WMA eher auf Verschiebungen im Umsatzniveau reagiert. Allerdings treten prognostizierte Bias und systematische Fehler immer noch auf, wenn die Produktverkäufe Geschichte starken Trend oder saisonalen Mustern aufweist Methode funktioniert besser für kurzfristige Prognosen von reifen Produkten anstatt für Produkte in der Wachstums - oder Obsoleszenzstadien des Lebenszyklus. n die Anzahl der Perioden der Verkaufsgeschichte zu verwenden in Die Prognoseberechnung Geben Sie z. B. n 3 in der Verarbeitungsoption 9a an, um die letzten drei Perioden als Grundlage für die Projektion in den nächsten Zeitraum zu verwenden. Ein großer Wert für n wie 12 erfordert mehr Umsatzhistorie Es ergibt eine stabile Prognose , Aber wird langsam zu erkennen Verschiebungen in der Ebene des Umsatzes Auf der anderen Seite wird ein kleiner Wert für n wie 3 reagieren schneller auf Verschiebungen in der Ebene des Umsatzes, aber die Prognose kann so weit schwanken, dass die Produktion nicht reagieren kann Die Variationen. Das Gewicht, das jeder der historischen Datenperioden zugeordnet ist, muss die zugewiesene Gewichte auf 1 00 betragen. Wenn z. B. n 3 Gewichte von 0 6, 0 3 und 0 1 zugewiesen werden, wobei die letzten Daten das größte Gewicht erhalten. Minimum erforderliche Verkaufsgeschichte n plus die Anzahl der Zeiträume, die für die Auswertung der Prognoseleistung erforderlich sind PBF. MAD 133 5 - 114 121 7 - 119 118 7 - 137 3 13 5.A 12 Methode 10 - Lineare Glättung. Diese Methode ist ähnlich Methode 9, gewichtete bewegliche durchschnittliche WMA Wie Sogar, anstelle der willkürlichen Zuordnung von Gewichten zu den historischen Daten, wird eine Formel verwendet, um Gewichte zuzuordnen, die linear abfallen und auf 1 00 summieren. Die Methode berechnet dann einen gewichteten Durchschnitt der letzten Verkaufsgeschichte, um zu einer Projektion für die kurzfristige zu gelangen Echt von allen linearen gleitenden durchschnittlichen Prognosetechniken, prognostizierten Vorurteilen und systematischen Fehlern treten auf, wenn die Produktverkäufe Geschichte starke Tendenz oder saisonale Muster zeigt. Diese Methode arbeitet besser für kurze Reichweitenprognosen von reifen Produkten und nicht für Produkte in den Wachstums - oder Obsoleszenzstadien des Lebens Zyklus. n die Anzahl der Perioden der Verkaufshistorie, die bei der Prognoseberechnung verwendet werden soll. Dies ist in der Verarbeitungsoption 10a angegeben. Geben Sie z. B. n 3 in der Verarbeitungsoption 10b an, um die letzten drei Perioden als Grundlage für die Projektion in die Nächste Zeitperiode Das System ordnet die Gewichte automatisch den historischen Daten zu, die linear abfallen und auf 1 00 summieren. Wenn z. B. n 3 die s Ystem wird Gewichte von 0 5, 0 3333 und 0 1 zuordnen, wobei die aktuellsten Daten das größte Gewicht erhalten. Minimum erforderliche Verkaufsgeschichte n plus die Anzahl der Zeiträume, die für die Auswertung der Prognoseleistung PBF erforderlich sind. 12 1 Prognoseberechnung. Anzahl der Perioden, die in der Glättung der durchschnittlichen Verarbeitungsoption 10a 3 in diesem Beispiel enthalten sind. Ratio für einen Zeitraum vor 3 n 2 n 2 3 3 2 3 2 3 6 0 5.Ratio für zwei Perioden vorher 2 n 2 n 2 2 3 2 3 2 2 6 0 3333.Ratio für drei Perioden vor 1 n 2 n 2 1 3 2 3 2 1 6 0 1666.Januarprognose 137 0 5 119 1 3 114 1 6 127 16 oder 127.Februarprognose 127 0 5 137 1 3 119 1 6 129.Märzvorhersage 129 0 5 127 1 3 137 1 6 129 666 oder 130.A 12 2 Simulierte Prognoseberechnung. Oktober 2004 Umsatz 129 1 6 140 2 6 131 3 6 133 6666.November 2004 Umsatz 140 1 6 131 2 6 114 3 6 124Dezember 2004 Umsatz 131 1 6 114 2 6 119 3 6 119 3333.A 12 3 Prozent der Genauigkeitsberechnung. POA 133 6666 124 119 3333 114 119 137 100 101 891.A 12 4 Mittlere Absolutabweichung Berechnung. WÜTEND 133 6666 - 114 124 - 119 119 3333 - 137 3 14 1111.A 13 Methode 11 - Exponentielle Glättung. Dieses Verfahren ähnelt Methode 10, Lineare Glättung In der linearen Glättung weist das System den historischen Daten, die linear abfallen, Gewichte zu. Bei der exponentiellen Glättung , Das System ordnet Gewichte, die exponentiell abklingen Die exponentielle Glättung Vorhersage Gleichung ist. Forecast eine vorherige tatsächliche Umsatz 1 - a vorherige Prognose. Die Prognose ist ein gewichteter Durchschnitt der tatsächlichen Umsatz aus der vorherigen Periode und die Prognose aus der vorherigen Periode a ist die Gewicht auf die tatsächlichen Verkäufe für die vorherige Periode 1 - a ist das Gewicht auf die Prognose für die vorherige Periode angewendet Gültige Werte für einen Bereich von 0 bis 1 und in der Regel fallen zwischen 0 1 und 0 4 Die Summe der Gewichte ist 1 00 a 1 - a 1.Sie sollten einen Wert für die Glättungskonstante zuweisen, a Wenn Sie keine Werte für die Glättungskonstante zuordnen, berechnet das System einen angenommenen Wert auf der Grundlage der Anzahl der Perioden des Verkaufsverlaufs D in der Verarbeitungsoption 11aa die Glättungskonstante, die bei der Berechnung des geglätteten Durchschnitts für die allgemeine Ebene oder Größe des Verkaufs verwendet wird. Gültige Werte für einen Bereich von 0 bis 1.n der Bereich der Verkaufsgeschichte Daten, um in die Berechnungen enthalten In der Regel ein Jahr Der Verkaufsgeschichte Daten reichen aus, um das allgemeine Umsatzniveau abzuschätzen. Für dieses Beispiel wurde ein kleiner Wert für nn 3 gewählt, um die manuellen Berechnungen zu reduzieren, die erforderlich sind, um die Ergebnisse zu verifizieren. Eine exponentielle Glättung kann eine Prognose erzeugen, die auf so wenig wie eine historische basiert Datenpunkt. Minimum erforderliche Verkaufsgeschichte n plus die Anzahl der Zeiträume, die für die Auswertung der Prognoseleistung erforderlich sind PBF. A 13 1 Prognoseberechnung. Zahl der Perioden, die in die Glättung der durchschnittlichen Verarbeitungsoption 11a 3 und die Alpha-Faktor-Verarbeitungsoption 11b in diesem enthalten sind Beispiel ein Faktor für die ältesten Verkaufsdaten 2 1 1 oder 1, wenn alpha angegeben ist. ein Faktor für die 2. ältesten Verkaufsdaten 2 1 2 oder alpha, wenn alpha angegeben ist. ein Faktor Für die 3. ältesten Verkaufsdaten 2 1 3 oder alpha, wenn alpha angegeben ist. ein Faktor für die letzten Verkaufsdaten 2 1 n oder alpha, wenn alpha angegeben ist. November Sm Avg a Oktober Tatsächlich 1 - ein Oktober Sm Avg 1 114 0 0 114.December Sm Avg a November Actual 1 - ein November Sm Avg 2 3 119 1 3 114 117 3333.Januar Prognose a Dezember Tatsächlich 1 - ein Dezember Sm Avg 2 4 137 2 4 117 3333 127 16665 oder 127.Februarprognose Januar Vorhersage 127.März Prognose Januar Vorhersage 127.A 13 2 Simulierte Prognose Berechnung. Juli 2004 Sm Avg 2 2 129 129.August Sm Avg 2 3 140 1 3 129 136 3333.September Sm Avg 2 4 131 2 4 136 3333 133 6666.Oktober, 2004 Umsatz Sep Sm Avg 133 6666.August, 2004 Sm Avg 2 2 140 140.September Sm Avg 2 3 131 1 3 140 134.Oktober Sm Avg 2 4 114 2 4 134 124.November 2004 Verkauf Sep Sm Durchschn. 124.September 2004 Sm Avg 2 2 131 131.Oktober Sm Avg 2 3 114 1 3 131 119 6666.November Sm Avg 2 4 119 2 4 119 6666 119 3333.December 2004 Umsatz Sep Sm Avg 119 3333.A 13 3 Prozent Der Genauigkeitskalkula Tion. POA 133 6666 124 119 3333 114 119 137 100 101 891.A 13 4 Mittlere Absolutabweichungsberechnung. MAD 133 6666 - 114 124 - 119 119 3333 - 137 3 14 1111.A 14 Methode 12 - Exponentielle Glättung mit Trend und Saisonalität Diese Methode ähnelt Methode 11, Exponentielle Glättung, da ein geglätteter Durchschnitt berechnet wird. Allerdings enthält Methode 12 auch einen Term in der Prognosegleichung, um einen geglätteten Trend zu berechnen. Die Prognose setzt sich aus einer geglätteten gemittelten gemittelten für einen linearen Trend zusammen In der Verarbeitungsoption wird die Prognose auch für die Saisonalität angepasst. a die Glättungskonstante, die bei der Berechnung des geglätteten Durchschnitts für die allgemeine Ebene oder Größe des Verkaufs verwendet wird. Gültige Werte für Alpha-Bereich von 0 bis 1.b die Glättungskonstante, die bei der Berechnung des geglätteten verwendet wird Durchschnitt für die Trendkomponente der Prognose Gültige Werte für Beta-Bereich von 0 bis 1.Wenn ein saisonaler Index auf die Prognose angewendet wird. a und b unabhängig voneinander sind, müssen sie nicht zu 1 0.Min hinzufügen Imum erforderliche Verkaufsgeschichte zwei Jahre plus die Anzahl der Zeiträume, die für die Auswertung der Prognoseleistung erforderlich sind. PBF. Method 12 verwendet zwei exponentielle Glättungsgleichungen und einen einfachen Durchschnitt, um einen geglätteten Durchschnitt, einen geglätteten Trend und einen einfachen durchschnittlichen saisonalen Faktor zu berechnen 1 Prognoseberechnung A. Ein exponentiell geglätteter Durchschnitt. MAD 122 81 - 114 133 14 - 119 135 33 - 137 3 8 2.A 15 Auswertung der Prognosen. Sie können Prognosemethoden auswählen, um bis zu zwölf Prognosen für jedes Produkt zu erzeugen. Jede Prognose Methode wird wahrscheinlich eine etwas andere Projektion verursachen Wenn Tausende von Produkten prognostiziert werden, ist es unpraktisch, eine subjektive Entscheidung darüber zu treffen, welche der Prognosen in Ihren Plänen für jedes der Produkte verwendet werden. Das System wertet automatisch die Leistung für jede der Prognosemethoden aus Dass Sie wählen, und für jede der Produkte prognostiziert Sie können zwischen zwei Leistungskriterien wählen, Mean Absolute Deviation MAD und Prozent von Accur Acy POA MAD ist ein Maß für den Prognosefehler POA ist ein Maß für die Prognose-Bias Beide dieser Performance-Evaluationstechniken erfordern tatsächliche Verkaufsgeschichte Daten für einen Benutzer bestimmten Zeitraum Diese Periode der jüngsten Geschichte wird als Halteperiode oder Perioden am besten passt PBF. Um die Leistung einer Prognosemethode zu messen, verwenden Sie die Prognoseformeln, um eine Prognose für die historische Holdout-Periode zu simulieren. Es gibt normalerweise Unterschiede zwischen den tatsächlichen Verkaufsdaten und der simulierten Prognose für den Holdout-Zeitraum. Wenn mehrere Prognosemethoden ausgewählt werden, Tritt für jede Methode auf Mehrere Prognosen werden für die Halteperiode berechnet und verglichen mit der bekannten Verkaufsgeschichte für denselben Zeitraum Die Vorhersagemethode, die die beste Übereinstimmung liefert, die am besten zwischen der Prognose und dem tatsächlichen Verkauf während des Haltezeitraums passt, wird zur Verwendung empfohlen In Ihren Plänen Diese Empfehlung ist für jedes Produkt spezifisch und könnte von einer Prognoseerzeugung auf die ne ändern Xt. A 16 Mittlere Absolute Abweichung MAD. MAD ist der Mittelwert oder Durchschnitt der Absolutwerte oder Größe der Abweichungen oder Fehler zwischen Ist - und Prognosedaten MAD ist ein Maß für die durchschnittliche Größe der zu erwartenden Fehler bei einer Prognosemethode und Daten Historie Da bei der Berechnung absolute Werte verwendet werden, werden bei positiven Fehlern keine negativen Fehler aufgehoben. Beim Vergleich mehrerer Prognosemethoden hat sich derjenige mit dem kleinsten MAD als zuverlässig für dieses Produkt für diesen Holdout-Zeitraum erwiesen. Wenn die Prognose unvoreingenommen ist und Fehler sind normal verteilt, es gibt eine einfache mathematische Beziehung zwischen MAD und zwei anderen gemeinsamen Maßnahmen der Verteilung, Standardabweichung und Mean Squared Error. A 16 1 Prozent der Genauigkeit POA. Percent der Genauigkeit POA ist ein Maß für die Prognose Bias Wenn Prognosen konsequent sind Zu hoch, Vorräte sammeln und Inventar Kosten steigen Wenn Prognosen konsequent zwei niedrig sind, werden Vorräte verbraucht und Kundendienst sinken S Eine Prognose, die 10 Einheiten zu niedrig ist, dann 8 Einheiten zu hoch, dann 2 Einheiten zu hoch, wäre eine unvoreingenommene Prognose Der positive Fehler von 10 wird durch negative Fehler von 8 und 2 aufgehoben. Error Actual - Forecast. Wenn ein Produkt Kann im Inventar gespeichert werden, und wenn die Prognose ist unparteiisch, kann eine kleine Menge an Sicherheitsbestand verwendet werden, um die Fehler zu puffern In dieser Situation ist es nicht so wichtig, Prognosefehler zu beseitigen, wie es ist, um unvoreingenommene Prognosen zu generieren Aber in Dienstleistungsindustrien , Würde die obige Situation als drei Fehler angesehen werden Der Dienst würde in der ersten Periode unterbesetzt sein, dann überstaffed für die nächsten zwei Perioden In Dienstleistungen ist die Größe der Prognosefehler in der Regel wichtiger als die Vorhersage Bias. Die Summation über die Holdout Zeitraum Ermöglicht positive Fehler, um negative Fehler zu annullieren Wenn die Summe der tatsächlichen Verkäufe die Summe der Prognoseverkäufe übersteigt, ist das Verhältnis größer als 100 Natürlich ist es unmöglich, mehr als 100 genau zu sein Wenn eine Prognose unbias ist Ed, das POA-Verhältnis wird 100 sein. Daher ist es wünschenswerter, 95 genau zu sein, als 110 genau zu sein. Die POA-Kriterien wählen die Prognosemethode, die ein POA-Verhältnis hat, das am nächsten zu 100.Scripting auf dieser Seite ist, verbessert die Inhaltsnavigation, aber nicht Ändere den Inhalt in irgendeiner Weise. Forecasting beinhaltet die Erzeugung einer Zahl, eines Satzes von Zahlen oder eines Szenarios, das einem zukünftigen Auftreten entspricht. Es ist absolut notwendig für eine Kurzstrecken - und Langstreckenplanung Definitionsgemäß basiert eine Prognose auf vergangenen Daten , Im Gegensatz zu einer Vorhersage, die subjektiver ist und auf Instinkt basiert, gut gefühlt oder erraten Zum Beispiel gibt die Abendnachrichten die Wettervorhersage nicht die Wettervorhersage Unabhängig davon werden die Begriffe Prognose und Vorhersage häufig inter-changeable verwendet , Definitionen der Regression eine Technik, die manchmal in der Prognose verwendet wird in der Regel, dass ihr Zweck ist zu erklären oder vorherzusagen. Forecasting basiert auf einer Reihe von Annahmen. Die Vergangenheit wird sich wiederholen Mit anderen Worten , Was in der Vergangenheit passiert ist, wird in der Zukunft wieder passieren. Wenn der prognostizierte Horizont verkürzt, prognostizierte Genauigkeitssteigerungen Zum Beispiel wird eine Prognose für morgen genauer sein als eine Prognose für den nächsten Monat eine Prognose für den nächsten Monat wird genauer sein als Eine Prognose für das kommende Jahr und eine Prognose für das nächste Jahr wird genauer sein als eine Prognose für zehn Jahre in der Zukunft. Forecasting in der Summe ist genauer als die Prognose einzelner Posten Dies bedeutet, dass ein Unternehmen in der Lage sein wird, die Gesamtnachfrage über seine zu prognostizieren Gesamtspektrum von Produkten genauer als es in der Lage sein wird, einzelne Lagerbestände vorzusehen SKUs Zum Beispiel kann General Motors die Gesamtzahl der Autos, die für das nächste Jahr benötigt werden, genauer prognostizieren als die Gesamtzahl der weißen Chevrolet Impalas mit einem bestimmten Optionspaket. Forecasts sind selten genau. Darüber hinaus sind die Prognosen fast nie ganz richtig, während einige sehr nahe sind, sind wenige direkt am Geld. Daher ist es klug Um eine Prognosestrecke anzubieten Wenn man eine Nachfrage von 100.000 Einheiten für den nächsten Monat prognostizieren würde, ist es höchst unwahrscheinlich, dass die Nachfrage 100.000 genau ausmachen würde. Allerdings würde eine Prognose von 90.000 bis 110.000 ein viel größeres Ziel für die Planung liefern. William J Stevenson Listet eine Reihe von Merkmalen auf, die einer guten Prognose gemeinsam sind. Es muss ein gewisses Maß an Genauigkeit festgelegt und angegeben werden, damit der Vergleich zu alternativen Prognosen durchgeführt werden kann. Die Vorhersagemethode sollte konsequent eine gute Prognose liefern, wenn der Benutzer etwas erstellen soll Grad des Vertrauens. Timely eine gewisse Zeit benötigt wird, um auf die Prognose zu reagieren, so dass der Prognosehorizont muss die Zeit notwendig, um Änderungen zu machen. Einfach zu bedienen und zu verstehen Benutzer der Prognose muss sicher sein und komfortabel mit ihm zu arbeiten - wirksam die Kosten für die Prognose sollte nicht überwiegen die Vorteile aus der Prognose. Forecasting Techniken reichen von der einfachen bis zum Extrem Y-Komplex Diese Techniken werden in der Regel als qualitativ oder quantitativ eingestuft. QUALITATIVE TECHNIQUES. Qualitative Prognosetechniken sind in der Regel subjektiv als ihre quantitativen Gegenstücke Qualitative Techniken sind in den früheren Stadien des Produktlebenszyklus sinnvoller, wenn weniger vergangene Daten für den Einsatz vorhanden sind Quantitative Methoden Qualitative Methoden umfassen die Delphi-Technik, Nominal Group Technique NGT, Außendienst-Stellungnahmen, Executive-Meinungen und Marktforschung. Die DELPHI-TECHNIK. Die Delphi-Technik nutzt ein Expertengremium, um eine Prognose zu produzieren Jeder Experte wird gebeten, eine Prognose spezifisch zu liefern Auf die Notwendigkeit zur Hand Nach den ersten Prognosen wird jeder Experte gelesen, was jeder andere Experte schrieb und natürlich von seinen Ansichten beeinflusst wird. Eine nachfolgende Prognose wird dann von jedem Experten gemacht. Jeder Experte liest dann wieder, was jeder andere Experte schrieb und Wird wieder von den Wahrnehmungen der anderen beeinflusst Dieser Vorgang wiederholt sich bis zu jedem exp Ert näht sich einverstanden über das benötigte Szenario oder Zahlen. NOMINAL GROUP TECHNIQUE. Nominal Group Technique ist ähnlich wie die Delphi-Technik, dass es eine Gruppe von Teilnehmern, in der Regel Experten verwendet, nachdem die Teilnehmer auf Prognose-bezogene Fragen reagieren, rangieren sie ihre Antworten in Ordnung Der wahrgenommenen relativen Bedeutung Dann werden die Ranglisten gesammelt und aggregiert. Schließlich sollte die Gruppe einen Konsens über die Prioritäten der eingestuften Ausgaben erreichen. SALES FORCE STELLUNGNAHMEN. Die Vertriebsmitarbeiter sind oft eine gute Informationsquelle für zukünftige Nachfrage. Der Vertriebsleiter kann fragen Input von jedem Vertriebsmitarbeiter und aggregieren ihre Antworten in eine Außendienst-Composite-Prognose Vorsicht sollte bei der Verwendung dieser Technik ausgeübt werden, da die Mitglieder der Außendienst nicht in der Lage sein zu unterscheiden, was Kunden sagen und was sie tatsächlich tun, auch wenn die Prognosen werden verwendet, um Verkaufsquoten zu etablieren, kann der Außendienst versucht sein, niedrigere Schätzungen zu liefern. EXECUTIVE OPI NIONS. Sometimes Oberstufen Manager treffen und entwickeln Prognosen auf der Grundlage ihrer Kenntnisse über ihre Verantwortungsbereiche Dies wird manchmal als eine Jury der Exekutive Meinung. MARKET FORSCHUNG. In Marktforschung, Verbraucher-Umfragen verwendet werden, um potenzielle Nachfrage Solche Marketing-Forschung zu etablieren In der Regel handelt es sich um die Erstellung eines Fragebogens, der persönliche, demographische, ökonomische und Marketing-Informationen anbietet. Gelegentlich sammeln Marktforscher solche Informationen persönlich an Einzelhandelsgeschäften und Einkaufszentren, wo der Verbraucher Geschmack erleben, fühlen, riechen und ein bestimmtes Produkt sehen kann Muss vorsichtig sein, dass die Stichprobe der befragten Personen repräsentativ für das gewünschte Verbraucherziel ist. QUANTITATIVE TECHNIKEN. Quantitative Prognosetechniken sind in der Regel objektiv als ihre qualitativen Pendants Quantitative Prognosen können Zeitreihenprognosen sein, dh eine Projektion der Vergangenheit in die Zukunft oder Prognosen basiert Auf assoziative Modelle, dh auf einer oder mehreren Erklärende Variablen Zeitreihen-Daten können zugrunde liegende Verhaltensweisen haben, die vom Prognostiker identifiziert werden müssen. Darüber hinaus muss die Prognose möglicherweise die Ursachen des Verhaltens identifizieren. Einige dieser Verhaltensweisen können Muster oder einfach zufällige Variationen sein. Unter den Mustern sind. Trends, Die langfristige Bewegungen nach oben oder unten in den data. Seasonality, die kurzfristige Variationen, die in der Regel mit der Zeit des Jahres, Monat oder sogar einen bestimmten Tag, wie Zeuge der Einzelhandelsumsätze zu Weihnachten oder die Spikes in Banking-Aktivität auf den ersten des Monats und freitags. Cycles, die wavelike Variationen dauern mehr als ein Jahr, die in der Regel an wirtschaftliche oder politische Bedingungen gebunden sind. Irreguläre Variationen, die nicht widerspiegeln typisches Verhalten, wie eine Periode von extremen Wetter oder Ein Gewerkschaftsstreik. Random-Variationen, die alle nicht-typischen Verhaltensweisen, die nicht von den anderen Klassifikationen berücksichtigt werden. Unter den Zeitreihenmodellen ist die einfachste die na ve-Prognose A na v E Prognose verwendet einfach die tatsächliche Nachfrage nach der vergangenen Periode als die prognostizierte Nachfrage für die nächste Periode Dies ist natürlich die Annahme, dass die Vergangenheit wird wiederholen Es geht auch davon aus, dass alle Trends, Saisonalität oder Zyklen entweder in der vorherigen Periode reflektiert werden S Nachfrage oder existieren nicht Ein Beispiel für na ve Prognose ist in Tabelle 1 dargestellt. Tabelle 1 Na ve Forecasting. Another einfache Technik ist die Verwendung von Mittelung Um eine Prognose mit Mittelung zu machen, nimmt man einfach den Durchschnitt einer gewissen Anzahl von Perioden von Vergangene Daten durch Summierung jeder Periode und Aufteilung des Ergebnisses durch die Anzahl der Perioden Diese Technik hat sich als sehr effektiv für Kurzstrecken-Prognose gefunden. Die Mittelwerte der Mittelung sind der gleitende Durchschnitt, der gewichtete Durchschnitt und der gewichtete gleitende Durchschnitt Ein gleitender Durchschnitt takes a predetermined number of periods, sums their actual demand, and divides by the number of periods to reach a forecast For each subsequent period, the oldest period of data drops off and the latest period is added Assuming a three-month moving average and using the data from Table 1, one would simply add 45 January , 60 February , and 72 March and divide by three to arrive at a forecast for April 45 60 72 177 3 59.To arrive at a forecast for May, one would drop January s demand from the equation and add the demand from April Table 2 presents an example of a three-month moving average forecast. Table 2 Three Month Moving Average Forecast. Actual Demand 000 s. A weighted average applies a predetermined weight to each month of past data, sums the past data from each period, and divides by the total of the weights If the forecaster adjusts the weights so that their sum is equal to 1, then the weights are multiplied by the actual demand of each applicable period The results are then summed to achieve a weighted forecast Generally, the more recent the data the higher the weight, and the older the data the smaller the weight Using the demand example, a weighted average using weights of 4 3 2, and 1 would yield the forecast for June as 60 1 72 2 58 3 40 4 53 8.Forecasters may also use a combination of the weighted average and moving average forecasts A weighted moving average forecast assigns weights to a predetermined number of periods of actual data and computes the forecast the same way as described above As with all moving forecasts, as each new period is added, the data from the oldest period is discarded Table 3 shows a three-month weighted moving average forecast utilizing the weights 5 3, and 2.Table 3 Three Month Weighted Moving Average Forecast. Actual Demand 000 s. A more complex form of weighted moving average is exponential smoothing, so named because the weight falls off exponentially as the data ages Exponential smoothing takes the previous period s forecast and adjusts it by a predetermined smoothing constant, called alpha the value for alpha is less than one multiplied by the difference in the previous forecast and the demand that actually occurred during the previously forecasted period called forecast error Exponential smoothing is expressed formulaically as such New forecast previous forecast alpha actual demand previous forecast F F A F. Exponential smoothing requires the forecaster to begin the forecast in a past period and work forward to the period for which a current forecast is needed A substantial amount of past data and a beginning or initial forecast are also necessary The initial forecast can be an actual forecast from a previous period, the actual demand from a previous period, or it can be estimated by averaging all or part of the past data Some heuristics exist for computing an initial forecast For example, the heuristic N 2 1 and an alpha of 5 would yield an N of 3, indicating the user would average the first three periods of data to get an initial forecast However, the accuracy of the initial forecast is not critical if one is using large amounts of data, since exponential smoothing is self-correcting Given enoug h periods of past data, exponential smoothing will eventually make enough corrections to compensate for a reasonably inaccurate initial forecast Using the data used in other examples, an initial forecast of 50, and an alpha of 7, a forecast for February is computed as such New forecast February 50 7 45 50 41 5.Next, the forecast for March New forecast March 41 5 7 60 41 5 54 45 This process continues until the forecaster reaches the desired period In Table 4 this would be for the month of June, since the actual demand for June is not known. Actual Demand 000 s. An extension of exponential smoothing can be used when time-series data exhibits a linear trend This method is known by several names double smoothing trend-adjusted exponential smoothing forecast including trend FIT and Holt s Model Without adjustment, simple exponential smoothing results will lag the trend, that is, the forecast will always be low if the trend is increasing, or high if the trend is decreasing With this model th ere are two smoothing constants, and with representing the trend component. An extension of Holt s Model, called Holt-Winter s Method, takes into account both trend and seasonality There are two versions, multiplicative and additive, with the multiplicative being the most widely used In the additive model, seasonality is expressed as a quantity to be added to or subtracted from the series average The multiplicative model expresses seasonality as a percentage known as seasonal relatives or seasonal indexes of the average or trend These are then multiplied times values in order to incorporate seasonality A relative of 0 8 would indicate demand that is 80 percent of the average, while 1 10 would indicate demand that is 10 percent above the average Detailed information regarding this method can be found in most operations management textbooks or one of a number of books on forecasting. Associative or causal techniques involve the identification of variables that can be used to predict anothe r variable of interest For example, interest rates may be used to forecast the demand for home refinancing Typically, this involves the use of linear regression, where the objective is to develop an equation that summarizes the effects of the predictor independent variables upon the forecasted dependent variable If the predictor variable were plotted, the object would be to obtain an equation of a straight line that minimizes the sum of the squared deviations from the line with deviation being the distance from each point to the line The equation would appear as y a bx, where y is the predicted dependent variable, x is the predictor independent variable, b is the slope of the line, and a is equal to the height of the line at the y-intercept Once the equation is determined, the user can insert current values for the predictor independent variable to arrive at a forecast dependent variable. If there is more than one predictor variable or if the relationship between predictor and forecast is not linear, simple linear regression will be inadequate For situations with multiple predictors, multiple regression should be employed, while non-linear relationships call for the use of curvilinear regression. ECONOMETRIC FORECASTING. Econometric methods, such as autoregressive integrated moving-average model ARIMA , use complex mathematical equations to show past relationships between demand and variables that influence the demand An equation is derived and then tested and fine-tuned to ensure that it is as reliable a representation of the past relationship as possible Once this is done, projected values of the influencing variables income, prices, etc are inserted into the equation to make a forecast. EVALUATING FORECASTS. Forecast accuracy can be determined by computing the bias, mean absolute deviation MAD , mean square error MSE , or mean absolute percent error MAPE for the forecast using different values for alpha Bias is the sum of the forecast errors FE For the exponential smo othing example above, the computed bias would be 60 41 5 72 54 45 58 66 74 40 60 62 6 69.If one assumes that a low bias indicates an overall low forecast error, one could compute the bias for a number of potential values of alpha and assume that the one with the lowest bias would be the most accurate However, caution must be observed in that wildly inaccurate forecasts may yield a low bias if they tend to be both over forecast and under forecast negative and positive For example, over three periods a firm may use a particular value of alpha to over forecast by 75,000 units 75,000 , under forecast by 100,000 units 100,000 , and then over forecast by 25,000 units 25,000 , yielding a bias of zero 75,000 100,000 25,000 0 By comparison, another alpha yielding over forecasts of 2,000 units, 1,000 units, and 3,000 units would result in a bias of 5,000 units If normal demand was 100,000 units per period, the first alpha would yield forecasts that were off by as much as 100 percent while the se cond alpha would be off by a maximum of only 3 percent, even though the bias in the first forecast was zero. A safer measure of forecast accuracy is the mean absolute deviation MAD To compute the MAD, the forecaster sums the absolute value of the forecast errors and then divides by the number of forecasts FE N By taking the absolute value of the forecast errors, the offsetting of positive and negative values are avoided This means that both an over forecast of 50 and an under forecast of 50 are off by 50 Using the data from the exponential smoothing example, MAD can be computed as follows 60 41 5 72 54 45 58 66 74 40 60 62 4 16 35 Therefore, the forecaster is off an average of 16 35 units per forecast When compared to the result of other alphas, the forecaster will know that the alpha with the lowest MAD is yielding the most accurate forecast. Mean square error MSE can also be utilized in the same fashion MSE is the sum of the forecast errors squared divided by N-1 FE N-1 Squaring the fo recast errors eliminates the possibility of offsetting negative numbers, since none of the results can be negative Utilizing the same data as above, the MSE would be 18 5 17 55 8 74 20 62 3 383 94 As with MAD, the forecaster may compare the MSE of forecasts derived using various values of alpha and assume the alpha with the lowest MSE is yielding the most accurate forecast. The mean absolute percent error MAPE is the average absolute percent error To arrive at the MAPE one must take the sum of the ratios between forecast error and actual demand times 100 to get the percentage and divide by N Actual demand forecast Actual demand 100 N Using the data from the exponential smoothing example, MAPE can be computed as follows 18 5 60 17 55 72 8 74 58 20 62 48 100 4 28 33 As with MAD and MSE, the lower the relative error the more accurate the forecast. It should be noted that in some cases the ability of the forecast to change quickly to respond to changes in data patterns is considered to be mo re important than accuracy Therefore, one s choice of forecasting method should reflect the relative balance of importance between accuracy and responsiveness, as determined by the forecaster. MAKING A FORECAST. William J Stevenson lists the following as the basic steps in the forecasting process. Determine the forecast s purpose Factors such as how and when the forecast will be used, the degree of accuracy needed, and the level of detail desired determine the cost time, money, employees that can be dedicated to the forecast and the type of forecasting method to be utilized. Establish a time horizon This occurs after one has determined the purpose of the forecast Longer-term forecasts require longer time horizons and vice versa Accuracy is again a consideration. Select a forecasting technique The technique selected depends upon the purpose of the forecast, the time horizon desired, and the allowed cost. Gather and analyze data The amount and type of data needed is governed by the forecast s purpose, the forecasting technique selected, and any cost considerations. Make the forecast. Monitor the forecast Evaluate the performance of the forecast and modify, if necessary. FURTHER READING. Finch, Byron J Operations Now Profitability, Processes, Performance 2 ed Boston McGraw-Hill Irwin, 2006.Green, William H Econometric Analysis 5 ed Upper Saddle River, NJ Prentice Hall, 2003.Joppe, Dr Marion The Nominal Group Technique The Research Process Available from. Stevenson, William J Operations Management 8 ed Boston McGraw-Hill Irwin, 2005.Also read article about Forecasting from Wikipedia. Weighted Moving Averages The Basics. Over the years, technicians have found two problems with the simple moving average The first problem lies in the time frame of the moving average MA Most technical analysts believe that price action the opening or closing stock price, is not enough on which to depend for properly predicting buy or sell signals of the MA s crossover action To solve this problem, analy sts now assign more weight to the most recent price data by using the exponentially smoothed moving average EMA Learn more in Exploring The Exponentially Weighed Moving Average. An Example For example, using a 10-day MA, an analyst would take the closing price of the 10th day and multiply this number by 10, the ninth day by nine, the eighth day by eight and so on to the first of the MA Once the total has been determined, the analyst would then divide the number by the addition of the multipliers If you add the multipliers of the 10-day MA example, the number is 55 This indicator is known as the linearly weighted moving average For related reading, check out Simple Moving Averages Make Trends Stand Out. Many technicians are firm believers in the exponentially smoothed moving average EMA This indicator has been explained in so many different ways that it confuses students and investors alike Perhaps the best explanation comes from John J Murphy s Technical Analysis Of The Financial Markets , published by the New York Institute of Finance, 1999.The exponentially smoothed moving average addresses both of the problems associated with the simple moving average First, the exponentially smoothed average assigns a greater weight to the more recent data Therefore, it is a weighted moving average But while it assigns lesser importance to past price data, it does include in its calculation all the data in the life of the instrument In addition, the user is able to adjust the weighting to give greater or lesser weight to the most recent day s price, which is added to a percentage of the previous day s value The sum of both percentage values adds up to 100.For example, the last day s price could be assigned a weight of 10 10 , which is added to the previous days weight of 90 90 This gives the last day 10 of the total weighting This would be the equivalent to a 20-day average, by giving the last days price a smaller value of 5 05.Figure 1 Exponentially Smoothed Moving Average. The ab ove chart shows the Nasdaq Composite Index from the first week in Aug 2000 to June 1, 2001 As you can clearly see, the EMA, which in this case is using the closing price data over a nine-day period, has definite sell signals on the Sept 8 marked by a black down arrow This was the day that the index broke below the 4,000 level The second black arrow shows another down leg that technicians were actually expecting The Nasdaq could not generate enough volume and interest from the retail investors to break the 3,000 mark It then dove down again to bottom out at 1619 58 on Apr 4 The uptrend of Apr 12 is marked by an arrow Here the index closed at 1,961 46, and technicians began to see institutional fund managers starting to pick up some bargains like Cisco, Microsoft and some of the energy-related issues Read our related articles Moving Average Envelopes Refining A Popular Trading Tool and Moving Average Bounce. The maximum amount of monies the United States can borrow The debt ceiling was cr eated under the Second Liberty Bond Act. The interest rate at which a depository institution lends funds maintained at the Federal Reserve to another depository institution.1 A statistical measure of the dispersion of returns for a given security or market index Volatility can either be measured. An act the U S Congress passed in 1933 as the Banking Act, which prohibited commercial banks from participating in the investment. Nonfarm payroll refers to any job outside of farms, private households and the nonprofit sector The U S Bureau of Labor. The currency abbreviation or currency symbol for the Indian rupee INR , the currency of India The rupee is made up of 1.