การพยากรณ์ ความต้องการ ที่ใช้ ง่าย เคลื่อนไหว ค่าเฉลี่ย

บทที่ 11 - การคาดการณ์การพยากรณ์ความต้องการของผู้บริหาร 1. การคาดเดาที่สมบูรณ์แบบแทบจะเป็นไปไม่ได้ 2. แทนที่จะค้นหาการพยากรณ์ที่สมบูรณ์แบบเป็นเรื่องสำคัญมากยิ่งขึ้นในการสร้างการทบทวนอย่างต่อเนื่องของการคาดการณ์และเพื่อเรียนรู้ที่จะอยู่กับการคาดการณ์ที่ไม่ถูกต้อง 3. เมื่อคาดการณ์ ยุทธศาสตร์ที่ดีคือการใช้วิธีการ 2 หรือ 3 วิธีและมองหามุมมองเหล่านั้นสำหรับมุมมองที่สอดคล้องกัน 2. แหล่งอุปสงค์พื้นฐาน 1. ความต้องการที่ต้องพึ่งพาอาศัยกัน - ความต้องการสินค้าหรือบริการที่เกิดจากความต้องการสินค้าหรือบริการอื่น ๆ ไม่มากที่ บริษัท สามารถทำได้ก็ต้องได้รับการตอบสนอง 2. ความต้องการอิสระ - ความต้องการที่ไม่สามารถหาได้โดยตรงจากความต้องการสินค้าอื่น ๆ บริษัท สามารถ: a) มีบทบาทที่มีอิทธิพลต่อความต้องการ - ใช้แรงกดดันต่อฝ่ายขายของคุณข) มีบทบาทที่จะโต้ตอบต่อความต้องการ - หาก บริษัท กำลังทำงานเต็มประสิทธิภาพอาจไม่ต้องการทำอะไรเกี่ยวกับความต้องการ เหตุผลอื่น ๆ คือการแข่งขันกฎหมายสิ่งแวดล้อมจริยธรรมและศีลธรรม ลองคาดเดาอนาคตตามข้อมูลที่ผ่านมา 1. ระยะสั้น - ต่ำกว่า 3 เดือน - การตัดสินใจด้านยุทธวิธีเช่นการเพิ่มสินค้าคงคลังหรือการจัดตารางเวลาในระยะใกล้ 2. ระยะกลาง - 3 M-2Y - จับภาพผลกระทบตามฤดูกาลเช่นลูกค้าตอบสนองต่อผลิตภัณฑ์ใหม่ ๆ 3. ระยะยาว - มากกว่า 2 ปี. ระบุจุดเปลี่ยนที่สำคัญและตรวจสอบแนวโน้มทั่วไป การถดถอยเชิงเส้นเป็นรูปแบบการถดถอยแบบพิเศษซึ่งความสัมพันธ์ระหว่างตัวแปรเป็นเส้นตรง Y abX ตัวแปรขึ้นกับ Y - ตัวแปร Y - การตัดขวางของเอ็กซ์ - ความลาดเอียงตัวแปรอิสระ X - ใช้สำหรับการคาดการณ์ระยะยาวของเหตุการณ์สำคัญ ๆ และการวางแผนรวม ใช้สำหรับทั้งการคาดการณ์อนุกรมเวลาและการคาดการณ์ความสัมพันธ์แบบสบาย ๆ เป็นเทคนิคการพยากรณ์ที่ใช้มากที่สุด เหตุการณ์ที่เกิดขึ้นล่าสุดแสดงให้เห็นถึงอนาคต (ค่าที่สามารถคาดการณ์ได้มากที่สุด) มากกว่าอนาคตที่ไกลกว่า เราควรให้น้ำหนักมากขึ้นกับแร่ช่วงเวลาล่าสุดเมื่อคาดการณ์ จำนวนที่เพิ่มขึ้นในอดีตจะลดลงโดย (1- alpha) อัลฟาที่สูงขึ้นการคาดการณ์จะใกล้เคียงกับความเป็นจริงมากขึ้น (1-alpha) na 1 ข้อมูลช่วงเวลาหนึ่งที่เก่ากว่า alpha (1-alpha) na 2 วิธีการพยากรณ์อากาศแบบใดแบบหนึ่งต่อไปนี้ขึ้นอยู่กับการเลือก ถูกต้องที่จะถูกใช้จริงเพื่อสร้างการคาดการณ์มูลค่าต้องอยู่ระหว่าง 0 ถึง 1 1 2 หรือมากกว่าค่าที่กำหนดไว้ล่วงหน้าของอัลฟ่า - ขึ้นอยู่กับระดับของข้อผิดพลาดใช้ค่า Alpha ที่ต่างกัน ถ้าข้อผิดพลาดมีขนาดใหญ่อัลฟ่าคือ 0.8 หากมีข้อผิดพลาดเล็ก ๆ น้อย ๆ อัลฟ่าคือ 0.2 2. ค่าที่คำนวณได้ของค่าความผิดพลาดที่เกิดขึ้นจริงที่เกิดขึ้นจริงตามตัวอักษรอัลฟ่า - คูณหารด้วยความผิดพลาดแบบสัมบูรณ์ (ผลิตภัณฑ์หรือภูมิภาคใหม่ ๆ ) 1. การวิจัยตลาด - กำลังมองหาผลิตภัณฑ์และแนวคิดใหม่ ๆ ชอบและไม่ชอบเกี่ยวกับผลิตภัณฑ์ที่มีอยู่ หลักเกณฑ์การสำรวจความคิดเห็น 2 แผง Consensus - ความคิดที่ว่า 2 หัวดีกว่าหนึ่ง แผงของผู้คนจากหลากหลายตำแหน่งสามารถพัฒนาการคาดการณ์ที่น่าเชื่อถือมากกว่ากลุ่มที่แคบกว่า ปัญหาคือระดับ EE ที่ต่ำกว่ากำลังถูกข่มขู่โดยระดับการบริหารที่สูงขึ้น มีการใช้วิจารณญาณของผู้บริหาร (มีการบริหารจัดการในระดับที่สูงขึ้น) 3. ความคล้ายคลึงกันทางประวัติศาสตร์ - บริษัท ที่ผลิตเครื่องปิ้งขนมปังอยู่แล้วและต้องการผลิตหม้อกาแฟสามารถใช้ประวัติเครื่องปิ้งขนมปังเป็นแบบจำลองการเติบโตได้ 4. วิธี Delphi - มากขึ้นอยู่กับการเลือกบุคคลที่เหมาะสมที่จะใช้วิจารณญาณในการสร้างการคาดการณ์จริง ทุกคนมีน้ำหนักเท่ากัน (ยุติธรรมมากขึ้น) ผลที่น่าพอใจมักจะประสบความสำเร็จในรอบ 3 วัตถุประสงค์ - การวางแผนการทำงานร่วมกันการคาดการณ์และการเติมเต็ม (CPFR) เพื่อแลกเปลี่ยนข้อมูลภายในที่เลือกไว้ในเว็บเซิร์ฟเวอร์ที่ใช้ร่วมกันเพื่อสร้างความน่าเชื่อถือและความคิดเห็นในอนาคตที่ยาวนานขึ้นในห่วงโซ่อุปทาน. สวัสดี LOVE โพสต์ของคุณ สงสัยไหมว่าคุณจะสามารถอธิบายเพิ่มเติมได้หรือไม่ เราใช้ SAP ในนั้นมีตัวเลือกที่คุณสามารถเลือกได้ก่อนที่คุณจะเรียกใช้การคาดการณ์ที่เรียกว่า initialization หากคุณเลือกตัวเลือกนี้คุณจะได้รับผลการคาดการณ์หากคุณเรียกใช้การคาดการณ์อีกครั้งในช่วงเวลาเดียวกันและไม่ตรวจสอบการเริ่มต้นการทำงานผลลัพธ์จะเปลี่ยนแปลงไป ฉันไม่สามารถคิดออกว่าการเริ่มต้นที่กำลังทำอยู่ ฉันหมายถึงทางคณิตศาสตร์ ผลการคาดการณ์ที่ดีที่สุดคือการบันทึกและใช้ตัวอย่างเช่น การเปลี่ยนแปลงระหว่างทั้งสองไม่ได้อยู่ในปริมาณที่คาดการณ์ แต่ใน MAD และ Error ความปลอดภัยของสต็อกและปริมาณ ROP ไม่แน่ใจว่าคุณใช้ SAP หรือไม่ สวัสดีขอบคุณสำหรับการอธิบายเพื่อประสิทธิภาพของมันเกินไป gd ขอบคุณอีกครั้ง Jaspreet ปล่อยให้ตอบยกเลิกการตอบเกี่ยวกับ Shmula Pete Abilla เป็นผู้ก่อตั้ง Shmula และตัวละคร Kanban Cody เขาช่วย บริษัท ต่างๆเช่น Amazon, Zappos, eBay, Backcountry และอื่น ๆ เพื่อลดต้นทุนและปรับปรุงประสบการณ์ของลูกค้า เขาทำอย่างนี้โดยใช้วิธีการที่เป็นระบบในการระบุจุดที่เจ็บปวดซึ่งส่งผลกระทบต่อลูกค้าและธุรกิจและส่งเสริมการมีส่วนร่วมอย่างกว้างขวางจาก บริษัท ร่วมของ บริษัท ในการปรับปรุงกระบวนการของตนเอง เว็บไซต์นี้เป็นชุดของประสบการณ์ที่เขาต้องการแบ่งปันกับคุณ เริ่มต้นกับการดาวน์โหลดฟรี THE CONCATING Seasonal Factor - เปอร์เซ็นต์ของความต้องการรายไตรมาสเฉลี่ยที่เกิดขึ้นในแต่ละไตรมาส ประมาณการรายปีสำหรับปีที่ 4 คาดว่าจะเป็น 400 หน่วย ประมาณการโดยเฉลี่ยต่อไตรมาสคือ 4004 100 หน่วย ประมาณการพยากรณ์รายไตรมาสเฉลี่ย ปัจจัยฤดูกาลที่คาดการณ์ วิธีการพยากรณ์สาเหตุเป็นไปตามความสัมพันธ์ที่ทราบหรือได้รับรู้ระหว่างปัจจัยที่คาดการณ์และปัจจัยภายนอกหรือภายในอื่น ๆ 1. การถดถอย (regression): สมการทางคณิตศาสตร์เกี่ยวข้องกับตัวแปรอิสระตามตัวแปรอิสระอย่างน้อยหนึ่งตัวแปรที่เชื่อว่ามีอิทธิพลต่อตัวแปรตาม 2. แบบจำลองทางเศรษฐมิติ: ระบบสมการถดถอยพึ่งพาซึ่งกันและกันซึ่งอธิบายบางส่วนของกิจกรรมทางเศรษฐกิจ 3. โมเดลอินพุท - เอาท์พุท: อธิบายการไหลจากภาคเศรษฐกิจหนึ่งไปสู่อีกเศรษฐกิจหนึ่งและคาดการณ์ปัจจัยการผลิตที่จำเป็นในการผลิตผลงานในภาคอื่น การจำลองแบบจำลองข้อผิดพลาดเกี่ยวกับการคาดการณ์พยากรณ์อากาศมีข้อผิดพลาดเกี่ยวกับการคาดการณ์สองประการที่ต้องคำนึงถึงคือ Bias และ Accuracy Bias - การคาดการณ์จะลำเอียงหากทำผิดพลาดในทิศทางเดียวมากกว่าวิธีอื่น - วิธีมีแนวโน้มที่จะต่ำกว่าการคาดการณ์หรือการคาดการณ์เกินคาด ความแม่นยำ - พยากรณ์ความถูกต้องหมายถึงระยะทางของการคาดการณ์จากความต้องการที่แท้จริงไม่สนใจทิศทางของข้อผิดพลาดนั้น ตัวอย่าง: สำหรับการคาดการณ์หกงวดและความต้องการที่เกิดขึ้นจริงได้รับการติดตามตารางต่อไปนี้แสดงความต้องการจริง D t และความต้องการในการคาดการณ์ F t เป็นเวลา 6: ผลรวมสะสมของข้อผิดพลาดในการคาดการณ์ (CFE) -20 ค่าเฉลี่ยเบี่ยงเบนสัมบูรณ์ (MAD) 170 6 28.33 (MSE) 5150 6 858.33 ค่าเบี่ยงเบนมาตรฐานของข้อผิดพลาดในการคาดการณ์ 5150 6 29.30 Mean absolute เปอร์เซ็นต์ error (MAPE) 83.4 6 13.9 ข้อมูลแต่ละข้อให้ค่าพยากรณ์มีแนวโน้มที่จะเกินความต้องการโดยเฉลี่ยของข้อผิดพลาดต่อการคาดการณ์คือ 28.33 หน่วยหรือ 13.9 ของ การแจกแจงการสุ่มตัวอย่างความต้องการจริงของข้อผิดพลาดในการคาดการณ์มีส่วนเบี่ยงเบนมาตรฐานเท่ากับ 29.3 หน่วย เกณฑ์สำหรับการเลือกวิธีการคาดการณ์วัตถุประสงค์: 1. เพิ่มความถูกต้องและ 2. ลดขั้นต่ำอคติสำหรับการเลือกวิธีการคาดการณ์แบบอนุกรม เลือกวิธีการที่ให้ค่าความลำเอียงน้อยที่สุดโดยวัดจากข้อผิดพลาดในการคาดการณ์สะสม (CFE) หรือให้ค่าเบี่ยงเบนสัมบูรณ์ที่เล็กที่สุด (MAD) หรือให้สัญญาณการติดตามที่เล็กที่สุดหรือสนับสนุนความเชื่อมั่นของผู้บริหารเกี่ยวกับรูปแบบพื้นฐานของความต้องการหรืออื่น ๆ เห็นได้ชัดว่าการวัดความถูกต้องและความลำเอียงบางส่วนควรใช้ร่วมกัน วิธีการเกี่ยวกับจำนวนงวดที่จะถูกสุ่มตัวอย่างหากความต้องการมีความคงที่โดยเนื้อแท้ค่าต่ำและสูงขึ้นของ N มีข้อเสนอแนะหากความต้องการมีค่าคงที่อย่างโดยเนื้อแท้ค่าที่สูงขึ้นและต่ำกว่าของ N ถูกเสนอแนะการประมาณการพยากรณ์อากาศ เป็นแนวทางในการคาดการณ์ว่าจะพัฒนาการคาดการณ์ด้วยเทคนิคต่างๆจากนั้นจึงเลือกการคาดการณ์ที่เกิดขึ้นจากการใช้เทคนิคเหล่านี้โดยใช้เกณฑ์วัดความคลาดเคลื่อนในการคาดการณ์ การคาดการณ์ที่สำคัญ: ตัวอย่างเช่นในช่วง 6 เดือนแรกของปีความต้องการสินค้าปลีกมีจำนวน 15, 14, 15, 17, 19 และ 18 หน่วย ผู้ค้าปลีกใช้ระบบการคาดการณ์โฟกัสตามเทคนิคการพยากรณ์สองแบบคือค่าเฉลี่ยเคลื่อนที่สองช่วงและแบบจำลองการปรับรูปแบบเลขแจงที่มีการปรับค่าแนวโน้มด้วย 0.1 และ 0.1 โดยใช้โมเดลเชิงตัวเลขการคาดการณ์ในเดือนมกราคมเท่ากับ 15 และแนวโน้มโดยเฉลี่ย ณ สิ้นเดือนธันวาคมเท่ากับ 1. ผู้ค้าปลีกใช้ค่าเบี่ยงเบนสัมบูรณ์ (Mean absolute deviation - MAD) ในช่วง 3 เดือนที่ผ่านมาเป็นเกณฑ์ในการเลือกรูปแบบที่จะใช้ในการคาดการณ์ สำหรับเดือนถัดไปสิ่งที่จะคาดการณ์ในเดือนกรกฎาคมและรูปแบบที่จะใช้ข. คุณจะตอบกลับไปยังส่วน a. จะแตกต่างกันถ้าความต้องการพฤษภาคมได้รับ 14 แทน 19Time ซีรีส์วิธีการแบบอนุกรมเวลาเป็นเทคนิคทางสถิติที่ทำให้การใช้ข้อมูลทางประวัติศาสตร์ที่สะสมในช่วงเวลา วิธีการแบบอนุกรมเวลาสมมติว่าสิ่งที่เกิดขึ้นในอดีตจะยังคงเกิดขึ้นต่อไปในอนาคต เป็นชุดเวลาชื่อแนะนำวิธีการเหล่านี้เกี่ยวข้องกับการคาดการณ์เพียงหนึ่งปัจจัยเวลา ซึ่งรวมถึงค่าเฉลี่ยเคลื่อนที่ค่าเฉลี่ยที่ชี้แจงและเส้นแนวโน้มเชิงเส้นและเป็นหนึ่งในวิธีที่ได้รับความนิยมมากที่สุดสำหรับการคาดการณ์ในระยะสั้นระหว่าง บริษัท ผู้ให้บริการและ บริษัท ผู้ผลิต วิธีการเหล่านี้สมมติว่ารูปแบบทางประวัติศาสตร์ที่ระบุหรือแนวโน้มสำหรับความต้องการในช่วงเวลาที่จะทำซ้ำตัวเอง Moving Average การคาดการณ์ชุดข้อมูลอนุกรมเวลาอาจทำได้เพียงง่ายๆโดยใช้ความต้องการในช่วงเวลาปัจจุบันเพื่อพยากรณ์ความต้องการในช่วงต่อไป นี่คือบางครั้งเรียกว่าการคาดเดาที่ไร้เดียงสาหรือใช้งานง่าย 4 ตัวอย่างเช่นถ้าความต้องการอยู่ที่ 100 หน่วยในสัปดาห์นี้การคาดการณ์สำหรับความต้องการสัปดาห์หน้าคือ 100 หน่วยหากความต้องการเปลี่ยนเป็น 90 หน่วยแทนแล้วความต้องการสัปดาห์ต่อไปคือ 90 หน่วยและอื่น ๆ วิธีการคาดการณ์ประเภทนี้ไม่ได้คำนึงถึงพฤติกรรมความต้องการในอดีตที่ต้องอาศัยความต้องการเฉพาะในช่วงเวลาปัจจุบัน มันตอบสนองโดยตรงกับปกติการเคลื่อนไหวแบบสุ่มในความต้องการ วิธีเฉลี่ยเคลื่อนที่แบบง่ายใช้ค่าความต้องการหลายค่าในช่วงไม่กี่ปีที่ผ่านมาเพื่อพัฒนาการคาดการณ์ นี้มีแนวโน้มที่จะชุบหรือเรียบออกเพิ่มขึ้นสุ่มและลดลงของการคาดการณ์ที่ใช้เวลาเพียงหนึ่ง ค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายมีประโยชน์ในการคาดการณ์ความต้องการที่มีเสถียรภาพและไม่แสดงพฤติกรรมความต้องการที่เด่นชัดเช่นแนวโน้มหรือรูปแบบตามฤดูกาล ค่าเฉลี่ยเคลื่อนที่จะคำนวณเป็นระยะเวลาหนึ่งเช่นสามเดือนหรือห้าเดือนขึ้นอยู่กับระยะเวลาที่นักพยากรณ์ต้องการให้ข้อมูลความต้องการที่ราบรื่น ระยะเวลาเฉลี่ยที่ยาวนานขึ้นจะยิ่งนุ่มนวลขึ้น บริษัท เครื่องคิดเลขออฟฟิศออฟฟิศซัพพลายเออร์จำหน่ายและส่งมอบเครื่องใช้สำนักงานไปยัง บริษัท โรงเรียนและหน่วยงานต่างๆภายในรัศมี 50 ไมล์จากคลังสินค้าของ บริษัท ค่าเฉลี่ยคำนวณค่าเฉลี่ยเคลื่อนที่แบบง่ายๆ ธุรกิจจัดหาสำนักงานมีความสามารถในการแข่งขันและความสามารถในการส่งมอบคำสั่งซื้อได้อย่างทันท่วงทีเป็นปัจจัยในการสร้างลูกค้ารายใหม่ ๆ และรักษาความเก่า (สำนักงานมักจะสั่งไม่เมื่อพวกเขาทำงานต่ำในวัสดุสิ้นเปลือง แต่เมื่อพวกเขาหมดสิ้นผลเป็นผลให้พวกเขาต้องการคำสั่งของพวกเขาทันที) ผู้จัดการของ บริษัท ต้องการที่จะมีไดรเวอร์เพียงพอและยานพาหนะพร้อมที่จะส่งมอบคำสั่งซื้อทันทีและ พวกเขามีสินค้าคงคลังเพียงพอในสต็อก ดังนั้นผู้จัดการต้องการคาดการณ์จำนวนคำสั่งซื้อที่จะเกิดขึ้นในเดือนถัดไป (เช่นคาดการณ์ความต้องการในการจัดส่ง) จากบันทึกคำสั่งซื้อการจัดการได้รวบรวมข้อมูลต่อไปนี้ไว้ในช่วง 10 เดือนที่ผ่านมาซึ่งต้องการคำนวณค่าเฉลี่ยเคลื่อนที่ 3 และ 5 เดือน สมมติว่าเป็นวันสิ้นเดือนตุลาคม การคาดการณ์ที่เกิดจากค่าเฉลี่ยเคลื่อนที่ 3 หรือ 5 เดือนโดยทั่วไปสำหรับเดือนถัดไปตามลำดับซึ่งในกรณีนี้คือเดือนพฤศจิกายน ค่าเฉลี่ยเคลื่อนที่จะคำนวณจากความต้องการคำสั่งซื้อสำหรับงวด 3 เดือนก่อนตามลำดับตามสูตรต่อไปนี้ค่าเฉลี่ยเคลื่อนที่ 5 เดือนคำนวณจากข้อมูลความต้องการ 5 เดือนก่อนหน้าดังนี้ 3- และ 5 เดือน การคาดการณ์ค่าเฉลี่ยเคลื่อนที่สำหรับเดือนทั้งหมดของข้อมูลความต้องการจะแสดงในตารางต่อไปนี้ จริงๆแล้วการคาดการณ์สำหรับเดือนพฤศจิกายนตามความต้องการรายเดือนล่าสุดจะใช้โดยผู้จัดการ อย่างไรก็ตามการคาดการณ์ก่อนหน้านี้สำหรับเดือนก่อน ๆ ช่วยให้เราสามารถเปรียบเทียบการคาดการณ์กับความต้องการที่แท้จริงเพื่อดูว่าวิธีการพยากรณ์ถูกต้องอย่างไรนั่นคือทำได้ดีเพียงใด ค่าเฉลี่ยทั้งสามและห้าเดือนทั้งสองค่าเฉลี่ยของการคาดการณ์ในตารางด้านบนมีแนวโน้มที่จะทำให้ความแปรปรวนเกิดขึ้นได้ในข้อมูลที่เกิดขึ้นจริง ผลการปรับให้เรียบนี้สามารถสังเกตได้จากตัวเลขต่อไปนี้ซึ่งเป็นข้อมูลเฉลี่ยของ 3 เดือนและ 5 เดือนในกราฟของข้อมูลเดิม: ค่าเฉลี่ยเคลื่อนที่ 5 เดือนในรูปก่อนหน้านี้ช่วยขจัดความผันผวนได้มากกว่า ค่าเฉลี่ยเคลื่อนที่ 3 เดือน อย่างไรก็ตามค่าเฉลี่ยในรอบ 3 เดือนสะท้อนให้เห็นถึงข้อมูลล่าสุดที่มีให้กับผู้จัดการฝ่ายจัดหาสำนักงานมากขึ้น โดยทั่วไปการคาดการณ์โดยใช้ค่าเฉลี่ยเคลื่อนที่ในระยะยาวจะตอบสนองต่อการเปลี่ยนแปลงความต้องการล่าสุดได้ช้ากว่าที่คาดการณ์ไว้โดยใช้ค่าเฉลี่ยเคลื่อนที่ที่สั้นลง ช่วงเวลาที่เพิ่มขึ้นของข้อมูลจะส่งผลต่อความเร็วที่คาดการณ์ไว้ การกำหนดจำนวนงวดที่เหมาะสมเพื่อใช้ในการคาดการณ์โดยเฉลี่ยที่เคลื่อนที่มักต้องการการทดลองใช้และทดลองใช้จำนวนหนึ่ง ๆ ข้อเสียของวิธีเฉลี่ยเคลื่อนที่คือไม่ตอบสนองต่อการเปลี่ยนแปลงที่เกิดขึ้นด้วยเหตุผลเช่นรอบการทำงานและผลตามฤดูกาล ปัจจัยที่ทำให้เกิดการเปลี่ยนแปลงโดยทั่วไปจะถูกเพิกเฉย เป็นวิธีการเชิงกลซึ่งสะท้อนถึงข้อมูลทางประวัติศาสตร์อย่างสม่ำเสมอ อย่างไรก็ตามวิธีเฉลี่ยเคลื่อนที่จะมีข้อดีคือใช้งานง่ายรวดเร็วและไม่แพงนัก โดยทั่วไปวิธีการนี้สามารถให้การคาดการณ์ที่ดีในระยะสั้น แต่ไม่ควรผลักดันให้ไกลเกินไป Weighted Moving Average วิธีถัวเฉลี่ยถ่วงน้ำหนักสามารถปรับเปลี่ยนเพื่อสะท้อนความผันผวนของข้อมูลได้มากขึ้น ในวิธีถัวเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักน้ำหนักจะถูกกำหนดให้กับข้อมูลล่าสุดตามสูตรต่อไปนี้: ข้อมูลความต้องการสำหรับ PM Computer Services (แสดงในตารางสำหรับตัวอย่าง 10.3) จะปรากฏตามแนวโน้มเชิงเส้นที่เพิ่มขึ้น บริษัท ต้องการคำนวณเส้นแนวโน้มเชิงเส้นเพื่อดูว่ามีความแม่นยำมากกว่าการคาดการณ์การปรับให้เรียบและชี้แจงที่ได้รับการพัฒนาขึ้นในตัวอย่าง 10.3 และ 10.4 หรือไม่ ค่าที่จำเป็นสำหรับการคำนวณกำลังสองน้อยที่สุดมีดังนี้: ใช้ค่าเหล่านี้พารามิเตอร์สำหรับเส้นแนวโน้มเชิงเส้นคำนวณดังนี้: ดังนั้นสมการเส้นแนวโน้มเส้นคือการคำนวณการคาดการณ์สำหรับรอบระยะเวลา 13 ให้ x 13 ในเส้นตรง เส้นแนวโน้ม: กราฟต่อไปนี้แสดงเส้นแนวโน้มเชิงเส้นเมื่อเทียบกับข้อมูลจริง เส้นแนวโน้มแสดงให้เห็นอย่างใกล้ชิดกับข้อมูลที่เกิดขึ้นจริงนั่นคือเหมาะที่จะเป็นรูปแบบการคาดการณ์ที่ดีสำหรับปัญหานี้ อย่างไรก็ตามข้อเสียของเส้นแนวโน้มคือว่ามันจะไม่ปรับตัวให้เข้ากับการเปลี่ยนแปลงของแนวโน้มเนื่องจากวิธีการคาดการณ์การทำให้ราบเรียบชี้แจงจะเป็นสมมติว่าการคาดการณ์ในอนาคตทั้งหมดจะเป็นไปตามเส้นตรง วิธีนี้ จำกัด การใช้วิธีนี้กับกรอบเวลาที่สั้นกว่าซึ่งคุณสามารถมั่นใจได้ว่าแนวโน้มจะไม่เปลี่ยนแปลง การปรับฤดูกาลเป็นฤดูกาลที่เพิ่มขึ้นและความต้องการลดลง รายการอุปสงค์จำนวนมากแสดงพฤติกรรมตามฤดูกาล ยอดขายเสื้อผ้าเป็นไปตามรูปแบบฤดูกาลประจำปีโดยมีความต้องการเสื้อผ้าอุ่น ๆ เพิ่มขึ้นในช่วงฤดูใบไม้ร่วงและฤดูหนาวและลดลงในช่วงฤดูใบไม้ผลิและฤดูร้อนเนื่องจากความต้องการเสื้อผ้าเพิ่มขึ้น ความต้องการสินค้าปลีกจำนวนมากรวมทั้งของเล่นอุปกรณ์กีฬาเสื้อผ้าเครื่องใช้ไฟฟ้าแฮมตุรกีไวน์และผลไม้เพิ่มขึ้นในช่วงเทศกาลวันหยุด ความต้องการบัตรอวยพรเพิ่มขึ้นควบคู่ไปกับวันพิเศษเช่นวันวาเลนไทน์และวันแม่ รูปแบบตามฤดูกาลอาจเกิดขึ้นได้ทุกเดือนรายสัปดาห์หรือแม้แต่รายวัน ร้านอาหารบางแห่งมีความต้องการสูงกว่าช่วงกลางวันหรือในช่วงสุดสัปดาห์ซึ่งไม่ใช่วันธรรมดา การจราจร - เพราะฉะนั้นการขาย - ที่ห้างสรรพสินค้าหยิบขึ้นมาในวันศุกร์และวันเสาร์ มีหลายวิธีในการสะท้อนรูปแบบตามฤดูกาลในการคาดการณ์ชุดข้อมูลแบบอนุกรม เราจะอธิบายหนึ่งในวิธีที่ง่ายขึ้นโดยใช้ปัจจัยตามฤดูกาล ปัจจัยตามฤดูกาลคือค่าตัวเลขที่คูณด้วยการคาดการณ์ตามปกติเพื่อให้ได้รับการคาดการณ์ตามฤดูกาล วิธีการหนึ่งในการพัฒนาความต้องการปัจจัยตามฤดูกาลคือการแบ่งความต้องการสำหรับแต่ละฤดูกาลตามความต้องการโดยรวมประจำปีตามสูตรต่อไปนี้ปัจจัยฤดูกาลที่เกิดขึ้นระหว่าง 0 ถึง 1.0 เป็นผลส่วนหนึ่งของความต้องการประจำปีทั้งหมดที่กำหนดให้ ในแต่ละฤดูกาล ปัจจัยฤดูกาลเหล่านี้คูณด้วยความต้องการที่คาดการณ์ไว้เป็นประจำทุกปีเพื่อให้ได้ผลตอบแทนที่ปรับตามฤดูกาลในแต่ละฤดูกาล การคำนวณการคาดการณ์ด้วยการปรับฤดูกาลฟาร์ม Wishbone Farm เติบโตขึ้นเพื่อขายไก่งวงให้กับ บริษัท แปรรูปเนื้อสัตว์ตลอดทั้งปี อย่างไรก็ตามในช่วงไตรมาสที่สี่ของปีพฤศจิกาจะมีฤดูกาลสูงสุดในช่วงเดือนตุลาคมถึงธันวาคม Wishbone Farms มีประสบการณ์ความต้องการไก่งวงในช่วง 3 ปีที่ผ่านมาแสดงไว้ในตารางต่อไปนี้เนื่องจากเรามีข้อมูลความต้องการยาวนานถึงสามปีเราจึงสามารถคำนวณหาปัจจัยตามฤดูกาลได้โดยแบ่งความต้องการรายไตรมาสทั้งหมดเป็นเวลาสามปีตามความต้องการทั้งหมดในช่วง 3 ปีที่ผ่านมา : ต่อไปเราต้องการเพิ่มความต้องการที่คาดการณ์ไว้สำหรับปีหน้าในปีพ. ศ. 2543 ตามปัจจัยต่างๆตามฤดูกาลเพื่อให้ได้ความต้องการที่คาดการณ์ไว้สำหรับแต่ละไตรมาส เพื่อให้บรรลุเป้าหมายนี้เราจำเป็นต้องมีการคาดการณ์ความต้องการสำหรับปี 2543 ในกรณีนี้เนื่องจากข้อมูลความต้องการในตารางดูเหมือนจะมีแนวโน้มเพิ่มขึ้นโดยทั่วไปเราคำนวณเส้นแนวโน้มเชิงเส้นเป็นเวลาสามปีของข้อมูลในตารางเพื่อให้ได้ข้อมูลที่หยาบ ประมาณการคาดการณ์: ดังนั้นการคาดการณ์สำหรับปี 2000 คือ 58.17 หรือ 58,170 ไก่งวง เมื่อใช้การคาดการณ์รายปีของอุปสงค์นี้การคาดการณ์ที่ปรับฤดูกาลแล้ว SF i สำหรับปีพ. ศ. 2543 จะเปรียบเทียบการคาดการณ์รายไตรมาสเหล่านี้กับค่าความต้องการที่แท้จริงในตารางซึ่งดูเหมือนว่าจะเป็นประมาณการประมาณการที่ค่อนข้างดีซึ่งสะท้อนถึงความแตกต่างตามฤดูกาลทั้งในข้อมูลและ แนวโน้มทั่วไปขึ้น 10-12 วิธีการเฉลี่ยเคลื่อนที่แบบเดียวกับที่อธิบายได้คือ 10-11 สิ่งที่ส่งผลต่อรูปแบบการทำให้เรียบแบบเลขแจงจะเพิ่มค่าคงที่ที่ราบเรียบได้ 10-14 การปรับความเปรียบต่างที่ปรับเปลี่ยนได้มีความแตกต่างจากการให้ความเรียบแบบเลขแจง 10-15 สิ่งที่กำหนดทางเลือกของการปรับให้เรียบคงที่สำหรับแนวโน้มในแบบจำลองการปรับรูปแบบเลขแจงแบบปรับ 10-16 ในตัวอย่างบทสำหรับวิธีการแบบอนุกรมเวลาการคาดการณ์เริ่มต้นถือว่าเป็นเช่นเดียวกับความต้องการที่แท้จริงในช่วงแรก แนะนำวิธีอื่น ๆ ที่อาจมีการคาดการณ์เริ่มต้นในการใช้งานจริง 10-17 รูปแบบการคาดการณ์ของเส้นแนวโน้มแบบเส้นแตกต่างจากแบบจำลองการถดถอยเชิงเส้นสำหรับการคาดการณ์ 10-18 ของแบบจำลองชุดเวลาที่นำเสนอในบทนี้รวมทั้งค่าเฉลี่ยเคลื่อนที่และค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักการเพิ่มความลําชี้แจงเป็นทวีคูณและการปรับความเรียบที่เป็นเอกลัษณ์และเส้นแนวโน้มแบบเส้นตรงซึ่งคุณคิดว่าดีที่สุดด้วยเหตุใด 10-19 ข้อดีของการปรับความเปรียบเชิงเส้นทแยงมุมมีมากกว่าเส้นแนวโน้มเชิงเส้นสำหรับความต้องการที่คาดการณ์ไว้ซึ่งแสดงถึงแนวโน้ม 4 K. B. Kahn และ J. T. Mentzer การคาดการณ์ในตลาดผู้บริโภคและอุตสาหกรรมวารสารการพยากรณ์ธุรกิจ 14 ฉบับที่ 4 2 (ฤดูร้อน 1995): 21-28