Prognostekniker för marknadsundersökning
A. Kvalitativa tekniker:
De kvalitativa tekniker som är välkända fem och ett försök görs för att ta kontakt med dessa med sikte på att bekanta eleverna till kärnan av dessa som framtida förutspårare:
I. Gräsrötter:
Prognos för gräsrotsnivå bygger prognosen genom att lägga till successivt från botten. Det antagande som ligger bakom här är att personen som är närmast kunden eller slutanvändaren av produkten vet att framtiden behöver bäst.
Även om detta inte alltid är sant, är det i många fall giltigt och det är grunden för denna metod. Prognoser på denna nedre nivå summeras och ges till nästa högre nivå.
Detta är vanligtvis ett distriktslager, som sedan lägger till i säkerhetslager och eventuella effekter av att beställa kvantitetsstorlekar. Denna mängd matas sedan till nästa nivå, vilket kan vara ett regionalt lager.
Förfarandet upprepas tills det blir en ingång på översta nivån, vilket i fallet med en tillverkningsenhet skulle vara ingången till produktionssystemet.
ii. Marknadsundersökning:
Mycket ofta anställer företagen utanför företag som specialiserat sig på marknadsundersökningar för att utföra denna typ av prognoser. Som ett stödsystem kan du själv ha varit med i marknadsundersökningar genom en marknadsföringsklass.
Visst kan du inte ha räddade telefonsamtal som frågar dig om produktpreferenser, din inkomst och vanor och så vidare. Marknadsundersökning används mestadels för produktforskning i den meningen att man letar efter nya produktidéer, gillar och ogillar om de befintliga produkterna som konkurrerande produkter inom en viss klass är att föredra och så vidare. Återigen är datainsamlingsmetoderna i första hand undersökningar och intervjuer.
III. Panel konsensus:
Den bakomliggande tanken bakom paneldonsensus är att två huvuden är bättre än en. Denna punkt extrapoleras till tanken att en panel av människor från olika positioner kan utveckla mer tillförlitlig prognos än en smalare grupp.
Panelprognoser utvecklas genom öppna möten med fri utbyte av idéer från alla ledningsnivåer och individer. Svårigheten med denna öppna stil är att lägre anställningsnivåer skrämmas av högre nivåer av förvaltning.
Exempelvis kan en säljare i en viss produktlinje ha en bra uppskattning av framtida produktbehov men kan inte tala för att motbevisa en mycket annan uppskattning från vice-presidenten för marknadsföring. Denna defekt korrigeras med Delhi-metoden.
När beslut i prognoser är vid en gräns och högre nivå används termen "Executive Judgment" i allmänhet. Termen är självklarande för, en högre nivå av ledning är inblandad.
iv. Historisk Analogi:
En idealisk situation skulle vara att befintlig produkt eller generisk produkt skulle kunna användas som modell, samtidigt som man försökte prognostisera efterfrågan på en ny produkt. Det finns många olika sätt att klassificera sådana analogier till exempel kompletterande produkter, substitut eller konkurrenskraftiga produkter och produkter som en funktion av inkomst.
Det är också tydligare i postorder eller kataloger. Det är bara naturligt när du köper en CD, via postordern, är du säker på att få mer och mer mail med information om cd-skivor och cd-spelare.
Ett ledigt förhållande är att efterfrågan på kompakta dörrar orsakas av efterfrågan på CD-spelare. En anologi skulle förutse efterfrågan på digitala videoskivspelare genom att analysera den historiska efterfrågan på stereovideor.
Produkterna är i samma allmänna kategori av elektronik kan köpas av konsumenter till liknande priser. Ett ännu enklare exempel kan vara av brödrostar och kaffekrukor. Ett företag som redan tillverkar brödrostar och vill producera kaffekrukor kan mycket väl använda brödrosthistoriken som en sannolik tillväxtmodell.
v. Delphi Metod:
Begränsningen av Panel Consensus-metoden ställs in direkt av Delphi Method genom att ett uttalande eller yttrande som hålls av de högre anställda är värderat som viktigare än låga nivåer medarbetare, men det kan inte vara sant alltid. Den värsta sidan är att lägre nivå människor känner sig hotade och inte bidrar med sina sanna känslor eller övertygelser.
Delphi-metoden undanröjer detta genom att dölja identiteten för individer som deltar i studien. Under detta program har var och en lika stor viktålder. I synnerhet skapar en moderator ett frågeformulär och distribuerar det till deltagarna.
Deras uppräkningar summeras och ges tillbaka till hela gruppen tillsammans med en ny uppsättning frågor. Delphi-metoden utvecklades av Rand Corporation of America på 1950-talet.
Förfarande involverat i Delphi Metod:
Det stegvisa förfarandet involverat i Delphi-metoden består av fem steg:
För det första, välj experterna att delta. Det borde finnas en mängd kunniga människor på olika områden.
För det andra, genom ett frågeformulär eller e-post, få prognoser eller lokaler eller kvalifikationer för prognoserna från alla deltagare.
För det tredje sammanfatta resultaten och vidarefördela dem till deltagarna tillsammans med lämplig ny fråga.
För det fjärde, sammanfatta igen, raffinera prognoser och villkor och utveckla nya frågor igen.
För det femte, upprepa steg fyra om det behövs. Distribuera de slutliga resultaten till alla deltagare.
Delphi-tekniken kan vanligtvis uppnå tillfredsställande resultat i tre omgångar. Den nödvändiga är en funktion av antalet deltagare, hur mycket arbete som är inblandat för dem att utveckla sina prognoser och deras svarhastighet.
Delphi-metoden är en process för att få enighet från expertgruppen samtidigt som man behåller sin anonymitet. Denna form av prognoser är väldigt användbar när det inte finns några historiska data för att utveckla statistiska modeller. När dom eller åsikt baserad på erfarenhet och studier av marknads-, industri- eller vetenskaplig utveckling är de enda förutsättningarna för att göra informerade prognoser.
Delphi-metoden kan användas för att utveckla långvariga prognoser för produktbehov och nya produktförsäljningsprognoser. Det är rättvist att bra att identifiera vändpunkterna i efterfrågan. En av de mest användbara applikationerna för Delphi-metoden är den tekniska prognosen.
Den taktiska tekniska förändringen ökar mycket snabbare än någonsin tidigare. Medicinsk vetenskap och datavetenskap bara de två områden som upplever explosiva tekniska förändringar.
Byte av mänskligt hjärta av sen lever med mekaniskt hjärta och artificiell lever har blivit ett accepterat medicinskt förfarande.
Datorer blir föråldrade strax efter att de har producerats. Dessutom är en nästan helt automatiserad fabrik möjlig. Därför är frågan vad som är nästa? Att försöka svara på den frågan är fokus för tekniska prognoser.
Delphi-metoden kan användas för att få ett konsensus svar från en expertpanel. Panelmedlemmarna kan uppmanas att specificera de vetenskapliga framsteg som de föreställer samt förändringar i miljö- och sociala krafter som livskvalitet, statliga föreskrifter och konkurrenters handlingar.
Resultatet av en sådan process kan ge en bestämd riktning för företagets forsknings- och utvecklingspersonal. Nyckeln till Delphi-tekniken ligger i samordnaren och experterna. Experterna har ofta olika bakgrund. Således kan två läkare, en kemist, en elektrisk ingenjör, en kostnadsrevisor och ekonomisk expert och marknadsföringsguiden göra en mycket effektiv panel.
Samordnaren måste vara begåvad nog att syntetisera olika och breda uttalanden och komma fram till både strukturerad uppsättning frågor och prognoser.
Kortfattat har Delphi-metoden ett mycket bra utbud av noggrannhet både för kortsiktiga och långsiktiga prognoser, men det tar minst två månader att utveckla en prognos och en fin samordning mellan deltagare och gruppsamordnare.
B. Tidsserieanalys:
Tidsserien prognosmodeller försöker förutspå framtiden baserat på tidigare data. Till exempel, försäljnings siffror samlade för varje tidigare säger sex veckor kan användas för den sjunde veckan.
På samma sätt kan kvartalsvisa försäljningsuppgifter som samlats in för de senaste åren användas för att prognostisera framtida kvartaler. Här är försäljningsfrekvenserna vanliga i båda fallen men olika prognoser för tidsseriemodeller kommer sannolikt att användas eftersom tidsintervallet skiljer sig åt.
Det är, i den enklaste formen av tidsserieanalys, den enda informationen som används är det historiska rekordet av efterfrågan.
Analytikern är inte oroad över förändringar i externa och interna faktorer som tidigare noterat och antar att det som hänt tidigare skulle fortsätta att ske i framtiden.
Metoderna för tidsserieanalys fokuserar i genomsnitt på trendserier och säsongsbetonade egenskaper hos tidsserier. Uppgiften för analytiker är att försöka replikera dessa egenskaper samtidigt som den framtida efterfrågan beräknas.
Tidsserierna förklaras med ett exempel tillsammans med en grafisk presentation :
I. Enkelt rörande medelvärde:
Även om glidande medelvärden är centrerade är det mest lämpligt att använda tidigare data för att förutsäga följande period direkt. För att ta ett enkelt fall ger ett centrerat femmånadsmedelvärde januari, februari, mars, april och maj ett medelvärde centrerat i mars. Dock måste alla fem månaders data finnas där existerande.
Om vårt mål är att prognostisera för juni måste vi projicera glidande medelvärde - med hjälp av några medel från mars till juni. Om medelvärdet inte är centrerat men ligger i framänden kan man prognosa lättare, men man kan förlora.
Någon mängd noggrannhet. Om man vill förutse juni med ett femmånaders glidande medelvärde, kan man därför ta medeltalet januari, februari, mars, april och maj. När juni passerar skulle prognosen för juli vara medeltalet februari, mars, april, maj och juni.
FORMULAEN för ett enkelt rörligt medelvärde är =
F1 = A t - 1 + A t-2 + A t-3 + A tn / n
Var:
F 1 = Prognos för kommande period
n = Antal perioder som ska genomsnittas
En t-1 = Faktisk händelse under den senaste perioden
A t-2, A t-3 och A tn = Faktiska händelser i perioder, sedan, tre perioder sedan och så vidare upp till n perioder sedan.
Följande diagram visar tydligt effekterna av olika längder av perioden för glidande medelvärde. Det är uppenbart att tillväxtutvecklingen stiger vid ungefär den 23: e veckan.
Det tre veckors glidande medlet svarar bättre på att följa denna förändring än nio-veckans genomsnitt, men totalt sett är nio veckors genomsnittet mycket jämnare.
Huvuddelningen vid beräkning av ett glidande medelvärde är att alla enskilda element måste bäras data eftersom en ny prognosperiod innebär att man lägger till nya data och släpper de tidigaste data eller tre eller sex veckors glidande medelvärde, detta är inte för svårt.
Men att tilldela ett 60 glidande medelvärde för användningen av varje ord skulle 20 000 artiklar i lager innebära en bra data.
ii. Viktat Flyttande medelvärde:
I fallet med enkelt glidande medel ger det lika stor vikt för varje komponent i den glidande genomsnittliga databasen. I motsats härtill tillåter viktat glidande medelvärde några vikter som ska placeras på varje element förstås, förutsatt att summan av alla vikter är lika med 1. Till exempel kan en avdelningsaffär finna att en fyra månadersperiod är den bästa prognosen härledd genom att använda 40 procent av den faktiska försäljningen för den senaste månaden, 30 procent för två månader sedan, 20 procent för tre månader sedan och 10 procent för fyra månader sedan.
Därför är Formel för vägtryckande medelvärde:
F t = W 1 A t-1 + W 2 A t-2 + ... + W n A tn
Var:
W 1 = Vikt som ska ges till det faktiska förekomsten för perioden t-1
W 2 = Vikt som ska ges till det faktiska förekomsten för perioden t-2
W n = Vikt som ska ges till det faktiska förekomsten för perioden t-n
n = Totalt antal perioder i prognosen.
Det som är viktigt att notera är att summan av alla vägar måste vara lika med 1, medan många perioder kan ignoreras och åldersordningen kan vara i vilken ordning som helst.
Det är:
nΣi = 1 Wi = 1
Hur väljer man vikter?
De enklaste sätten att välja vikter är rik erfarenhet och bra försök och fel. Som en allmän regel är det senaste förflutna den viktigaste indikatorn på vad som ska förväntas i framtiden, och därför bör den få högre viktålder.
Den senaste månadens intäkter eller anläggningskapacitet, till exempel, skulle vara en bättre uppskattning för kommande mal än intäkter eller anläggningskapacitet för flera månader sedan.
Om uppgifterna är säsongsbetonade bör dock vikten fastställas i enlighet med detta. Försäljningen av baddräkt i juli förra året bör exempelvis vägas tyngre än baddräkter i december i norra delen av Indien. Det innebär att det vägda glidande medlet har en bestämd fördel över det enkla glidande medlet för att kunna variera effekterna av tidigare data. Det är emellertid mer obekvämt och dyrt att använda än exponentiell mjukningsmetod.
III. Exponentiell slätning:
Den stora nackdelen vid både enkelt glidande medelvärde och viktat rörligt medelvärde är behovet att kontinuerligt transportera en stor mängd historiska data. Detta är lika sant vid regressionsanalysstekniker.
Eftersom varje del av nya data läggs till i dessa metoder, släpps den äldsta observationen och den nya prognosen beräknas. I många tillämpningar är de senaste händelserna mer vägledande för framtiden än de som ligger längst bort.
Om denna förutsättning är giltig att betydelsen av data minskar, eftersom det förflutna blir mer avlägset, kan EXPONENTIAL SMOOTHENING vara den mest logiska den enklaste metoden att använda. Anledningen till varför den kallas "exponentiell utjämning" beror på att varje inkrement i det förflutna minskar med (1-a).
Om a är 0, 05 till exempel, skulle vikter för olika perioder vara enligt följande:
Därför ger exponenterna 0, 1, 2, 3, och så vidare det namnet. Exponentiell utjämning används mest av alla prognostekniker. Man måste säga att-det är en integrerad del av praktiskt taget alla datoriserade prognosprogram och används ofta för att beställa lager i detaljhandelsföretag, grossistaggregat och serviceföretag.
I åtminstone sex skäl har exponentiella mjukningstekniker blivit mest tillförlitliga.
Dessa är:
(1) Exponentiella modeller är mycket noggranna.
(2) Formulering av en exponentiell modell är relativt lätt.
(3) Användaren kan förstå hur modellen fungerar.
(4) En liten beräkning behövs för att använda modellen.
(5) Krav på datalagring är små på grund av begränsad användning av historiska data och,
(6) Test för noggrannhet om hur bra modellen utför är lätt att beräkna. Enligt metoden för exponentiell utjämning behövs endast tre datauppgifter för att prognostisera framtiden, nämligen den senaste prognosen, den faktiska efterfrågan som inträffade för den prognosperioden och en jämna konstant alfa (α).
Denna jämnhetskonstant bestämmer nivån av jämna och reaktionshastigheten på skillnader mellan prognoser och de faktiska händelserna.
Värdet för konstanten bestäms både av produktens natur och av chefsens känsla av vad som utgör god responsfrekvens. Till exempel, om ett företag producerat ett standardobjekt med relativt stabil efterfrågan, skulle reaktionshastigheten på skillnaderna mellan faktisk och prognostiserad efterfrågan tendera att vara liten, säga bara 5 till 10 procentenheter.
Men om företaget upplever tillväxt, skulle det vara önskvärt att ha en högre sats, säger 15-30 procentenheter, för att ge större betydelse för den senaste tillväxtupplevelsen. Ju snabbare tillväxten desto högre bör reaktionshastigheten vara.
Ibland byter användarna av det enkla glidande medlet till exponentiell mjukning men som att hålla prognoserna ungefär samma som det enkla glidande medlet. I detta fall approximeras alfa (a) 2 + med (n + 1), där 'n' är antalet tidsperioder.
Ekvationen för en enda exponentiell utjämning prognos är:
F t = F t-1 + a (A t-1 - F t-1 )
Var:
F t = Exponentiellt jämnprognos för period t
F t-1 = Exponentially Smoothed prognosen gjord för föregående period
A t-1 = Den faktiska efterfrågan under föregående period
a = Den önskade svarsfrekvensen eller mjukningskonstanten.
I denna ekvation anges tydligt att den nya prognosen är lika med den gamla prognosen plus en del av felet som är skillnaden mellan föregående prognos och vad som faktiskt inträffade, som vissa författare uttrycker "F t " ett jämnare genomsnitt.
För att demonstrera metoden, låt oss anta att den långsiktiga efterfrågan på produkten under studien är relativt stabil och jämnhetskonstanten (a) på 0, 05 anses vara approximativ. Om exponentiell metod används som en fortlöpande policy måste en prognos göras för den senaste månaden.
Normalt när en exponentiell utjämning införs först kan initialprognosen eller utgångspunkten erhållas genom att använda en enkel uppskattning eller ett genomsnitt av föregående perioder, såsom genomsnittet av de första två eller tre perioderna. Antag att förra månadens prognos (F t-1 ) var 1050 enheter.
Om 1000 enheter faktiskt krävdes, snarare än 1050 enheter, skulle prognosen för denna månad vara:
F t = F t-1 + a (A t-1 - F t-1 )
= 1050 + 0, 05 (1000-1050)
= 1050 + 0, 05 (-50)
= 1047, 50 enheter
Reaktionen av den nya prognosen till ett fel på 50 enheter är att minska nästa månads prognos med endast 2, 50 enheter på grund av att jämna koefficienten är liten.
Det är viktigt att notera på den här nivån att den enda exponentiella mjukningen har bristen på eftersläpande förändringar i efterfrågan. Följande diagram presenterar de faktiska data som ritats som en jämn kurva för att visa de långlivade effekterna av de exponentiella prognoserna.
Prognosen lags under en ökning men överskott när en förändring i riktningen uppstår. Observera att ju högre värdet av alfa, ju mer prognosen följer själva. För att noggrant följa den faktiska efterfrågan kan en trendfaktor läggas till.
Justering av värdet av alfa hjälper också. Detta benämns "Adaptiv prognos". Både trendeffekter och adaptiv prognos förklaras kortfattat till gagn för läsarna.
Exponentiella prognoser Versus Faktiska krav på enheter av en produkt över tiden som visar prognoslagret.
Trendseffekter i exponentiell slätning:
Det är värt att komma ihåg att en uppåtgående eller nedåtgående trend i de data som samlats över en tidsperiod resulterar i att exponentiell prognos alltid ska ligga bakom maj över eller under-den faktiska händelsen.
Exponentiella utjämnade prognoser kan korrigeras något genom att lägga till en trendjustering. För att korrigera trenden använder trenden ekvationen ett "jämnviktskonstant" delta (δ) deltaet minskar effekten av felet som uppstår mellan själva och prognos.
Om både Alfa och delta inte ingår, skulle trenden överreaktera till fel. För att få trendlikvationen att gå, måste den första gången användes, trendvärdet anges manuellt. Detta initiala trendvärde kan vara en beräknad eller utbildad givare eller en beräkning baserad på observerad tidigare data.
Ekvationen att beräkna prognosen inklusive trend (FIT) är:
FIT = F t + T t
Tt = FIT t-1 + a (A t-1 )
Där: T t = T t-1 + aδ (A t-1 )
Ft = Exponentiellt Smoothened Prognos för perioden t.
T t = Den exponentiellt jämna trenden för perioden f.
FIT t = Prognosen inklusive trend för perioden t.
FIT t-1 = Prognosen inklusive trend för föregående period
Vid -1 = Den faktiska efterfrågan på föregående period.
a = utjämningskonstant.
5 = jävnande konstant.
Välja det lämpliga värdet av Alpha:
Exponentiell mjukning kräver att jämna konstant alfa (a) ges ett värde mellan 0 och 1. Om den reella efterfrågan är stabil som det normalt förekommer vid mat och el skulle man vilja ha en liten alfa för att minska effekterna av kortsiktiga eller slumpmässiga ändringar.
Tvärtom, om den verkliga efterfrågan snabbt ökar eller minskar som vid modevaror och små apparater, tycker man om att ta stor alfa för att försöka följa förändringen. Det skulle vara idealiskt om man kunde förutsäga vilken alfa man skulle använda. I detta avseende går två saker tyvärr mot en som försöker.
För det första skulle det ta lite tid för att bestämma alfabetet som bäst passade sin data. Detta skulle vara för tråkigt att följa och revidera.
För det andra kanske den som väljer den här veckan kan behöva revideras inom en snar framtid, eftersom krav ändras. Därför behöver man en viss automatisk metod för att spåra och ändra sina alfavärden.
Adaptiv prognos:
Det finns två sätt att kontrollera värdet av alfa. Man använder olika värden av alfa; den andra använder en spårningssignal.
1. Två eller flera förutbestämda värden av alfa :
Mängden fel mellan prognosen och den faktiska efterfrågan mäts. Beroende på graden av fel används de olika värdena på alfa. Om felet är stort är alfabetet 0, 8, om felet är litet, är alfa 0, 2.
2. Beräknade värden för alfa:
En spårnings alfa beräknar om prognosen håller takt med äkta uppåtgående eller nedåtgående förändringar i efterfrågan i motsats till slumpmässiga förändringar. I denna ansökan definieras spårnings alfabet som det exponentiellt jämnade faktiska felet dividerat med det exponentiellt jämnade absoluta felet. Alfa ändras från period till period inom det möjliga intervallet från noll till en.
Prognosfel:
När man använder ordet "error", hänvisar man till skillnaden mellan prognosvärdet och vad som faktiskt har inträffat. I statistiken kallas dessa "fel" "residualer". Så länge prognosvärdet ligger inom konfidensgränserna, är detta inte ett fel. Men gemensam användning avser skillnaden som ett fel.
Det är välkänt att krav på en produkt genereras genom interaktionen av ett antal faktorer som är för komplexa för att beskriva exakt i en given modell. Därför innehåller alla prognoser säkert ett visst fel.
Under diskussionen av prognosfel är det lämpligt att skilja mellan "felkällor" och "mätning av fel".
Felkällor:
Fel kan härröra från olika källor. En vanligaste källa som många prognosmakare inte känner till för att de ska kunna utveckla framtida trender i framtiden. Fel kan klassificeras som bias eller "slumpmässig".
Biasfel uppstår när ett konsekvent misstag görs förknippade med att inte inkludera rätt variabler. använder fela förhållanden bland variablerna; Använder fel trendlinje felaktigt skiftar den säsongsbetonade efterfrågan från var det normalt inträffar, och förekomsten av någon oupptäckt sekulär trend. Slumpmässiga fel kan definieras som de som inte kan förklaras av prognosmodellen som används.
Mätning av fel:
Felgraden uttrycks i olika alternativa termer som "standardfel", "genomsnittligt kvadratfel" "varians" och "medelvärde-absolut" eller "genomsnittlig absolut avvikelse".
Dessutom kan spårningssignaler användas för att indikera eventuell positiv eller negativ förspänning i prognosen. Eftersom standardfelet är kvadratroten av en funktion är det ofta mer bekvämt att använda själva funktionen. Detta kallas det genomsnittliga kvadratfelet eller variansen. Vi kommer att överväga genomsnittlig avvikelse och spårningssignal.
Galen:
MELLAN ABSOLUT AVVIKLING (MAD) var i mode tidigare men ignorerades därefter till förmån för standardavvikelser och standardfelåtgärder. Under de senaste åren har MAD gjort en comeback rent på grund av dess enkelhet och nytta för att få spårningssignaler.
MAD är det genomsnittliga felet i prognoserna, med hjälp av absoluta värden. MAD är värdefull eftersom det mäter spridningen av något observerat värde från något förväntat värde, som standardavvikelsen.
MAD beräknas genom att använda skillnaderna mellan den faktiska efterfrågan och prognosbehovet utan hänsyn till tecknet. Det är lika med summan av de absoluta avvikelserna dividerat med antalet datapunkter.
MAD-ekvationen är:
Var:
t = Period av nummer
A = Faktisk efterfrågan på perioden
F = Prognos efterfrågan för perioden
n = Totalt antal perioder
II = En symbol som används för att ange absolutvärdet bortom positiva och negativa tecken.
När de fel som uppstår i prognosen normalt distribueras, avser den genomsnittliga avvikelsen (absolut) standardavvikelsen som:
1 Standardavvikelse = √π / 2 x MAD, eller ungefär 1, 25 MAD.
Omvänt,
1 MAD = 0, 8 standardavvikelse.
Standardavvikelsen är den större åtgärden. Om MAD för en uppsättning punkter visade sig vara 60 enheter, skulle standardavvikelsen vara 75 enheter. På det vanliga statistiska sättet, om kontrollgränser sattes till plus eller minus 3 standardavvikelser eller ± 3, 75 MAD, skulle 99, 7 procent av punkterna falla inom dessa gränser.
Spårningssignal:
En "spårningssignal" är ett mått som anger om prognosmedlet är i takt med några verkliga uppåtgående eller nedåtgående förändringar i efterfrågan. Som används i prognoser är spårningssignalen antalet genomsnittliga absoluta avvikelser som prognosvärdet är över eller under det faktiska förekomsten.
Följande bild uppvisar en normal fördelning med ett medelvärde av noll och MAD lika med 1. Om man beräknar spårningssignalen och finner den lika med minus 2 kan man se att prognosmodellen ger prognoser som är ganska över medelvärdet av de faktiska händelserna. En spårningssignal (TS) kan beräknas med hjälp av de aritmetiska summan av prognosavvikelser dividerade med den genomsnittliga absoluta avvikelsen
TS = RSFE / MAD
Var:
RSFE är löpande summan av prognosfel med hänsyn till felets art. Exempelvis avbryter negativa fel positiva fel och vice versa.
MAD är medelvärdet av alla prognosfel med hänsyn till huruvida avvikelsen är positiv eller negativ. Det är genomsnittet av de absoluta avvikelserna.
Låt oss ta ett praktiskt fall som rensar proceduren för beräkning av MAD och klibbningssignalen under en sexmånadersperiod. Där prognosen har ställts till en konstant 1000 och den faktiska efterfrågan som inträffade visas.
Låt oss beräkna den genomsnittliga absoluta avvikelsen (MAD), felprognosen Fel (RSFE) och spårningssignal (TS).
Prognos och årliga data detaljerna presenteras i form av ett diagram med beräkningar enligt under:
För 6: e månaden TS = 400 ÷ 6 = 66.70
För 6: e månaden TS = RSFE / MAD = 22 / 66, 70 = 3, 30 MAD.
Vi kan plotta spårningssignalerna beräknad ovan i 4.6 som kommer att visas som under.
Det framgår av diagrammet ovan att den berörda perioden är sex månader där prognosen hade fastställts till en ständig 1000 enheter och de faktiska kraven som har uppstått. Prognosen, i det här exemplet, är i genomsnitt av med 66, 7 enheter och spårningssignalen har varit lika med 3, 3 genomsnittliga avvikelser. Man får bättre känsla för vad MAD och spårningssignalen betyder genom att plotta punkterna på en graf.
Även om detta inte är fullständigt legitimt från en ståndpunkt i provstorlek, är den plottad varje månad i figur 3.18 för att visa spårningssignalens drift. Det är värt att notera att det drev från minus 1 MAD till plus 3, 3 MAD.
Detta hände eftersom den faktiska efterfrågan var större än prognosen i fyra av de sex perioderna. Om den faktiska efterfrågan inte faller under prognosen för att kompensera den kontinuerliga positiva RSFE kommer spårningssignalen att fortsätta att stiga och man skulle dra slutsatsen att förutsatt att en efterfrågan på 1 000 är en dålig prognos.
Godtagbara gränser för spårningssignalen beror på storleken på efterfrågan som prognostiseras och hur mycket personal som finns tillgänglig. Följande bild visar området för gränser för kontrollgränser inom vilka ett intervall av en av fyra MADs.
För att fortsätta, i en perfekt prognosmodell, skulle summan av de faktiska prognosfelen vara noll; De fel som resulterar i övervärderingar bör avräknas av fel som uppstår på grund av underskattningar. Spårningssignalen kommer också att vara noll, vilket indikerar en opartisk modell, som varken leder eller sänker de faktiska kraven MAD används ofta för att förutse fel. Det är önskvärt att göra MAD känsligare för de senaste uppgifterna.
En väldigt användbar teknik för att göra detta är att beräkna en exponentiellt jättad MAD som en prognos för nästa periodens felområde. Förfarandet liknar det för enkel exponentiell mjukning. Värdet av MAD-prognosen är att ge ett antal fel. Detta är mest användbart vid lagerkontroll vid inställning av säkerhetslager.
Sedan:
MAD t = a IA t-1 - F t-1 I + (1-a) MAD t-1
Var:
MAD t = Prognos MAD för den tiden
A = Smootheningskonstant (normalt i intervallet 0, 05 till 0, 20)
En t-1 = Verklig efterfrågan i period t-1
F t-1 = Prognos Efterfrågan för period t-1
iv. Linjär regressionsanalys:
Regression är det funktionella förhållandet mellan två eller flera korrelerade variabler. Det används för att förutse en variabel som ges i den andra. Relationen utvecklas vanligtvis från en observerad data.
Under metoden ska data kartläggas först för att se om de verkar linjära eller om åtminstone delar av data är linjära. Linjär regression hänvisar till den speciella klassen av regression där förhållandet mellan variabler bildar en rak linje.
Den linjära regressionslinjen i form Y = a + b X, där Y är värdet av den beroende variabeln, a är avlyssningen, b är lutningen och X är den beroende variabeln. I tidsserieanalys är X tidsenheter. Linjär regression är mycket användbar för långsiktig prognos av större händelser och aggregerad planering.
Det kan inte vara bättre exempel än att förutse efterfrågan på produktfamiljer. Trots att efterfrågan på enskilda produkter inom en familj kan variera under en tidsperiod, är efterfrågan på den totala produktfamiljen smidig över förväntningarna.
Den grundläggande begränsningen i att använda linjär regression prognos är, som namnet antyder, att tidigare data och framtida prognoser antas falla runt en rak linje. Medan detta begränsar dess tillämpning, Ibland använder man en kortare tid, kan linjär regression fortfarande användas. Till exempel kan det finnas korta segment av längre period som är ungefär linjära.
Linjär regression används för båda tidsserierna och för prognos för orsakssamband. När den beroende variabeln är det tidsserieanalysen. Om en variabel ändras på grund av förändringen i en annan variabel är detta orsakssambandet.
För att förklara konceptet används följande exempel för att jämföra prognosmodeller och typer av analyser, säger för handmontering av en rad, för minsta kvadratanalys.
Handmontering av en trendlinje:
I fall av River Valley Products Limited var produktlinjen under 12 kvartalen de senaste 3 åren följande:
Bolaget vill prognostisera kvartalet i det fjärde året. Det är kvartalen 13, 14, 15 och 16. Ange en trendlinje genom handmontering med enkel ögonbollning eller OHA-okulär heuristisk approximation.
Förfarandet vid montering av en handuppsättningslinje. En är att lägga en rätning över datapunkterna tills linjen verkar passa bra och rita linjen. Denna rad är regressionslinjen. Nästa steg är att avlyssna a och lutning b.
Den visar dataplotten och den raka linjen en drog genom punkterna. Avlyssningen a, där linjen skär den vertikala axeln, verkar vara cirka 400.
Vertikal axel verkar vara ungefär 400. Lutningen b är "uppgången" dividerad med "springa" ändringen i höjden av någon del av linjen dividerad med antalet enheter i den horisontella axeln.
Vilka två punkter som helst kan användas, men två punkter i avstånd ger bästa noggrannhet på grund av felen i läsvärdena från grafen. I ovanstående utställning, genom att läsa från punkterna på linjen, är Y-värdena för kvart 1 och kvart 12 omkring 750 och 4950 rupier.
Därför:
b = (4950-750) / (12-1) = 382
Därför är hand-fit regression ekvationen:
Y = 400 + 382x
Prognoserna för fyra kvartaler 13, 14, 15 och 16 är:
Det är väldigt viktigt att notera här att dessa prognoser endast baseras på linjen och inte identifiera eller justera för element som säsongs- eller cykliska element.
Vad som görs ovan kan också bevisas med hjälp av LEAST SQUARE METHOD. Ekvationen för den minsta kvadraten för linjär regression är densamma som den som användes i den ovanstående passformen:
Y = a + var
Var:
Y = Beroende variabel beräknad med ekvation
Y = Den faktiska beroende variabeldatapunkten.
a = Y avlyssnar
b = lutning av linjen
x = tidsperiod.
Denna metod med minsta kvadrater försöker passa linjen till de data som minimerar summan av kvadraterna för det vertikala avståndet mellan varje datapunkt och dess motsvarande punkt på linjen. Samma data presenteras i följande diagram som förklarar magiken i metoden för minsta kvadrater.
Om en rak linje dras genom punkternas allmänna område är avståndet mellan punkten och linjen y-Y. Ovanstående diagram visar skillnaderna. Summan av kvadraterna för skillnaderna mellan de plottade datapunkterna och linjepunkterna är:
(y-Yt) 2 + (y2-Y2) 2 + ... (Y12 -Y12) 2
Den bästa linjen att använda är den som minimerar denna totala.
Som tidigare är raklinjekvationen:
Y = a + bx
Från grafen bestämdes både "a och" b ".
I minsta kvadratmetoden är ekvationen för a och b ':
Var:
a = Y avlyssnar
b = lutning av linjen
Y = Genomsnitt av alla ys
X = Genomsnitt av alla xs
x = x-värdet vid varje datapunkt
y = y-värdet vid varje datapunkt
n = Antal datapunkter
Y = Värdet av den beroende variabelen beräknad med
Diagrammet ger detaljer om beräkningar utförda för 12 punkter i figurerna 3.19 och 3.20. Observera att den sista ekvationen för Y visar ett intercept på 441, 6 och en lutning på 339, 6. Lutningen visar att för varje enhet ändras i X som Y ändras med 359, 6.
Strängt baserad på ekvationsprognoserna för perioderna 13, 14, 15 och 16 är:
Y 13 = 441, 6+ 359, 6 (13) = 5116, 4
Y 14 = 441, 6 + 359, 6 (14) = 5476, 0
Y 15 = 441, 6+ 359, 6 (15) = 5835, 6
Y 16 = 441, 6+ 359, 6 (16) = 6195, 2
Innan man går till standardfel låter läsaren veta om beräkningar av ovanstående detaljerade beräkningar som anges i diagram 4.11.
C. Förhållandeprognos för orsakssamband:
Orsaksmetoder ger oss de mest sofistikerade prognosverktygen. De används när historiska data är tillgängliga och förhållandet mellan den faktor som ska prognostiseras och andra externa och interna faktorer kan identifieras. Dessa relationer uttrycks i matematiska termer kan vara mycket komplexa.
Orsaksmetoder är överlägset bäst för att förutsäga vändpunkter i efterfrågan och förbereda långdistansprognoser. Med andra ord att vara av värde för prognoser, måste varje oberoende variabel vara en ledande indikator.
Till exempel kan man förvänta sig att en längre period med regniga dagar i ökad försäljning av paraplyer och regnrockar. Regnet orsakar försäljning av regnbearbetning eller växel. Detta är ett orsakssamband där en händelse orsakar en annan. Om det orsakande elementet är tillräckligt långt i förväg kan det användas som utgångspunkt för prognoser. Ett antal kausalmetoder används.
Den mest använda metoden är emellertid linjär regression som förklaras på följande sidor:
I. Linjär regressionsmetod:
Linjär regression är en av de mest kända orsaksmetoderna för prognoser. Denna metod använder två variabler, nämligen beroende och "oberoende". Den beroende variabeln, såsom efterfrågan eller kostnaden, är den variabel som prognosen vill förutse.
De oberoende variablerna antas ha påverkat den beroende variabeln och därmed "orsakat" de resultat som observerats tidigare. Tid kan också vara en oberoende variabel som en surrogat som representerar en ospecificerad grupp av variabler som bidrar till trender eller säsongsmönster i data.
För att förklara användningen av linjär regression har jag här använt den enklaste modellen där den beroende variabeln är en funktion av endast en oberoende variabel.
Varje linjär regressionsmetod kräver att vi hypoteser en relation mellan den beroende variabeln och den oberoende variabeln. I det enklaste fallet förutser vi att förhållandet skulle vara en rak linje.
Accordingly the formula is:
Y i = a + βX i + u i
Var:
Y i = the dependent variable value for the observation i.
X i = the independent variable value for observation i.
a = the Y intercept of the line.
P = the slope of the line.
u i = random error.
Här, de känner inte till a- och β-värdena, så vi måste uppskatta dem från en provdata. Dessa data används för att beräkna "a", uppskattningen av "a" och "β" uppskattning av användning av en teknik med minsta kvadrater.
Målsättningen är att hitta värdena på "a" och minimera summan av kvadrerade avvikelser för de faktiska Y-värdena från de uppskattade värdena, eller
Där n är antalet datapunkter i provet. Processen att hitta värdena av a och b som minimerar summan av kvadrerade avvikelser är komplicerad; så vi med tillstånd ekvationen bara som under:
Det är värt att notera här att värdena på a och b också minimerar den kumulativa summan av prognosfel, det genomsnittliga felet (bias) och standardavvikelsen för prognosfel. De minimerar dock inte den genomsnittliga absoluta avvikelsen som kallas MAD.
Regressionsanalys kan ge användbar vägledning för viktiga beslutsfattande beslut. Emellertid är detta tillvägagångssätt relativt dyrt på grund av de stora mängderna data som behövs för att erhålla användbara linjära regressionsförhållanden.
ii. Multipel regressionsanalys:
En annan prognosmetod är flera regressionsanalyser där ett antal variabler beaktas, tillsammans med effekterna av var och en på prognosposten. Till exempel, vid husinredningsområden kan effekterna av antalet äktenskap, bostadsstart, engångsinkomst, inkomst och trenden uttryckas i en multipelregressionsekvation, som
S = B + B m (M) + Bh (H) + Bt (T)
Var:
S = Årets brutto försäljning
B = Basförsäljning, en utgångspunkt från vilka andra faktorer
M = Äktenskap under året
H = Bostäder startar under året
I = Årlig disponibel inkomst
T = Tidsutveckling (första året = 1, andra = 2, tredje = 3 och så vidare)
B m, B h och B t representerar påverkan på förväntad försäljning av äktenskapsdeltagare och bostadsstart, inkomst och trend.
Prognos av flera regressioner är ett lämpligt tillvägagångssätt när ett antal faktorer påverkar en variabel av intresse i detta fall, försäljningen.
Dess svårighet ligger i den matematiska beräkningen. Lyckligtvis finns vanliga datorprogram för flera regressionsanalyser tillgängliga, vilket lindrar behovet av tråkig manuell beräkning.
Välja en prognosmetod:
I det här sammanhanget uppstår den första frågan om huruvida du behöver ett prognossystem? Systemet kan sträcka sig från enkla billiga verktyg till omfattande program som kräver omfattande åtaganden om tid, skatt och talang.
En verksamhet använder prognoser vid planering av lager- och produktionsnivåer samt för ny produktutveckling och budgetar. På produktnivå är det billigt att utveckla prognoser för att utveckla prognoser med hjälp av enkelt glidande medelvärde, viktat glidande medelvärde eller exponentiell utjämning. Dessa metoder skulle gälla för en stor del av standardinventarier som bärs av ett företag.
Valet av vilket av dessa tre metoder att använda är baserat på marknadsförhållandena. Förskjutande medelvärden vikt varje period densamma, exponentiella slätning vikter de senaste förflutna mer, och viktat glidande medelvärdet tillåter vikterna att bestämmas av prognosen.
Vilket är bättre? Ett test skulle vara att använda varje metod på provdata och mäta felen med hjälp av MAD och RSFE som vi gjorde. Under alla omständigheter ska alla prognoser överföras till lämpligt område för att få någon som känner till produkten justera eller ändra prognosen.
Vid användning av regressionsanalys är det kritiskt att försäkra sig om att data passar modellen. Om de inte gör det kommer upptäckningar att skapa allvarliga fel. Executive opinion, försäljningskraft och kundundersökning nära toppen av listan på grund av marknadsföringens betoning och värdefulla prognosindikatorer är trender och marknadsandelar.
Att jämföra tillverknings- och servicevirksomheter tenderar tillverkningsföretag att vara mer noggranna och ge mer interaktioner när det gäller att cirkulera och justera prognosen. De viktigaste prognoserna är biproduktlinjer och produktlivscykler.
Tillverkare brukar använda mer kvantitativa tekniker och är mer nöjda med prognosprocessen. De tenderar också att bedöma prognoserna liksom nivån på noggrannhet som är viktigare än tjänsteföretag värderar dem.
Serviceföretag tenderar att involvera fler personer i prognoser och ha en högre andel av verkställande engagemang.
Serviceföretag tenderar också att:
(1) Se det vägda glidande medlet som en viktig teknik och
(2) Använd subjektiv prognoser mycket mer än tillverkare. På grund av olika tekniker rapporterade serviceföretag också att deras prognosprocess är mer besvärlig än tillverkarnas. Dessutom är servicebolagen mindre nöjda med prognosen.
Fokusprognos:
Fokusprognoser är Berine Smiths hjärnbarn. B. Smith använder det främst i lagerhantering av färdiga varor. Mr. B. Smith underbygger starka argument att statistiska metoder som används vid prognoser inte ger de bästa resultaten.
Han säger att enkla tekniker som fungerar bra på tidigare data visar sig vara bäst vid prognoser om framtiden. Vad är det? och dess metodik? "Fokusprognoser" försöker helt enkelt flera regler som verkar logiska och lätta att förstå för att projicera tidigare data i framtiden. Vart och ett av dessa regler används i ett datasimuleringsprogram för att faktiskt projektera efterfrågan och sedan mäta hur bra den regeln utfördes jämfört med att det faktiskt hände.
Därför är de två komponenterna i fokusprognosen systemet:
(1) Flera enkla prognosregler och
(2) Datasimulering av dessa regler om tidigare data.
Dessa är enkla sunt förnuft regler som består av och sedan testas för att se om de ska hållas. Exempel på enkla prognosregler kan innefatta:
(a) Vad vi sålde under de senaste tre månaderna är det vi troligtvis kommer att sälja under de kommande tre månaderna.
(b) Vad sålde under samma tre månadersperiod förra året, med förmodligen sälja under den tre månadersperioden i år.
(c) Vi kommer antagligen att sälja 10 procent mer under de kommande tre månaderna än vi sålde under de senaste tre månaderna.
(d) Vi kommer antagligen att sälja 50 procent mer under de kommande tre månaderna än vi sålde för samma tre månader i fjol.
e) Vilken procentuell förändring vi haft under de senaste tre månaderna i år jämfört med samma tre månader i fjol kommer troligen att vara samma procentuella förändring som vi kommer att ha för de kommande tre månaderna i år.
En sak är säker på att dessa prognosregler inte är svåra och snabba. Om en ny regel verkar fungera bra, läggs den till. Om det inte gör det, raderas det.
Den andra delen av processen är datasimulering. För att kunna använda systemet bör en datahistorik vara tillgänglig under minst 18-24 månader. Simuleringsprocessen använder sedan var och en av prognosreglerna för att förutse några tidigare tidigare data. Regeln som gjorde det bästa för att förutsäga det förflutna är den regel som används för att förutsäga framtiden.
Utveckla ett fokuseringsprognossystem :
Hur utvecklar man ett fokusprognossystem? Här är vissa förslag eller riktlinjer som hjälper till att utforma fokusprognossystem. Dessa är:
1. Försök inte lägga till säsongsindex:
Man bör inte lägga till ett säsongsindex. Låt prognossystemet hitta säsongsmässigt i sig, speciellt med nya föremål, eftersom säsongsmässigheten kanske inte gäller förrän rörledningen är fylld och systemet är stabilt. Prognosreglerna kan hantera det.
2. Beakta inte ovanliga krav:
När en prognos är vanligtvis hög eller låg säger två eller tre gånger föregående period, eller föregående år om det finns säsongsmässigt, skriva ut en indikator som bokstaven "R" som berättar personen som påverkas av denna efterfrågan för att granska den. Låt inte bortse från ovanliga krav eftersom de faktiskt kan vara giltiga förändringar i efterfrågningsmönstret.
3. Uppmuntra deltagarnas deltagande:
Låt de personer som ska använda prognoserna, nämligen köpare eller inventeringsplanerare, delta i att skapa regler. B. Smith spelar sitt spel med alla företagsköpare eftersom "man kan inte och utan gissar fokusprognoser".
Med två års data och 2000 poster gör prognosprognoser de senaste sex månaderna. Köpare uppmanas att prognostisera de senaste sex månaderna med någon regel som de föredrar. Om de är konsekvent bättre än de befintliga prognosreglerna, läggs deras regler till listan.
4. Håll reglerna enkla:
Genom att hålla reglerna enkla är det lätt att förstå och lita på användarna av prognosen som ökar värdet av fokusprognoser.
I ett mutterskal verkar det som att fokusprognoser har betydande meriter när efterfrågan genereras utanför systemet, t.ex. vid prognoser för slutproduktbehov, reservdelar och material och leveranser som används i olika produkter. Det är också ekonomiskt, som B. Smith rapporterar att datordyn är uppenbarligen inte så stor eftersom 1, 00, 000 artiklar prognoser varje månad med hjälp av de gyllene reglerna för fokusprognoser.
D. Simuleringsmodeller:
Som sagt tidigare dynamiska modeller, vanligtvis datorbaserade, låter prospektera antaganden om interna variabler och extern miljö i modellen. Många kommersiella prognosprogram är tillgängliga.
De flesta är tillgängliga för mikrodatorer och använder databaser för delat databas. Stora företag i Amerika som Wal-Mart använder nu program som fungerar över internet.
Framtiden är att förbättra standarden på prestanda och paket kommer att standardiseras möta specifika behov hos tillverkare och handlare i prognoser. Alla utom de mest sofistikerade prognosformlerna är ganska lätta att förstå.
Den som kan använda ett spreadsheet som Microsoft Excel kan skapa ett prognosprogram på datorn. Beroende på kännedom om spridarkortet kan ett enkelt program skrivas var som helst från några minuter till ett par timmar. Hur denna prognos ska användas av företaget kan vara den större utmaningen.
Om efterfrågan på många objekt ska prognostiseras blir detta ett datahanteringsproblem, inte ett problem i prognoslogiken.
Utformning av prognossystemet:
Innehållet i det här kapitlet tog fram antalet prognosmetoder och tekniker. Problemet före chefen är att välja en bästa och lämplig metod så att han kan göra prognoser och fortsätta till nästa steg för att analysera operativhanteringsproblem.
Tyvärr är det inte så lätt som man säger. Valet ganska korrekt val av en viss metod är verkligen en viktig aspekt vid utformningen av ett prognossystem, men det finns några andra viktiga överväganden.
Under utformningen av ett prognossystem måste chefen bestämma sig för:
(1) Vad ska man förutse?
(2) Vilket mjukvarupaket ska användas för ett datoriserat program?
(3) Hur systemet kan hjälpa ledande beslutsfattande?
Låt oss röra dessa tre huvudpunkter:
Beslutar vad som ska prognostiseras:
Det är ganska vanligt att höra verksamhetscheferna säger att prognoser för efterfrågan ska göras för alla varor eller tjänster som tillverkas av deras företag. Genom någon form av efterfrågan är det nödvändigt att beräkna en viss aggregering av produkterna och sedan ta fram enskilda produktprognoser.
Val av rätt måttenhet är också viktig för prognoserna kan vara lika viktiga som att välja den bästa metoden. Detta bör överväga två punkter, nämligen aggregeringsnivå och måttenheter.
1. Aggregationsnivå:
I själva praxis har mycket få företag fel på mer än 5 procent i sina prognoser om total efterfrågan på alla produkter. Fel i prognoser för enskilda objekt varierar dock från 100 procent till 300 procent eller mer. Ju större aggregeringen är desto mer exakt är prognoserna.
Många företag använder ett system med två nivåer där prognoser görs för första gången för "produktfamiljer", en grupp varor eller tjänster som har liknande krav på efterfrågan och gemensamma krav på bearbetning, arbetskraft och material.
Prognoser för enskilda poster är uppdelade på ett sådant sätt att deras summa motsvarar den totala prognosen för familjen. Ett sådant tillvägagångssätt upprätthåller samstämmighet mellan planering för tillverkningens sista etapper och långsiktig planering för försäljning, vinst och kapacitet.
Måttenheter:
Prognoserna som fungerar som input till planering och analys av operativa problem är mest användbara om de är baserade på produktenheter i stället för rupee-värden. Prognoser för försäljningsintäkterna är inte särskilt användbara eftersom priserna kan och ofta fluktuerar.
Även om den totala försäljningen i rupier kan vara densamma från månad till månad, kommer det faktiska antalet enheter av efterfrågan att variera mycket.
Prognoser antal enheter av efterfrågan och sedan översätter dem till försäljningsintäkter uppskattningar genom multiplikation är ofta mycket bättre metod. Det kan dock hända att det inte går att förutse antalet enheter av efterfrågan på en produkt.
De företag som producerar varor eller tjänster till kundorder, står inför detta problem. I sådana fall är det bättre att prognostisera den normala arbetskraft eller maskintimmar som krävs av var och en av de kritiska resurserna, baserat på historiska mönster. För sådana företag är uppskattningar av arbetstid eller maskintimmar import för schemaläggning och kapacitetsplanering.
2. Välja ett programvarupaket:
Detta är åldern av datateknik och svepande informationsomvandling, många prognospaket är tillgängliga för alla storlekar av datorer. Dessa paket finns tillgängliga för alla storlekar på datorer. Dessa paket erbjuder en mängd olika prognosmöjligheter och rapportformat. Paket som General Electrics Time Service Forecasting System (GETSFS) och IBMs.
Konsumentvarusystem (COGS) och Inventory Management Program- och kontrollteknik (IMPACT) innehåller prognosmoduler som används av många företag som har stora datoranläggningar.
Sedan introduktionen av mikrodatorer har många mjukvarupaket utvecklats för nästan alla populära persondatorer. Applikationerna sträcker sig från enkla till mycket sofistikerade program.
Dessa mikropatentpaket är prissatta för att göra dem attraktiva alternativ till traditionella huvudramspaket.
Med tanke på kostnadseffektivitet av tekniker föredras vissa i korta sträckor medan andra i långa räckvidd. Valet av prognospaket är därför ett gemensamt beslut av marknadschef och verksamhetschef. Eller ett lag kan vara dessa som representerar viktiga avdelningar.
Det slutliga urvalet av paketet är baserat på:
(1) Hur väl uppfyller paketet måste och önskemål?
(2) Kostnaden för att köpa eller hyra paketet
(3) Nivån av administrativt stöd som krävs och
(4) Mängden programmeringsunderhållstid krävs.
3. Administrativ användning av systemet:
Det finns två viktiga aspekter som ska nämnas när det gäller användningen av datoriserat prognossystem:
(1) Enkeltprognosprognoser är sällan användbara eftersom prognoserna nästan alltid är felaktiga. Resultatet är att chefer vet att om de behöver ett enda antal prognoserade produkter, kommer den faktiska efterfrågan att vara allt annat än den siffra. Därför är ett långt mer användbart tillvägagångssätt att ge chefen ett prognostiserat värde och ett felintervall som kan göras med hjälp av MAD. Denna justerade information ger chefen en bättre känsla för osäkerheten i prognosen och gör det möjligt för chefen att bättre planera lager, personalnivåer och liknande.
(2) Det handlar om det förväntade antalet ledningsgränssnitt med systemet. Spårningssignaler ska beräknas för varje prognos och meddelandena ska genereras när signalerna överstiger det valda intervallet.
Cheferna bör ha befogenhet att överdriva en datorframställd prognos med egen prognos eller ändra metod som används när förändringar i efterfrågemönster dikterar. Det är chefer bör ha full frihet att använda antingen prognos som hjälper dem att få förtroende för prognossystemet.
Således kan man slutligen säga att det är inte lätt att utveckla ett genombrott i prognossystemet. Men det är ingen gå, det måste göras eftersom prognoser är grundläggande för någon planeringsansträngning.
