चलती - औसत - विधि - भविष्यवाणी - उदाहरण के

औसत चलती है। समय श्रृंखला डेटा टिप्पणियों का समय कई लगातार समय से समान रूप से स्थानांतरित होता है क्योंकि इसे लगातार नामित किया जाता है क्योंकि यह लगातार नए डेटा के रूप में उपलब्ध होता है, यह प्रारंभिक मूल्य को छोड़कर और नवीनतम मूल्य जोड़कर आगे बढ़ता है उदाहरण के लिए, - महोत्सव की बिक्री जनवरी से जून तक बिक्री के औसत को लेकर गणना की जा सकती है, फिर फरवरी से जुलाई तक की बिक्री का औसत, मार्च से अगस्त तक, और इसी तरह मूविंग एवरेज 1 पर डेटा में अस्थायी रूपांतरों के प्रभाव को कम करते हैं, 2 में सुधार एक पंक्ति के लिए डेटा की योग्यता एक प्रक्रिया है जो डेटा की प्रवृत्ति को और अधिक स्पष्ट रूप से दिखाने के लिए चौरसाई होती है, और 3 प्रवृत्ति से ऊपर या उससे कम के किसी भी मान को उजागर करती है। यदि आप बहुत उच्च विचरण के साथ कुछ गणना कर रहे हैं तो सबसे अच्छा आप कर सकते हैं चल औसत से बाहर। मैं जानना चाहता था कि चलती औसत डेटा का क्या होता है, इसलिए मैं समझ सकता था कि हम कैसे काम कर रहे थे। जब आप कुछ संख्याओं का पता लगाने की कोशिश कर रहे हैं, सेंट आप कर सकते हैं चल औसत औसत की गणना है। बॉक्स जेनकिंस बी.जे. मॉडल। औसत औसत - एमए। डाउन मूविंग एवर - एमए। एक एसएमए उदाहरण के रूप में, 15 दिनों में निम्नलिखित समापन कीमतों के साथ सुरक्षा पर विचार करें। सप्ताह 1 5 दिन 20, 22, 24, 25, 23.Week 2 5 दिन 26, 28, 26, 29, 27.Week 3 5 दिन 28, 30, 27, 29, 28. एक 10 दिन एमए पहली के लिए बंद कीमतों औसत होगा पहले डेटा बिंदु के रूप में 10 दिनों का अगला डेटा बिंदु जल्द से जल्द कीमत को छोड़ देगा, 11 दिन की कीमत को जोड़ देगा और औसत ले लेंगे, और इसी तरह नीचे दिखाए जाएंगे। जैसा कि पहले लिखा गया है, एमए की वर्तमान कीमत की कार्रवाई इसलिए है क्योंकि वे अतीत पर आधारित हैं एमए के लिए समय की अवधि, अधिक से अधिक अंतराल इस प्रकार 200 दिन के एमए में 20-दिन एमए की तुलना में काफी अधिक अंतर होगा क्योंकि इसमें पिछले 200 दिनों की कीमत शामिल है एमए का उपयोग करने के लिए लंबाई व्यापारिक उद्देश्यों पर निर्भर करता है, अल्पकालिक व्यापार और दीर्घकालिक एमए के लिए इस्तेमाल किए जाने वाले कम एमए के साथ दीर्घकालिक निवेशकों के लिए अधिक उपयुक्त 200-दिन एमए व्यापक रूप से निवेश किया जाता है रुपये और व्यापारियों, ऊपर और ऊपर चलने वाले ब्रेक के साथ महत्वपूर्ण ट्रेडिंग सिग्नल माना जाता है। एमए अपने दम पर महत्वपूर्ण व्यापार संकेतों को भी प्रदान करते हैं, या जब बढ़ते एमए से दो औसत पार हो जाते हैं, तो यह संकेत मिलता है कि सुरक्षा में गिरावट आई एमए यह इंगित करता है कि यह एक डाउनथ्रेंड में है इसी तरह, ऊपर की गति को एक तेजी के क्रॉसओवर के साथ की पुष्टि की जाती है, जो तब होता है जब एक अल्पावधि एमए एक लंबी अवधि के एमए डाउनवर्ड गति के ऊपर से पार हो जाती है एक मंदी की क्रॉसओवर के साथ पुष्टि की जाती है, जो तब होती है जब एक अल्पावधि एमए पार एक दीर्घकालिक एमए। ए पूर्वानुमान पूर्वानुमान के उदाहरणों के नीचे। 1 1 पूर्वानुमान गणना पद्धतियां। गणना की गणना के बारह विधियां उपलब्ध हैं इनमें से अधिकांश तरीके सीमित उपयोगकर्ता नियंत्रण प्रदान करते हैं उदाहरण के लिए, हाल के ऐतिहासिक डेटा या ऐतिहासिक समय की सीमा गणना में इस्तेमाल किया डेटा निर्दिष्ट किया जा सकता है निम्नलिखित उदाहरण प्रत्येक उपलब्ध पूर्वानुमान के तरीकों के लिए गणना प्रक्रिया दिखाते हैं, एक समान सेट ऐतिहासिक डेटा। निम्नलिखित उदाहरण एक 2004 बिक्री पूर्वानुमान का उपयोग करने के लिए वही 2004 और 2005 के बिक्री डेटा का उपयोग करते हैं पूर्वानुमान गणना के अलावा, प्रत्येक उदाहरण में एक तीन महीने की धारक अवधि प्रसंस्करण विकल्प 1 9 3 के लिए सिम्युलेटेड 2005 पूर्वानुमान शामिल होता है, जिसका उपयोग तब प्रतिशत के लिए किया जाता है सटीकता का मतलब है और पूर्ण विचलन गणना वास्तविक पूर्वानुमान की तुलना में नकली पूर्वानुमान की तुलना में है। ए 2 पूर्वानुमान प्रदर्शन मूल्यांकन मानदंड। आपके प्रसंस्करण विकल्पों के चयन और बिक्री डेटा में मौजूदा रुझानों और पैटर्न पर निर्भर करते हुए, कुछ पूर्वानुमान विधियां दूसरों के लिए बेहतर प्रदर्शन करती हैं ऐतिहासिक डेटा सेट दिया गया एक पूर्वानुमान पद्धति जो एक उत्पाद के लिए उपयुक्त है, वह किसी अन्य उत्पाद के लिए उपयुक्त नहीं हो सकती है यह भी संभावना नहीं है कि किसी पूर्वानुमान के तरीके से जो उत्पाद के जीवन चक्र के एक चरण में अच्छे परिणाम प्रदान करता है पूरे जीवन चक्र के दौरान उचित रहेगा। आप पूर्वानुमान विधियों के वर्तमान प्रदर्शन का मूल्यांकन करने के लिए दो तरीकों के बीच चयन कर सकते हैं ये a फिर से पूर्ण विचलन मैड और शुद्धता पीओए का प्रतिशत इन दोनों प्रदर्शन मूल्यांकन विधियों के लिए उपयोगकर्ता की निर्दिष्ट अवधि के लिए ऐतिहासिक बिक्री डेटा की आवश्यकता होती है समय के लिए इस अवधि को एक पकड़ने की अवधि या अवधि सर्वोत्तम फिट पीबीएफ कहा जाता है इस अवधि में डेटा का उपयोग अग्रिम पूर्वानुमान प्रक्षेपण करने में उपयोग करने के लिए अनुमानित तरीकों की सिफारिश करने के लिए आधार यह सिफारिश प्रत्येक उत्पाद के लिए विशिष्ट है, और एक पूर्वानुमान पीढ़ी से अगले तक बदल सकती है दो पूर्वानुमान प्रदर्शन मूल्यांकन विधियों को पृष्ठ के उदाहरणों के बाद दिखाया गया है बारह पूर्वानुमान विधियों का अनुमान। एक 3 विधि 1 - पिछले वर्ष से निर्दिष्ट प्रतिशत। इस पद्धति में पिछले वर्ष की तुलना में एक उपयोगकर्ता निर्दिष्ट कारक के लिए, 10 वृद्धि के लिए 1 10, या 3 में कमी के लिए 97 97 से बिक्री डेटा गुणा करता है। अनिवार्य बिक्री का इतिहास भविष्यवाणी के पूर्वानुमान के लिए एक वर्ष के लिए पूर्वानुमान प्रदर्शन प्रसंस्करण विकल्प का मूल्यांकन करने के लिए उपयोगकर्ता समय अवधि की निर्दिष्ट संख्या 19.ए 4 1 पूर्वानुमान कैल्क ulation। इस उदाहरण में विकास कारक प्रसंस्करण विकल्प 2 ए 3 की गणना करने के लिए बिक्री के इतिहास की सीमा। 2005 के अंतिम तीन महीनों में 114 114 9 137 370. पिछले वर्ष के लिए ही तीन महीनों का महीना 123 13 9 133 395. गणना की गई कारक 370 3 9 5 9 9 367. अनुमानों का अनुमान लगा लो। जनवरी, 2005 की बिक्री 128 0 9367 119 8036 या लगभग 120.फेब्रुइ, 2005 की बिक्री 117 0 9367 109 5939 या 110 के बारे में। मार्च 2005 बिक्री 115 0 9367 107 7205 या 108.ए 4 2 नकली पूर्वानुमान गणना। 2005 के तीन महीनों के पहले धारक अवधि जुलाई, अगस्त, सितंबर, 140 140 131 400. पिछले साल के लिए ही तीन महीने। 151 128 118 387. गणना की गई कारक 400 387 1 0335 9 1731. नकली अनुमान पूर्वानुमान। अक्टूबर, 2004 की बिक्री 123 1 0335 9 1731 127 13178। नवंबर, 2004 बिक्री 13 9 1 0335 9 1731 143 66925. दिसंबर 2004 बिक्री 133 1 0335 9 1731 137 4677. ए 4 3 सटीकता की गणना की प्रतिशत। पीओए 127 13178 143 66925 137 4677 114 119 137 100 408 26873 370 100 110 3429. ए 4 4 निरपेक्ष विचलन गणना.एमएडी 127 13178 - 114 143 66925 - 119 137 4677- 137 3 13 13178 24 66925 0 4677 3 12 75624. ए 5 विधि 3 - पिछले वर्ष इस वर्ष के लिए। इस पद्धति की प्रतियां पिछले वर्ष से अगले वर्ष के लिए बिक्री डेटा। आवश्यक बिक्री इतिहास भविष्यवाणी के पूर्वानुमान के लिए प्लस अवधि की गणना के लिए एक साल का पूर्वानुमान प्रदर्शन प्रसंस्करण विकल्प 19.ए 6 1 पूर्वानुमान गणना। इस उदाहरण में औसत प्रसंस्करण विकल्प 4 ए 3 में शामिल होने की अवधि। संख्या पूर्वानुमान के लिए प्रत्येक महीने के लिए , औसत पिछले तीन महीने का आंकड़ा। जनवरी का पूर्वानुमान 114 119 137 370, 370 3 123 333 या 123. फ़ेबीरी पूर्वानुमान 119 137 123 37 9, 37 9 3 126 333 या 126. मार्च का पूर्वानुमान 137 123 126 37 9, 386 3 128 667 या 12 9 ए 6 2 सिमुलेट पूर्वानुमान गणना। अक्टूबर 2005 बिक्री 12 9 140 131 3 133 3333. नवंबर 2005 बिक्री 140 131 114 3 128 3333.डिसीन 2005 की बिक्री 131 114 119 3 121 3333. ए 6 3 शुद्धता की गणना की प्रतिशत। पीओए 133 3333 128 3333 121 3333 114 119 137 100 103 513. ए 6 4 निरपेक्ष विचलन गणना। एमए डी 133 3333 - 114 128 3333 - 119 121 3333 - 137 3 14 7777. ए 7 विधि 5 - रैखिक अनुमान। लाइनेअर एपोडेमिशन दो बिक्री इतिहास डेटा बिंदुओं के आधार पर एक प्रवृत्ति की गणना करता है। ये दो अंक एक सीधे प्रवृत्ति रेखा को परिभाषित करते हैं जो अनुमानित है भावी सावधानी के साथ इस पद्धति का प्रयोग करें, क्योंकि लंबे समय से पूर्वानुमान के पूर्वानुमान में सिर्फ दो डेटा बिंदुओं में छोटे बदलावों से लाभ उठाया जाता है। अनिवार्य बिक्री इतिहास प्रतिगमन संसाधन विकल्प 5 ए, प्लस 1 प्लस में शामिल होने की अवधि, पूर्वानुमान पूर्वानुमान का मूल्यांकन करने के लिए समय अवधि की संख्या प्रसंस्करण विकल्प 19. ए 8 1 पूर्वानुमान गणना। इस उदाहरण में प्रतिगमन प्रसंस्करण विकल्प 6a 3 में शामिल करने के लिए समय की संख्या। पूर्वानुमान के प्रत्येक महीने के लिए, पिछली अवधि से पहले निर्दिष्ट अवधि के दौरान वृद्धि या कमी को बढ़ाएं। पिछले तीन महीनों में 114 119 137 3 123 3333. माना जाता है कि वजन के साथ पिछले तीन महीनों का सारांश 114 1 119 2 137 3 763. मूल्यों के बीच अंतर। 763 - 123 3333 1 2 3 23. आरक्षण 1 2 2 2 2 2 - 2 3 14 - 12 2. वैल्यू 1 अंतर अनुपात 23 2 11 5. वैल्यू 2 औसत - मान 1 अनुपात 123 3333 - 11 5 2 100 3333.Forecast 1 n मान 1 मूल्य 2 4 11 5 100 3333 146 333 या 146 5 5 5 11 5 100 3333 157 8333 या 158. 6 6 6 5 5 5 5 6 33 33 169 3333 या 16 9. ए 8 2 नकली अनुमान गणना। अक्टूबर 2004 बिक्री। पिछले तीन महीनों के औसत । 12 9 140 131 3 133 3333. पिछले तीन महीनों के वजन के साथ माना जाता है। 12 9 1 140 2 131 3 802. मूल्यों के बीच अंतर। 802 - 133 3333 1 2 3 2. रिटियो 1 2 2 2 2 2 2 3 14 - 12 2. वैल्यू 1 अंतर अनुपात 2 2 1. वेल्यू 2 औसत - मान 1 अनुपात 133 3333 - 1 2 131 3333.Forecast 1 n मान 1 मान 2 4 1 131 3333 135 3333. नवंबर 2004 बिक्री। पिछले तीन महीनों के औसत। 140 131 114 3 128 3333. पिछले तीन महीने के वजन के साथ माना जाता है। 140 1 131 2 114 3 744. मूल्यों के बीच अंतर 744 - 128 3333 1 2 3 -25 99 99. वैल्यू 1 अंतर अनुपात -25 99 99 2 -12 99 99. मूल्य 2 औसत - मान 1 अनुपात 128 3333 - -12 99 99 2 154 3333.Forecast 4 -12 99 99 154 3333 102 3333. दिसंबर 2004 बिक्री। पिछले तीन महीनों के औसत। 131 114 119 3 121 3333. पिछले तीन महीनों के वजन में माना जाता है। 131 1 114 2 119 3 716. मूल्यों के बीच अंतर। 716 - 121 3333 1 2 3 -11 99 99. वैल्यू 1 अंतर अनुपात -11 99 99 2 -5 99 99. वैल्यू 2 औसत - मान 1 अनुपात 121 3333 - -5 99 99 2 133 3333.अधिकृत 4 -5 99 99 133 3333 109 3333. ए 8 3 पीओए 135 33 102 33 109 33 114 119 137 100 93 78. ए 8 4 मतलब निरपेक्ष विचलन गणना.एमएडी 135 33 - 114 102 33 - 119 109 33 - 137 3 21 88. ए 9 विधि 7 - दूसरा डिग्री अनुमान। लीडर रेग्रेसन पूर्वानुमान और फार्मूले में ए और बी के लिए मूल्यों को निर्धारित करता है वाई एक बीएक्स, बिक्री इतिहास के आंकड़ों के लिए सीधी रेखा फिटिंग के उद्देश्य से दूसरा डिग्री अनुमान समान है हालांकि, यह विधि ए, बी और सी के लिए मूल्यों को निर्धारित करती है पूर्वानुमान का सूत्र वाई बीएक्स सीएक्स 2 बिक्री के इतिहास के आंकड़ों के लिए एक वक्र फिटिंग के उद्देश्य से यह विधि उपयोगी हो सकती है जब कोई उत्पाद जीवन चक्र के चरणों के बीच संक्रमण में होता है उदाहरण के लिए, जब एक नया उत्पाद विकास के चरणों के परिचय से चलता है , बिक्री की प्रवृत्ति में तेजी ला सकती है क्योंकि दूसरे आदेश की अवधि के कारण, पूर्वानुमान जल्दी पहुंच सकता है अनन्तता या शून्य पर निर्भर करता है कि क्या गुणांक सी सकारात्मक या ऋणात्मक है इसलिए, यह विधि केवल अल्पावधि में उपयोगी है। मौसम विशिष्टताओं सूत्रों को एक, बी, और सी को खोजने के लिए वक्र को ठीक तीन अंक मिलते हैं। प्रसंस्करण विकल्प 7 ए, डेटा के समय-अवधि की संख्या, तीन अंकों में से प्रत्येक में जमा होती है इस उदाहरण में एन 3 इसलिए, जून के माध्यम से अप्रैल के लिए वास्तविक बिक्री डेटा पहले बिंदु में जोड़ दिया जाता है, Q1 जुलाई से सितंबर को एक साथ जोड़ दिया जाता है ताकि Q2 बनाया जा सके , और अक्टूबर से दिसंबर राशि तक Q3 के लिए वक्र तीन मानों Q1, Q2, और Q3 के लिए फिट होगा। पूर्वानुमान की गणना के लिए अनिवार्य बिक्री इतिहास 3 एन अवधि प्लस पूर्वानुमान प्रदर्शन का मूल्यांकन करने के लिए आवश्यक समय अवधि की संख्या PBF. Number of इस उदाहरण में प्रसंस्करण विकल्प 7a 3 को शामिल करने की अवधि। तीन महीने के महीनों में पिछले 3 महीने का उपयोग करें। क्यू 1 अप्रैल - जून 125 122 137 384. क्वा। जुलाई - सितंबर 12 9 140 131 400. क्वा 3 अक्टूबर - दिसंबर 114 119 137 370। अगले चरण में सी शामिल है पूर्वानुमान के सूत्र वाई एक बीएक्स सीएक्स 2 में इस्तेमाल होने वाले तीन गुणांकों को ए, बी, और सी को alculating। 1 Q1 एक बीएक्स सीएक्स 2 जहां एक्स 1 ए बी सी 2 क्यू 2 एक बीएक्स सीएक्स 2 जहां एक्स 2 ए 2 बी 4 सी। 3 क्यू 3 एक बीएक्स सीएक्स 2 जहां एक्स 3 ए 3 बी 9 सी। समीकरण 3 समीकरणों को एक साथ समीकरण के लिए बी, ए, और सी। स्यूब्ट्रैक्ट समीकरण 1 को समीकरण 2 से मिला और बी के लिए हल करें। समीकरण को बी के लिए समीकरण 3. 3 क्यू 3 ए 3 Q2 - Q1 - 3 सी सी। अंत में, समीकरणों में ए और बी के लिए इन समीकरणों का स्थान बदलें 1. क्यू 3 - 3 क्यू 2 - क्यू 1 क्यू 2 - क्यू 1 - 3 सी सी क्यू 1 सी क्यू 3 - क्यू 2 क्यू 1 - क्यू 2 2. दूसरा डिग्री अनुमान का तरीका गणना करता है क्यू 3 - 3 क्यू 2 - क्यू 1 370 - 3 400 - 384 322 सी क्यू 3 - क्यू 2 क्यू 1 - क्यू 2 2 370 - 400 384 - 400 2 -23. बी क्यू 2 - क्यू 1 - 3 सी 400 - 384 - 3 -23 85. एक बीएक्स सीएक्स 2 322 85 एक्स -23 एक्स 2. जनवरी के माध्यम से जनवरी का पूर्वानुमान एक्स 4. 322 340 - 368 3 294 3 98 प्रति अवधि। जून पूर्वानुमान एक्स के माध्यम से अप्रैल। 322 425 - 575 3 57 333 या 57 प्रति अवधि। सितंबर के पूर्वानुमान के मुकाबले जुलाई 6 एक्स 6 322 510 - 828 3 1 33 या 1 प्रति अवधि। अक्टूबर से दिसंबर 7 तक। 322 595 - 1127 3 -70. ए 9 2 नकली अनुमान गणना। अक्टूबर, नवंबर और दिसंबर, 2004 की बिक्री। Q1 जनवरी - मार्च 360.क्यू 2 अप्रैल - जून 384.क्यू 3 जुलाई - सितंबर 400.ए 400-3384 - 360 328 सी 400 - 384 360 - 384 2 -4. बी 384 - 360 - 3 -4 36. 328 36 4 -4 16 3 136. ए 9 3 शुद्धता की गणना की प्रतिशत। पीओए 136 136 136 114 119 137 100 110 27. ए 9 4 निरपेक्ष विचलन गणना। एमएडी 136 - 114 136 - 119 136 - 137 3 13 33. ए 10 विधि 8 - लचीला विधि। लचीला विधि प्रतिशत प्रतिशत से अधिक पूर्व पहले विधि के अनुसार 1, प्रतिशत पिछले वर्ष से अधिक है दोनों तरीकों से एक निर्दिष्ट समय से उपयोगकर्ता निर्दिष्ट कारक से गुणा बिक्री डेटा , फिर भविष्य में होने वाले प्रोजेक्ट, पिछले साल की तुलना में प्रतिशत में, प्रक्षेपण पिछले वर्ष की समान अवधि के आंकड़ों पर आधारित है। लचीला पद्धति पिछले वर्ष की इसी अवधि की तुलना में एक समय अवधि निर्दिष्ट करने की क्षमता जोड़ती है गणना के आधार के रूप में उपयोग करें। मल्टीप्लेक्शन कारक उदाहरण के लिए, 15 बीस अवधि के द्वारा पिछले बिक्री इतिहास के डेटा को बढ़ाने के लिए प्रसंस्करण विकल्प 8b में 1 15 निर्दिष्ट करें उदाहरण के लिए, n 3 पहले पूर्वानुमान को बिक्री डेटा के आधार पर बनाएगा अक्टूबर, 2005. न्यूनतम बिक्री इतिहास उपयोगकर्ता निर्दिष्ट संख्या ओ एफ अवधि के आधार अवधि के लिए, प्लस पूर्वानुमान प्रदर्शन का मूल्यांकन करने के लिए आवश्यक समय अवधि की संख्या PBF. A 10 4 माध्य निरपेक्ष विचलन गणना। एमएडी 148 - 114 161 - 119 151 - 137 3 30. ए 11 विधि 9 - वेटेड मूविंग औसत। भारित चलते औसत WMA विधि विधि 4 के समान है, मूविंग औसत एमए हालांकि, वेटेड मूविंग एवरल के साथ आप ऐतिहासिक डेटा को असमान वजन प्रदान कर सकते हैं विधि के लिए प्रक्षेपण पर पहुंचने के लिए हाल के बिक्री इतिहास के भारित औसत की गणना करता है अल्पावधि अधिक हाल के डेटा को आमतौर पर पुराने आंकड़ों के मुकाबले अधिक बड़ा सौंपा जाता है, इसलिए यह बिक्री के स्तर में बदलाव के लिए डब्लूएमए को अधिक उत्तरदायी बनाता है हालांकि, पूर्वानुमान की पूर्वाग्रह और व्यवस्थित त्रुटियां अभी भी होती हैं, जब उत्पाद की बिक्री का इतिहास मजबूत प्रवृत्ति या मौसमी पैटर्न दर्शाता है विधि जीवन चक्र के विकास या अप्रचलन चरणों में उत्पादों के बजाय परिपक्व उत्पादों की छोटी अवधि के पूर्वानुमान के लिए बेहतर बनाती है। बिक्री इतिहास की अवधि की संख्या में उपयोग करने के लिए पूर्वानुमान गणना उदाहरण के लिए, अगली बार अवधि में प्रक्षेपण के आधार के रूप में सबसे हाल की तीन अवधि का उपयोग करने के लिए प्रसंस्करण विकल्प 9 ए में एन 3 निर्दिष्ट करें जैसे कि 12 के लिए बड़े मूल्य के लिए अधिक बिक्री इतिहास की आवश्यकता होती है यह एक स्थिर पूर्वानुमान , लेकिन बिक्री के स्तर में पाली को पहचानने में धीमी गति होगी, दूसरी तरफ, जैसे n के लिए 3 का एक छोटा सा मान बिक्री के स्तर में तेजी से बदलाव का जवाब देगा, लेकिन पूर्वानुमान इतने व्यापक रूप से उभर सकता है कि उत्पादन का जवाब नहीं हो सकता भिन्नताएं। प्रत्येक ऐतिहासिक डेटा अवधियों को असाइन किया गया भार, असाइन किए गए भार को 1 00 के लिए होना चाहिए उदाहरण के लिए, जब n 3, 0 6, 0 3, और 0 1 का वजन, सबसे अधिक वजन प्राप्त करने वाले सबसे हालिया डेटा के साथ न्यूनतम आवश्यक बिक्री इतिहास n प्लस पूर्वानुमान प्रदर्शन का मूल्यांकन करने के लिए आवश्यक समय अवधि की संख्या PBF. MAD 133 5 - 114 121 7 - 119 118 7 - 137 3 13 5. ए 12 विधि 10 - रैखिक चिकनाई। यह विधि समान है विधि 9, वेटेड मूविंग औसत WMA कैसे करें कभी-कभी, ऐतिहासिक आंकड़ों के वजन को असाइन करने के बजाय, एक फार्मूला का इस्तेमाल उन भारों को सौंपने के लिए किया जाता है जो रैखिक रूप से गिरावट आते हैं और 1 00 के लिए योग करते हैं, फिर विधि अल्पावधि के लिए प्रक्षेपण पर पहुंचने के लिए हाल के बिक्री इतिहास की भारित औसत की गणना करता है। सभी रैखिक चलती औसत पूर्वानुमान तकनीकों के बारे में सच है, पूर्वानुमान पूर्वाग्रह और व्यवस्थित त्रुटियां तब होती हैं जब उत्पाद की बिक्री का इतिहास मजबूत प्रवृत्ति या मौसमी पैटर्न दर्शाता है यह विधि जीवन के विकास या अप्रचलन चरणों में उत्पादों के बजाय परिपक्व उत्पादों की छोटी अवधि के पूर्वानुमान के लिए बेहतर बनाती है चक्र की गणना अवधि के गणना में उपयोग करने के लिए बिक्री इतिहास की अवधि की संख्या प्रसंस्करण के विकल्प 10 ए में निर्दिष्ट किया जाता है उदाहरण के लिए, प्रसंस्करण के विकल्प 10b में 3 को निर्दिष्ट करें, जिसमें हाल के तीन अवधियों का प्रक्षेपण अगली बार अवधि सिस्टम स्वचालित रूप से उन ऐतिहासिक आंकड़ों को वजन देगा जो रैखिक रूप से गिरावट और 1 00 के लिए योग होगा उदाहरण के लिए, जब n 3, एस यंत्र, 0 5, 0 3333 और 0 1 के वजन को सबसे अधिक वजन वाले सबसे हालिया आंकड़े प्रदान करेगा। न्यूनतम आवश्यक बिक्री इतिहास n प्लस पूर्वानुमान प्रदर्शन का मूल्यांकन करने के लिए आवश्यक समय अवधि की संख्या PBF. A 12 1 पूर्वानुमान गणना। इस उदाहरण में औसत प्रसंस्करण विकल्प 10 ए 3 को चौरसाई करने के लिए समयावधि की संख्या। पूर्व में एक अवधि के लिए रेट 3 एन 2 एन 2 3 3 2 3 2 3 6 0 5. दो अवधि के लिए रोटियो पहले 2 एन 2 एन 2 2 2 3 2 3 2 2 6 0 3333. तीन अवधियों के लिए राइट 1 एन 2 एन 2 1 3 2 3 2 1 6 0 1666. जनवरी का पूर्वानुमान 137 0 5 119 1 3 114 1 6 127 16 या 127. एफबीएफ़ी पूर्वानुमान 127 0 5 137 1 3 119 1 6 12 9। मार्च का पूर्वानुमान 12 9 0 5 127 1 3 137 1 6 12 9 666 या 130. ए 12 2 नकली पूर्वानुमान गणना। अक्टूबर 2004 की बिक्री 12 9 1 6 140 2 6 131 3 6 133 6666। नवंबर 2004 बिक्री 140 1 6 131 2 6 114 3 6 124. दिसंबर 2004 की बिक्री 131 1 6 114 2 6 119 3 6 119 3333. ए 12 3 सटीकता की गणना की प्रतिशत। पीओए 133 6666 124 119 3333 114 119 137 100 101 891. ए 12 4 मतलब निरपेक्ष विचलन गणना ।पागल 133 6666 - 114 124 - 119 119 3333 - 137 3 14 1111. ए 13 विधि 11 - घातीय चौरसाई। यह विधि विधि 10 के समान है, रैखिक चिकनाई में रैखिक चिंगारी प्रणाली को ऐतिहासिक डेटा के लिए वजन सौंपता है जो कि रेखीय रूप से गिरावट घाटे में चपटा हुआ है , प्रणाली घाटे को बढ़ाती है जो तेजी से क्षय करता है घातीय चिकनाई पूर्वानुमान समीकरण है। पिछला वास्तविक बिक्री का पूर्वानुमान 1 पिछला पूर्वानुमान। पूर्वानुमान पिछले अवधि से वास्तविक बिक्री का एक भारित औसत और पिछली अवधि से पूर्वानुमान है पिछली अवधि 1 - ए के लिए वास्तविक बिक्री पर लागू वज़न पिछले अवधि के लिए भविष्यवाणी के लिए लागू वज़न है 0 से 1 तक की सीमा के लिए वैध मान, और आमतौर पर 0 1 और 0 4 के बीच आते हैं वजन का योग 1 है 00 एक 1-ए 1. आपको चौरसाई स्थिरांक के लिए एक मूल्य असाइन करना चाहिए, यदि आप चौरसाई निरंतर के लिए मूल्य निर्दिष्ट नहीं करते हैं, तो सिस्टम अनुमानित मान की गणना करता है, बिक्री इतिहास निर्दिष्ट अवधि की अवधि के आधार पर डी प्रसंस्करण के विकल्प 11 ए. ए. में चौरसाई स्थिरांक सामान्य स्तर या बिक्री के आयाम के लिए औसत औसत की गणना में प्रयोग किया जाता है 0 से 1.n तक की सीमा के लिए वैध मूल्यों की बिक्री इतिहास डेटा की श्रेणी की गणना में शामिल करने के लिए आम तौर पर एक वर्ष बिक्री के इतिहास का आंकड़ा बिक्री के सामान्य स्तर का अनुमान लगाने के लिए पर्याप्त है इस उदाहरण के लिए, एनएन 3 के लिए एक छोटा मूल्य चुना गया था ताकि परिणामों को सत्यापित करने के लिए आवश्यक मैनुअल गणना को कम किया जा सके। Exponential smoothing एक ऐतिहासिक के रूप में छोटा पर आधारित अनुमान उत्पन्न कर सकता है डेटा बिंदु। न्यूनतम आवश्यक बिक्री इतिहास n प्लस पूर्वानुमान प्रदर्शन का मूल्यांकन करने के लिए अपेक्षित समय अवधि की संख्या PBF. A 13 1 पूर्वानुमान गणना। अवधि का संख्या, औसत प्रोसेसिंग विकल्प 11 ए 3 को चौरसाई करने में शामिल है, और अल्फा कारक प्रसंस्करण विकल्प 11b रिक्त है उदाहरण: सबसे पुराना बिक्री डेटा 2 1 1, या 1 के लिए एक कारक जब अल्फा निर्दिष्ट होता है। 2 सबसे पुराना बिक्री डेटा 2 1 2, या अल्फा अल्फा निर्दिष्ट होने के लिए एक कारक। एक कारक 3 सबसे पुराना बिक्री आंकड़ों के लिए 2 1 3, या अल्फा जब अल्फा निर्दिष्ट होता है। अल्फा निर्दिष्ट होने पर सबसे हाल की बिक्री डेटा 2 1 एन या अल्फा के लिए एक कारक। नवम्बर एसएम औसत एक अक्टूबर 1 - एक अक्टूबर एसएम औसत 1 114 0 0 114.डिशम्बर एसएम औसत नवंबर वास्तविक 1 - एक नवंबर एसएम औसत 2 3 119 1 3 114 117 3333.जानरी एक दिसंबर वास्तविक 1 का पूर्वानुमान - एक दिसंबर एसएम औसत 2 4 137 2 4 117 3333 127 16665 या 127.फेब्रुवारी पूर्वानुमान जनवरी का पूर्वानुमान 127. मार्च पूर्वानुमान पूर्वानुमान का पूर्वानुमान 127. ए 13 2 नकल अनुमान गणना। जुलाई, 2004 एसएम औसत 2 2 12 9 12 9.अगस्ट एसएम औसत 2 3 140 1 3 12 9 136 3333.September sm औसत 2 4 131 2 4 136 3333 133 6666.ऑक्टोबर, 2004 की बिक्री में एसएसएम औसत 133 6666. अगस्त, 2004 एसएम औसत 2 2 140 140. सितंबर एसएम औसत 2 3 131 1 3 140 134. अक्टूबर एसएएम औसत 2 4 114 2 4 134 124. नवंबर, 2004 बिक्री सितंबर एसएम एसएम औसत 124. सितंबर 2004 एसएम औसत 2 2 131 131. अक्टूबर एसएएम औसत 2 3 114 1 3 131 119 6666. नवम्बर एसएम औसत 2 4 119 2 4 119 6666 119 3333.डिस्बर 2004 बिक्री एसएसएम औसत 119 3333. ए 13 3 प्रतिशत सटीकता की गणना टीओएन। पीओए 133 6666 124 119 3333 114 119 137 100 101 891. ए 13 4 मतलब निरपेक्ष विचलन गणना। एमएडी 133 6666 - 114 124 - 119 119 3333 - 137 3 14 1111. ए 14 विधि 12 - रुझान और मौलिकता के साथ घातीय चौरसाई यह विधि विधि 11, घातीय चिकनाई के समान है, जिसमें एक औसत औसत गणना की जाती है हालांकि, विधि 12 में भी एक समृद्ध प्रवृत्ति की गणना करने के लिए पूर्वानुमान समीकरण में एक शब्द शामिल है पूर्वानुमान एक रेखीय प्रवृत्ति के लिए समायोजित एक चिकनी औसत से बना है जब निर्दिष्ट प्रसंस्करण के विकल्प में, मौसम के लिए पूर्वानुमान भी समायोजित किया जाता है। सामान्य स्तर या बिक्री के परिमाण के लिए चिकनी औसत की गणना में चौरसाई निरंतर का इस्तेमाल किया जाता है अल्फा श्रेणी के लिए वैध मूल्य 0 से 1.b तक चिकनी चौरसाई स्थिरता की गणना में प्रयोग किया जाता है पूर्वानुमान की प्रवृत्ति घटकों के लिए औसत 0 से 1 तक बीटा श्रेणी के लिए वैध मानें। पूर्वानुमान के लिए एक मौसमी सूचकांक लागू किया जाता है। ए और बी एक-दूसरे से स्वतंत्र हैं उन्हें 1 0.इन में जोड़ना नहीं है इम्यूम को आवश्यक बिक्री के इतिहास को दो वर्ष से अधिक पूर्वानुमान पूर्वानुमान के मूल्यांकन के लिए आवश्यक समय अवधि PBF. Method 12 दो घातीय चिकनाई समीकरणों का उपयोग करता है और एक साधारण औसत, एक चिकनी प्रवृत्ति और साधारण औसत मौसमी कारक की गणना करने के लिए एक साधारण औसत। 14 1 पूर्वानुमान गणना। एक बहुत तेजी से औसत औसत। एमएडी 122 81 - 114 133 14 - 119 135 33 - 137 3 8 2. ए 15 पूर्वानुमान का मूल्यांकन करना। आप प्रत्येक उत्पाद के लिए जितने बार बार बारह पूर्वानुमान उत्पन्न करने के लिए पूर्वानुमानित विधियों का चयन कर सकते हैं जब संभवतः हजारों उत्पादों का अनुमान लगाया जाए तो विधि अलग-अलग प्रक्षेपण करेगी, प्रत्येक उत्पाद के लिए आपकी योजनाओं में उपयोग किए जाने वाले पूर्वानुमानों के बारे में एक व्यक्तिपरक निर्णय करने के लिए यह अव्यावहारिक नहीं है। सिस्टम स्वचालित रूप से पूर्वानुमानित तरीकों में से प्रत्येक के लिए प्रदर्शन का मूल्यांकन करता है जिसे आप चुनते हैं, और प्रत्येक उत्पाद के पूर्वानुमान के लिए आप दो प्रदर्शन मानदंडों के बीच चयन कर सकते हैं, निरपेक्ष विचलन एमएडी और सटीक का प्रतिशत एसी पीओए एमएडी पूर्वानुमान त्रुटि का एक उपाय है पीओए पूर्वानुमान पूर्वाग्रह का एक उपाय है इन दोनों प्रदर्शन मूल्यांकन तकनीकों को उपयोगकर्ता की निर्दिष्ट अवधि के लिए वास्तविक बिक्री इतिहास डेटा की आवश्यकता होती है हाल के इतिहास की इस अवधि को धारण अवधि या अवधि सबसे अच्छा फिट पीबीएफ कहा जाता है। पूर्वानुमानित विधि के प्रदर्शन को मापने के लिए, ऐतिहासिक धारक अवधि के पूर्वानुमान के लिए पूर्वानुमान फ़ार्मुलों का उपयोग करें, आमतौर पर वास्तविक बिक्री डेटा और होल्डआउट अवधि के लिए नकली पूर्वानुमान के बीच अंतर होगा। जब कई पूर्वानुमान विधियों का चयन किया जाता है, यह वही प्रक्रिया प्रत्येक विधि के लिए होता है कई पूर्वानुमानों को धारण अवधि के लिए गणना की जाती है, और इसी अवधि के लिए ज्ञात बिक्री इतिहास की तुलना में पूर्वानुमानित विधि का उत्पादन सर्वोत्तम अवधि का पूर्वानुमान और धारक अवधि के दौरान वास्तविक बिक्री के बीच सबसे अच्छा फिट करने के लिए उपयोग के लिए अनुशंसित है अपनी योजनाओं में यह अनुशंसा प्रत्येक उत्पाद के लिए विशिष्ट है, और एक पूर्वानुमान पीढ़ी से नेन में बदल सकती है xt. a 16 निरपेक्ष विचलन MAD. MAD औसत मूल्यों या वास्तविकता और पूर्वानुमान डेटा के बीच त्रुटियों की त्रुटियों या परिमाण के औसत या औसत है, एमएडी उम्मीद की त्रुटियों की औसत मात्रा का एक उपाय है, एक पूर्वानुमान विधि और डेटा इतिहास क्योंकि गणना में पूर्ण मूल्यों का उपयोग किया जाता है, सकारात्मक त्रुटियां नकारात्मक त्रुटियों को रद्द नहीं करती हैं, कई पूर्वानुमानकारी तरीकों की तुलना करते समय, सबसे छोटी एमएडी वाले उस उत्पाद के लिए उस विश्वसनीय अवधि के लिए सबसे अधिक विश्वसनीय साबित हुआ है जब पूर्वानुमान निष्पक्ष हो और त्रुटियों को आम तौर पर वितरित किया जाता है, एमएडी और वितरण के दो अन्य सामान्य उपाय, मानक विचलन और मध्य स्क्वायर त्रुटि के बीच एक सरल गणितीय संबंध है। 16 शुद्धता पीओए की 1 प्रतिशत सटीकता पीओए का पूर्वानुमान पूर्वानुमान पूर्वाग्रह का एक उपाय है जब पूर्वानुमान लगातार होते हैं बहुत अधिक, माल संग्रह और इन्वेंट्री की लागत बढ़ जाती है जब पूर्वानुमान लगातार दो कम होते हैं, माल का सेवन किया जाता है और ग्राहक सेवा में गिरावट आई है एस एक पूर्वानुमान है कि 10 इकाइयां बहुत कम हैं, तो 8 इकाइयां बहुत ऊंचे हैं, फिर 2 इकाइयां बहुत ऊंची हैं, एक निष्पक्ष पूर्वानुमान होगा 10 की सकारात्मक त्रुटि रद्द की गई है, और नकारात्मक त्रुटियों द्वारा रद्द किया गया 2. त्रुटि वास्तविक - पूर्वानुमान। जब एक उत्पाद सूची में संग्रहीत किया जा सकता है, और जब पूर्वानुमान निष्पक्ष हो, तो त्रुटियों को बफर करने के लिए सुरक्षा स्टॉक का एक छोटा सा हिस्सा इस्तेमाल किया जा सकता है इस स्थिति में, पूर्वानुमानित त्रुटियों को खत्म करना इतना महत्वपूर्ण नहीं है क्योंकि यह निष्पक्ष पूर्वानुमान पैदा करना है हालांकि सेवा उद्योग में , उपरोक्त स्थिति को तीन त्रुटियों के रूप में देखा जाएगा सेवा को पहले की अवधि में कम कर दिया जाएगा, फिर अगले दो दिनों के लिए अतिरंजित हो जाएगा सेवाओं में, पूर्वानुमान त्रुटियों की भयावहता आमतौर पर पूर्वाग्रह की तुलना में अधिक महत्वपूर्ण है। धारण अवधि सकारात्मक त्रुटियों को नकारात्मक त्रुटियों को रद्द करने की अनुमति देता है जब वास्तविक बिक्री की कुल बिक्री पूर्वानुमान की कुल संख्या से अधिक है, अनुपात 100 से अधिक है बेशक, 100 से अधिक सटीक होना असंभव है जब एक पूर्वानुमान अनबियास होता है एड, पीओए अनुपात 100 हो सकता है, इसलिए 110 सटीक होने की तुलना में 95 सटीक होना अधिक वांछनीय है पीओए मानदंडों की भविष्यवाणी पद्धति का चयन करें, जिसकी पीओए अनुपात 100 के करीब है। इस पृष्ठ पर स्क्रीप्टिंग सामग्री नेविगेशन को बढ़ाती है, लेकिन नहीं किसी भी तरह से सामग्री को बदलने