A Company Will To Prognose Nachfrage Nutzung Die Einfach Gleitenden Durchschnitt

Kapitel 11 - Demand Management amp Forecasting 1. Perfekte Prognose ist praktisch unmöglich 2. Anstatt die perfekte Prognose zu suchen, ist es viel wichtiger, die Praxis der kontinuierlichen Überprüfung der Prognose zu etablieren und zu lernen, mit ungenauer Prognose zu leben 3. Bei der Prognose , Eine gute Strategie ist es, 2 oder 3 Methoden zu verwenden und sie für die Commonsense-Ansicht zu sehen. 2. Grundquellen der Nachfrage 1. Abhängige Nachfrage - Nachfrage nach Produkten oder Dienstleistungen durch die Nachfrage nach anderen Produkten oder Dienstleistungen verursacht. Nicht viel kann die Firma tun, es muss erfüllt sein. 2. Unabhängige Nachfrage - Nachfrage, die nicht direkt aus der Nachfrage nach anderen Produkten abgeleitet werden kann. Firm kann: a) eine aktive Rolle einnehmen, um die Nachfrage zu beeinflussen - Druck auf Ihren Außendienst auszuüben b) eine passive Rolle zu übernehmen, um die Nachfrage zu beeinflussen - wenn eine Firma voll ausgelastet ist, kann sie nicht etwas über die Nachfrage tun. Andere Gründe sind wettbewerbsfähig, legal, ökologisch, ethisch und moralisch. Versuche, die Zukunft auf der Grundlage einer vergangenen Daten vorauszusagen. 1. Kurzfristig - unter 3 Monaten - taktische Entscheidungen wie die Auffüllung von Inventar oder Terminierung EEs in der nahen Zeit 2. Mittelfristig - 3 M-2Y - Erfassung saisonale Effekte wie Kunden reagieren auf ein neues Produkt 3. Langfristig - mehr als 2 Jahre. Um wichtige Wendepunkte zu identifizieren und allgemeine Trends zu erkennen. Lineare Regression ist eine besondere Art der Regression, wo die Beziehungen zwischen variablen Formen eine gerade Linie Y abX. Y - abhängige Variable a - Y Intercept B - Slope X - unabhängige Variable Es wird für die langfristige Prognose von Großereignissen und Aggregatplanung verwendet. Es wird sowohl für die Zeitreihenvorhersage als auch für die beiläufige Beziehungsprognose verwendet. Ist die am häufigsten genutzte Prognosetechnik. Die jüngsten Vorkommnisse sind ein Indikator für die Zukunft (höchster vorhersagbarer Wert) als die in der weit entfernten Vergangenheit. Wir sollten dem Erz die letzten Zeiträume bei der Vorhersage mehr geben. Jedes Inkrement in der Vergangenheit wird um (1 alpha) verringert. Je höher das Alpha, desto genauer folgt die Prognose der tatsächlichen. Jüngste Gewichtung Alpha (1-alpha) na 0 Daten eine Zeitperiode älter Alpha (1-alpha) na 1 Daten zwei Zeitperioden älter Alpha (1-alpha) na 2 Welche der folgenden Prognosemethoden ist sehr abhängig von der Auswahl der Richtige Personen, die werksseitig verwendet werden, um tatsächlich den Prognosewert zu erzeugen, muss zwischen 0 und 1 1 liegen. 2 oder mehr vorbestimmte Werte von Alpha - je nach Fehlergrad werden unterschiedliche Werte von Alpha verwendet. Wenn der Fehler groß ist, ist Alpha 0,8, wenn der Fehler klein ist, Alpha ist 0,2 2. Berechnete Werte des Alpha - exponentiell geglätteten tatsächlichen Fehlers geteilt durch den exponentiell erstickten absoluten Fehler. Qualitative Techniken in der Prognose Expertenwissen und erfordern viel Urteil (neue Produkte oder Regionen) 1. Marktforschung - auf der Suche nach neuen Produkten und Ideen, mag und mag keine vorhandenen Produkte. In erster Linie SURVEYS amp INTERVIEWS 2. Panel Consensus - die Idee, dass 2 Köpfe sind besser als eins. Panel von Menschen aus einer Vielzahl von Positionen können eine zuverlässigere Prognose als eine engere Gruppe zu entwickeln. Problem ist, dass niedrigere EE-Ebenen durch höhere Management-Level eingeschüchtert werden. Exekutivurteil wird angewendet (höheres Management ist beteiligt). 3. Historische Analogie - eine Firma, die bereits Toaster produziert und Kaffeekannen produzieren möchte, könnte die Toastergeschichte als wahrscheinliches Wachstumsmodell nutzen. 4. Delphi-Methode - sehr abhängig von der Auswahl der richtigen Personen, die werdlich verwendet werden, um tatsächlich die Prognose zu generieren. Jeder hat das gleiche Gewicht (mehr fair). Zufriedenstellende Ergebnisse werden in der Regel in 3 Runden erreicht. OBJECTIVE - Collaborative Planung, Prognose und Nachschub (CPFR) Um ausgetauschte interne Informationen auf einem freigegebenen Webserver auszutauschen, um zuverlässige und längerfristige zukünftige Ansichten der Nachfrage in der Supply Chain zu liefern. Time Series Methoden Zeitreihen Methoden sind statistische Techniken Die historische Daten über einen bestimmten Zeitraum akkumulieren. Zeitreihenmethoden gehen davon aus, dass das, was in der Vergangenheit aufgetreten ist, auch in Zukunft stattfinden wird. Wie die Namen Zeitreihen vorschlagen, beziehen diese Methoden die Prognose auf nur einen Faktor - Zeit. Dazu gehören der gleitende Durchschnitt, die exponentielle Glättung und die lineare Trendlinie und gehören zu den beliebtesten Methoden für die Nahbereichsprognose bei Service - und Fertigungsunternehmen. Diese Methoden gehen davon aus, dass sich identifizierbare historische Muster oder Trends für die Nachfrage im Laufe der Zeit wiederholen werden. Moving Average Eine Zeitreihenprognose kann so einfach sein wie die Nachfrage in der aktuellen Periode, um die Nachfrage in der nächsten Periode vorherzusagen. Dies wird manchmal als naive oder intuitive Prognose bezeichnet. 4 Zum Beispiel, wenn die Nachfrage 100 Einheiten in dieser Woche ist, ist die Prognose für die nächste Woche Nachfrage 100 Einheiten, wenn die Nachfrage sich aus 90 Einheiten statt, dann die folgenden Wochen Nachfrage beträgt 90 Einheiten, und so weiter. Diese Art der Prognosemethode berücksichtigt nicht das historische Nachfrageverhalten, das sie nur in der laufenden Periode auf die Nachfrage stützt. Es reagiert direkt auf die normalen, zufälligen Bewegungen in der Nachfrage. Die einfache gleitende Durchschnittsmethode verwendet in der letzten Vergangenheit mehrere Bedarfswerte, um eine Prognose zu entwickeln. Dies neigt dazu, die zufälligen Erhöhungen und Abnahmen einer Prognose, die nur einen Zeitraum verwendet, zu dämpfen oder zu glätten. Der einfache gleitende Durchschnitt ist nützlich für die prognostizierte Nachfrage, die stabil ist und zeigt keine ausgeprägten Nachfrage Verhalten, wie ein Trend oder saisonale Muster. Durchgehende Durchschnitte werden für bestimmte Zeiträume, wie z. B. drei Monate oder fünf Monate, berechnet, je nachdem, wie viel der Prognostiker die Nachfragedaten verkleinern möchte. Je länger die gleitende durchschnittliche Periode, desto glatter wird es sein. Die Formel für die Berechnung der einfachen gleitenden Durchschnitt ist die Berechnung eines einfachen Moving Average Die Instant Paper Clip Office Supply Company verkauft und liefert Bürobedarf an Unternehmen, Schulen und Agenturen innerhalb eines 50-Meile Radius seines Lagers. Das Bürobedarfsgeschäft ist wettbewerbsfähig, und die Fähigkeit, Aufträge umgehend zu liefern, ist ein Faktor, um neue Kunden zu bekommen und alte zu halten. (Büros in der Regel bestellen nicht, wenn sie niedrig auf Lieferungen laufen, aber wenn sie komplett ausgelaufen sind, so dass sie ihre Bestellungen sofort benötigen.) Der Manager des Unternehmens will sicher genug Fahrer und Fahrzeuge zur Verfügung stehen, um Aufträge umgehend zu liefern Sie haben ein ausreichendes Inventar auf Lager. Daher möchte der Manager die Anzahl der Aufträge prognostizieren, die im nächsten Monat auftreten werden (d. h. die Nachfrage nach Lieferungen zu prognostizieren). Aus den Aufzeichnungen der Lieferaufträge hat das Management die folgenden Daten für die letzten 10 Monate angesammelt, von denen es will, um 3- und 5-Monats-Gleitdurchschnitte zu berechnen. Nehmen wir an, dass es Ende Oktober ist. Die Prognose, die sich aus dem 3- oder 5-monatigen gleitenden Durchschnitt ergibt, ist typischerweise für den nächsten Monat in der Sequenz, die in diesem Fall November ist. Der gleitende Durchschnitt wird aus der Nachfrage nach Aufträgen für die letzten 3 Monate in der Sequenz nach folgender Formel berechnet: Der 5-Monats-Gleitender Durchschnitt wird aus den vorangegangenen 5 Monaten der Bedarfsdaten wie folgt berechnet: Der 3- und 5-Monats - Gleitende Durchschnittsprognosen für alle Monate der Bedarfsdaten sind in der folgenden Tabelle dargestellt. Tatsächlich würde nur die Prognose für November auf der Grundlage der letzten monatlichen Nachfrage vom Manager genutzt werden. Allerdings erlauben uns die früheren Prognosen für Vormonate, die Prognose mit der tatsächlichen Nachfrage zu vergleichen, um zu sehen, wie genau die Prognosemethode ist - das ist, wie gut es tut. Drei - und Fünf-Monats-Mittelwerte Beide gleitenden Durchschnittsprognosen in der obigen Tabelle neigen dazu, die Variabilität der tatsächlichen Daten zu verkleinern. Dieser Glättungseffekt kann in der folgenden Abbildung beobachtet werden, in der die 3-Monats - und 5-Monatsdurchschnitte einem Graphen der ursprünglichen Daten überlagert wurden: Der 5-Monats-Gleitender Durchschnitt in der vorherigen Abbildung glättet Schwankungen in größerem Maße als Der 3-Monats-Gleitender Durchschnitt. Allerdings spiegelt der 3-Monats-Durchschnitt die aktuellsten Daten, die dem Büroversorger zur Verfügung stehen. Im Allgemeinen sind die Prognosen, die den längerfristigen gleitenden Durchschnitt verwenden, langsamer, um auf die jüngsten Veränderungen der Nachfrage zu reagieren, als die, die mit kürzerperiodischen Bewegungsdurchschnitten gemacht wurden. Die zusätzlichen Datenperioden dämpfen die Geschwindigkeit, mit der die Prognose reagiert. Die Festlegung der entsprechenden Anzahl von Perioden, die in einer gleitenden durchschnittlichen Prognose verwendet werden, erfordert oft eine gewisse Versuchs - und Fehler-Experimentierung. Der Nachteil der gleitenden Mittelmethode ist, dass sie nicht auf Variationen reagiert, die aus einem Grund auftreten, wie z. B. Zyklen und saisonale Effekte. Faktoren, die Änderungen verursachen, werden in der Regel ignoriert. Es handelt sich im Grunde um eine mechanische Methode, die historische Daten konsistent widerspiegelt. Allerdings hat die gleitende durchschnittliche Methode den Vorteil, einfach zu bedienen, schnell und relativ kostengünstig zu sein. Im Allgemeinen kann diese Methode eine gute Prognose für die kurzfristige, aber es sollte nicht zu weit in die Zukunft geschoben werden. Weighted Moving Average Die gleitende durchschnittliche Methode kann angepasst werden, um die Fluktuationen der Daten besser zu reflektieren. Bei der gewichteten gleitenden Durchschnittsmethode werden den letzten Daten nach der folgenden Formel Gewichte zugeordnet: Die Anforderungsdaten für PM Computer Services (siehe Tabelle für Beispiel 10.3) folgen einem zunehmenden linearen Trend. Das Unternehmen möchte eine lineare Trendlinie berechnen, um zu sehen, ob es genauer ist als die in den Beispielen 10.3 und 10.4 entwickelten exponentiellen Glättung und angepassten exponentiellen Glättungsprognosen. Die für die Berechnungen der kleinsten Quadrate benötigten Werte sind wie folgt: Unter Verwendung dieser Werte werden die Parameter für die lineare Trendlinie wie folgt berechnet: Daher ist die lineare Trendliniengleichung Um eine Prognose für die Periode 13 zu berechnen, sei x 13 im linearen Trendlinie: Die folgende Grafik zeigt die lineare Trendlinie gegenüber den Ist-Daten. Die Trendlinie scheint die tatsächlichen Daten genau zu reflektieren - das heißt, eine gute Passform zu sein - und wäre somit ein gutes Prognosemodell für dieses Problem. Ein Nachteil der linearen Trendlinie ist jedoch, dass sie sich nicht auf eine Trendänderung anpasst, da die exponentiellen Glättungsvorhersagemethoden das sind, wird davon ausgegangen, dass alle zukünftigen Prognosen einer Geraden folgen. Dies begrenzt die Verwendung dieser Methode auf einen kürzeren Zeitrahmen, in dem Sie relativ sicher sein können, dass sich der Trend nicht ändert. Saisonale Anpassungen Ein saisonales Muster ist eine wiederholte Zunahme und Abnahme der Nachfrage. Viele Nachfrageartikel zeigen saisonales Verhalten. Bekleidungsverkäufe folgen jährlichen saisonalen Mustern, mit der Nachfrage nach warmer Kleidung, die im Herbst und Winter zunimmt und im Frühjahr und Sommer abnimmt, während die Nachfrage nach kühlerer Kleidung zunimmt. Die Nachfrage nach vielen Einzelhandelsartikeln, einschließlich Spielzeug, Sportausrüstung, Kleidung, elektronische Geräte, Schinken, Truthähne, Wein und Obst, erhöhen während der Ferienzeit. Grußkarte verlangt in Verbindung mit besonderen Tagen wie Valentinstag und Muttertag. Saisonale Muster können auch auf einer monatlichen, wöchentlichen oder sogar täglichen Basis auftreten. Einige Restaurants haben eine höhere Nachfrage am Abend als am Mittag oder am Wochenende im Gegensatz zu Wochentagen. Verkehr - also Verkauf - an Einkaufszentren nimmt am Freitag und Samstag auf. Es gibt mehrere Methoden, um saisonale Muster in einer Zeitreihenprognose zu reflektieren. Wir beschreiben eine der einfacheren Methoden mit einem saisonalen Faktor. Ein saisonaler Faktor ist ein Zahlenwert, der mit der normalen Prognose multipliziert wird, um eine saisonbereinigte Prognose zu erhalten. Eine Methode zur Entwicklung einer Nachfrage nach saisonalen Faktoren besteht darin, die Nachfrage für jede Saisonperiode durch die jährliche Gesamtnachfrage nach folgender Formel zu teilen: Die daraus resultierenden saisonalen Faktoren zwischen 0 und 1,0 sind in Wirklichkeit der Anteil der gesamten jährlichen Nachfrage jede Saison. Diese saisonalen Faktoren werden mit der jährlichen prognostizierten Nachfrage multipliziert, um die prognostizierten Prognosen für jede Saison zu erzielen. Informieren Sie eine Prognose mit saisonalen Anpassungen Wishbone Farms wächst Puten, um an eine Fleischverarbeitungsfirma während des ganzen Jahres zu verkaufen. Allerdings ist seine Hauptsaison offensichtlich im vierten Quartal des Jahres von Oktober bis Dezember. Wishbone Farms hat die Nachfrage nach Truthühnern für die letzten drei Jahre in der folgenden Tabelle gezeigt: Weil wir drei Jahre Nachfrage haben, können wir die saisonalen Faktoren berechnen, indem wir die gesamte vierteljährliche Nachfrage für die drei Jahre durch die Gesamtnachfrage über alle drei Jahre dividieren : Als nächstes wollen wir die prognostizierte Nachfrage für das nächste Jahr 2000 mit jedem der saisonalen Faktoren multiplizieren, um die prognostizierte Nachfrage für jedes Quartal zu erhalten. Um dies zu erreichen, benötigen wir eine Bedarfsprognose für das Jahr 2000. In diesem Fall, da die Nachfragedaten in der Tabelle einen allgemein ansteigenden Trend zu zeigen scheinen, berechnen wir eine lineare Trendlinie für die drei Jahre der Daten in der Tabelle, um eine grobe zu bekommen Prognose Schätzung: So ist die Prognose für 2000 58,17 oder 58,170 Truthähne. Mit dieser jährlichen Prognose der Nachfrage, die saisonbereinigten Prognosen, SF i, für das Jahr 2000 Vergleich dieser vierteljährlichen Prognosen mit den tatsächlichen Nachfrage-Werte in der Tabelle, scheinen sie relativ gute Prognose-Schätzungen, was sowohl die saisonalen Variationen in den Daten und Der allgemeine Aufwärtstrend. 10-12 Wie ist die gleitende Mittelmethode ähnlich der exponentiellen Glättung 10-13. Welche Auswirkung auf das exponentielle Glättungsmodell erhöht die Glättungskonstante von 10-14. Wie unterscheidet sich die exponentielle Glättung von der exponentiellen Glättung 10-15. Was bestimmt die Wahl der Glättungskonstante für den Trend in einem angepassten exponentiellen Glättungsmodell 10-16. In den Kapitelbeispielen für Zeitreihenmethoden wurde die Startvorhersage immer als die tatsächliche Nachfrage in der ersten Periode angenommen. Schlagen Sie andere Wege vor, dass die Startvorhersage im laufenden Gebrauch abgeleitet werden könnte. 10-17 Wie unterscheidet sich das lineare Trendlinien-Prognosemodell von einem linearen Regressionsmodell für die Prognose von 10-18. Von den Zeitreihenmodellen, die in diesem Kapitel vorgestellt wurden, einschließlich des gleitenden Durchschnitts und des gewichteten gleitenden Durchschnitts, der exponentiellen Glättung und der angepassten exponentiellen Glättung und der linearen Trendlinie, die man als das beste betrachtet. Warum 10-19. Welche Vorteile hat die exponentielle Glättung über eine lineare Trendlinie für die prognostizierte Nachfrage, die einen Trend zeigt. 4 K. B. Kahn und J. T. Mentzer, Prognose in Konsumenten - und Industriemärkten, The Journal of Business Forecasting 14, Nr. 2 (Sommer 1995): 21-28.P 498 Ein Unternehmen will die Nachfrage mit dem (S. 498) prognostizieren. Ein Unternehmen will die Nachfrage mit dem einfachen gleitenden Durchschnitt prognostizieren. Wenn das Unternehmen drei vorläufige Verkaufswerte (dh Jahr 2009 130, Jahr 2010 110 und Jahr 2011 160) nutzt, ist die folgende gleitende durchschnittliche Prognose für das Jahr 2012 A. 100,5 B. 122,5 C. 133,3 D. 135,6 E. 139.3 Verwendung von Gleichung 15.5 (Seite 498) Prognose für 2012 (130 110 160) 3 4004 133.3 AACSB: Analytische Blüten Taxonomie: Analysieren Schwierigkeit: Mittel Jacobs - Kapitel 15 66 Lernziel: 15-05 Zeigen Sie, wie Sie eine Zeitreihenvorhersage machen können Mit Regressionsbewegungsdurchschnitten und exponentieller Glättung Themenbereich: Zeitreihenanalyse 67. (S. 500) Ein Unternehmen will die Nachfrage mit dem gewichteten gleitenden Durchschnitt prognostizieren. Wenn das Unternehmen zwei vorläufige Verkaufswerte (dh Jahr 2011 110 und Jahr 2012 130) verwendet, und wir wollen das Jahr 2011 um 10 und Jahr 2012 bei 90, was im Folgenden die gewichtete gleitende durchschnittliche prognose für das jahr 2013 folgt. 120 B. 128 C. 133 D. 138 E. 142 Verwendung von Gleichung 15.6 (Seite 500) Prognose für 2013 (110x0.1) (130x0.9) 11 117 128 AACSB: Analytische Blüten Taxonomie: Analysieren Schwierigkeit: Mittel Jacobs - Kapitel 15 67 Lernziel: 15-05 Zeigen Sie, wie Sie eine Zeitreihenprognose mit Regressionsbewegungsdurchschnitten und exponentieller Glättung erstellen können. Themenbereich: Zeitreihenanalyse Diese Vorschau hat absichtlich verschwommene Abschnitte. Melden Sie sich an, um die Vollversion anzuzeigen. 68. (S. 500) Ein Unternehmen will die Nachfrage mit dem gewichteten gleitenden Durchschnitt prognostizieren. Wenn das Unternehmen drei vorläufige Verkaufswerte (dh Jahr 2010 160, Jahr 2011 140 und Jahr 2012 170) verwendet, und wir wollen das Jahr 2010 um 30, Jahr 2011 um 30 und Jahr 2012 bei 40, wobei das folgende ist Gewichtete bewegliche Durchschnittsprognose für das Jahr 2013 A. 170 B. 168 C. 158 D. 152 E. 146 Verwendung von Gleichung 15.6 (Seite 500) Prognose für 2013 (160x0,3) (140x0,3) (170x0,4) 158 AACSB: Analytische Blüten Taxonomie: Analysieren Schwierigkeit: Mittel Jacobs - Kapitel 15 68 Lernziel: 15-05 Zeigen Sie, wie Sie eine Zeitreihenprognose mit Regressionsbewegungsdurchschnitten und exponentieller Glättung erstellen können. Themenbereich: Zeitreihenanalyse 69. (S. 501) Welche zwei von Die folgenden sind unter den Hauptgründen, dass die exponentielle Glättung als Prognosetechnik gut angenommen worden ist. A. Genauigkeit B. Raffinesse der Analyse C. Predicts Wendepunkte D. Einfache Nutzung E. Fähigkeit zur Vorhersage rückläufiger Datentrends Exponentielle Glättungstechniken sind gut geworden Aus sechs Hauptgründen akzeptiert: 1. Exponentialmodelle sind überraschend richtig. 2. Die Formulierung eines exponentiellen Modells ist relativ einfach. 3. Der Benutzer kann verstehen, wie das Modell funktioniert. 4. Für die Verwendung des Modells ist eine kleine Berechnung erforderlich. 5. Die Anforderungen an die Computerspeicherung sind wegen der begrenzten Verwendung von historischen Daten klein. 6. Tests für die Genauigkeit, wie gut das Modell durchführt, sind leicht zu berechnen. AACSB: Analytisch Dies ist das Ende der Vorschau. Melden Sie sich an, um auf den Rest des Dokuments zuzugreifen. Diese Notiz wurde auf 11092012 für den Kurs MBAA 500 hochgeladen von Professor Multiple während der Frühjahr 03912 Begriff bei Embry-Riddle FLAZ hochgeladen. TERM Spring 03912 PROFESSOR mehrere Klicke zum Bearbeiten der Dokumentdetails 14 Prognose Operations Management: Prozesse und Supply Chains, Zehnte Edition Lee J. Krajewski, Larry P. Ritzman, Manoj K. Malhotra Verlag: PH Professional Business ISBN-13: 978-0-13 -280739-5 ISBN-10: 0-13-280739-4 Veröffentlicht am: 01062012 Copyright Kopie 2013 463KEVIN DIETSCHUPINewscomA Motorola Droid Telefon angezeigte Google39s homep-age in Washington, DC am 15. August 2011. Google Inc. kaufte den Telefonhersteller Motorola Mobilität für 12. Motorola deutlich verbessert seine Nachfrage Prognose Prozess, mit Auszahlungen, wie es seine Supply Chain verwaltet. 5 Milliarden. In den frühen 2000er Jahren wurden Motorolarsquos Führung und Marktanteil erodiert. Motorola erkannte, dass es seine Versorgungskette umwandeln muss und eine bedeutende Initiative zur Verschärfung der Kommunikation und Zusammenarbeit entlang seiner Lieferkette einleitet. FORECASTING14Motorola MobilityMotorola Mobility macht Mobiltelefone, Smartphones, Tablets und Kabel-Set-Top-Box-Assets. Sie hat im Jahr 2002 kollaborative Planung, Prognose und Nachschub (CPFR) in die Tat umgesetzt. Die Auszahlung war signifikant. Motorola verkauft über 120 Mobiltelefonmodelle weltweit. Vorhersage, wie viele von denen Modelle zu machen und zu verkaufen ist schwierig, und genaue Nachschub von Retail-ersrsquo Regale ist entscheidend. Um es noch schlimmer zu machen, kann ein Telefonmodell mehrere SKUs haben, Lebenszyklen durchschnittlich wenig mehr als ein Jahr, und neue Produkteinführungen sind schnell. Motorola hatte Sichtbarkeit nur für seine Sendungen an Einzelhändlerrsquo Distributionszentren, aber nicht für Sendungen von den Einzelhandels-Vertriebszentren zu den Läden. Vor der Übernahme der CPFR waren die Motorola Mobilersquos-Verkäufe sehr variabel und wurden nicht mit der Kundenanforderung synchronisiert. Ohne diese Informationen waren die Prognosefehler sehr hoch, was zu übermäßigen Beständen führte. Etwa die Hälfte aller Auszahlungen führen zu einem Umsatzverlust. Zu wissen, was Einzelhändler verkaufen ist viel mehr wertvolle Informationen bei der Prognose der zukünftigen Nachfrage als zu wissen, was Einzelhändler kaufen. Wenn ein customerrsquos Lieblings-Handset nicht auf Lager ist, gibt es ein echtes Risiko, dass Motorola diesen Kunden für das Leben verliert und nicht nur für den nächsten Servicevertrag. CPFR ermöglichte es Motorola, mit 464 TEIL 3 VERWALTUNGSVERSORGUNGSKETTEN zusammenzuarbeiten. Das Angebot und die Nachfrage beginnen mit der Erstellung genauer Prognosen und versöhnen sie dann über die Lieferkette, wie von Motorola Mobility gezeigt. Eine Prognose ist eine Vorhersage für zukünftige Ereignisse, die für Planungszwecke verwendet werden. Die Planung dagegen ist der Prozess der Entscheidungsfindung, wie man Ressourcen einsetzt, um den Bedarfsprognosen am besten gerecht zu werden. Seine Einzelhändler rsquo Distribution Centerrsquo Kunden und erhöhen ihre Fähigkeit, effektiv zu prognostizieren. PrognoseA Vorhersage der zukünftigen Ereignisse, die für Planungszwecke verwendet werden. Prognosemethoden können auf mathematischen Modellen basieren, die verfügbare historische Daten verwenden, oder auf qualitative Methoden, die auf Managementerfahrung und Urteile oder auf eine Kombination von beiden zurückgreifen. Motorola startete eine organisationsweite Umstellung auf kundenorientierte operative Teams. Vor der CPFR wurden die Einzelhandelsprognosen am Ende der zweiten Woche eines jeden Monats entwickelt, während Motorolarsquos seinen Verkaufs - und Betriebsplan früher in der zweiten Woche zusammengestellt hat. Solche Erfolge sind ein Grund, warum Google groß bezahlt hat (12. Traditionell beruhen Lieferanten und Käufer in den meisten Lieferketten auf unabhängige Nachfrageprognosen. Der eigentliche Schlüssel für eine erfolgreiche Umsetzung der CPFR ist die Schaffung einer kulturellen Allianz, die Peer-to-Peer-Beziehungen und Cross umfasst - Analyse Die Einbeziehung eines Prognose-Analytikers bedeutet, dass sie sofort Probleme lösen können, die sich aus den Diskrepanzen ergeben. Sie haben mit ihren Einzelhändlern ihre Echtzeitdaten und - pläne, einschließlich Prognosen, Vorräte, Verkäufe an Einzelhändler, Regale, Promotions, Produktpläne und Ausnahmen Motorola überzeugte den Einzelhändler, seinen Planungszyklus um nur zwei oder drei Tage nach oben zu verschieben, was eine siebenwöchige Vorverzerrung ausschloss, die sich aus der Prognose ergab, die bis zum nächsten Monthrsquos-Planungszyklus nicht einbezogen wurde. Tag, die beiden Teams gemeinsam lösen Diskrepanzen Linie-by-line. Motorolarsquos CPFR-Initiative reduzierte vorgeworfenen Fehler auf einen Bruchteil seiner vorherigen Ebene, erlaubte schnelle Reduzierung der Sicherheitsbestände, schneiden Transportkosten in der Hälfte wegen weniger weniger als-LKW-Ladung Sendungen und schneiden Anteile auf weniger als ein Drittel der vorherigen Ebenen. 5 Milliarden) zu kaufen Motorolarsquos Handy-Geschäft im August 2011. Nach CPFR geben sie Motorola ldquoArdquo Bewertungen. Jetzt lädt der Einzelhändler seine Prognosen für den nächsten Monat auf Mon-Tag. Vor der CPFR, Einzelhändler gab manchmal Motorola ldquoC, rdquo ldquoD, rdquo und ldquoFrdquo Bewertung auf Metriken wie pünktliche Lieferung, Leichtigkeit der Geschäftstätigkeit und Lagerbestände. Am Dienstag lädt Motorola seine Prognose auf. Quelle: Jerold P. Cederlund, Rajiv Kohli, Susan A. Sherer und Yuliang Yao, ldquoHow Motorola Put CPFR in Aktion, rdquo Supply Chain Management Review (Oktober 2007), S. 28ndash35 Sharyn Leaver, Patrick Connaughton und Elisse Gaynor, ldquoCase Studie: Motorolarsquos Quest für Supply Chain Excellence, rdquo Forrester Research, Inc. (Oktober 2006), pp. Motorola. 1ndash12, Ante, ldquoGooglersquos 12. 5 Milliarde Gamble, rdquo Das Wall Street Journal, 12. August 2011. com, 29. April 2011 Amir Efrati und Spencer A. Identifizieren Sie die verschiedenen Maßnahmen der Prognosefehler. LERNENDE ZIELE Nach dem Lesen dieses Kapitels sollten Sie in der Lage sein, die fünf Grundmuster der meisten Bedarfszeitreihen zu identifizieren. Verwenden Sie Regression, um Prognosen mit einer oder mehreren unabhängigen Variablen zu machen. Machen Sie Prognosen mit den gängigsten Ansätzen für die Zeitreihenanalyse. Machen Sie Prognosen mit Trendprojektion mit Regression. Beschreiben Sie einen typischen Prognoseprozess, der von Unternehmen genutzt wird. Erläutern Sie die kollaborative Planung, Prognose und Ergänzung (CPFR). Wir beginnen mit verschiedenen Arten von Nachfragemustern. FORECASTING KAPITEL 14 465In diesem Kapitel steht unser Fokus auf Nachfrageprognosen. Wir untersuchen Prognosemethoden in drei Grundkategorien: (1) Urteil, (2) Kausal und (3) Zeitreihenmethoden. Prognosefehler sind definiert, die wichtige Hinweise für die Erstellung von Betterprognosen liefern. Wir schließen mit den Gesamtprozessen für die Prognose und die Gestaltung des Prognosesystems ab. Als nächstes betrachten wir die Vorhersagetechniken selbst und dann, wie sie kombiniert werden können, um Einblicke aus verschiedenen Quellen zusammenzubringen. Prognosen sind sowohl für die Verwaltung von Prozessen als auch für die Verwaltung von Lieferketten von Nutzen. Auf der Prozessebene sind Ausgangsprognosen erforderlich, um die verschiedenen Prozesse in der gesamten Organisation zu entwerfen, einschließlich der Identifizierung und des Umgangs mit internen Engpässen. Auf der Supply Chain-Ebene benötigt ein Unternehmen Prognosen, um mit seinen Kunden und Lieferanten zu koordinieren. Die Prognose des Gesamtbedarfs stammt typischerweise mit dem Marketing, aber interne Kunden in der gesamten Organisation hängen von Prognosen ab, um ihre Pläne zu formulieren und auszuführen. Prognose über die OrganisationDer organisationsweite Prognoseprozess schneidet über Funktionsbereiche ab. Prognosen sind kritische Inputs für Geschäftspläne, Jahrespläne und Budgets. Human Resources nutzt Prognosen, um die Einstellung und Schulung Bedürfnisse zu antizipieren. Finanzierung braucht Prognosen, um Cashflows und Kapitalanforderungen zu projizieren. Operations - und Supply-Chain-Manager benötigen Prognosen zur Planung von Output-Levels, Einkäufen von Dienstleistungen und Materialien, Arbeitskräften und Output-Zeitplänen, Lagerbeständen und langfristigen Kapazitäten. Marketing ist eine wichtige Quelle für Verkaufsprognose Informationen, weil es am nächsten zu externen Kunden ist. Werkzeuge für die Erstellung dieser Prognosen sind grundsätzlich die gleichen Werkzeuge, die hier für die Bedarfsprognose abgedeckt werden: Urteil, Gutachten von sachkundigen Personen, Erfahrungswerte, Regressions - und Zeitreihentechniken. Manager in der gesamten Organisation machen Prognosen über viele Variablen anders als zukünftige Nachfrage, wie Konkurrenzstrategien, regulatorische Änderungen, technologische Änderungen, Bearbeitungszeiten, Lieferantenvorlaufzeiten und Qualitätsverluste. Dennoch sind Prognosen selten perfekt. Mit diesen Tools kann die Prognose verbessert werden. Als Samuel Clemens (Mark Twain) sagte, nach dem Äquator, ldquoProphesy ist eine gute Linie des Geschäfts, aber es ist voll von Risiken. Demand PatternsForecasting Kundennachfrage ist eine schwierige Aufgabe, denn die Nachfrage nach Dienstleistungen und Waren kann stark variieren. Rdquo Smart Manager erkennen diese Realität und finden Wege, um ihre Pläne zu aktualisieren, wenn der unvermeidliche Prognosefehler oder unerwartetes Ereignis auftritt. Zum Beispiel steigt die Nachfrage nach Rasendünger im Frühjahr und Summenmonaten vorhersehbar an, aber die besonderen Wochenenden, wenn die Nachfrage am stärksten ist, können von unkontrollierbaren Faktoren wie dem Wetter abhängen. Manchmal sind Muster eher vorhersehbar. M. So sind die Spitzenzeiten des Tages für ein großes Bankrsquos Call Center von 9:00 A. bis 12:00 Uhr P. M. und der Peak Tag der Woche ist Montag. Die Prognose der Nachfrage in solchen Situationen erfordert die Aufdeckung der zugrunde liegenden Muster aus verfügbaren Informationen. Für ihre Aussage-Rendering-Prozesse sind die Spitzenmonate Januar, April, Juli und Oktober, wann die vierteljährlichen Aussagen ausgesendet werden. In diesem Abschnitt diskutieren wir die Grundmuster der Nachfrage. Die wiederholten Beobachtungen der Nachfrage nach einem Dienst oder Produkt in ihrer Reihenfolge des Auftretens bilden ein Muster, das als Zeitreihe bekannt ist. Es gibt fünf Grundmuster der meisten Nachfrage Zeitreihen: 1. Horizontal. Die Fluktuation der Daten um einen konstanten Mittelwert. 2. Trend Die systematische Zunahme oder Abnahme des Mittels der Serie über die Zeit. Saisonal. 3. Ein wiederholbares Muster der Erhöhung oder Abnahme der Nachfrage, je nach Tageszeit, Woche, Monat oder Saison. 4. Die weniger vorhersagbaren allmählichen Anstieg oder Abnahme der Nachfrage über längere Zeiträume (Jahre oder Jahrzehnte). Zyklisch Die unvorhersehbare Veränderung der Nachfrage 5. zufällig. Zyklische Muster entstehen aus zwei Einflüssen. Der andere Einfluss ist der Service - oder Produktlebenszyklus, der die Stufen der Nachfrage aus der Entwicklung durch den Rückgang widerspiegelt. Der erste ist der Konjunkturzyklus, der Faktoren beinhaltet, die dazu führen, dass die Wirtschaft von der Rezession zur Expansion über eine Reihe von Jahren geht. Der Konjunkturbedarf ist schwer vorherzusagen, weil er von nationalen oder internationalen Veranstaltungen betroffen ist. Die vier Muster der Nachfrage mdashhorizontal, Trend, saisonale und zyklischmdashcombine in unterschiedlichem Grade, um das zugrunde liegende Zeitmuster der Nachfrage nach einem Service oder Produkt zu definieren. Die fünfte Pattern, zufällige Variation, resultiert aus Zufallsursachen und kann daher nicht vorhergesagt werden. ABBILDUNG 14. Random Variation ist ein Aspekt der Nachfrage, der jede Prognose letztlich ungenau macht. Kumulative Summe der Prognosefehler (CFE) Eine Messung des gesamten Prognosefehlers, der die Bias in einer Prognose beurteilt. PrognosefehlerDer Unterschied ergibt sich aus der Subtraktion der Prognose von der tatsächlichen Nachfrage für einen bestimmten Zeitraum. Abbildung 14. 2 (a) Diagramm der tatsächlichen und prognostizierten Nachfrage unter Verwendung der Fehleranalyse der Prognose in POM für Windows468 TEIL 3 VERWALTUNGSVERSORGUNGSKETTE Der mittlere quadratische Fehler (MSE), die Standardabweichung der Fehler (s) und die mittlere absolute Abweichung (MAD) Messen Sie die Dispersion von Prognosefehlern, die auf Trend-, saisonale, zyklische oder zufällige Effekte zurückzuführen sind: MSE gE 2 tn s Cg (Et - E) 2n - 1 MAD g 0 Et 0nFigure 14. 1 zeigt die ersten vier Muster einer Bedarfszeitreihe , Die alle zufällige Varianten enthalten. Creating Value throughOperations ManagementManaging Versorgung ChainsManaging ProcessesUsing Operations CompeteProject ManagementSupply Kette InventoryManagementSupply Kette DesignSupply Kette LocationDecisionsSupply Kette IntegrationForecastingOperations Planung undPlanen Ressourcen PlanningProcess StrategyProcess AnalysisQuality und PerformanceCapacity PlanningConstraint ManagementLean SystemsSupply Kette Sustainabilityand Humanitarian Logistics466 TEIL 3 VORSTANDS SUPPLY CHAINSKey Entscheidungen über die Herstellung ForecastsBefore Prognosetechniken, ein Manager muss Zwei Entscheidungen treffen: (1) was zu prognostizieren, und (2) welche Art von Prognose-Technik für verschiedene Elemente auswählen ZeitreihenDie wiederholten Beobachtungen der Nachfrage nach einem Dienst oder Produkt in ihrer Reihenfolge des Auftretens. 2 (b) zeigt den quadratischen Fehler in der Periode 1 ist 4, und MSE ist 87. Entscheiden, was zu prognostizieren Obwohl eine Art von Bedarfsschätzung für die einzelnen Dienstleistungen oder Waren von einem Unternehmen produziert wird, prognostiziert Gesamtnachfrage für Gruppen oder Cluster und dann Ableitung einzelner Service - oder Produktvorhersagen kann am einfachsten sein. G. 9 für die ganze Probe. Die Standardabweichung der Fehler wird unter Verwendung einer der in Excel verfügbaren Funktionen berechnet und ist in Abbildung 14 nicht dargestellt. 2 (b). Auch die Auswahl der richtigen Maßeinheit (zB Service - oder Produkteinheiten oder Maschinenstunden) für die Prognose kann ebenso wichtig sein wie die Auswahl der besten Methode. Aggregationsstufe Wenige Unternehmen irren sich um mehr als 5 Prozent bei der Prognose der jährlichen Gesamtnachfrage für alle ihre Dienstleistungen oder Produkte. 1 über die gesamte Probe. Allerdings können Fehler in Prognosen für einzelne Positionen und kürzere Zeiträume viel höher sein. Der absolute Wert des Fehlers in Periode 2 ist 6, und MAD ist 8. In Anerkennung dieser Realität verwenden viele Unternehmen ein zweistufiges Prognosesystem. Sie erste Cluster (oder ldquoroll uprdquo) mehrere ähnliche Dienste oder Produkte in einem Prozess namens Aggregation, die Prognosen für Familien von Dienstleistungen oder Waren, die ähnliche Nachfrage Anforderungen und gemeinsame Verarbeitung, Arbeit und Materialien Anforderungen haben. Als nächstes leiten sie Prognosen für einzelne Posten, die manchmal auch Lagerbestände genannt werden. Eine Lagerhaltung (SKU) ist ein Einzelstück oder ein Produkt, das einen Identifikationscode hat und in der Inventur irgendwo entlang der Lieferkette, wie z. B. in einem Verteilzentrum, gehalten wird. Messeinheiten Anstatt mit Dollars als Anfangsmaßeinheit zu beginnen, beginnen die Prognosen von zehn mit Service - oder Produkteinheiten wie SKUs, Expresspaketen zu liefern oder Kunden, die Wartungsservice oder Reparaturen für ihre Autos benötigen. Wenn eine genaue Prognose der Nachfrage nach einem Service oder Produkt nicht in Bezug auf die Anzahl der Einheiten möglich ist, prognostizieren die Standard-Arbeits-oder Maschinen-Stunden von jedem der kritischen Ressourcen erforderlich. Prognostizierte Einheiten können dann in Dollar umgerechnet werden, indem sie mit dem Stückpreis multipliziert werden. Das Ziel der Vorhersage ist es, eine nützliche Prognose aus den vorhandenen Informationen mit der Technik zu entwickeln, die für die unterschiedlichen Muster der Nachfrage geeignet ist. Die Wahl der Art der Prognose TechnikForecasting-Systeme bieten eine Vielzahl von Techniken, und keiner von ihnen ist am besten für alle Artikel und Situationen. Es werden zwei allgemeine Arten von Vorgussverfahren verwendet: Beurteilungsmethoden und quantitative Methoden. Das mathematische Symbol 0 0 wird verwendet, um das absolute Valuemdash anzuzeigen, das heißt, es sagt Ihnen, dass Sie positive oder negative Zeichen ignorieren. BeurteilungsmethodenDie Prognosemethode, die die Meinungen von Führungskräften, Gutachten, Konsumentenbefragungen und Salesforce-Schätzungen in quantitative Schätzungen umsetzt. Urteil Methoden übersetzen die Meinungen von Führungskräften, Gutachten, Verbraucherumfragen und Salesforce Schätzungen AggregationThe Akt der Clustering mehrere ähnliche Dienste oder Produkte, so dass Prognosen und Pläne für ganze Familien gemacht werden können. J F M A M J J A S O N D 1 2 3 4 5 6QuantityTime (a) Horizontal: Datencluster um eine horizontale Linie. Wenn MSE, s oder MAD klein ist, ist die Prognose typischerweise in der Nähe der tatsächlichen Nachfrage dagegen, ein großer Wert gibt die Möglichkeit großer Prognosefehler an. MengeMonths (c) Saison: Daten zeigen konsequent Gipfel und Täler. MengeJahre (d) Zyklisch: Daten zeigen allmähliche Zunahmen und sinken über längere Zeiträume. MengeTime (b) Trend: Daten steigern oder verringern sich konsequent. Große Fehler bekommen weit mehr Gewicht in MSE und s, weil die Fehler quadriert sind. Jahr 1Jahr 2FIGUR 14. Die Maßnahmen unterscheiden sich in der Art, wie sie Fehler betonen. 1 Patterns of Demand FORECASTING KAPITEL 14 467In den quantitativen Schätzungen. Quantitative Methoden umfassen kausale Methoden, Zeitreihenanalyse und Trendprojektion mit Regression. MAD ist ein weit verbreitetes Maß für den Prognosefehler und ist leicht verständlich, dass es lediglich der Mittelwert der absoluten Prognosefehler über eine Reihe von Zeiträumen ist, ohne Rücksicht darauf, ob der Fehler eine Überschätzung oder eine Unterbewertung war. Der mittlere absolute Prozentfehler (MAPE) bezieht sich auf den Prognosefehler auf das Niveau der Nachfrage und ist nützlich, um die Prognoseleistung in die richtige Perspektive zu bringen: MAPE 1g 0 Et 0 gtDt2 11002n (ausgedrückt als Prozentsatz) Zum Beispiel ein absoluter Prognosefehler von 100 ergibt einen größeren Prozentsatzfehler, wenn die Nachfrage 200 Einheiten beträgt, als wenn die Nachfrage 10.000 Einheiten beträgt. Die Zeitreihenanalyse ist ein statistischer Ansatz, der stark auf historische Nachfragedaten abzielt, um die zukünftige Nachfrage zu prognostizieren und Trends und saisonale Muster zu erkennen. Kausale Methoden verwenden historische Daten über unabhängige Variablen, wie zB Werbekampagnen, wirtschaftliche Bedingungen und Konkurrenten, um die Nachfrage vorherzusagen. MAPE ist die beste Fehlermaßnahme, die bei der Vergleichung zwischen Zeitreihen für verschiedene SKUs verwendet wird. Betrachtet man noch Abbildung 14. 2 (b) ist der prozentuale Er-ror in Periode 2 16. Trendprojektion unter Verwendung von Regression ist ein Hybrid zwischen einer Zeitreihentechnik und dem kausalen Verfahren. 22 Prozent, und MAPE, der Durchschnitt über alle 10 Perioden, ist 17. 06 Prozent. Prognose ErrorFor eine Prognose-Technik, ist es wichtig, die Genauigkeit der Prognosen zu messen. Abbildung 14. Zufälliger Fehler ergibt sich aus unvorhersehbaren Faktoren, die die Prognose von der tatsächlichen Nachfrage abweichen lassen. Teil (b) zeigt die detaillierten Berechnungen, die erforderlich sind, um die Zusammenfassung der Fehlerbegriffe zu erhalten. Schließlich gibt Teil (c) die zusammenfassenden Fehlermaße, die über alle 10 Zeiträume zusammengefasst sind, wie sie aus Teil (b) abgeleitet sind. Prognosen enthalten fast immer Fehler. Prognose-Analysten versuchen, Prognosefehler zu minimieren, indem sie geeignete Prognosemodelle auswählen, aber die Beseitigung aller Formen von Fehlern ist unmöglich. Die kumulative Summe der Prognosefehler (CFE) misst den Gesamtprognosefehler: CFE aEtCFE ist eine kumulative Summe. 2 (b). 2 zeigt die Ausgabe aus der Fehleranalyse-Routine im Dropdown-Menü Forecastingrsquos von POM für Windows. 3 (b) zeigt, dass es die Summe der Fehler für alle 10 Perioden ist. Prognosefehler für einen gegebenen Zeitraum t ist einfach der Unterschied, der durch Subtrahieren der Prognose von der tatsächlichen Nachfrage, oderEt Dt - Ftwhere Et Prognosefehler für Periode t Dt tatsächliche Nachfrage nach Periode t Ft Prognose für Periode tThis Gleichung (beachten Sie die alphabetische Reihenfolge mit Dt kommen Vor Ft) ist der Ausgangspunkt für die Schaffung von mehreren Maßnahmen der Prognose Fehler, die längere Zeiträume abdecken. Figure 14. For example, it would be -8 (or -2 -6) for period 2. For any given period, it would be the sum of errors up through that period. Part (a) gives a big picture view of how well the forecast has been tracking the actual demand. For ex-ample, CFE is -31, which is in the error column of Figure 14. CFE is also called the bias error and results from consistent mistakesmdashthe forecast is always too high or too low. This type of error typically causes the greatest disruption to planning efforts. 2(b) in the TOTALS row. For example, if a forecast is consistently lower than actual demand, the value of CFE will gradually get larger and larger. The average forecast error, sometimes called the mean bias, is simplyE CFEncausal methodsA quantitative forecasting method that uses historical data on inde-pendent variables, such as pro-motional campaigns, economic conditions, and competitorsrsquo actions, to predict demand. This increasingly large error indicates some systematic deficiency in the forecasting approach. Finally, Figure 14. MAD is 8. 2(c) summarizes the key error terms across all 10 time periods. They are actually found in selected portions of Figure 14. trend projection with regressionA forecasting model that is a hybrid between a time-series technique and the causal method. 04 270 290 -20 400 20 7. time-series analysisA statistical approach that relies heavily on historical demand data to project the future size of de-mand and recognizes trends and seasonal patterns. mean absolute percent error (MAPE)A measurement that relates the forecast error to the level of demand and is useful for putting forecast performance in the proper perspective. 1, found in the 0Error 0 column and AVERAGE row. 33 300 285 15 225 15 5. 06, which is in the 0 Pct Error 0 column and AVERAGE row. mean squared error (MSE)A measurement of the dispersion of forecast errors. FIGURE 14. standard deviation (s)A measurement of the dispersion of forecast errors. 45 230 250 -20 400 20 8. Finally, 0 0 is 17. 77 210 250 -40 1,600 40 19. 76 260 240 20 400 20 7. 2(c)Error Measuresmean absolute deviation (MAD)A measurement of the dispersion of forecast errors. Calculate CFE, MSE, s, MAD, and MAPE for this product. 08 275 240 35 1,225 35 12. 7Total -15 5,275 195 81. 1 Calculating Forecast Error MeasuresThe following table shows the actual sales of upholstered chairs for a furniture manufacturer and the forecasts made for each of the last 8 months. 875Mean squared error:MSE gE 2tn5,2758 659. 52 240 220 20 400 20 8. 3SOLUTIONUsing the formulas for the measures, we getCumulative forecast error (bias):CFE -15 (the bias, or the sum of the errors for all time periods in the time series)Average forecast error (mean bias):E CFEn-158 -1. Month, tDemand, DtForecast, FtError, EtError, Squared, E 2 tAbsolute Error 0Et 0Absolute Percent Error, ( 0Et 0 Dt)(100)1 200 225 -25 625 25 12. 875)27 27. 4Standard deviation of the errors:s Cg Et - (-1. 2A CFE of -15 indicates that the forecast has a slight bias to overestimate demand. 4Mean absolute deviation:MAD g 0 Et 0n1958 24. 2(b) Detailed Calculations of Forecast Errors FIGURE 14. FORECASTING CHAPTER 14 469EXAMPLE 14. 4Mean absolute percent error:MAPE g 0 Et 0 gtDt100n81. 38 10. 980r2 0. The MSE, s, and MAD statistics provide measures of forecast error variability. Salesforce estimates are forecasts compiled from estimates made periodically by members of a companyrsquos salesforce. 4 means that the average forecast error was 24. 4, indicates that the sample distribution of forecast errors has a standard deviation of 27. The value of s, 27. A MAD of 24. In the weighted moving average method, each historical demand in the average can have its own weight. 229Xr 0. 960syx 15. The coordinator prepares a statistical summary of the responses along with a summary of arguments for particular responses. 4 units. Large values of n should be used for demand series that are stable, and small values of n should be used for those that are susceptible to changes in the underlying average. 135 109. All of the factors going into judgmental forecasts would fall into the category of executive opinion. 4 units in absolute value. 4. 603The regression equation isY -8. 474 PART 3 MANAGING SUPPLY CHAINSThe moving average method may involve the use of as many periods of past demand as de-sired. Errors are measured across past data, often called the history file in practice. 1 in MyOMLab provides another example to practice making forecasts with the moving average method. If n is set to its lowest level (i. 470 PART 3 MANAGING SUPPLY CHAINSComputer SupportComputer support, such as from OM Explorer or POM for Windows, makes error calculations easy when evaluating how well forecasting models fit with past data. The sum of the weights equals 1. Conducting a market research study includes designing a questionnaire, deciding how to administer it, select-ing a representative sample, and analyzing the information using judgment and statistical tools to interpret the responses. This form of forecasting is useful when no historical data are available from which to develop statistical models and when managers inside the firm have no experience on which to base informed projections. DECISION POINTAlthough reasonably satisfied with these forecast performance results, the analyst decided to test out a few more forecasting methods before reaching a final forecasting method to use for the future. 229Xand the regression line is shown in Figure 14. 1), it becomes the naiumlve method. 00 and suggests an unusually strong positive relationship exists between sales and advertising expenditures. 0. A MAPE of 10. 98, which is unusually close to 1. 2 percent implies that, on average, the forecast error was about 10 percent of actual demand. The sample correlation coefficient, r, is 0. These measures become more reliable as the number of periods of data increases. Forecasts of individual salesforce members can be combined easily to get regional or national sales estimates. FIGURE 14. Market research is a systematic approach to determine external consumer interest in a ser-vice or product by creating and testing hypotheses through data-gathering surveys. For example, in a three-period weighted moving average model, the most recent period might be assigned a weight of 0. The salesforce is the group most likely to know which services or prod-ucts customers will be buying in the near future and in what quantities. They show the various error measures across the en-tire history file for each forecasting method evaluated. 30, and the third most recent might be weighted 0. In other cases, judgment methods can also be used to modify forecasts that are generated by quantitative methods. 20. e. e. They may recognize that one or two quantitative models have been perform-ing particularly well in recent periods. Judgment MethodsForecasts from quantitative methods are possible only when there is adequate historical data, (i. Adjustments certainly would be called for if the forecaster has important contextual knowledge. The sample coefficient of determination, r2, implies that 96 percent of the variation in sales is explained by advertising expenditures. Weighted Moving Averages In the simple moving average method, each demand has the same weight in the averagemdashnamely, 1n. A coordinator sends questions to each member of the group of outside experts, who may not even know who else is participating. 50, the second most recent might be weighted 0. As the advertising expenditure will be 1,750, the forecast for month 6 is Y -8. These rounds continue until consensus is obtained. They also make forecasts into the future, based on the method selected. Contextual knowledge is knowledge that practitioners gain through experience, such as cause-and-effect relationships, environmental cues, and organizational informa-tion that may have an effect on the variable being forecast. 4 Linear Regression Line for the Sales and Advertising Data Using POM for Windows1 2050100150200250Sales (000 units)Advertising (000)Brass Door HingeDataForecastsDECISION POINTThe supply chain manager decided to use the regression model as input to planning production levels for month 6. 135 109. Such models can be analyzed with POM for Windows or OM Explorer and can be quite useful for predicting turning points and solving many planning problems. However, the history file may be nonexistent when a new product is introduced or when technology is expected to change. The naiumlve forecast method may be adapted to take into account a demand trend. G. The average is obtained by multiplying the weight of each period by the value for that period and adding the products together:Ft 1 0. The increase (or decrease) in demand observed between the last two periods is used to adjust the current de-mand to arrive at a forecast. These relationships are expressed in mathematical terms and can be complex. In some cases, judgment methods are the only practical way to make a forecast. the history file). 50Dt 0. The history file might exist but be less useful when certain events (such as rollouts or special packages) are reflected in the past data, or when certain events are expected to occur in the future. FORECASTING CHAPTER 14 473Naiumlve ForecastA method often used in practice is the naiumlve forecast, whereby the forecast for the next period (Ft 1) equals the demand for the current period (Dt ). Executive opinion can also be used for technological forecasting. 016, or 183,016 units. Four of the more successful judgment methods are as follows: (1) salesforce estimates, (2) executive opinion, (3) market research, and (4) the Delphi method. Adjustments also could account for un-usual circumstances, such as a new sales promotion or unexpected international events. 229(1. They could also have been used to remove the effect of special one-time events in the history file before quantita-tive methods are applied. 30Dt - 1 0. The report is sent to the same group for another round, and the participants may choose to mod-ify their previous responses. For example, some people are naturally optimistic, whereas others are more cautious. Often several independent variables may affect the dependent variable. 75) 183. In the remainder of this chapter, we turn to the commonly used quantitative forecasting approaches. For example, advertising expen-ditures, new corporation start-ups, and residential building contracts all may be important for estimating the demand for door hinges. However, individual biases of the salespeople may taint the forecast. government actions or advertising promotions) can be identified. Executive opinion is a forecasting method in which the opinions, experience, and technical knowledge of one or more managers or customers are summarized to arrive at a single forecast. The Delphi method is a process of gaining consensus from a group of experts while maintain-ing their anonymity. Adjustments in forecasts may need to be made to account for these individual biases. The quick pace of technological change makes keeping abreast of the latest advances difficult. Causal Methods: Linear RegressionCausal methods are used when historical data are available and the relationship between the fac-tor to be forecasted and other external or internal factors (e. Suppose that last week the demand was 120 units and the week before it was 108 units. (It can even handle seasonal effects by putting higher weights on prior years in the same season. Although market research yields important information, it typically in-cludes numerous qualifications and hedges in the findings. Causal methods are good for predicting turning points in demand and for preparing long-range forecasts. We focus on linear regression, one of the best known and most commonly used causal methods. In such cases, multiple regression analysis is helpful in determining a forecasting equa-tion for the dependent variable as a function of several independent variables. 2 of OM Explorer in MyOMLab. In linear regression, one variable, called a dependent variable, is related to one or more independent variables by a linear equation. The dependent variable (such as demand for door salesforce estimatesThe forecasts that are compiled from estimates of future demands made periodically by members of a companyrsquos salesforce. Delphi methodA process of gaining consensus from a group of experts while maintaining their anonymity. linear regressionA causal method in which one variable (the dependent vari-able) is related to one or more independent variables by a linear equation. The sample correlation coefficient, r, measures the direction and strength of the relationship between the independent variable and the dependent variable. So if the actual demand for Wednesday is 35 customers, the forecasted demand for Thursday is 35 customers. The advantage of a weighted moving average method is that it allows you to emphasize recent demand over earlier demand. 00 implies that period-by-period changes in direction ( increases or decreases) of the independent variable are always accompanied by changes in the same direction by the dependent variable. 20Dt - 2For a numerical example of using the weighted moving average method to estimate average demand, see Solved Problem 2 and Tutor 14. Three measures commonly reported are (1) the sample correlation coefficient, (2) the sample coefficient of determination, and (3) the standard error of the estimate. Despite its name, the naiumlve forecast can perform well. technological forecastingAn application of executive opinion to keep abreast of the latest advances in technology. 0. market researchA systematic approach to deter-mine external consumer interest in a service or product by creating and testing hypotheses through data-gathering surveys. The independent variables (such as adver-tising expenditures and new housing starts) are assumed to affect the dependent variable and thereby ldquocauserdquo the results observed in the past. executive opinionA forecasting method in which the opinions, experience, and technical knowledge of one or more managers are summarized to arrive at a single forecast. dependent variableThe variable that one wants to forecast. The method works best when the hori-zontal, trend, or seasonal patterns are stable and random variation is small. The value of r can range from -1. Figure 14. It is the most frequently used formal forecasting method because of its simplicity and the small amount of data needed to support it. Estimating the AverageWe begin our discussion of statistical methods of time-series forecasting with demand that has no apparent trend, seasonal, or cyclical patterns. 3 shows how a linear regression line relates to the data. FORECASTING CHAPTER 14 471hinges) is the one the manager wants to forecast. 00 to 1. ) The forecast will be more responsive to changes in the underly-ing average of the demand series than the simple moving average forecast. Computer programs are used for this purpose. Exponential Smoothing The exponential smoothing method is a sophisticated weighted moving average method that calculates the av-erage of a time series by implicitly giving recent demands more weight than earlier demands, all the way back to the first period in the history file. The horizontal pattern in a time series is based on the mean of the demands, so we focus on forecasting methods that estimate the average of a time series of data. If the demand last July was 50,000 units, and assuming no underlying trend from one year to the next, the forecast for this July would be 50,000 units. The naiumlve forecast method also may be used to account for seasonal pat-terns. In technical terms, the regression line minimizes the squared deviations from the actual data. For any set of matched observations for Y and X, the program computes the values of a and b and provides measures of forecast accuracy. In the simplest linear regression models, the dependent variable is a function of only one in-dependent variable and, therefore, the theoretical relationship is a straight line:Y a bXwhereY dependent variableX independent variablea Y intercept of the lineb slope of the lineThe objective of linear regression analysis is to find values of a and b that minimize the sum of the squared deviations of the actual data points from the graphed line. 00. Unlike the weighted moving average method, which re-quires n periods of past demand and n weights, exponential smoothing requires only three items of data: (1) the last periodrsquos forecast (2) the ac-tual demand for this period and (3) a smoothing parameter, alpha (a), which has a value between 0 and 1. A correlation coeffi-cient of 1. An r of -1. 00 means that decreases in the independent variable are always accompanied by increases in the dependent variable, and vice versa. The forecast of demand for any period in the future is the average of the time series computed in the current period. The equation for the exponentially smoothed forecast for period t 1 is calculated Ft 1 aDt (1 - a)Ftweighted moving average methodA time-series method in which each historical demand in the average can have its own weight the sum of the weights equals 1. Demand increased 12 units in 1 week, so the forecast for next week would be 120 12 132 units. A zero value of r means no linear relationship exists between the variables. The closer the value of r is to