Moyenne Saisonnière Moyenne Pondérée

Moyenne pondérée Moyenne pondérée La moyenne pondérée est une moyenne calculée en donnant des valeurs dans un ensemble de données plus d'influence selon un attribut des données. Il s'agit d'une moyenne dans laquelle chaque masse à calculer est affectée d'un poids et ces pondérations déterminent l'importance relative de chaque quantité en moyenne. Les pondérations sont l'équivalent d'avoir autant d'éléments semblables avec la même valeur impliquée dans la moyenne. Chargement du lecteur. RUPTURE Moyenne pondérée La moyenne pondérée est le plus souvent calculée en fonction de la fréquence des valeurs dans un ensemble de données. Une moyenne pondérée peut être calculée de différentes manières, cependant, si certaines valeurs d'un ensemble de données sont plus importantes pour des raisons autres que la fréquence d'occurrence. Calcul des investisseurs moyens pondérés comptent souvent une position sur un stock sur plusieurs années. Les cours des actions changent tous les jours, donc il peut être difficile de garder une trace de la base de coûts sur les actions accumulées sur une période de plusieurs années. Si un investisseur veut calculer une moyenne pondérée du prix de l'action qu'il a payé pour les actions, il doit multiplier le nombre d'actions acquises à chaque prix par ce prix, ajouter ces valeurs puis diviser la valeur totale par le nombre total d'actions . Par exemple, un investisseur acquiert 100 actions d'une société au cours de la première année à 10 et 50 actions de la même société au cours de l'année 2 à 40. Afin d'obtenir la moyenne pondérée du prix payé, l'investisseur multiplie 100 actions par 10 pour Année 1, 50 actions par 40 pour l'année 2, puis ajoute les résultats pour obtenir une valeur totale de 3.000. L'investisseur divise le montant total payé pour les actions, 3000 dans ce cas, par le nombre total d'actions acquises au cours des deux années, 150, pour obtenir le prix moyen pondéré payé de 20. Cette moyenne est pondérée en fonction du nombre d'actions Acquise à chaque prix et pas seulement le prix absolu. Exemples de moyenne pondérée La moyenne pondérée apparaît dans de nombreux domaines de financement en plus du prix d'achat des actions, y compris les rendements du portefeuille, la comptabilité des stocks et l'évaluation. Lorsqu'un fonds, qui détient plusieurs titres, est en hausse de 10 sur l'année, 10 représente une moyenne pondérée des rendements du fonds par rapport à la valeur de chaque position dans le fonds. Pour la comptabilité des stocks, la valeur moyenne pondérée des stocks tient compte des fluctuations des prix des produits de base, par exemple, tandis que les méthodes LIFO ou FIFO accordent plus d'importance au temps qu'à la valeur. Lorsqu'on évalue les entreprises à discerner si leurs actions sont correctement cotées, les investisseurs utilisent le coût moyen pondéré du capital (WACC) pour réduire les flux de trésorerie d'une société. WACC est pondéré en fonction de la valeur marchande de la dette et des capitaux propres dans la structure de capital d'une entreprise.3 Comprendre les niveaux et les méthodes de prévision Vous pouvez générer des prévisions détaillées (article unique) et des prévisions sommaires reflétant les tendances de la demande. Le système analyse les ventes passées pour calculer les prévisions en utilisant 12 méthodes de prévision. Les prévisions incluent des informations détaillées au niveau de l'article et des informations de niveau supérieur sur une succursale ou l'entreprise dans son ensemble. 3.1 Critères d'évaluation de la performance des prévisions En fonction de la sélection des options de traitement et des tendances et schémas des données sur les ventes, certaines méthodes de prévision ont un meilleur rendement que d'autres pour un ensemble de données historiques donné. Une méthode de prévision appropriée pour un produit peut ne pas convenir à un autre produit. Vous pouvez constater qu'une méthode de prévision qui fournit de bons résultats à un stade du cycle de vie d'un produit demeure appropriée tout au long du cycle de vie. Vous pouvez choisir entre deux méthodes pour évaluer le rendement actuel des méthodes de prévision: Pourcentage de précision (POA). Déviation absolue moyenne (MAD). Ces deux méthodes d'évaluation des performances requièrent des données de ventes historiques pour une période que vous spécifiez. Cette période est appelée période de blocage ou période de meilleur ajustement. Les données de cette période servent de base pour recommander la méthode de prévision à utiliser pour réaliser la projection de prévision suivante. Cette recommandation est spécifique à chaque produit et peut changer d'une génération de prévision à l'autre. 3.1.1 Meilleur ajustement Le système recommande la meilleure prévision d'ajustement en appliquant les méthodes de prévision sélectionnées à l'historique des commandes passées et en comparant la simulation de prévision à l'historique réel. Lorsque vous générez une prévision de meilleur ajustement, le système compare les historiques des commandes clients réelles aux prévisions pour une période de temps spécifique et calcule la précision avec laquelle chaque méthode de prévision différente prédit les ventes. Ensuite, le système recommande la prévision la plus précise comme la meilleure solution. Ce graphique illustre les meilleures prévisions d'ajustement: Figure 3-1 Prévision des meilleures prévisions Le système utilise cette séquence d'étapes pour déterminer le meilleur ajustement: Utiliser chaque méthode spécifiée pour simuler une prévision pour la période de blocage. Comparer les ventes réelles aux prévisions simulées pour la période d'indisponibilité. Calculer le POA ou le MAD pour déterminer quelle méthode de prévision correspond le plus exactement aux ventes réelles passées. Le système utilise POA ou MAD, en fonction des options de traitement que vous sélectionnez. Recommander une meilleure prévision d'ajustement par le POA qui est le plus proche de 100 pour cent (plus ou moins) ou le MAD qui est le plus proche de zéro. 3.2 Méthodes de prévision JD Edwards EnterpriseOne utilise 12 méthodes de prévision quantitative et indique quelle méthode est la mieux adaptée à la situation de prévision. Cette section traite de ce qui suit: Méthode 1: Pourcentage sur l'année dernière. Méthode 2: Pourcentage calculé sur l'année dernière. Méthode 3: Année passée à cette année. Méthode 4: Moyenne mobile. Méthode 5: Approximation linéaire. Méthode 6: Régression des moindres carrés. Méthode 7: Approximation du second degré. Méthode 8: Méthode flexible. Méthode 9: Moyenne mobile pondérée. Méthode 10: Lissage linéaire. Méthode 11: Lissage exponentiel. Méthode 12: lissage exponentiel avec tendance et saisonnalité. Spécifiez la méthode que vous souhaitez utiliser dans les options de traitement du programme Prévisions de génération (R34650). La plupart de ces méthodes fournissent un contrôle limité. Par exemple, vous pouvez spécifier le poids des données historiques récentes ou la plage de dates des données historiques utilisées dans les calculs. Les exemples du guide indiquent la procédure de calcul pour chacune des méthodes de prévision disponibles, compte tenu d'un ensemble identique de données historiques. Les exemples de méthode dans le guide utilisent une partie ou la totalité de ces ensembles de données, qui sont des données historiques des deux dernières années. Les projections de prévision vont à l'année prochaine. Ces données sur l'historique des ventes sont stables, avec de légères hausses saisonnières en juillet et en décembre. Ce modèle est caractéristique d'un produit mature qui pourrait s'approcher de l'obsolescence. 3.2.1 Méthode 1: Pourcentage sur l'année dernière Cette méthode utilise la formule Pourcentage sur l'année dernière pour multiplier chaque période de prévision par l'augmentation ou la diminution en pourcentage spécifiée. Pour prévoir la demande, cette méthode nécessite le nombre de périodes pour le meilleur ajustement plus un an de l'historique des ventes. Cette méthode est utile pour prévoir la demande d'articles saisonniers avec croissance ou déclin. 3.2.1.1 Exemple: Méthode 1: Pourcentage sur l'année dernière La formule Pourcentage sur l'année dernière multiplie les données de ventes de l'année précédente par un facteur que vous spécifiez, puis projette les résultats au cours de l'année suivante. Cette méthode peut être utile dans la budgétisation pour simuler l'incidence d'un taux de croissance spécifié ou lorsque l'historique des ventes a une composante saisonnière importante. Spécifications prévisionnelles: Facteur de multiplication. Par exemple, spécifiez 110 dans l'option de traitement pour augmenter les données d'historique des ventes des années précédentes de 10%. Historique des ventes requis: un an pour le calcul de la prévision, plus le nombre de périodes nécessaires pour évaluer les performances de prévision (périodes de meilleur ajustement) que vous spécifiez. Ce tableau est l'historique utilisé dans le calcul de la prévision: la prévision de février est égale à 117 fois 1,1 128,7 arrondi à 129. La prévision de mars est égale à 115 fois 1,1 126,5 arrondi à 127. 3.2.2 Méthode 2: Calcul calculé sur l'année dernière Cette méthode utilise le pourcentage calculé Formule de l'année dernière pour comparer les ventes passées de périodes spécifiées aux ventes des mêmes périodes de l'année précédente. Le système détermine une augmentation ou une diminution en pourcentage, puis multiplie chaque période par le pourcentage pour déterminer la prévision. Pour prévoir la demande, cette méthode nécessite le nombre de périodes d'historique des commandes clients plus un an de l'historique des ventes. Cette méthode est utile pour prévoir la demande à court terme d'articles saisonniers avec croissance ou déclin. 3.2.2.1 Exemple: Méthode 2: Pourcentage calculé par rapport à l'année dernière La formule calculée pour cent par rapport à l'année dernière multiplie les données de ventes de l'année précédente par un facteur calculé par le système, puis projette ce résultat pour l'année suivante. Cette méthode pourrait être utile pour projeter l'effet d'étendre le taux de croissance récent d'un produit dans l'année suivante tout en préservant un modèle saisonnier qui est présent dans l'histoire des ventes. Spécifications prévisionnelles: Gamme d'historique des ventes à utiliser pour calculer le taux de croissance. Par exemple, spécifiez n égal à 4 dans l'option de traitement pour comparer l'historique des ventes pour les quatre dernières périodes à ces mêmes quatre périodes de l'année précédente. Utilisez le ratio calculé pour faire la projection pour l'année suivante. Historique des ventes requis: Un an pour calculer la prévision plus le nombre de périodes nécessaires pour évaluer le rendement prévu (périodes de meilleur ajustement). Ce tableau est l'historique utilisé dans le calcul de la prévision, étant donné n 4: la prévision de février est égale à 117 fois 0,9766 114,26 arrondie à 114. La prévision de mars est égale à 115 fois 0,9766 112,31 arrondie à 112. 3.2.3 Méthode 3: Dernières années pour les prochaines années. Pour prévoir la demande, cette méthode nécessite le nombre de périodes le mieux adapté plus un an de l'historique des commandes client. Cette méthode est utile pour prévoir la demande de produits matures avec une demande de niveau ou une demande saisonnière sans tendance. 3.2.3.1 Exemple: Méthode 3: Année dernière à cette année La formule Année dernière à cette année copie les données de ventes de l'année précédente à l'année suivante. Cette méthode pourrait être utile dans la budgétisation pour simuler les ventes au niveau actuel. Le produit est mature et n'a pas de tendance sur le long terme, mais il peut exister un schéma de demande saisonnière important. Spécifications prévisionnelles: Aucune. Historique des ventes requis: Un an pour calculer la prévision plus le nombre de périodes nécessaires pour évaluer le rendement prévu (périodes de meilleur ajustement). Ce tableau est l'historique utilisé pour le calcul de la prévision: la prévision de janvier est égale à janvier de l'année dernière avec une valeur de prévision de 128. La prévision de février est égale à février de l'année dernière avec une valeur de prévision de 117. La prévision de mars équivaut à mars de l'année dernière avec une valeur de prévision de 115. 3.2.4 Méthode 4: Moyenne mobile Cette méthode utilise la formule Moyenne mobile pour faire la moyenne du nombre de périodes spécifié pour projeter la période suivante. Vous devriez le recalculer souvent (mensuel, ou au moins trimestriel) pour refléter l'évolution du niveau de la demande. Pour prévoir la demande, cette méthode nécessite le nombre de périodes le mieux adapté, plus le nombre de périodes de l'historique des commandes client. Cette méthode est utile pour prévoir la demande de produits matures sans tendance. 3.2.4.1 Exemple: Méthode 4: Moyenne mobile de déplacement La moyenne mobile (MA) est une méthode populaire pour calculer la moyenne des résultats de l'historique des ventes récentes afin de déterminer une projection à court terme. La méthode de prévision MA est à la traîne des tendances. Les biais prévisionnels et les erreurs systématiques se produisent lorsque l'historique des ventes de produits présente une forte tendance ou des tendances saisonnières. Cette méthode fonctionne mieux pour les prévisions à court terme de produits matures que pour les produits en phase de croissance ou d'obsolescence du cycle de vie. Spécifications prévisionnelles: n est égal au nombre de périodes d'historique des ventes à utiliser dans le calcul de la prévision. Par exemple, spécifiez n 4 dans l'option de traitement pour utiliser les quatre dernières périodes comme base pour la projection dans la période suivante. Une grande valeur pour n (telle que 12) nécessite plus d'historique des ventes. Il en résulte une prévision stable, mais est lent à reconnaître les changements dans le niveau des ventes. Inversement, une petite valeur pour n (comme 3) est plus rapide pour répondre aux variations du niveau des ventes, mais la prévision pourrait fluctuer si largement que la production ne peut pas répondre aux variations. Historique des ventes requis: n plus le nombre de périodes nécessaires à l'évaluation des performances prévues (périodes de meilleur ajustement). Ce tableau est l'historique utilisé dans le calcul de la prévision: la prévision de février est égale à (114 119 137 125) 4 123.75 arrondie à 124. La prévision de mars égale (119 137 125 124) 4 126,25 arrondie à 126. 3.2.5 Méthode 5: Approximation linéaire Cette méthode Utilise la formule d'approximation linéaire pour calculer une tendance à partir du nombre de périodes de l'historique des commandes client et pour projeter cette tendance à la prévision. Vous devez recalculer la tendance mensuellement pour détecter les changements dans les tendances. Cette méthode exige le nombre de périodes de meilleur ajustement plus le nombre de périodes spécifiées de l'historique des commandes client. Cette méthode est utile pour prévoir la demande de nouveaux produits ou des produits dont les tendances positives ou négatives sont cohérentes et qui ne sont pas dues aux fluctuations saisonnières. 3.2.5.1 Exemple: Méthode 5: Approximation linéaire L'approximation linéaire calcule une tendance basée sur deux points de données d'historique des ventes. Ces deux points définissent une ligne de tendance droite qui est projetée dans l'avenir. Utilisez cette méthode avec prudence car les prévisions à long terme sont exploitées par de petits changements en seulement deux points de données. Spécifications de prévision: n est égal au point de données dans l'historique des ventes qui est comparé au point de données le plus récent pour identifier une tendance. Par exemple, spécifiez n 4 pour utiliser la différence entre décembre (données les plus récentes) et août (quatre périodes avant décembre) comme base de calcul de la tendance. Historique des ventes minimum requis: n plus 1 plus le nombre de périodes nécessaires pour évaluer le rendement prévu (périodes de meilleur ajustement). Ce tableau est l'historique utilisé dans le calcul de la prévision: Prévision de janvier Décembre de l'année précédente 1 (Tendance) qui est égal à 137 (1 fois 2) 139. Prévision de février Décembre de l'année précédente 1 (Tendance) qui est 137 (2 fois 2) 141. La méthode de régression des moindres carrés (LSR) dérive une équation décrivant une relation de droite entre les données de ventes historiques Et le passage du temps. LSR ajuste une ligne à la plage de données sélectionnée de sorte que la somme des carrés des différences entre les points de données de ventes réels et la ligne de régression soient minimisées. La prévision est une projection de cette droite vers l'avenir. Cette méthode nécessite l'historique des données de vente pour la période qui est représentée par le nombre de périodes le mieux adapté plus le nombre spécifié de périodes de données historiques. L'exigence minimale est deux points de données historiques. Cette méthode est utile pour prévoir la demande lorsqu'une tendance linéaire est dans les données. 3.2.6.1 Exemple: Méthode 6: régression linéaire de régression des moindres carrés, ou régression des moindres carrés (LSR), est la méthode la plus populaire pour identifier une tendance linéaire dans les données de ventes historiques. La méthode calcule les valeurs de a et b à utiliser dans la formule: Cette équation décrit une droite, où Y représente les ventes et X représente le temps. La régression linéaire est lente à reconnaître les points de retournement et les changements de fonction d'étape de la demande. La régression linéaire correspond à une droite aux données, même si les données sont saisonnières ou mieux décrites par une courbe. Lorsque les données de l'historique des ventes suivent une courbe ou présentent un schéma saisonnier fort, des biais prévisionnels et des erreurs systématiques se produisent. Spécifications de prévision: n correspond aux périodes de l'historique des ventes qui seront utilisées pour calculer les valeurs de a et b. Par exemple, spécifiez n 4 pour utiliser l'historique de septembre à décembre comme base pour les calculs. Lorsque des données sont disponibles, un n plus grand (tel que n 24) serait habituellement utilisé. LSR définit une ligne pour aussi peu que deux points de données. Pour cet exemple, une petite valeur de n (n 4) a été choisie pour réduire les calculs manuels qui sont nécessaires pour vérifier les résultats. Historique des ventes minimum requis: n périodes plus le nombre de périodes nécessaires pour évaluer le rendement prévu (périodes de meilleur ajustement). Cette méthode est utilisée dans le calcul de la prévision: la prévision de mars est égale à 119,5 (7 fois 2,3) 135,6, arrondie à 136. 3.2.7 Méthode 7: Approximation du deuxième degré Pour appliquer la prévision, cette méthode utilise la formule d'approximation du deuxième degré pour tracer une courbe Qui est basé sur le nombre de périodes de l'histoire des ventes. Cette méthode nécessite le nombre de périodes le mieux adapté plus le nombre de périodes de l'historique des commandes de vente trois fois. Cette méthode n'est pas utile pour prévoir la demande pour une période de long terme. 3.2.7.1 Exemple: Méthode 7: Approximation du second degré La régression linéaire détermine les valeurs de a et b dans la formule de prévision Y a b X dans le but d'ajuster une ligne droite aux données de l'historique des ventes. L'approximation du deuxième degré est similaire, mais cette méthode détermine les valeurs de a, b et c dans cette formule de prévision: Y a b X c X 2 L'objectif de cette méthode est d'adapter une courbe aux données de l'historique des ventes. Cette méthode est utile lorsqu'un produit est en transition entre les étapes du cycle de vie. Par exemple, lorsqu'un nouveau produit passe de l'introduction aux étapes de croissance, la tendance des ventes pourrait s'accélérer. En raison du terme du second ordre, la prévision peut rapidement approcher l'infini ou tomber à zéro (selon que le coefficient c est positif ou négatif). Cette méthode n'est utile qu'à court terme. Spécifications prévisionnelles: la formule trouve a, b et c pour adapter une courbe à exactement trois points. Vous spécifiez n, le nombre de périodes de données à accumuler dans chacun des trois points. Dans cet exemple, n 3. Les données réelles des ventes d'avril à juin sont combinées au premier point, Q1. Juillet à Septembre sont ajoutés pour créer Q2, et d'Octobre à Décembre somme à Q3. La courbe est ajustée aux trois valeurs Q1, Q2 et Q3. Historique des ventes requis: 3 périodes n de calcul de la prévision plus le nombre de périodes nécessaires pour évaluer le rendement prévu (périodes de meilleur ajustement). Ce tableau est l'historique utilisé pour le calcul de la prévision: Q0 (Jan) (Feb) (Mar) Q1 (Apr) (Mai) (Jun) qui est égal à 125 129 137 384 Q2 (Juil) (Août) (Sep) ce qui équivaut à 140 129 L'étape suivante consiste à calculer les trois coefficients a, b et c à utiliser dans la formule de prévision Y ab X c X 2. Q1, Q2 et Q3 sont présentés sur le graphique, où le temps est tracé sur l'axe horizontal. Q1 représente le total des ventes historiques pour avril, mai et juin et est tracée à X 1 Q2 correspond à Juillet à Septembre T3 correspond à Octobre à Décembre et Q4 Janvier à Mars. Ce graphique illustre le tracé de Q1, Q2, Q3 et Q4 pour l'approximation du second degré: Figure 3-2 Tracer Q1, Q2, Q3 et Q4 pour l'approximation du second degré Trois équations décrivent les trois points du graphe: (1) Q1 (3) Q3 a bX cX 2 où X 3 (Q3 a 3b 9c) Résoudre les trois équations simultanément (2) et résoudre pour b: (2) ndash (1) Q2 ndash Q1 b 3c b (Q2 ndash Q1) ndash 3c Remplacer cette équation pour B dans l'équation (3): (3) Q3 a 3 (Q2 ndash Q1) ndash 3c 9c a Q3 ndash 3 (Q2 ndash Q1) Enfin, substituez ces équations pour a et b dans l'équation (1): (1) Q3 ndash La méthode d'approximation du deuxième degré calcule a, b et c comme suit: a Q3 ndash 3 (Q2 ndash Q1) (Q2 ndash Q1) (Q2 ndash Q1) ndash 3c c Q1 c (Q3 ndash Q2) ) 370 ndash 3 (400 ndash 384) 370 ndash 3 (16) 322 b (Q2 ndash Q1) ndash3c (400 ndash 384) ndash (3 fois ndash23) 16 69 85 c (Q3 ndash Q2) 370 ndash 400) (384 ndash 400) 2 ndash23 Il s'agit d'un calcul de la prévision d'approximation du second degré: Y a bX cX 2 322 85X (ndash23) (X2) Lorsque X4, Q4 322 340 ndash 368 294. La prévision est égale à 294 3 98 par période. Lorsque X 5, Q5 322 425 ndash 575 172. La prévision équivaut à 172 3 58,33 arrondi à 57 par période. Lorsque X 6, Q 6 322 510 ndash 828 4. La prévision est égale à 4 3 1,33 arrondie à 1 par période. 3.2.8 Méthode 8: Méthode flexible Cette méthode vous permet de sélectionner le nombre le mieux adapté de périodes de l'historique des commandes clients qui commence n mois avant la date de début prévue et à Appliquer un pourcentage d'augmentation ou de diminution du facteur de multiplication avec lequel modifier la prévision. Cette méthode est similaire à Méthode 1, pourcentage sur l'année dernière, sauf que vous pouvez spécifier le nombre de périodes que vous utilisez comme base. Selon ce que vous sélectionnez comme n, cette méthode requiert la meilleure période d'ajustement plus le nombre de périodes de données de ventes qui est indiqué. Cette méthode est utile pour prévoir la demande pour une tendance planifiée. 3.2.8.1 Exemple: Méthode 8: Méthode flexible La méthode flexible (en pourcentage sur n mois avant) est semblable à la méthode 1, pourcentage par rapport à l'année dernière. Les deux méthodes multiplient les données de ventes d'une période antérieure par un facteur spécifié par vous, puis projetent ce résultat dans le futur. Dans la méthode Pourcentage sur l'année dernière, la projection est basée sur les données de la même période de l'année précédente. Vous pouvez également utiliser la méthode flexible pour spécifier une période, autre que la même période de l'année précédente, à utiliser comme base pour les calculs. Facteur de multiplication. Par exemple, spécifiez 110 dans l'option de traitement pour augmenter les données précédentes de l'historique des ventes de 10%. Période de base. Par exemple, n 4 fait que la première prévision est basée sur les données de vente en septembre de l'année dernière. Historique des ventes minimum requis: le nombre de périodes revenant à la période de base plus le nombre de périodes nécessaires pour évaluer le rendement prévu (périodes de meilleur ajustement). 3.2.9 Méthode 9: Moyenne mobile pondérée La formule Moyenne mobile pondérée est semblable à la méthode 4, formule Moyenne mobile, car elle fait la moyenne de l'historique des ventes des mois précédents pour projeter l'historique des ventes des prochains mois. Cependant, avec cette formule, vous pouvez affecter des pondérations pour chacune des périodes précédentes. Cette méthode requiert le nombre de périodes pondérées choisies plus le nombre de périodes correspondant aux données les mieux adaptées. Semblable à la moyenne mobile, cette méthode est à la traîne des tendances de la demande, donc cette méthode n'est pas recommandée pour les produits avec des tendances fortes ou de la saisonnalité. Cette méthode est utile pour prévoir la demande pour les produits matures avec une demande relativement relative. 3.2.9.1 Exemple: Méthode 9: moyenne mobile pondérée La méthode de moyenne mobile pondérée (AMM) est semblable à la méthode 4, moyenne mobile (EM). Toutefois, vous pouvez affecter des poids inégaux aux données historiques lors de l'utilisation de WMA. La méthode calcule une moyenne pondérée de l'historique des ventes récentes pour arriver à une projection à court terme. Les données plus récentes sont habituellement attribuées à un poids plus important que les données plus anciennes, de sorte que WMA est plus sensible aux changements dans le niveau des ventes. Toutefois, les biais prévisionnels et les erreurs systématiques se produisent lorsque l'historique des ventes de produits présente des tendances fortes ou des tendances saisonnières. Cette méthode fonctionne mieux pour les prévisions à court terme de produits matures que pour les produits en phase de croissance ou d'obsolescence du cycle de vie. Le nombre de périodes de l'historique des ventes (n) à utiliser dans le calcul des prévisions. Par exemple, spécifiez n 4 dans l'option de traitement pour utiliser les quatre dernières périodes comme base pour la projection dans la période suivante. Une grande valeur pour n (telle que 12) nécessite plus d'historique des ventes. Une telle valeur donne lieu à une prévision stable, mais il est lent de reconnaître les variations du niveau des ventes. Inversement, une petite valeur pour n (comme 3) réagit plus rapidement aux variations du niveau des ventes, mais la prévision peut fluctuer si largement que la production ne peut pas répondre aux variations. Le nombre total de périodes pour l'option de traitement rdquo14 - périodes à inclure ne doit pas dépasser 12 mois. Le poids attribué à chacune des périodes de données historiques. Les poids attribués doivent totaliser 1,00. Par exemple, lorsque n 4, assigner des poids de 0,50, 0,25, 0,15 et 0,10 avec les données les plus récentes recevant le plus grand poids. Historique des ventes minimum requis: n plus le nombre de périodes nécessaires pour évaluer le rendement prévu (périodes de meilleur ajustement). Ce tableau est l'historique utilisé dans le calcul de la prévision: la prévision de janvier est égale à (131 fois 0.10) (114 fois 0,15) (119 fois 0,25) (137 fois 0.50) (0,10 0,15 0,25 0,50) 128,45 arrondie à 128. Prévision de février égale (114 fois (128 fois 0.50) (128 fois 0.50) (128 fois 0.50) 1 127.5 arrondi à 128. La prévision de mars est égale (119 fois 0.10) (137 fois 0.15) (128 fois 0.25) (128 fois 0.50) 1 128.45 arrondi à 128. 3.2.10 Méthode 10: Lissage linéaire Cette méthode calcule une moyenne pondérée des données de ventes passées. Dans le calcul, cette méthode utilise le nombre de périodes d'historique des commandes client (de 1 à 12) indiquées dans l'option de traitement. Le système utilise une progression mathématique pour peser les données dans la plage allant du premier (poids le plus faible) au dernier (le plus de poids). Ensuite, le système projette cette information à chaque période de la prévision. Cette méthode nécessite le meilleur ajustement des mois, plus l'historique des commandes client pour le nombre de périodes spécifié dans l'option de traitement. 3.2.10.1 Exemple: Méthode 10: Lissage linéaire Cette méthode est similaire à la Méthode 9, WMA. Cependant, au lieu d'attribuer arbitrairement des pondérations aux données historiques, une formule est utilisée pour attribuer des poids qui diminuent de façon linéaire et forment une somme de 1,00. La méthode calcule ensuite une moyenne pondérée des historiques de ventes récents pour arriver à une projection à court terme. Comme toutes les techniques de prévision linéaire des moyennes mobiles, le biais de prévision et les erreurs systématiques se produisent lorsque l'historique des ventes du produit présente une forte tendance ou des modèles saisonniers. Cette méthode fonctionne mieux pour les prévisions à court terme de produits matures que pour les produits en phase de croissance ou d'obsolescence du cycle de vie. N est égal au nombre de périodes d'historique des ventes à utiliser dans le calcul de la prévision. Par exemple, spécifiez n égal à 4 dans l'option de traitement pour utiliser les quatre dernières périodes comme base pour la projection dans la période suivante. Le système attribue automatiquement les pondérations aux données historiques qui diminuent de façon linéaire et totalisent 1,00. Par exemple, lorsque n est égal à 4, le système attribue des poids de 0,4, 0,3, 0,2 et 0,1, les données les plus récentes recevant le poids le plus élevé. Historique des ventes minimum requis: n plus le nombre de périodes nécessaires pour évaluer le rendement prévu (périodes de meilleur ajustement). 3.2.11 Méthode 11: Lissage exponentiel Cette méthode calcule une moyenne lissée qui devient une estimation représentant le niveau général des ventes sur les périodes de données historiques sélectionnées. Cette méthode nécessite l'historique des données de vente pour la période de temps qui est représentée par le nombre de périodes les mieux ajustées plus le nombre de périodes de données historiques qui sont spécifiées. L'exigence minimale est de deux périodes de données historiques. Cette méthode est utile pour prévoir la demande lorsqu'aucune tendance linéaire n'est présente dans les données. 3.2.11.1 Exemple: Méthode 11: Lissage exponentiel Cette méthode est similaire à la Méthode 10, Lissage linéaire. Dans Linear Smoothing, le système attribue des poids qui diminuent linéairement aux données historiques. Dans Exponential Smoothing, le système attribue des poids qui décroissent exponentiellement. La prévision est une moyenne pondérée des ventes réelles de la période précédente et des prévisions de la période précédente. La prévision est une moyenne pondérée des ventes réelles de la période précédente et des prévisions de la période précédente. Alpha est le poids qui est appliqué aux ventes réelles pour la période précédente. (1 ndash alpha) est le poids qui est appliqué à la prévision pour la période précédente. Les valeurs pour l'alpha vont de 0 à 1 et tombent habituellement entre 0,1 et 0,4. La somme des poids est de 1,00 (alpha (1 ndash alpha) 1). Vous devez affecter une valeur pour la constante de lissage, alpha. Si vous n'attribuez pas de valeur à la constante de lissage, le système calcule une valeur supposée basée sur le nombre de périodes de l'historique des ventes spécifié dans l'option de traitement. Alpha est égal à la constante de lissage qui est utilisée pour calculer la moyenne lissée pour le niveau général ou l'ampleur des ventes. Les valeurs de l'intervalle alpha vont de 0 à 1. n est égale à la plage des données de l'historique des ventes à inclure dans les calculs. Généralement, un an de données de l'historique des ventes est suffisant pour estimer le niveau général des ventes. Pour cet exemple, une petite valeur de n (n 4) a été choisie pour réduire les calculs manuels requis pour vérifier les résultats. Exponential Smoothing peut générer une prévision basée sur un point de données historiques. Historique des ventes minimum requis: n plus le nombre de périodes nécessaires pour évaluer le rendement prévu (périodes de meilleur ajustement). Méthode 12: Lissage exponentiel avec tendance et saisonnalité Cette méthode calcule une tendance, un indice saisonnier et une moyenne exponentiellement lissée de l'historique des commandes client. Le système applique ensuite une projection de la tendance à la prévision et s'ajuste pour l'indice saisonnier. Cette méthode exige le nombre de périodes les mieux ajustées plus deux années de données sur les ventes et est utile pour les éléments qui ont à la fois tendance et saisonnalité dans la prévision. Vous pouvez saisir le facteur alpha et bêta ou faire calculer le système. Les facteurs alpha et bêta sont la constante de lissage utilisée par le système pour calculer la moyenne lissée du niveau général ou de l'amplitude des ventes (alpha) et de la composante de tendance de la prévision (bêta). 3.2.12.1 Exemple: Méthode 12: lissage exponentiel avec tendance et saisonnalité Cette méthode est similaire à la méthode 11, lissage exponentiel, en ce que l'on calcule une moyenne lissée. Cependant, la Méthode 12 comprend également un terme dans l'équation de prévision pour calculer une tendance lissée. La prévision est composée d'une moyenne lissée qui est ajustée pour une tendance linéaire. Lorsque spécifié dans l'option de traitement, la prévision est également ajustée en fonction de la saisonnalité. Alpha est égal à la constante de lissage qui est utilisée pour calculer la moyenne lissée pour le niveau général ou l'ampleur des ventes. Les valeurs pour la plage alpha vont de 0 à 1. La bêta est égale à la constante de lissage utilisée pour calculer la moyenne lissée pour la composante de tendance de la prévision. Les valeurs de bêta vont de 0 à 1. Un indice saisonnier est appliqué à la prévision. Alpha et bêta sont indépendants les uns des autres. Ils ne doivent pas additionner 1,0. Historique des ventes minimum requis: Un an plus le nombre de périodes nécessaires pour évaluer le rendement prévu (périodes de meilleur ajustement). Lorsque deux données historiques ou plus sont disponibles, le système utilise deux années de données dans les calculs. La méthode 12 utilise deux équations de lissage exponentiel et une moyenne simple pour calculer une moyenne lissée, une tendance lissée et un indice saisonnier moyen simple. Figure 3-3 Indice saisonnier moyen simple La prévision est ensuite calculée en utilisant les résultats des trois équations: L est la longueur de la saisonnalité (L est égal à 12 mois ou 52 semaines). T est la période de temps actuelle. M est le nombre de périodes dans l'avenir de la prévision. S est le facteur d'ajustement saisonnier multiplicatif qui est indexé sur la période de temps appropriée. Ce tableau répertorie l'historique utilisé dans le calcul des prévisions: Cette section fournit un aperçu des évaluations prévisionnelles et discute: Vous pouvez sélectionner des méthodes de prévision pour générer jusqu'à 12 prévisions pour chaque produit. Chaque méthode de prévision peut créer une projection légèrement différente. Lorsque des milliers de produits sont prévus, une décision subjective est impraticable quant aux prévisions à utiliser dans les plans pour chaque produit. Le système évalue automatiquement les performances de chaque méthode de prévision que vous sélectionnez et pour chaque produit que vous prévoyez. Vous pouvez choisir entre deux critères de performance: MAD et POA. MAD est une mesure de l'erreur de prévision. Le POA est une mesure du biais de prévision. Ces deux techniques d'évaluation de la performance requièrent des données réelles sur l'historique des ventes pour une période spécifiée par vous. La période de l'histoire récente utilisée pour l'évaluation est appelée période de blocage ou période de meilleur ajustement. Pour mesurer la performance d'une méthode de prévision, le système: Utilise les formules de prévision pour simuler une prévision pour la période de retenue historique. Effectue une comparaison entre les données de ventes réelles et les prévisions simulées pour la période de blocage. Lorsque vous sélectionnez plusieurs méthodes de prévision, ce même processus se produit pour chaque méthode. De multiples prévisions sont calculées pour la période de blocage et comparées à l'historique des ventes connu pour la même période. La méthode de prévision qui produit le meilleur rapport entre les prévisions et les ventes réelles pendant la période de retenue est recommandée pour les plans. Cette recommandation est spécifique à chaque produit et peut changer à chaque fois que vous générez une prévision. 3.3.1 Moyenne des écarts absolus Moyenne L'écart absolu (MAD) est la moyenne (ou moyenne) des valeurs absolues (ou magnitude) des écarts (ou erreurs) entre les données réelles et les prévisions. MAD est une mesure de l'ampleur moyenne des erreurs à attendre, compte tenu d'une méthode de prévision et de l'historique des données. Comme les valeurs absolues sont utilisées dans le calcul, les erreurs positives n'annulent pas les erreurs négatives. En comparant plusieurs méthodes de prévision, celle qui a le plus petit MAD est la plus fiable pour ce produit pour cette période de blocage. Lorsque la prévision est impartiale et que les erreurs sont normalement distribuées, une relation mathématique simple existe entre MAD et deux autres mesures communes de distribution, qui sont l'écart-type et l'erreur quadratique moyenne. Par exemple: MAD (Sigma (Actual) ndash (Prévision)) n Écart type, (sigma) cong 1,25 MAD Erreur au carré moyen cong ndashsigma2 Cet exemple indique le calcul de MAD pour deux des méthodes de prévision. Cet exemple suppose que vous avez spécifié dans l'option de traitement que la durée de période de blocage (périodes de meilleur ajustement) est égale à cinq périodes. 3.3.1.1 Méthode 1: Année passée à cette année Ce tableau est l'historique utilisé pour le calcul de MAD, selon les périodes de meilleur ajustement 5: L'écart absolu moyen équivaut à (2 1 20 10 14) 5 9.4. Sur la base de ces deux choix, la méthode de la Moyenne mobile n 4 est recommandée, car elle a la valeur MAD la plus faible, 9,4, pour la période de blocage donnée. 3.3.2 Pourcentage de précision Le pourcentage d'exactitude (POA) est une mesure du biais de prévision. Lorsque les prévisions sont constamment trop élevées, les stocks s'accumulent et les coûts d'inventaire augmentent. When forecasts are consistently too low, inventories are consumed and customer service declines. A forecast that is 10 units too low, then 8 units too high, then 2 units too high is an unbiased forecast. The positive error of 10 is canceled by negative errors of 8 and 2. (Error) (Actual) ndash (Forecast) When a product can be stored in inventory, and when the forecast is unbiased, a small amount of safety stock can be used to buffer the errors. Dans cette situation, éliminer les erreurs de prévision n'est pas aussi important que générer des prévisions impartiales. However, in service industries, the previous situation is viewed as three errors. The service is understaffed in the first period, and then overstaffed for the next two periods. Dans les services, l'ampleur des erreurs de prévision est généralement plus importante que le biais prévu. POA (SigmaForecast sales during holdout period) (SigmaActual sales during holdout period) times 100 percent The summation over the holdout period enables positive errors to cancel negative errors. When the total of forecast sales exceeds the total of actual sales, the ratio is greater than 100 percent. Of course, the forecast cannot be more than 100 percent accurate. When a forecast is unbiased, the POA ratio is 100 percent. A 95 percent accuracy rate is more desirable than a 110 percent accurate rate. The POA criterion selects the forecasting method that has a POA ratio that is closest to 100 percent. This example indicates the calculation of POA for two forecasting methods. This example assumes that you have specified in the processing option that the holdout period length (periods of best fit) is equal to five periods. 3.3.2.1 Method 1: Last Year to This Year This table is history used in the calculation of MAD, given Periods of Best Fit 5: 3.4.2 Forecast Accuracy These statistical laws govern forecast accuracy: A long term forecast is less accurate than a short term forecast because the further into the future you project the forecast, the more variables can affect the forecast. A forecast for a product family tends to be more accurate than a forecast for individual members of the product family. Some errors cancel each other as the forecasts for individual items summarize into the group, thus creating a more accurate forecast. 3.4.3 Forecast Considerations You should not rely exclusively on past data to forecast future demands. These circumstances might affect the business, and require you to review and modify the forecast: New products that have no past data. Plans for future sales promotion. Changes in national and international politics. New laws and government regulations. Weather changes and natural disasters. Innovations from competition. You can use long term trend analysis to influence the design of the forecasts: Leading economic indicators. 3.4.4 Forecasting Process You use the Refresh Actuals program (R3465) to copy data from the Sales Order History File table (F42119), the Sales Order Detail File table (F4211), or both, into either the Forecast File table (F3460) or the Forecast Summary File table (F3400), depending on the kind of forecast that you plan to generate. Scripting on this page enhances content navigation, but does not change the content in any way.