Moving average forecast excel

Moving Average Forecasting Pendahuluan. Seperti yang Anda duga, kita melihat beberapa pendekatan paling primitif terhadap peramalan. Tapi mudah-mudahan ini setidaknya merupakan pengantar yang berharga untuk beberapa masalah komputasi yang terkait dengan penerapan prakiraan di spreadsheet. Dalam vena ini kita akan melanjutkan dengan memulai dari awal dan mulai bekerja dengan Moving Average prakiraan. Moving Average Forecasts. Semua orang terbiasa dengan perkiraan rata-rata bergerak terlepas dari apakah mereka yakin itu. Semua mahasiswa melakukannya setiap saat. Pikirkan nilai tes Anda di kursus di mana Anda akan menjalani empat tes selama semester ini. Mari kita asumsikan Anda mendapatkan 85 pada tes pertama Anda. Apa yang akan Anda perkirakan untuk skor tes kedua Anda Menurut Anda apa yang akan diprediksikan oleh guru untuk mendapatkan skor tes berikutnya? Menurut Anda, apa perkiraan teman Anda untuk memprediksi skor tes berikutnya? Menurut Anda, apa yang diprediksi orang tua Anda untuk skor tes berikutnya? Semua blabbing yang mungkin Anda lakukan terhadap teman dan orang tua Anda, mereka dan gurumu sangat mengharapkan Anda untuk mendapatkan sesuatu dari area yang Anda dapatkan. Nah, sekarang mari kita asumsikan bahwa meskipun promosi diri Anda ke teman Anda, Anda terlalu memperkirakan perkiraan Anda dan membayangkan bahwa Anda dapat belajar lebih sedikit untuk tes kedua dan Anda mendapatkan nilai 73. Sekarang, apa yang menarik dan tidak peduli? Mengantisipasi Anda akan mendapatkan pada tes ketiga Ada dua pendekatan yang sangat mungkin bagi mereka untuk mengembangkan perkiraan terlepas dari apakah mereka akan berbagi dengan Anda. Mereka mungkin berkata pada diri mereka sendiri, quotThis guy selalu meniup asap tentang kecerdasannya. Dia akan mendapatkan yang lain lagi jika dia beruntung. Mungkin orang tua akan berusaha lebih mendukung dan berkata, quotWell, sejauh ini Anda sudah mendapatkan nilai 85 dan angka 73, jadi mungkin Anda harus memikirkan tentang (85 73) 2 79. Saya tidak tahu, mungkin jika Anda kurang berpesta Dan werent mengibaskan musang seluruh tempat dan jika Anda mulai melakukan lebih banyak belajar Anda bisa mendapatkan skor yang lebih tinggi. quot Kedua perkiraan ini sebenarnya bergerak perkiraan rata-rata. Yang pertama hanya menggunakan skor terbaru untuk meramalkan kinerja masa depan Anda. Ini disebut perkiraan rata-rata bergerak menggunakan satu periode data. Yang kedua juga merupakan perkiraan rata-rata bergerak namun menggunakan dua periode data. Mari kita asumsikan bahwa semua orang yang menghina pikiran besar ini membuat Anda kesal dan Anda memutuskan untuk melakukannya dengan baik pada tes ketiga karena alasan Anda sendiri dan untuk memberi nilai lebih tinggi di depan kuotasi Anda. Anda mengikuti tes dan nilai Anda sebenarnya adalah 89 Setiap orang, termasuk Anda sendiri, terkesan. Jadi sekarang Anda memiliki ujian akhir semester yang akan datang dan seperti biasa Anda merasa perlu mendorong setiap orang untuk membuat prediksi tentang bagaimana Anda melakukannya pada tes terakhir. Nah, semoga anda melihat polanya. Nah, semoga anda bisa melihat polanya. Yang Anda percaya adalah Whistle paling akurat Sementara Kami Bekerja. Sekarang kita kembali ke perusahaan pembersih baru kita yang dimulai oleh saudara tirimu yang terasing bernama Whistle While We Work. Anda memiliki beberapa data penjualan terakhir yang ditunjukkan oleh bagian berikut dari spreadsheet. Kami pertama kali mempresentasikan data untuk perkiraan rata-rata pergerakan tiga periode. Entri untuk sel C6 harus Sekarang Anda dapat menyalin formula sel ini ke sel lain C7 sampai C11. Perhatikan bagaimana rata-rata pergerakan data historis terbaru namun menggunakan tiga periode paling terakhir yang tersedia untuk setiap prediksi. Anda juga harus memperhatikan bahwa kita benar-benar tidak perlu membuat ramalan untuk periode sebelumnya untuk mengembangkan prediksi terbaru kita. Ini jelas berbeda dengan model smoothing eksponensial. Ive menyertakan prediksi quotpast karena kami akan menggunakannya di halaman web berikutnya untuk mengukur validitas prediksi. Sekarang saya ingin menyajikan hasil yang analog untuk ramalan rata-rata pergerakan dua periode. Entri untuk sel C5 harus Sekarang Anda dapat menyalin formula sel ini ke sel lain melalui C6 C6. Perhatikan bagaimana sekarang hanya dua buah data historis terakhir yang digunakan untuk setiap prediksi. Sekali lagi saya telah menyertakan prediksi quotpast untuk tujuan ilustrasi dan untuk nanti digunakan dalam validasi perkiraan. Beberapa hal lain yang perlu diperhatikan. Untuk perkiraan rata-rata pergerakan m-m, hanya m data terakhir yang digunakan untuk membuat prediksi. Tidak ada hal lain yang diperlukan. Untuk perkiraan rata-rata pergerakan m-period, saat membuat prediksi quotpast predictququot, perhatikan bahwa prediksi pertama terjadi pada periode m 1. Kedua masalah ini akan sangat signifikan saat kita mengembangkan kode kita. Mengembangkan Fungsi Bergerak Rata-rata. Sekarang kita perlu mengembangkan kode ramalan rata-rata bergerak yang bisa digunakan lebih fleksibel. Kode berikut. Perhatikan bahwa masukan adalah untuk jumlah periode yang ingin Anda gunakan dalam perkiraan dan rangkaian nilai historis. Anda bisa menyimpannya dalam buku kerja apa pun yang Anda inginkan. Fungsi MovingAverage (Historis, NumberOfPeriods) Sebagai Single Declaring dan variabel inisialisasi Dim Item Sebagai Variant Dim Counter Sebagai Akumulasi Dim Integer Sebagai Single Dim HistoricalSize As Integer Inisialisasi variabel Counter 1 Akumulasi 0 Menentukan ukuran array historis HistoricalSize Historical. Count Untuk Counter 1 To NumberOfPeriods Mengumpulkan jumlah yang sesuai dari nilai yang teramati terakhir yang terakhir Akumulasi Akumulasi Historis (HistoricalSize - NumberOfPeriods Counter) MovingAverage Accumulation NumberOfPeriods Kode akan dijelaskan di kelas. Anda ingin memposisikan fungsi pada spreadsheet sehingga hasil perhitungan muncul di tempat yang seharusnya seperti berikut. MENYATAKAN Faktor Musiman - persentase permintaan kuartalan rata-rata yang terjadi di setiap kuartal. Prakiraan tahunan untuk tahun ke 4 diprediksi akan mencapai 400 unit. Perkiraan rata-rata per kuartal adalah 4004 100 unit. Prakiraan Triwulanan rata-rata Ramalan faktor musiman METODE PERAMALAN PENYEBAB Metode peramalan kausal didasarkan pada hubungan yang diketahui atau dirasakan antara faktor yang akan diprediksi dan faktor eksternal atau internal lainnya 1. regresi: persamaan matematis menghubungkan variabel dependen dengan satu atau lebih variabel independen yang diyakini mempengaruhi variabel dependen. 2. Model ekonometrik: sistem persamaan regresi interdependen yang menggambarkan beberapa sektor kegiatan ekonomi 3. Model input-output: menggambarkan arus dari satu sektor ekonomi ke sektor lainnya, dan memprediksi input yang diperlukan untuk menghasilkan output di sektor lain 4. Pemodelan simulasi MENGUKUR KESALAHAN PERAMALAN Ada dua aspek kesalahan peramalan yang harus diperhatikan - Bias dan Akurasi Bias - Ramalan diperkirakan bias jika terjadi lebih banyak dalam satu arah daripada di sisi lain - Metode cenderung di bawah perkiraan atau perkiraan terlalu tinggi. Akurasi - Prakiraan akurasi mengacu pada jarak prakiraan dari permintaan aktual yang mengabaikan arah kesalahan itu. Contoh: Untuk enam periode perkiraan dan permintaan aktual telah dilacak Tabel berikut memberikan permintaan aktual D t dan perkiraan permintaan F t untuk enam periode: jumlah kumulatif perkiraan kesalahan (CFE) -20 berarti deviasi absolut (MAD) 170 6 28,33 mean kuadrat Kesalahan standar kesalahan perkiraan 5150 6 29.30 berarti kesalahan persentase absolut (MAPE) 83.4 6 13.9 Informasi apa yang masing masing memberi perkiraan memiliki kecenderungan untuk memperkirakan perkiraan kesalahan rata-rata per perkiraan adalah 28,33 unit atau 13,9 Distribusi sampling permintaan aktual dari kesalahan perkiraan memiliki deviasi standar 29,3 unit. KRITERIA UNTUK MEMILIH METODE PERAMALAN Tujuan: 1. Maksimalkan Akurasi dan 2. Minimalkan Bias Potensi Aturan untuk memilih metode peramalan deret waktu. Pilih metode yang memberikan bias terkecil, yang diukur dengan perkiraan error kumulatif (CFE) atau berikan mean absolute deviation (MAD) terkecil atau memberi sinyal pelacakan terkecil atau mendukung keyakinan manajemen tentang pola permintaan yang mendasarinya atau yang lainnya. Tampak jelas bahwa beberapa ukuran akurasi dan bias harus digunakan bersamaan. Bagaimana dengan jumlah periode yang akan dijadikan sampel jika permintaan secara inheren stabil, nilai yang rendah dan dan nilai N yang lebih tinggi disarankan jika permintaan pada dasarnya tidak stabil, nilai tinggi dan dan nilai N yang lebih rendah disarankan agar FOCUS FORECASTING quotfocus forecastingquot mengacu pada Sebuah pendekatan terhadap peramalan yang mengembangkan prakiraan dengan berbagai teknik, kemudian memilih ramalan yang dihasilkan oleh kuotent kuot dari teknik ini, di mana tanda kutip dihitung dengan beberapa ukuran kesalahan perkiraan. PERAMALAN FOKUS: CONTOH Untuk enam bulan pertama tahun ini, permintaan barang ritel adalah 15, 14, 15, 17, 19, dan 18 unit. Peritel menggunakan sistem peramalan fokus berdasarkan dua teknik peramalan: rata-rata pergerakan dua periode, dan model pemulusan eksponensial yang disesuaikan dengan tren dengan 0,1 dan 0,1. Dengan model eksponensial, perkiraan untuk bulan Januari adalah 15 dan rata-rata tren pada akhir Desember adalah 1. Pengecer menggunakan mean absolute deviation (MAD) selama tiga bulan terakhir karena kriteria untuk memilih model mana yang akan digunakan untuk meramalkan Untuk bulan berikutnya Sebuah. Apa yang akan menjadi ramalan untuk bulan Juli dan model mana yang akan digunakan b. Maukah Anda menjawab Bagian a. Menjadi berbeda jika permintaan untuk Mei adalah 14, bukan 19Menggunakan Fungsi Ketahanan dalam salinan Excel (dan Open Office Calc) hak cipta. Konten pada InventoryOps dilindungi hak cipta dan tidak tersedia untuk republikasi. Mari saya mulai dengan mengatakan bahwa Excels Forecast Function bukanlah sistem peramalan persediaan yang lengkap. Peramalan dalam manajemen persediaan umumnya melibatkan penghapusan kebisingan dari permintaan, kemudian menghitung dan menggabungkan tren, musiman, dan kejadian. Fungsi Forecast tidak akan melakukan semua hal ini untuk Anda (secara teknis bisa, tapi ada cara yang lebih baik untuk menyelesaikan beberapa hal ini). Tapi itu adalah fungsi kecil yang rapi yang mudah digunakan, dan pastinya bisa menjadi bagian dari sistem peramalan Anda. Menurut Microsoft Help pada fungsi Forecast. Fungsi FORECAST (x, knownys, knownxs) mengembalikan nilai prediksi variabel dependen (ditunjukkan dalam data oleh knownys) untuk nilai spesifik, x, dari variabel independen (ditunjukkan dalam data oleh knownxs) dengan menggunakan yang paling sesuai (Kuadrat terkecil) regresi linier untuk memprediksi nilai y dari nilai x. Jadi, apa sebenarnya ini berarti regresi linier adalah bentuk analisis regresi dan dapat digunakan untuk menghitung hubungan matematis antara dua (atau lebih) kumpulan data. Dalam peramalan, Anda akan menggunakan ini jika Anda mengira satu set data dapat digunakan untuk memprediksi kumpulan data lainnya. Misalnya, jika Anda menjual persediaan bangunan, Anda mungkin menemukan bahwa perubahan tingkat suku bunga dapat digunakan untuk memprediksi penjualan produk Anda. Ini adalah contoh klasik menggunakan regresi untuk menghitung hubungan antara variabel eksternal (suku bunga) dan variabel internal (penjualan Anda). Namun, seperti yang akan kita lihat nanti, Anda juga bisa menggunakan regresi untuk menghitung suatu hubungan dalam kumpulan data yang sama. Pendekatan tipikal terhadap analisis regresi melibatkan penggunaan regresi untuk menentukan hubungan matematis, namun juga membantu memberi gambaran tentang seberapa valid hubungan itu (yaitu bagian analisisnya). Fungsi Forecast melewatkan analisis, dan hanya menghitung sebuah hubungan dan secara otomatis menerapkannya pada output Anda. Hal ini mempermudah pengguna, namun menganggap hubungan Anda valid. Jadi intinya, fungsi Forecast menggunakan regresi linier untuk memprediksi nilai berdasarkan hubungan antara dua kumpulan data. Mari kita lihat beberapa contoh. Pada Gambar 1A, kami memiliki spreadsheet yang mencakup tingkat bunga rata-rata selama 4 tahun sebelumnya dan penjualan unit selama periode 4 tahun yang sama. Kami juga menunjukkan prediksi suku bunga untuk tahun ke 5. Kita dapat melihat contoh penjualan unit kita naik karena suku bunga turun, dan turun saat suku bunga naik. Dengan melihat contohnya, mungkin kita bisa menebak bahwa penjualan kita untuk tahun ke 5 berada di antara 5.000 dan 6.000 berdasarkan hubungan yang diamati antara tingkat suku bunga dan penjualan selama periode sebelumnya. Kita bisa menggunakan Fungsi Forecast untuk lebih tepat menghitung hubungan ini dan menerapkannya pada tahun ke 5. Pada Gambar 1B, Anda dapat melihat Fungsi Prakiraan yang diterapkan. Dalam kasus ini, formula di sel F4 adalah FORECAST (F2, B3: E3, B2: E2). Apa yang kita miliki di dalam tanda kurung dikenal sebagai argumen. Argumen benar-benar hanya sarana untuk melewatkan parameter ke fungsi yang digunakan (dalam kasus ini, fungsi Forecast). Setiap parameter dipisahkan dengan koma. Agar fungsi Forecast berfungsi, perlu diketahui nilai yang kita gunakan untuk memprediksi output kita (penjualan tahun ke 5 kita). Dalam kasus kami, parameter (suku bunga Tahun 5 kami) ada di sel F2, jadi elemen pertama dari argumen kami adalah F2. Selanjutnya, perlu mengetahui di mana ia dapat menemukan nilai yang ada yang akan digunakan untuk menentukan hubungan yang akan diterapkan pada F2. Pertama kita perlu memasukkan sel yang mewakili nilai variabel dependen kita. Dalam kasus kami, ini akan menjadi unit kami terjual selama 4 tahun sebelumnya, oleh karena itu kami masuk B3: E3. Maka kita perlu memasukkan sel yang mewakili nilai variabel prediktor kita. Dalam kasus kami, ini akan menjadi suku bunga selama 4 tahun sebelumnya, oleh karena itu kita masuk B2: E2). Fungsi Forecast sekarang dapat membandingkan unit yang terjual selama tahun 1 sampai 4 dengan tingkat suku bunga di tahun yang sama, dan kemudian menerapkannya pada tingkat bunga Prediksi Tahun 5 yang diperkirakan untuk mendapatkan perkiraan penjualan kami untuk Tahun 5 dari 5.654 unit. Pada contoh sebelumnya, kita bisa melihat grafik untuk membantu mencoba memvisualisasikan hubungan. Sekilas, mungkin tidak terlihat begitu jelas karena kita memiliki hubungan terbalik (penjualan naik begitu suku bunga turun), namun jika Anda membalikkan salah satu grafik dengan hati-hati, Anda akan melihat hubungan yang sangat jelas. Itulah salah satu hal keren tentang Forecast Function (dan analisis regresi). Ini dapat dengan mudah menangani hubungan terbalik. Salin Hak Cipta Konten pada InventoryOps dilindungi hak cipta dan tidak tersedia untuk republikasi. Sekarang mari kita lihat contoh lain. Pada Gambar 2A, kita melihat kumpulan data baru. Dalam contoh ini, tingkat suku bunga naik dan turun selama 4 tahun sebelumnya, namun penjualan unit kami menunjukkan tren kenaikan yang konsisten. Meskipun ada kemungkinan tingkat suku bunga memiliki dampak pada penjualan kami dalam contoh ini, jelaslah bahwa ada banyak faktor yang signifikan dalam bermain di sini. Dengan menggunakan fungsi perkiraan kami dengan data ini, kami memperkirakan perkiraan 7.118 unit untuk Tahun 5. Saya pikir sebagian besar dari kita akan melihat tren penjualan kita dan menyetujui kemungkinan penjualan kita untuk Tahun 5 sebanyak 9.000 unit. Seperti yang saya sebutkan sebelumnya, Fungsi Forecast mengasumsikan bahwa hubungan tersebut valid, oleh karena itu menghasilkan output berdasarkan kecocokan terbaik yang dapat diperoleh dari data yang diberikan kepadanya. Dengan kata lain, jika kita mengatakan bahwa ada sebuah hubungan, ia mempercayai kita dan menghasilkan output yang sesuai tanpa memberi kita pesan kesalahan atau sinyal yang menyiratkan bahwa hubungan tersebut sangat buruk. Jadi, hati-hati dengan apa yang anda minta. Contoh sebelumnya mencakup penerapan regresi klasik terhadap peramalan. Meskipun semua ini terdengar sangat apik, aplikasi regresi klasik ini tidak semudah yang Anda duga (Anda dapat melihat buku saya untuk informasi lebih lanjut tentang regresi dan mengapa ini bukan pilihan yang tepat untuk kebutuhan peramalan Anda). Tapi sekarang mari gunakan Fungsi Prakiraan untuk mengenali tren dalam kumpulan data tertentu. Mari kita mulai dengan melihat Gambar 3A. Di sini kita memiliki permintaan dengan tren yang sangat jelas. Sebagian besar dari kita harus bisa melihat data ini dan merasa nyaman memprediksi bahwa permintaan di Periode 7 kemungkinan akan menjadi 60 unit. Namun, jika Anda menjalankan data ini melalui kalkulasi peramalan yang umum digunakan dalam manajemen inventaris, Anda mungkin akan terkejut betapa miskinnya perhitungan ini bergantung pada tren. Karena Fungsi Prakiraan mengharuskan kita untuk memasukkan variabel dependen dan variabel prediktor, bagaimana kita menggunakan Fungsi Prakiraan jika kita hanya memiliki satu set data. Nah, secara teknis benar bahwa kita memiliki satu set data (kita Sejarah permintaan), sebenarnya kita memiliki hubungan yang terjadi di dalam rangkaian data ini. Dalam hal ini, hubungan kita berbasis waktu. Oleh karena itu, kita dapat menggunakan setiap periode permintaan sebagai variabel prediktor untuk periode permintaan berikut. Jadi kita hanya perlu memberi tahu Forecast Function untuk menggunakan permintaan pada Periode 1 sampai 5 sebagai data yang ada untuk variabel prediktor, dan menggunakan permintaan pada Periode 2 sampai 6 sebagai data yang ada untuk variabel dependen. Kemudian beritahu untuk menerapkan hubungan ini dengan permintaan di Periode 6 untuk menghitung perkiraan kami untuk Periode 7. Anda dapat melihat pada Gambar 3B, formula kami di Cell I3 adalah FORECAST (H2, C2: H2, B2: G2). Dan itu mengembalikan perkiraan 60 unit. Tentunya contoh ini tidak realistis karena permintaannya terlalu rapi (tidak berisik). Jadi mari kita lihat Gambar 3C dimana kita menerapkan perhitungan yang sama ini ke beberapa data yang lebih realistis. Saya hanya ingin menyatakan kembali, bahwa sementara Fungsi Forecast berguna, ini bukan sistem peramalan. Saya biasanya lebih memilih untuk memiliki sedikit lebih banyak kendali atas bagaimana saya menerapkan dan memperluas tren ke ramalan saya. Selain itu, Anda ingin menghapus elemen lain dari permintaan Anda yang tidak terkait dengan permintaan dan tren dasar Anda. Misalnya, Anda ingin menghapus efek musiman atau acara (seperti promosi) dari permintaan Anda sebelum menerapkan Fungsi Forecast. Anda kemudian akan menerapkan indeks musiman dan indeks kejadian apapun ke output dari Forecast Function. Anda juga dapat bermain-main dengan input Anda untuk mendapatkan hasil yang diinginkan. Misalnya, Anda mungkin ingin mencoba merapikan terlebih dahulu riwayat permintaan Anda (melalui moving average, weighted moving average, atau eksponensial smoothing), dan menggunakan variabel prediktor tersebut bukan permintaan mentah. Untuk informasi lebih lanjut tentang Peramalan, lihat buku saya Inventory Management Explained. Menggunakan Fungsi Forecast di Open Office Calc. Bagi pengguna Openoffice. org Calc. Fungsi Forecast bekerja hampir sama seperti di Excel. Namun, ada sedikit perbedaan dalam sintaks yang digunakan di Calc. Dimanapun Anda menggunakan koma dalam sebuah argumen dalam Fungsi Excel, Anda malah akan menggunakan titik koma di Calc. Jadi, daripada Formula Excel Anda akan masuk ke Halaman Artikel untuk artikel lebih banyak oleh Dave Piasecki. Salin Hak Cipta Konten pada InventoryOps dilindungi hak cipta dan tidak tersedia untuk republikasi. Dave Piasecki. Adalah owneroperator dari Inventory Operations Consulting LLC. Sebuah perusahaan konsultan yang menyediakan layanan yang berkaitan dengan manajemen persediaan, penanganan material, dan operasi gudang. Dia memiliki pengalaman lebih dari 25 tahun dalam manajemen operasi dan dapat dijangkau melalui situs webnya (inventaris), di mana dia menyimpan informasi tambahan yang relevan. My Business Inventory Operations Consulting LLC menyediakan bantuan Cepat, Terjangkau, Pakar dengan Manajemen Inventaris dan Operasi Gudang. Buku-buku saya