ง่าย เฉลี่ยเคลื่อนที่ ดำเนินงาน การจัดการ

การคาดการณ์มีความสำคัญต่อทุกองค์กรธุรกิจและสำหรับการตัดสินใจในการจัดการที่สำคัญทุกอย่าง แม้ว่าการคาดการณ์จะไม่สมบูรณ์แบบเนื่องจากลักษณะพลวัตของสภาพแวดล้อมทางธุรกิจภายนอกจะเป็นประโยชน์สำหรับทุกระดับของการวางแผนการทำงานการวางแผนเชิงกลยุทธ์และการวางแผนงบประมาณ ผู้ตัดสินใจใช้การคาดการณ์ในการตัดสินใจที่สำคัญหลายอย่างเกี่ยวกับทิศทางในอนาคตขององค์กร เทคนิคการพยากรณ์และแบบจำลองสามารถเป็นได้ทั้งเชิงคุณภาพและเชิงปริมาณและระดับความซับซ้อนขึ้นอยู่กับชนิดของข้อมูลและผลกระทบของการตัดสินใจ รูปแบบการคาดการณ์ของ บริษัท ควรเป็นไปตามปัจจัยหลายประการเช่นระยะเวลาพยากรณ์อากาศความพร้อมใช้งานข้อมูลความแม่นยำที่ต้องการขนาดงบประมาณการคาดการณ์และความพร้อมของบุคลากรที่มีคุณวุฒิ การจัดการความต้องการมีอยู่เพื่อประสานงานและควบคุมแหล่งความต้องการทั้งหมดเพื่อให้ระบบการผลิตสามารถใช้งานได้อย่างมีประสิทธิภาพและผลิตภัณฑ์จัดส่งตรงเวลา ความต้องการอาจขึ้นอยู่กับความต้องการสินค้าหรือบริการอื่น ๆ หรือเป็นอิสระเนื่องจากไม่สามารถหาได้โดยตรงจากผลิตภัณฑ์อื่น ๆ การคาดการณ์สามารถแบ่งได้เป็นสี่ประเภทพื้นฐาน ได้แก่ การวิเคราะห์เชิงคุณภาพการวิเคราะห์อนุกรมเวลาความสัมพันธ์เชิงสาเหตุและการจำลอง เทคนิคเชิงคุณภาพในการคาดการณ์อาจรวมถึงการคาดการณ์รากหญ้าการวิจัยตลาดความเห็นพ้องของคณะกรรมการการเปรียบเทียบทางประวัติศาสตร์และวิธีการ Delphi แบบจำลองการพยากรณ์แบบอนุกรมคาดการณ์อนาคตจากข้อมูลที่ผ่านมา คาดการณ์ค่าเฉลี่ยเคลื่อนที่โดยเฉลี่ยจะถูกใช้เมื่อความต้องการสินค้าหรือบริการมีค่าคงที่โดยไม่มีการเปลี่ยนแปลงตามฤดูกาล การคาดการณ์ค่าเฉลี่ยถ่วงน้ำหนักที่ถ่วงน้ำหนักจะแปรผันตามน้ำหนักโดยพิจารณาจากปัจจัยเฉพาะและสามารถเปลี่ยนแปลงผลกระทบระหว่างข้อมูลปัจจุบันและข้อมูลที่ผ่านมาได้ การเพิ่มประสิทธิภาพแบบเสวนาช่วยเพิ่มการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักและเรียบง่ายเนื่องจากพิจารณาข้อมูลล่าสุดที่ให้ความสำคัญมากขึ้น เพื่อแก้ไขปัญหาเกี่ยวกับข้อมูลที่เก็บรวบรวมในช่วงเวลาต่างๆเพื่อให้ได้ค่าคงที่ที่ราบรื่นขึ้น อัลฟาคือค่าคงที่ที่ราบเรียบในขณะที่เดลต้าจะลดผลกระทบจากข้อผิดพลาดที่เกิดขึ้นระหว่างจริงกับการคาดการณ์ ข้อผิดพลาดในการพยากรณ์คือความแตกต่างระหว่างค่าพยากรณ์กับสิ่งที่เกิดขึ้นจริง การคาดการณ์ทั้งหมดมีข้อผิดพลาดในระดับหนึ่งอย่างไรก็ตามควรแยกแยะระหว่างแหล่งที่มาของข้อผิดพลาดและการวัดข้อผิดพลาด แหล่งข้อผิดพลาดคือข้อผิดพลาดแบบสุ่มและอคติ มีการวัดต่างๆเพื่ออธิบายระดับความผิดพลาดในการคาดการณ์ ข้อผิดพลาดเรื่องอคติเกิดขึ้นเมื่อเกิดข้อผิดพลาดขึ้นกล่าวคือไม่รวมตัวแปรที่ถูกต้องหรือขยับความต้องการตามฤดูกาล ไม่สามารถตรวจพบข้อผิดพลาดแบบสุ่มได้เกิดขึ้นตามปกติ สัญญาณการติดตามบ่งชี้ว่าค่าเฉลี่ยของการคาดการณ์นั้นสอดคล้องกับการเปลี่ยนแปลงความต้องการในการเคลื่อนไหวใด ๆ หรือไม่ MAD หรือค่าเบี่ยงเบนสัมบูรณ์ที่แท้จริงหมายถึงเครื่องมือที่ง่ายและมีประโยชน์ในการรับสัญญาณการติดตาม เครื่องมือคาดการณ์ที่มีความซับซ้อนมากขึ้นเพื่อกำหนดความสัมพันธ์ระหว่างสองหรือมากกว่าความสัมพันธ์คือการถดถอยเชิงเส้น นี้สามารถใช้ในการทำนายตัวแปรหนึ่งให้ค่าอื่น จะเป็นประโยชน์สำหรับช่วงเวลาที่สั้นลงเนื่องจากสมมติว่ามีความสัมพันธ์เชิงเส้นระหว่างตัวแปร การพยากรณ์ความสัมพันธ์เชิงสาเหตุพยายามที่จะกำหนดเหตุการณ์หนึ่งเหตุการณ์ขึ้นอยู่กับการเกิดเหตุการณ์อื่น การคาดการณ์แบบโฟกัสพยายามใช้กฎต่างๆที่ดูเหมือนจะเป็นข้อมูลเชิงตรรกะและเข้าใจง่ายในการจัดทำข้อมูลที่ผ่านมาในอนาคต ปัจจุบันมีโปรแกรมคาดการณ์คอมพิวเตอร์จำนวนมากที่สามารถคาดการณ์ตัวแปรได้อย่างง่ายดาย เมื่อมีการตัดสินใจระยะยาวขึ้นอยู่กับการคาดการณ์ในอนาคตควรใช้ความระมัดระวังเป็นอย่างยิ่งเพื่อคาดการณ์การคาดการณ์ ในทำนองเดียวกันควรใช้วิธีการพยากรณ์อากาศหลายวิธี การคาดการณ์ในพื้นที่ต่างๆของการจัดการเช่นการจัดการทางการเงินการจัดการการตลาดการบริหารงานบุคคลเป็นต้นและเทคนิคเดียวกันที่กล่าวถึงในบทความนี้ใช้ในสาขาเหล่านั้นด้วย การพยากรณ์เป็นกิจกรรมที่สำคัญในการวิเคราะห์ความปลอดภัย ประเภทขององค์ประกอบพยากรณ์ของความต้องการ IV เทคนิคเชิงปริมาณในการคาดการณ์รากหญ้าแผงการวิจัยตลาด Consensus เปรียบเทียบทางประวัติศาสตร์วิธี Delphi การวิเคราะห์ชุดเวลาแบบง่ายค่าเฉลี่ยเคลื่อนที่เฉลี่ยถ่วงน้ำหนักเฉลี่ยค่าเฉลี่ยการคาดการณ์อย่างราบรื่นการคาดการณ์ข้อผิดพลาดแหล่งที่มาของข้อผิดพลาดการวัดข้อผิดพลาดการวิเคราะห์การถดถอยเชิงเส้นการสลายตัวของอนุกรมเวลาการคาดการณ์ความสัมพันธ์เชิงสาเหตุการวิเคราะห์การถดถอยพหุคูณ พยากรณ์อากาศและการเติมเต็ม (CPFR) Richard B. Chase, F. Robert Jacobs, Nicholas J. Aquilano, การจัดการการดำเนินงานเพื่อประโยชน์ในการแข่งขัน 10e, McGraw-Hill Higher Education, 2004 averageed. mcgraw-hillsites0072506369studentview0chapter12 ในทางปฏิบัติค่าเฉลี่ยเคลื่อนที่จะให้ค่าเฉลี่ยที่ดีของค่าเฉลี่ยของชุดข้อมูลเวลาถ้าค่าเฉลี่ยมีค่าคงที่หรือค่อยๆเปลี่ยนไป ในกรณีของค่าเฉลี่ยคงที่ค่าที่มากที่สุดของ m จะให้ค่าประมาณที่ดีที่สุดของค่าเฉลี่ยต้นแบบ ระยะสังเกตอีกต่อไปจะเป็นค่าเฉลี่ยของผลกระทบของความแปรปรวน วัตถุประสงค์ของการให้ m ที่มีขนาดเล็กคือการให้การคาดการณ์เพื่อตอบสนองต่อการเปลี่ยนแปลงในกระบวนการอ้างอิง เพื่อแสดงให้เห็นว่าเราเสนอชุดข้อมูลที่รวมการเปลี่ยนแปลงค่าเฉลี่ยที่แท้จริงของชุดข้อมูลเวลา ภาพแสดงชุดข้อมูลเวลาที่ใช้สำหรับการแสดงภาพพร้อมกับความต้องการเฉลี่ยที่สร้างขึ้น ค่าเฉลี่ยเริ่มต้นเป็นค่าคงที่ที่ 10 เริ่มต้นที่ 21 เวลาจะเพิ่มขึ้นโดยหนึ่งหน่วยในแต่ละช่วงเวลาจนกว่าจะถึงค่า 20 ในเวลา 30 จากนั้นจะกลายเป็นค่าคงที่อีกครั้ง ข้อมูลจะถูกจำลองด้วยการเพิ่มค่าเฉลี่ยเสียงสุ่มจากการแจกแจงแบบปกติที่มีค่าเป็นศูนย์และส่วนเบี่ยงเบนมาตรฐาน 3. ผลการจำลองจะปัดเป็นจำนวนเต็มใกล้ที่สุด ตารางแสดงการสังเกตแบบจำลองที่ใช้สำหรับตัวอย่าง เมื่อเราใช้ตารางเราต้องจำไว้ว่าในเวลาใดก็ตามข้อมูลที่ผ่านมาเป็นที่รู้จักเท่านั้น การประมาณค่าพารามิเตอร์ของโมเดลสำหรับค่าที่แตกต่างกันสามค่าของ m จะแสดงพร้อมกับค่าเฉลี่ยของชุดข้อมูลเวลาในรูปด้านล่าง ตัวเลขนี้แสดงค่าประมาณเฉลี่ยเคลื่อนที่ของค่าเฉลี่ยในแต่ละครั้งและไม่ใช่การคาดการณ์ การคาดการณ์จะเปลี่ยนเส้นโค้งค่าเฉลี่ยเคลื่อนที่ไปทางขวาตามช่วงเวลา หนึ่งข้อสรุปจะเห็นได้ชัดทันทีจากรูป สำหรับทั้งสามค่าประมาณค่าเฉลี่ยเคลื่อนที่จะล่าช้ากว่าเส้นตรงโดยมีความล่าช้าเพิ่มขึ้นจาก m ความล่าช้าคือระยะห่างระหว่างรูปแบบกับการประมาณในมิติเวลา เนื่องจากความล่าช้าค่าเฉลี่ยของค่าเฉลี่ยเคลื่อนที่ต่ำกว่าข้อสังเกตเป็นค่าเฉลี่ยจะเพิ่มขึ้น ความลำเอียงของตัวประมาณคือความแตกต่างในเวลาที่กำหนดในค่าเฉลี่ยของแบบจำลองและค่าเฉลี่ยที่คำนวณโดยค่าเฉลี่ยเคลื่อนที่ ความอคติเมื่อค่าเฉลี่ยเพิ่มขึ้นเป็นลบ สำหรับค่าเฉลี่ยที่ลดลงอคติเป็นบวก ความล่าช้าในเวลาและอคติที่นำมาใช้ในการประมาณค่านี้เป็นหน้าที่ของ m ค่าที่มากขึ้นของ m ยิ่งใหญ่ขนาดของความล่าช้าและอคติ สำหรับซีรีส์ที่เพิ่มขึ้นอย่างต่อเนื่องโดยมีแนวโน้ม a. ค่าของความล่าช้าและความลำเอียงของ estimator ของค่าเฉลี่ยจะได้รับในสมการด้านล่าง เส้นโค้งตัวอย่างไม่ตรงกับสมการเหล่านี้เนื่องจากตัวอย่างไม่ได้เพิ่มขึ้นอย่างต่อเนื่องแทนที่จะเริ่มเป็นค่าคงที่เปลี่ยนเป็นแนวโน้มและจะกลายเป็นค่าคงที่อีกครั้ง นอกจากนี้เส้นโค้งตัวอย่างยังได้รับผลกระทบจากเสียงดัง การคาดการณ์ค่าเฉลี่ยของช่วงเวลาในอนาคตจะแสดงโดยการขยับเส้นโค้งไปทางขวา ความล่าช้าและความลำเอียงเพิ่มขึ้นตามสัดส่วน สมการด้านล่างแสดงถึงความล่าช้าและความลำเอียงของระยะเวลาคาดการณ์ในอนาคตเมื่อเทียบกับพารามิเตอร์ของโมเดล อีกครั้งสูตรเหล่านี้เป็นชุดเวลาที่มีแนวโน้มเชิงเส้นคงที่ เราไม่ควรแปลกใจที่ผลลัพธ์นี้ ตัวประมาณค่าเฉลี่ยเคลื่อนที่อยู่บนพื้นฐานสมมติฐานค่าเฉลี่ยคงที่และตัวอย่างมีแนวโน้มเป็นเส้นตรงตามค่าเฉลี่ยในช่วงระยะเวลาการศึกษา เนื่องจากชุดข้อมูลเรียลไทม์จะไม่ค่อยตรงตามสมมติฐานของรูปแบบใดก็ตามเราควรเตรียมพร้อมสำหรับผลลัพธ์ดังกล่าว นอกจากนี้เรายังสามารถสรุปจากรูปที่ความแปรปรวนของเสียงรบกวนมีผลมากที่สุดสำหรับขนาดเล็ก ค่าประมาณมีความผันผวนมากขึ้นสำหรับค่าเฉลี่ยเคลื่อนที่ที่ 5 กว่าค่าเฉลี่ยเคลื่อนที่ของ 20 เรามีความต้องการที่ขัดแย้งกันในการเพิ่ม m เพื่อลดผลกระทบของความแปรปรวนเนื่องจากเสียงรบกวนและลด m เพื่อให้การคาดการณ์ตอบสนองต่อการเปลี่ยนแปลงได้มากขึ้น ในความหมาย ข้อผิดพลาดคือความแตกต่างระหว่างข้อมูลจริงกับค่าคาดการณ์ ถ้าชุดข้อมูลเวลาเป็นค่าคงที่มูลค่าที่คาดไว้ของข้อผิดพลาดจะเป็นศูนย์และความแปรปรวนของข้อผิดพลาดจะประกอบด้วยคำที่เป็นหน้าที่ของและคำที่สองซึ่งเป็นความแปรปรวนของเสียง คำที่หนึ่งคือค่าความแปรปรวนของค่าเฉลี่ยที่ประมาณด้วยตัวอย่างของการสังเกตการณ์ m สมมติว่าข้อมูลมาจากประชากรที่มีค่าเฉลี่ยคงที่ ระยะนี้จะลดลงโดยทำให้ m มีขนาดใหญ่ที่สุด m ที่มีขนาดใหญ่ทำให้การคาดการณ์ไม่ตอบสนองต่อการเปลี่ยนแปลงชุดข้อมูลอ้างอิง เพื่อให้การคาดการณ์สามารถตอบสนองต่อการเปลี่ยนแปลงได้เราต้องการให้ m มีขนาดเล็กที่สุด (1) แต่จะเพิ่มความแปรปรวนของข้อผิดพลาด การคาดการณ์ในทางปฏิบัติต้องมีค่ากลาง การคาดการณ์ด้วย Excel การคาดการณ์ add-in จะใช้สูตรค่าเฉลี่ยเคลื่อนที่ ตัวอย่างด้านล่างแสดงการวิเคราะห์โดย add-in สำหรับข้อมูลตัวอย่างในคอลัมน์ B 10 ข้อสังเกตแรกมีการจัดทำดัชนี -9 ถึง 0 เมื่อเทียบกับตารางด้านบนดัชนีระยะเวลาจะเปลี่ยนไป -10 การสังเกตสิบข้อแรกให้ค่าเริ่มต้นสำหรับการประมาณและใช้คำนวณค่าเฉลี่ยเคลื่อนที่สำหรับช่วงเวลา 0 คอลัมน์ MA (10) (C) แสดงค่าเฉลี่ยเคลื่อนที่ที่คำนวณได้ ค่าเฉลี่ยเคลื่อนที่ m อยู่ในเซลล์ C3 คอลัมน์ Fore (1) (D) จะแสดงการคาดการณ์สำหรับระยะเวลาหนึ่งในอนาคต ช่วงคาดการณ์อยู่ในเซลล์ D3 เมื่อช่วงคาดการณ์มีการเปลี่ยนแปลงไปเป็นจำนวนที่มากขึ้นตัวเลขในคอลัมน์ Fore จะถูกเลื่อนลง คอลัมน์ Err (1) (E) แสดงความแตกต่างระหว่างการสังเกตและการคาดการณ์ ตัวอย่างเช่นการสังเกตในเวลาที่ 1 คือ 6 ค่าที่คาดการณ์ไว้จากค่าเฉลี่ยเคลื่อนที่ในช่วงเวลา 0 คือ 11.1 ข้อผิดพลาดคือ -5.1 ค่าเบี่ยงเบนมาตรฐานและค่าเฉลี่ยส่วนเบี่ยงเบนเฉลี่ย (MAD) คำนวณในเซลล์ E6 และ E7 ตามลำดับการจัดการการปฏิบัติงานโดยเฉลี่ยของการเคลื่อนย้ายอย่างเรียบง่ายช่วยให้การย้ายแบบธรรมดามีลักษณะตามฤดูกาลค่าเฉลี่ยเคลื่อนที่ที่ง่ายสามารถเป็นประโยชน์ในการระบุแนวโน้มภายในความผันผวนของข้อมูล ตัวอย่างเช่นหากเราต้องการคาดการณ์ยอดขายในเดือนมิถุนายนที่มีค่าเฉลี่ยเคลื่อนที่ 5 เดือนเราสามารถคำนวณยอดขายได้ในเดือนมกราคมกุมภาพันธ์มีนาคม เมษายนและพฤษภาคม เมื่อ June passe การคาดการณ์สำหรับเดือนกรกฎาคมจะเป็นค่าเฉลี่ยของเดือนกุมภาพันธ์มีนาคมเมษายนพฤษภาคมและมิถุนายน สูตรสำหรับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่โดยเฉลี่ยคือสมมุติว่าเราต้องการคาดการณ์ความต้องการรายสัปดาห์สำหรับผลิตภัณฑ์โดยใช้ค่าเฉลี่ยเคลื่อนที่ 3 สัปดาห์และ 9 สัปดาห์ ดังแสดงในการจัดแสดง 9.6 และ 9.7 การคาดการณ์สามสัปดาห์สำหรับสัปดาห์คือการดำเนินงานที่เกี่ยวข้องการกำหนดการจัดการความถ่วงน้ำหนักโดยเฉลี่ยเคลื่อนที่ความน่าเชื่อถือของข้อมูลสูตรสำคัญการวิเคราะห์ Time-Series Exponential SmoothingTagged with moving moving เฉลี่ยในสัปดาห์ที่ 6 ของหลักสูตรเราจะ มองไปที่การจัดการความต้องการและการคาดการณ์พื้นที่ที่ได้รับความสนใจอย่างมากโดยเฉพาะอย่างยิ่งเมื่อความสนใจในการจัดการซัพพลายเชนเติบโตขึ้นและเราพยายามที่จะวางแผนและประสานงานห่วงโซ่อุปทานได้ดียิ่งขึ้น มักกล่าวว่าการคาดการณ์มักจะผิดบางอย่างงดงาม: วัตถุประสงค์การเรียนรู้สำหรับสัปดาห์ของหลักสูตรนี้คือคุณควรเข้าใจบทบาทของการพยากรณ์เป็นพื้นฐานสำหรับการวางแผนซัพพลายเชน ที่คุณจะสามารถเปรียบเทียบความแตกต่างระหว่างความต้องการอิสระและขึ้นอยู่กับ ประการที่สามคุณจะสามารถระบุองค์ประกอบพื้นฐานของความต้องการอิสระรวมทั้งรูปแบบค่าเฉลี่ยแนวโน้มตามฤดูกาลและแบบสุ่ม คุณจะสามารถอธิบายถึงเทคนิคการพยากรณ์คุณภาพทั่วไปเช่นวิธี Delphi และการพยากรณ์ความร่วมมือ คุณจะเข้าใจเทคนิคการคาดการณ์เชิงปริมาณขั้นพื้นฐานและการใช้การสลายตัวเพื่อคาดการณ์เมื่อแนวโน้มและฤดูกาลมีอยู่ วิดีโอต่อไปนี้เน้นถึงความต้องการความถูกต้องและเป็นประโยชน์ในการคาดการณ์: การคาดการณ์สามารถแบ่งออกเป็นสองประเภทคือยุทธศาสตร์และยุทธวิธี การคาดการณ์เชิงกลยุทธ์จะใช้เพื่อช่วยในการสร้างยุทธศาสตร์ที่จะกำหนดความต้องการได้ตามที่ต้องการ ใช้การคาดการณ์ทางยุทธวิธีเพื่อช่วยในการตัดสินใจในแต่ละวัน การจัดการความต้องการใช้เพื่อมีอิทธิพลต่อแหล่งที่มาของความต้องการผลิตภัณฑ์หรือบริการทั้งความต้องการที่เพิ่มขึ้นลดลงความต้องการหรือการบำรุงรักษาที่ระดับคงที่ วิดีโอต่อไปนี้พิจารณาปัจจัยที่มีผลต่อการคาดการณ์ในอุตสาหกรรมไวน์: ความต้องการที่ขึ้นกับความต้องการอิสระและความต้องการอิสระมีสองแหล่งที่มาของความต้องการขึ้นอยู่กับความต้องการและความเป็นอิสระ ความต้องการที่พึ่งพาอาศัยกันคือความต้องการที่เกิดขึ้นอันเป็นผลมาจากความต้องการสินค้าหรือบริการอื่น ๆ ความต้องการอิสระคือความต้องการที่ไม่สามารถคาดการณ์ได้จากความต้องการสินค้าหรือบริการอื่น ความต้องการที่พึ่งพาอาศัยกันมักเป็นเรื่องยากที่จะมีอิทธิพลต่อ 8211 เป็นความต้องการที่ไม่ขึ้นอยู่กับปัจจัยที่คุณสามารถมีอิทธิพลและค่อนข้างต้องการที่คุณจะต้องพบ ความต้องการที่เป็นอิสระมักจะได้รับอิทธิพลและทำให้องค์กรต่างๆมีทางเลือกว่าจะมีบทบาทและมีอิทธิพลหรือใช้บทบาทแบบพาสซีฟและตอบสนองต่อความต้องการที่มีอยู่ วิดีโอต่อไปนี้จะอธิบายถึงวิธีการทำงานของโมโตโรล่ากับการคาดการณ์: ตำราระบุประเภทของการคาดการณ์พื้นฐานสี่ประเภท การคาดการณ์เชิงคุณภาพจะขึ้นอยู่กับการตัดสินของมนุษย์และบางส่วนของเทคนิคที่ใช้ในการคาดการณ์เชิงคุณภาพจะกล่าวถึงด้านล่าง การวิเคราะห์อนุกรมเวลาจะพิจารณารูปแบบของข้อมูลในช่วงเวลาหนึ่ง ความสัมพันธ์เชิงสาเหตุจะพิจารณาถึงความสัมพันธ์ระหว่างปัจจัยต่างๆที่มีผลต่อความต้องการและการจำลองเพื่อหารูปแบบความต้องการเพื่อให้เข้าใจถึงความสัมพันธ์ระหว่างปัจจัยความต้องการได้ดีขึ้น วิดีโอต่อไปนี้จะตรวจสอบว่าการจัดการและการคาดการณ์ตามคำขอทำอย่างไรที่ Lowes: ความต้องการโดยทั่วไปมักมีความคิดว่ามีส่วนประกอบ 6 องค์ประกอบแนวโน้มโดยเฉลี่ยองค์ประกอบตามฤดูกาลองค์ประกอบแบบวัฏจักรรูปแบบสุ่มและความสัมพันธ์กันแบบอัตโนมัติ องค์ประกอบเหล่านี้ของความต้องการช่วยให้เราสามารถเข้าใจรูปแบบของความต้องการสำหรับผลิตภัณฑ์ที่อาจนำไปใช้กับการคาดการณ์ความต้องการในอนาคต ความต้องการเฉลี่ยคือความต้องการโดยเฉลี่ยสำหรับผลิตภัณฑ์ในช่วงเวลา แนวโน้มแสดงให้เห็นว่าความต้องการมีการเปลี่ยนแปลงอย่างไรเมื่อเวลาผ่านไปและความต้องการตามฤดูกาลแสดงถึงความต้องการในช่วงฤดู องค์ประกอบของวัฎจักรเกิดขึ้นในช่วงเวลานานกว่าองค์ประกอบตามฤดูกาลและยากต่อการคาดการณ์เกิดขึ้นตัวอย่างเช่นเป็นผลมาจากวงจรทางเศรษฐกิจ รูปแบบสุ่มขึ้นอยู่กับเหตุการณ์แบบสุ่มซึ่งเป็นไปไม่ได้ที่จะคาดการณ์ในขณะที่ความสัมพันธ์กันโดยอัตโนมัติคือความสัมพันธ์ระหว่างความต้องการในอดีตและอนาคตนั่นคือความต้องการในอนาคตนั้นเกี่ยวข้องกับความต้องการในปัจจุบัน ในกรณีที่มีความผันแปรในระดับสูงมีความสัมพันธ์เพียงเล็กน้อยระหว่างความต้องการในปัจจุบันและความต้องการในอนาคต ในกรณีที่มีความสัมพันธ์กับความสัมพันธ์ในระดับสูงจะมีความสัมพันธ์ที่ดีระหว่างความต้องการในปัจจุบันและอนาคต แบบอนุกรมเวลาซีรีส์อนุกรมเวลาคาดการณ์อนาคตขึ้นอยู่กับรุ่นที่ผ่านมา โมเดลต่างๆมีให้เลือกและแบบที่คุณควรใช้ขึ้นอยู่กับขอบฟ้าเวลาที่คุณต้องการคาดการณ์ข้อมูลที่คุณมีอยู่ความแม่นยำที่คุณต้องการขนาดงบประมาณที่คาดการณ์ไว้และความพร้อมของบุคคลที่มีคุณสมบัติเหมาะสมที่จะทำ การวิเคราะห์. แผนภูมิต่อไปนี้จากหน้า 488 ของตำราเรียนได้รับการออกแบบเพื่อช่วยในการเลือกเครื่องมือที่เหมาะสม: การถดถอยเชิงเส้นถูกใช้เมื่อมีความสัมพันธ์ระหว่างสองตัวแปรที่มีความสัมพันธ์ซึ่งถูกใช้เพื่อทำนายตัวแปรหนึ่งขึ้นอยู่กับตัวแปรอื่น ๆ เป็นประโยชน์ที่ข้อมูลมีเสถียรภาพค่อนข้าง การสลายตัวของชุดเวลาจะใช้ในการระบุและแยกข้อมูลชุดข้อมูลตามเวลาออกเป็นองค์ประกอบความต้องการต่างๆ การเปลี่ยนแปลงตามฤดูกาลทั้งสองประเภทมีการระบุว่าสารเติมแต่ง 8211 ซึ่งเป็นปริมาณฤดูกาลในแต่ละฤดูกาลเป็นค่าคงที่และเป็นทวีคูณที่ความแปรผันตามฤดูกาลคือเปอร์เซ็นต์ของความต้องการในช่วงเวลา ค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายมีประโยชน์เมื่อความต้องการค่อนข้างคงที่ไม่เพิ่มขึ้นหรือลดลงอย่างรวดเร็วและที่มีลักษณะตามฤดูกาลน้อย ค่าเฉลี่ยเคลื่อนที่สามารถอยู่ตรงกลางจุดกึ่งกลางหรือใช้เป็นพื้นฐานสำหรับการคาดการณ์อนาคต การใช้ช่วงเวลาที่ยาวนานขึ้นจะส่งผลให้รูปแบบที่ราบรื่นยิ่งขึ้นโดยใช้ช่วงเวลาที่สั้นลงจะทำให้แนวโน้มทางสถิติมีความรวดเร็วขึ้น ค่าเฉลี่ยถ่วงน้ำหนักที่ถ่วงน้ำหนักช่วยให้คุณสามารถลดน้ำหนักโดยเฉพาะช่วงเวลาภายในค่าเฉลี่ยเพื่อให้ได้ความแม่นยำมากขึ้น ตัวอย่างเช่นน้ำหนักที่หนักกว่าอาจได้รับเพิ่มขึ้นในช่วงเวลาที่ผ่านมาเพื่อให้ความสำคัญกับกิจกรรมความต้องการที่ผ่านมามากขึ้น การเพิ่มความลื่นไหลเป็นส่วนใหญ่ใช้เทคนิคการคาดการณ์ทั้งหมดและจะปรากฏในแอพพลิเคชันพยากรณ์อากาศทั้งหมดของคอมพิวเตอร์ มันใช้มากในอุตสาหกรรมค้าปลีกและบริการ มันมักจะถูกต้องมากก็ค่อนข้างง่ายที่จะทำมันเป็นที่เข้าใจได้ง่ายต้องใช้การคำนวณน้อยและมีการทดสอบได้อย่างง่ายดายเพื่อความถูกต้อง วิดีโอต่อไปนี้มีรายละเอียดเกี่ยวกับการใช้เทคนิคการคาดการณ์เหล่านี้: การคาดการณ์เชิงคุณภาพเกี่ยวข้องกับการใช้วิจารณญาณของมนุษย์เพื่อสร้างการคาดการณ์ โดยปกติจะใช้วิธีการแบบมีโครงสร้างซึ่งแตกต่างจากนี้: เทคนิคต่างๆที่ใช้สำหรับการคาดการณ์เชิงคุณภาพ ได้แก่ : การเปรียบเทียบทางประวัติศาสตร์ การคาดการณ์พื้นฐานเกี่ยวกับรูปแบบความต้องการสำหรับผลิตภัณฑ์ที่คล้ายคลึงกัน การวิจัยตลาด: การคาดการณ์จะถูกสร้างโดย บริษัท วิจัยตลาดโดยใช้การสำรวจและการสัมภาษณ์เป็นหลัก Panel Consensus: ในกรณีที่กลุ่มคนที่มีความรู้ในสาขาวิชาที่คาดการณ์แบ่งปันความคิดและพัฒนาการคาดการณ์ วิธี Delphi: เทคนิคการสำรวจที่สร้างความไม่เปิดเผยชื่อในกลุ่ม อธิบายไว้ในวิดีโอต่อไปนี้: การวางแผนการทำงานร่วมกันการพยากรณ์และการเติมเต็ม CPFR เป็นนวัตกรรมล่าสุดที่ใช้อินเทอร์เน็ตเพื่อให้ผู้คนสามารถทำงานร่วมกันในการสร้างการคาดการณ์: มีข้อผิดพลาดในการคาดการณ์สองประเภท ข้อผิดพลาดที่เกิดขึ้นเมื่อมีข้อผิดพลาดเกิดขึ้นอย่างสม่ำเสมอซึ่งแทรกซึมการคาดการณ์ ข้อผิดพลาดแบบสุ่มคือข้อผิดพลาดที่สามารถอธิบายได้โดย 8211 แบบจำลองการคาดการณ์ที่เกิดขึ้นแบบสุ่มและไม่สามารถคาดการณ์ได้ มาตรการเกี่ยวกับข้อผิดพลาดในการคาดการณ์ ได้แก่ ค่าเบี่ยงเบนสัมบูรณ์ (Mean Abbreviation Deviation, MAD), Mean Absolute Percentage Error (MAPE) และ Tracking Signal วิดีโอต่อไปนี้พิจารณาประเด็นในข้อผิดพลาดในการคาดการณ์ของมนุษย์: สัญญาณการติดตามเป็นมาตรการที่ใช้ในการตรวจสอบประสิทธิภาพการทำงานที่แท้จริงของการคาดการณ์ในช่วงเวลาหนึ่งเพื่อดูว่าสอดคล้องกับความต้องการที่เปลี่ยนแปลงในโลกแห่งความเป็นจริงหรือไม่ สามารถใช้เป็นแผนภูมิควบคุมคุณภาพ สัปดาห์นี้เราได้พิจารณาการจัดการความต้องการและการคาดการณ์โดยใช้ทั้งเทคนิคเชิงปริมาณและเชิงคุณภาพ เน้นให้ความมั่นใจว่าการคาดการณ์มีความเป็นจริงและได้รับการแนะนำให้ระมัดระวังในการใช้การคาดการณ์ตามผลการปฏิบัติงานในอดีต 8211 โดยปกติแล้วจะไม่บอกให้รู้ว่าอนาคตจะทำอะไร แต่มักจะช่วยให้คุณเตรียมตัว วิดีโอต่อไปนี้มีการประยุกต์ใช้เทคโนโลยีสารสนเทศเพื่อคาดการณ์และบางทีอาจเป็นข้อสรุปที่น่าขำขันกับเนื้อหาของสัปดาห์8217นี้: