Efterfrågan prognostisering glidande medelvärde metoden

Viktad Flytta Genomsnitt Prognostiseringsmetoder: Fördelar och nackdelar Hej, ÄLSKAR din inlägg. Undrade om du kunde utveckla vidare. Vi använder SAP. I det finns ett urval som du kan välja innan du kör din prognos som heter initialisering. Om du markerar det här alternativet får du ett prognosresultat, om du kör prognos igen, under samma period och inte kontrollerar initieringen ändras resultatet. Jag kan inte ta reda på vad den här initialiseringen gör. Jag menar matematiskt. Vilket prognosresultat är bäst att spara och använda till exempel. Förändringarna mellan de två är inte i den prognostiserade kvantiteten men i MAD och Error, säkerhetslager och ROP-kvantiteter. Inte säker på om du använder SAP. hej tack för att du förklarade så effektivt dess för gd. tack igen Jaspreet Lämna ett svar Avbryt svar Om Shmula Pete Abilla är grundaren av Shmula och karaktären, Kanban Cody. Han har hjälpt företag som Amazon, Zappos, eBay, Backcountry och andra att minska kostnaderna och förbättra kundupplevelsen. Han gör det genom en systematisk metod för att identifiera smärtpunkter som påverkar kunden och verksamheten och uppmuntrar ett brett deltagande från företagets intresseföretag för att förbättra sina egna processer. Den här webbplatsen är en samling av sina erfarenheter som han vill dela med dig. Kom igång med gratis nedladdningar 3 Förstå prognosnivåer och metoder Du kan generera både prognoser för detaljinfo och sammanfattningar (produktlinje) som speglar produktbehovsmönster. Systemet analyserar tidigare försäljning för att beräkna prognoser genom att använda 12 prognosmetoder. Prognoserna innehåller detaljerad information på objektnivå och högre nivåinformation om en filial eller företaget som helhet. 3.1 Prognos för prestationsutvärderingskriterier Beroende på valet av bearbetningsalternativ och trender och mönster i försäljningsdata, utförs vissa prognosmetoder bättre än andra för en given historisk dataset. En prognosmetod som är lämplig för en produkt kanske inte är lämplig för en annan produkt. Det kan hända att en prognosmetod som ger goda resultat i ett skede av en produkts livscykel är lämplig under hela livscykeln. Du kan välja mellan två metoder för att utvärdera nuvarande prestanda för prognosmetoderna: Procent av noggrannhet (POA). Medel absolut avvikelse (MAD). Båda dessa prestationsbedömningsmetoder kräver historiska försäljningsdata under en period som du anger. Denna period kallas en uthållningsperiod eller period med bästa passform. Uppgifterna under denna period används som utgångspunkt för att rekommendera vilken prognosmetod som ska användas vid nästa prognosprojektion. Denna rekommendation är specifik för varje produkt och kan ändras från en prognosproduktion till nästa. 3.1.1 Bästa passform Systemet rekommenderar den bästa anpassningsprognosen genom att använda de valda prognosmetoderna till tidigare försäljningsorderhistorik och jämföra prognosimuleringen till den aktuella historiken. När du genererar en bästa anpassningsprognos jämförs systemet faktiska försäljningsorderhistorier med prognoser för en viss tidsperiod och beräknar hur exakt varje olika prognosmetod förutspådde försäljningen. Då rekommenderar systemet att den mest exakta prognosen är den bästa passformen. Denna grafik illustrerar bästa passformsprognoser: Figur 3-1 Bästa passformsprognos Systemet använder denna stegsekvens för att bestämma den bästa passformen: Använd varje specificerad metod för att simulera en prognos för hållbarhetsperioden. Jämför den faktiska försäljningen till de simulerade prognoserna för hållbarhetsperioden. Beräkna POA eller MAD för att bestämma vilken prognosmetod som ligger närmast den tidigare faktiska försäljningen. Systemet använder antingen POA eller MAD, baserat på de behandlingsalternativ som du väljer. Rekommendera en lämplig prognos för POA som är närmast 100 procent (över eller under) eller MAD som är närmast noll. 3.2 Prognosmetoder JD Edwards EnterpriseOne Forecast Management använder 12 metoder för kvantitativ prognostisering och indikerar vilken metod som passar bäst för prognosläget. Detta avsnitt diskuterar: Metod 1: Procent under förra året. Metod 2: Beräknad procentsats under förra året. Metod 3: Förra året till det här året. Metod 4: Flyttande medelvärde. Metod 5: Linjär approximation. Metod 6: Minsta kvadratregression. Metod 7: Tillnärmning av andra graden. Metod 8: Flexibel metod. Metod 9: Viktat rörande medelvärde. Metod 10: Linjär utjämning. Metod 11: Exponentiell utjämning. Metod 12: Exponentiell utjämning med trend och säsonglighet. Ange den metod som du vill använda i behandlingsalternativen för prognosgenereringsprogrammet (R34650). De flesta av dessa metoder ger begränsad kontroll. Exempelvis kan vikten på senaste historiska data eller datumintervallet för historiska data som används i beräkningarna specificeras av dig. Exemplen i guiden anger beräkningsförfarandet för var och en av de tillgängliga prognosmetoderna, med en identisk uppsättning historiska data. Metodsexemplen i guiden använder en del eller alla dessa datasatser, vilket är historiska data från de senaste två åren. Prognosprojektionen går in i nästa år. Försäljningshistorikdata är stabila med små säsongsökningar i juli och december. Detta mönster är karakteristiskt för en mogen produkt som kan närma sig föryngring. 3.2.1 Metod 1: Procent under förra året Denna metod använder Formuläret Procent Över fjolårets formel för att multiplicera varje prognosperiod med angiven procentuell ökning eller minskning. För att kunna förutse efterfrågan kräver denna metod antalet perioder för bästa passform plus ett års försäljningshistoria. Denna metod är användbar för att prognostisera efterfrågan på säsongsvaror med tillväxt eller minskning. 3.2.1.1 Exempel: Metod 1: Procent under fjolåret Procenten över fjolårets formel multiplicerar försäljningsdata från föregående år med en faktor du anger och sedan projekt som resulterar under nästa år. Denna metod kan vara användbar vid budgetering för att simulera påverkan av en viss tillväxt eller när försäljningshistoriken har en betydande säsongskomponent. Prognosspecifikationer: Multiplikationsfaktor. Ange till exempel 110 i bearbetningsalternativet för att öka de tidigare årens försäljningshistorikdata med 10 procent. Erforderlig försäljningshistorik: Ett år för beräkning av prognosen plus antal tidsperioder som krävs för att utvärdera prognosprestandan (perioder med bästa passform) som du anger. Denna tabell är historia som används i prognosberäkningen: Februari-prognosen motsvarar 117 gånger 1,1 128,7 avrundad till 129. Marsprognosen motsvarar 115 gånger 1,1 126,5 avrundad till 127. 3.2.2 Metod 2: Beräknad procentsats under förra året Denna metod använder beräknad procentsats över Förra året formel för att jämföra den tidigare försäljningen av specificerade perioder till försäljning från samma perioder föregående år. Systemet bestämmer en procentuell ökning eller minskning, och multiplicerar sedan varje period med procentandelen för att bestämma prognosen. För att kunna förutse efterfrågan kräver denna metod antalet perioder med orderorderhistorik plus ett års försäljningshistorik. Denna metod är användbar för att förutspå kortfristig efterfrågan på säsongsvaror med tillväxt eller nedgång. 3.2.2.1 Exempel: Metod 2: Beräknad procentsats under förra året Beräknad procentsats Över fjolårets formel multiplicerar försäljningsdata från föregående år med en faktor som beräknas av systemet och sedan projekterar det resultatet för nästa år. Den här metoden kan vara användbar för att påvisa inverkan på att förlänga den senaste tillväxttakten för en produkt till nästa år samtidigt som ett säsongsmönster som finns i försäljningshistoriken bevaras. Prognosspecifikationer: Omsättning av försäljningshistoria som ska användas vid beräkning av tillväxten. Till exempel, specificera n är lika med 4 i bearbetningsalternativet för att jämföra försäljningshistorik för de senaste fyra perioderna till samma fyra perioder föregående år. Använd det beräknade förhållandet för att göra projiceringen för nästa år. Erforderlig försäljningshistoria: Ett år för beräkning av prognosen plus antal tidsperioder som krävs för att utvärdera prognosprestandan (perioder med bästa passform). Denna tabell är historia som används i prognosberäkningen, givet n 4: Februari-prognosen motsvarar 117 gånger 0,9766 114,26 avrundad till 114. Marsprognosen motsvarar 115 gånger 0,9766 112,31 avrundad till 112. 3.2.3 Metod 3: Förra året till i år Denna metod använder Förra årets försäljning för nästa års prognos. För att prognostisera efterfrågan kräver denna metod det antal perioder som passar bäst, plus ett års orderorderhistorik. Denna metod är användbar för att förutse efterfrågan på mogna produkter med efterfrågan på efterfrågan eller säsongens efterfrågan utan en trend. 3.2.3.1 Exempel: Metod 3: Förra året till det här året Förra året till årets formel kopieras försäljningsdata från föregående år till nästa år. Denna metod kan vara användbar vid budgetering för att simulera försäljningen på nuvarande nivå. Produkten är mogen och har ingen trend på lång sikt, men det kan finnas ett betydande säsongsmönster. Prognosspecifikationer: Ingen. Erforderlig försäljningshistoria: Ett år för beräkning av prognosen plus antal tidsperioder som krävs för att utvärdera prognosprestandan (perioder med bästa passform). Denna tabell är historia som används i prognosberäkningen: Januari-prognosen motsvarar januari i fjol med ett prognosvärde på 128. Februari-prognosen motsvarar februari förra året med ett prognosvärde på 117. Marsprognosen är samma som i mars i fjol med ett prognostiskt värde av 115. 3.2.4 Metod 4: Flyttande medelvärde Med denna metod används den rörliga genomsnittsformeln för att medge det angivna antalet perioder för att projicera nästa period. Du bör räkna om det ofta (månadsvis eller åtminstone kvartalsvis) för att återspegla förändrad efterfråganivå. För att prognostisera efterfrågan kräver denna metod det antal perioder som passar bäst, plus antalet perioder med orderorderhistorik. Denna metod är användbar för att förutse efterfrågan på mogna produkter utan en trend. 3.2.4.1 Exempel: Metod 4: Flytta genomsnittligt rörligt medelvärde (MA) är en populär metod för att medelvärda resultaten av den senaste försäljningshistoriken för att bestämma en prognos på kort sikt. MA prognosmetoden ligger bakom trenderna. Prognosfel och systematiska fel uppstår när produktförsäljningshistoriken uppvisar stark trend eller säsongsmönster. Denna metod fungerar bättre för kortvariga prognoser för mogna produkter än för produkter som ligger i livscykelns tillväxt eller fördjupning. Prognosspecifikationer: n är det antal försäljningsperioder som ska användas i prognosberäkningen. Ange till exempel n 4 i bearbetningsalternativet för att använda de senaste fyra perioderna som utgångspunkt för projiceringen till nästa tidsperiod. Ett stort värde för n (som 12) kräver mer försäljningshistoria. Det resulterar i en stabil prognos, men är långsamt att känna igen skift i försäljningsnivån. Omvänt är ett litet värde för n (som 3) snabbare att svara på förändringar i försäljningsnivån, men prognosen kan fluktuera så mycket att produktionen inte kan svara på variationerna. Erforderlig försäljningshistorik: n plus antal tidsperioder som krävs för att utvärdera prognosprestandan (perioder med bästa passform). Denna tabell är historia som används i prognosberäkningen: Februari-prognosen motsvarar (114 119 137 125) 4 123,75 avrundad till 124. Marsprognosen är lika med (119 137 125 124) 4 126.25 avrundad till 126. 3.2.5 Metod 5: Linjär approximation Denna metod använder den linjära approximationsformeln för att beräkna en trend från antalet perioder av orderorderhistorik och att projicera denna trend till prognosen. Du bör omräkna trenden månadsvis för att upptäcka förändringar i trender. Denna metod kräver antalet perioder med bäst passform plus antal specificerade perioder av orderorderhistorik. Denna metod är användbar för att prognostisera efterfrågan på nya produkter eller produkter med konsekventa positiva eller negativa trender som inte beror på säsongsvariationer. 3.2.5.1 Exempel: Metod 5: Linjär approximation Linjär approximation beräknar en trend som baseras på två försäljningshistoriska datapunkter. Dessa två punkter definierar en rak trendlinje som projiceras in i framtiden. Använd denna metod med försiktighet, eftersom långdistansprognoser utnyttjas av små förändringar på bara två datapunkter. Prognosspecifikationer: n motsvarar datapunktet i försäljningshistorik som jämförs med den senaste datapunkten för att identifiera en trend. Ange till exempel n 4 för att använda skillnaden mellan december (senaste uppgifterna) och augusti (fyra perioder före december) som grund för beräkning av trenden. Minsta obligatoriska försäljningshistorik: n plus 1 plus antal tidsperioder som krävs för att utvärdera prognosprestandan (perioder med bästa passform). Denna tabell är historia som används i prognosberäkningen: Januariprognos december förra året 1 (Trend), vilket är 137 (1 gånger 2) 139. Februari prognos december förra året 1 (Trend), vilket är 137 (2 gånger 2) 141. Marsprognos december förra året 1 (Trend), som är lika med 137 (3 gånger 2) 143. 3.2.6 Metod 6: Minsta kvadreregression Metoden för minsta kvadratregression (LSR) härleder en ekvation som beskriver ett raklinjeläge mellan historiska försäljningsdata och tidens gång. LSR passar en linje till det valda datamängden så att summan av kvadraterna för skillnaderna mellan de faktiska försäljningsdatapunkterna och regressionslinjen minimeras. Prognosen är en projicering av denna raka linje i framtiden. Denna metod kräver försäljningsdatahistorik för den period som representeras av antalet perioder som passar bäst och det angivna antalet historiska datoperioder. Minimikravet är två historiska datapunkter. Denna metod är användbar för att förutse efterfrågan när en linjär trend är i data. 3.2.6.1 Exempel: Metod 6: Minsta kvadratregression Linjär regression eller LAST-kvadratregression (LRR) är den mest populära metoden för att identifiera en linjär trend i historiska försäljningsdata. Metoden beräknar värdena för a och b som ska användas i formeln: Denna ekvation beskriver en rak linje, där Y representerar försäljning och X representerar tid. Linjär regression är långsam att känna igen vändpunkter och stegfunktionsskift i efterfrågan. Linjär regression passar en rak linje till data, även om data är säsongsbetonad eller bättre beskrivs av en kurva. När försäljningshistorikdata följer en kurva eller har ett starkt säsongsmönster uppträder prognosfel och systematiska fel. Prognosspecifikationer: n är lika med försäljningshistorikperioderna som kommer att användas vid beräkning av värdena för a och b. Ange till exempel n 4 för att använda historiken från september till december som grund för beräkningarna. När data är tillgänglig skulle en större n (såsom n 24) normalt användas. LSR definierar en rad för så få som två datapunkter. För detta exempel valdes ett litet värde för n (n 4) för att minska de manuella beräkningarna som krävs för att verifiera resultaten. Minimikrav på försäljningshistorik: n perioder plus antal tidsperioder som krävs för att utvärdera prognosprestandan (perioder med bästa passform). Denna tabell är historia som används i prognosberäkningen: Marsprognosen motsvarar 119,5 (7 gånger 2,3) 135,6 avrundad till 136. 3.2.7 Metod 7: Andra grader Approximation För att projicera prognosen använder denna metod andra grader approximationsformeln för att plotta en kurva Det är baserat på antalet försäljningsperioder. Denna metod kräver antalet perioder som passar bäst, plus antalet perioder av orderorderhistorikstider tre. Denna metod är inte användbar för att prognostisera efterfrågan på en långsiktig period. 3.2.7.1 Exempel: Metod 7: Andra grader approximation Linjär regression bestämmer värdena för a och b i prognosformeln Y a b X med målet att anpassa en rak linje till försäljningshistorikdata. Andra grader Approximation är liknande, men den här metoden bestämmer värdena för a, b och c i den här prognosformeln: Y a b X c X 2 Syftet med denna metod är att passa en kurva till försäljningshistorikdata. Denna metod är användbar när en produkt är i övergången mellan livscykelstadier. Till exempel, när en ny produkt flyttar från introduktion till tillväxtstadier, kan försäljningsutvecklingen accelereras. På grund av den andra orderperioden kan prognosen snabbt närma sig oändligheten eller släppa till noll (beroende på om koefficienten c är positiv eller negativ). Denna metod är endast användbar på kort sikt. Prognosspecifikationer: Formeln hitta a, b och c för att passa en kurva till exakt tre punkter. Du anger n, antalet tidsperioder för data som ackumuleras i var och en av de tre punkterna. I detta exempel, n 3. Faktiska försäljningsdata för april till juni kombineras till första punkten, Q1. Juli till september läggs samman för att skapa Q2 och oktober till december summa till Q3. Kurvan är monterad på de tre värdena Q1, Q2 och Q3. Erforderlig försäljningshistorik: 3 gånger n perioder för beräkning av prognosen plus antal tidsperioder som krävs för att utvärdera prognosens prestanda (perioder med bästa passform). Denna tabell är historia som används i prognosberäkningen: Q0 (Jan) (Feb) (Mar) Q1 (Apr) (Maj) (Jun), vilket motsvarar 125 122 137 384 Q2 (Jul) (Aug) (Sep) vilket är lika med 140 129 131 400 Q3 (okt) (nov) (dec) vilket motsvarar 114 119 137 370 Nästa steg innebär att de tre koefficienterna a, b och c används för att användas i prognosformeln Y ab X c X 2. Q1, Q2 och Q3 presenteras på grafiken, där tiden är planerad på den horisontella axeln. Q1 representerar total historisk försäljning för april, maj och juni och är planerad till X 1 Q2 motsvarar juli till september Q3 motsvarar oktober till december och Q4 representerar januari till mars. Figur 3-2 Plottning Q1, Q2, Q3 och Q4 för approximering av andra grader Tre ekvationer beskriver de tre punkterna på diagrammet: (1) Q1, Q2, Q3 och Q4 för andra graders approximation: Figur 3-2 en bX cX 2 där X 1 (Q1 abc) (2) Q2 en bX cX2 där X2 (Q2 a2b4c) (3) Q3 en bX cX2 där X3 (Q3 a 3b 9c) Lös de tre ekvationerna samtidigt för att hitta b, a och c: Subtrahera ekvation 1 (1) från ekvation 2 (2) och lösa för b: (2) ndash (1) Q2 ndash Q1 b 3c b (Q2 ndash Q1) ndash 3c Ersätt denna ekvation för b till ekvation (3): (3) Q3 a 3 (Q2 ndash Q1) ndash 3c 9c a Q3 ndash 3 (Q2 ndash Q1) Äntligen ersätt dessa ekvationer för a och b till ekvation (1): (1) Q3 ndash 3 (Q2 ndash Q1) (Q2 ndash Q1) ndash 3c c Q1c (Q3 ndash Q2) (Q1 ndash Q2) 2 Den andra graden approximationsmetoden beräknar a, b och c enligt följande: en Q3 ndash 3 (Q2 ndash Q1 ) 370 ndash 3 (400 ndash 384) 370 ndash 3 (16) 322 b (Q2 ndash Q1) ndash3c (400 nda sh 384) ndash (3 gånger ndash23) 16 69 85 c (Q3 ndash Q2) (Q1 ndash Q2) 2 (370 ndash 400) (384 ndash 400) 2 ndash23 Detta är en beräkning av approximationsprognos för andra graden: Y a bX cX 2 322 85X (ndash23) (X 2) När X 4, Q4 322 340 ndash 368 294. Prognosen motsvarar 294 3 98 per period. När X 5, Q5 322 425 ndash 575 172. Prognosen är 172 3 58,33 avrundad till 57 per period. När X 6, Q6 322 510 ndash 828 4. Prognosen är lika med 4 3 1,33 avrundad till 1 per period. Detta är prognosen för nästa år, förra året till det här året: 3.2.8 Metod 8: Flexibel metod Med den här metoden kan du välja det passande antal perioder av orderorderhistorik som börjar n månader före prognosens startdatum och till tillämpa en procentuell ökning eller minskning multiplikationsfaktor för att ändra prognosen. Denna metod liknar Metod 1, Procent över förra året, förutom att du kan ange antalet perioder som du använder som bas. Beroende på vad du väljer som n kräver denna metod perioder som passar bäst och antalet perioder av försäljningsdata som anges. Denna metod är användbar för att förutse efterfrågan på en planerad trend. 3.2.8.1 Exempel: Metod 8: Flexibel metod Den flexibla metoden (Procent över n månader före) liknar Metod 1, Procent över förra året. Båda metoderna multiplicerar försäljningsdata från en tidigare tidsperiod med en faktor som specificeras av dig och sedan projekterar det resultatet i framtiden. I Procenten över senaste årmetoden är projiceringen baserad på data från samma period föregående år. Du kan också använda den flexibla metoden för att ange en tidsperiod, annan än samma period det senaste året, för att använda som underlag för beräkningarna. Multiplikationsfaktor. Ange till exempel 110 i bearbetningsalternativet för att öka tidigare försäljningshistorikdata med 10 procent. Basperiod Till exempel medför n 4 att den första prognosen baseras på försäljningsdata i september förra året. Minimikrav på försäljningshistorik: Antalet perioder tillbaka till basperioden plus antal tidsperioder som krävs för att utvärdera prognosprestandan (perioder med bästa passform). Den här tabellen är historia som används i prognosberäkningen: 3.2.9 Metod 9: Viktad Flyttande Medeltal Den viktade Flytta genomsnittliga formeln liknar Metod 4, Flyttande medelformel, eftersom den genomsnittlig försäljningshistorik för föregående månader för att projicera nästa månads försäljningshistorik. Med denna formel kan du dock tilldela vikter för varje tidigare period. Denna metod kräver antalet viktiga perioder som valts plus antal perioder som passar bäst i data. På samma sätt som rörande medelvärde ligger denna metod bakom efterfrågan trender, så den här metoden rekommenderas inte för produkter med starka trender eller säsongsmässiga egenskaper. Denna metod är användbar för att prognostisera efterfrågan på mogna produkter med en efterfrågan som är relativt nivå. 3.2.9.1 Exempel: Metod 9: Vägt rörlig medelvärde Den viktade rörliga genomsnittsmetoden (WMA) liknar Metod 4, Moving Average (MA). Du kan dock tilldela ojämna vikter till historiska data när du använder WMA. Metoden beräknar ett vägt genomsnitt av den senaste försäljningshistoriken för att komma fram till en prognos på kort sikt. Nyare data tilldelas vanligtvis en större vikt än äldre data, så WMA är mer mottaglig för skift i försäljningsnivån. Emellertid uppstår prognoser och systematiska fel när produktförsäljningshistoriken uppvisar starka trender eller säsongsmönster. Denna metod fungerar bättre för korta prognoser för mogna produkter än för produkter i livscykelns tillväxt eller fördjupning. Antalet försäljningshistorikperioder (n) som ska användas i prognosberäkningen. Ange till exempel n 4 i bearbetningsalternativet för att använda de senaste fyra perioderna som utgångspunkt för projiceringen till nästa tidsperiod. Ett stort värde för n (som 12) kräver mer försäljningshistoria. Ett sådant värde ger en stabil prognos, men det är långsamt att känna igen skift i försäljningsnivån. Omvänt svarar ett litet värde för n (som 3) snabbare till förändringar i försäljningsnivån, men prognosen kan fluktuera så mycket att produktionen inte kan svara på variationerna. Det totala antalet perioder för behandlingsalternativet rdquo14 - perioder till includerdquo bör inte överstiga 12 månader. Den vikt som tilldelas var och en av de historiska dataperioderna. De tilldelade vikterna måste uppgå till 1,00. Till exempel när n 4 tilldelar vikter av 0,50, 0,25, 0,15 och 0,10 med de senaste data som tar emot största vikt. Minimikrav på försäljningshistorik: n plus antal tidsperioder som krävs för att utvärdera prognosens prestanda (perioder med bästa passform). Denna tabell är historia som används i prognosberäkningen: Januari-prognosen motsvarar (131 gånger 0,10) (114 gånger 0,15) (119 gånger 0,25) (137 gånger 0,50) (0,10 0,15 0,25 0,50) 128,45 avrundad till 128. Februari-prognosen motsvarar (114 gånger 0,10) (119 gånger 0,15) (128 gånger 0,25) (128 gånger 0,25) (128 gånger 0,50) 1 128,45 avrundad till 128. 3.2.10 Metod 10: Linjär utjämning Denna metod beräknar ett vägt genomsnitt av tidigare försäljningsdata. I beräkningen använder denna metod antalet perioder av orderorderhistorik (från 1 till 12) som anges i behandlingsalternativet. Systemet använder en matematisk progression för att väga data i intervallet från den första (minsta vikten) till den slutliga (mest vikt). Då projicerar systemet denna information till varje period i prognosen. Denna metod kräver att månaderna bäst passar plus försäljningsorderhistoriken för antalet perioder som anges i bearbetningsalternativet. 3.2.10.1 Exempel: Metod 10: Linjär utjämning Denna metod liknar Metod 9, WMA. I stället för att godtyckligt tilldela vikter till historiska data används en formel för att tilldela vikter som faller linjärt och summan till 1,00. Metoden beräknar sedan ett vägt genomsnitt av den senaste försäljningshistoriken för att komma fram till en prognos på kort sikt. Liksom alla linjära glidande medelprognostekniker förekommer prognosfel och systematiska fel när produktförsäljningshistoriken uppvisar stark trend eller säsongsmönster. Denna metod fungerar bättre för korta prognoser för mogna produkter än för produkter i livscykelns tillväxt eller fördjupning. n motsvarar antalet försäljningsperioder som ska användas i prognosberäkningen. Till exempel, specificera n är lika med 4 i bearbetningsalternativet för att använda de senaste fyra perioderna som grund för projiceringen till nästa tidsperiod. Systemet tilldelar automatiskt vikterna till historiska data som avtar linjärt och summerar till 1,00. Till exempel, när n är lika med 4, tilldelar systemet vikter av 0,4, 0,3, 0,2 och 0,1, med den senaste data som tar emot största vikt. Minimikrav på försäljningshistorik: n plus antal tidsperioder som krävs för att utvärdera prognosens prestanda (perioder med bästa passform). Denna tabell är historia som används i prognosberäkningen: 3.2.11 Metod 11: Exponentiell utjämning Denna metod beräknar ett jämnt medelvärde som blir en uppskattning som representerar den allmänna försäljningsnivån över de valda historiska datoperioderna. Denna metod kräver försäljningsdatahistorik för den tidsperiod som representeras av antalet perioder som passar bäst och antalet historiska datoperioder som anges. Minimikravet är två historiska datoperioder. Denna metod är användbar för att prognostisera efterfrågan när ingen linjär trend är i data. 3.2.11.1 Exempel: Metod 11: Exponentiell utjämning Denna metod liknar metod 10, linjär utjämning. Vid linjär utjämning tilldelar systemet vikter som avviker linjärt till historiska data. Vid exponentiell utjämning tilldelar systemet vikter som exponentiellt sönderfall. Ekvationen för exponentiell utjämningsprognos är: Prognos alfa (Tidigare verklig försäljning) (1 ndashalpha) (Tidigare prognos) Prognosen är ett vägt genomsnitt av den faktiska försäljningen från föregående period och prognosen från föregående period. Alpha är vikten som tillämpas på den faktiska försäljningen under föregående period. (1 ndash alfa) är den vikt som tillämpas på prognosen för föregående period. Värdena för alfaintervallet från 0 till 1 och faller vanligen mellan 0,1 och 0,4. Summan av vikterna är 1,00 (alfa (1 ndash alfa) 1). Du bör tilldela ett värde för utjämningskonstanten, alfa. Om du inte tilldelar ett värde för utjämningskonstanten beräknar systemet ett antaget värde som är baserat på antalet perioder av försäljningshistorik som anges i bearbetningsalternativet. alfa är lika med utjämningskonstanten som används för att beräkna det släta genomsnittet för den allmänna nivån eller storleken på försäljningen. Värdena för alfabetik från 0 till 1. n är lika med utbudet av försäljningshistorikdata som ingår i beräkningarna. I allmänhet är ett års försäljningshistorikdata tillräckligt för att uppskatta den allmänna försäljningsnivån. För detta exempel valdes ett litet värde för n (n 4) för att minska de manuella beräkningarna som krävs för att verifiera resultaten. Exponentiell utjämning kan generera en prognos som baseras på så lite som en historisk datapunkt. Minimikrav på försäljningshistorik: n plus antal tidsperioder som krävs för att utvärdera prognosens prestanda (perioder med bästa passform). Denna tabell är historia som används i prognosberäkningen: 3.2.12 Metod 12: Exponentiell utjämning med trend och säsonglighet Denna metod beräknar en trend, ett säsongsindex och ett exponentiellt jämnt medelvärde från försäljningsorderhistoriken. Systemet tillämpar sedan en prognos av trenden mot prognosen och justerar för säsongsindex. Denna metod kräver antalet perioder som bäst passar plus två års försäljningsdata, och är användbar för objekt som har både trend och säsong i prognosen. Du kan ange alfa - och beta-faktorn, eller få systemet att beräkna dem. Alfa - och beta-faktorer är den utjämningskonstant som systemet använder för att beräkna det jämnvärda genomsnittet för den allmänna nivån eller storleken på försäljningen (alfa) och trendkomponenten i prognosen (beta). 3.2.12.1 Exempel: Metod 12: Exponentiell utjämning med trend och säsonglighet Denna metod liknar Metod 11, Exponentiell utjämning, genom att ett jämnat medel beräknas. Metod 12 innehåller emellertid också en term i prognosekvationen för att beräkna en jämn trend. Prognosen består av ett jämn genomsnitt som justeras för en linjär trend. När det anges i bearbetningsalternativet justeras prognosen också för säsongsmässigt. Alpha motsvarar utjämningskonstanten som används vid beräkning av det jämnformade genomsnittet för den allmänna nivån eller storleken på försäljningen. Värden för alfabetik från 0 till 1. Beta är lika med utjämningskonstanten som används vid beräkning av det jämnde genomsnittet för trendkomponenten i prognosen. Värden för betavärdet från 0 till 1. Om ett säsongsindex används för prognosen. Alfa och beta är oberoende av varandra. De behöver inte uppgå till 1,0. Minimikrav på försäljningshistoria: Ett år plus antal tidsperioder som krävs för att utvärdera prognosprestandan (perioder med bästa passform). När två eller flera års historisk data är tillgänglig använder systemet två års data i beräkningarna. Metod 12 använder två exponentiella utjämningsekvationer och ett enkelt medelvärde för att beräkna ett jämnt medelvärde, en jämn trend och ett enkelt genomsnittligt säsongsindex. Ett exponentiellt slätat medelvärde: En exponentiellt jämn trend: Ett enkelt genomsnittligt säsongsindex: Figur 3-3 Enkelt medelstadsindex Indexet beräknas sedan med hjälp av resultaten av de tre ekvationerna: L är årstidens längd (L är 12 månader eller 52 veckor). t är den aktuella tidsperioden. m är antalet tidsperioder i prognosens framtid. S är den multiplikativa säsongsjusteringsfaktorn som indexeras till lämplig tidsperiod. Denna tabell visar historiken som används i prognosberäkningen: Det här avsnittet ger en översikt över prognosutvärderingar och diskuterar: Du kan välja prognosmetoder för att generera så många som 12 prognoser för varje produkt. Varje prognosmetod kan skapa en något annorlunda projicering. När tusentals produkter prognostiseras är ett subjektivt beslut opraktiskt när det gäller vilken prognos som ska användas i planerna för varje produkt. Systemet utvärderar automatiskt prestanda för varje prognosmetod som du väljer och för varje produkt som du förutspår. Du kan välja mellan två prestandakriterier: MAD och POA. MAD är ett mått på prognosfel. POA är ett mått på prognosförskjutning. Båda dessa prestandautvärderingstekniker kräver faktiska försäljningshistorikdata under en period som anges av dig. Perioden för den senaste historiken som används för utvärdering kallas en uthållningsperiod eller period med bästa passform. För att mäta prestanda för en prognosmetod, systemet: Använd prognosformulären för att simulera en prognos för historisk uthållighetsperiod. Gör en jämförelse mellan den faktiska försäljningsdata och den simulerade prognosen för hållbarhetsperioden. När du väljer flera prognosmetoder, förekommer samma process för varje metod. Flera prognoser beräknas för hållbarhetsperioden och jämfört med den kända försäljningshistoriken för samma period. Prognosmetoden som ger den bästa matchningen (bästa passformen) mellan prognosen och den faktiska försäljningen under uthållningsperioden rekommenderas för användning i planerna. Denna rekommendation är specifik för varje produkt och kan ändras varje gång du genererar en prognos. 3.3.1 Mean Absolute Deviation Mean Absolute Deviation (MAD) is the mean (or average) of the absolute values (or magnitude) of the deviations (or errors) between actual and forecast data. MAD is a measure of the average magnitude of errors to expect, given a forecasting method and data history. Because absolute values are used in the calculation, positive errors do not cancel out negative errors. When comparing several forecasting methods, the one with the smallest MAD is the most reliable for that product for that holdout period. When the forecast is unbiased and errors are normally distributed, a simple mathematical relationship exists between MAD and two other common measures of distribution, which are standard deviation and Mean Squared Error. For example: MAD (Sigma (Actual) ndash (Forecast)) n Standard Deviation, (sigma) cong 1.25 MAD Mean Squared Error cong ndashsigma2 This example indicates the calculation of MAD for two of the 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. 3.3.1.1 Method 1: Last Year to This Year This table is history used in the calculation of MAD, given Periods of Best Fit 5: Mean Absolute Deviation equals (2 1 20 10 14) 5 9.4. Based on these two choices, the Moving Average, n 4 method is recommended because it has the smaller MAD, 9.4, for the given holdout period. 3.3.2 Percent of Accuracy Percent of Accuracy (POA) is a measure of forecast bias. When forecasts are consistently too high, inventories accumulate and inventory costs rise. 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. In this situation, eliminating forecast errors is not as important as generating unbiased forecasts. 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. In services, the magnitude of forecast errors is usually more important than is forecast bias. 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. Demand Forecasting: Itrsquos Meaning, Types, Techniques and Method Economics Forecasts are becoming the lifetime of business in a world, where the tidal waves of change are sweeping the most established of structures, inherited by human society. Commerce just happens to the one of the first casualties. Survival in this age of economic predators, requires the tact, talent and technique of predicting the future. Forecast is becoming the sign of survival and the language of business. All requirements of the business sector need the technique of accurate and practical reading into the future. Forecasts are, therefore, very essential requirement for the survival of business. Manshyagement requires forecasting information when making a wide range of decisions. The sales forecast is particularly important as it is the foundation upon which all company plans are built in terms of markets and revenue. Management would be a simple matter if business was not in a continual state of change, the pace of which has quickened in recent years. It is becoming increasingly important and necessary for business to predict their future prospects in terms of sales, cost and profits. The value of future sales is crucial as it affects costs profits, so the prediction of future sales is the logical starting point of all business planning. A forecast is a prediction or estimation of future situation. It is an objective assessment of future course of action. Since future is uncertain, no forecast can be percent correct. Forecasts can be both physical as well as financial in nature. The more realistic the forecasts, the more effective decisions can be taken for tomorrow. In the words of Cundiff and Still, Demand forecasting is an estimate of sales during a specified future period which is tied to a proposed marketing plan and which assumes a particular set of unconshytrollable and competitive forces. Therefore, demand forecasting is a projection of firms expected level of sales based on a chosen marketing plan and environment. Procedure to Prepare Sales Forecast: Companies commonly use a three-stage procedure to prepare a sales forecast. They make an environmental forecast, followed by an industry forecast, and followed by a companys sales forecast, the environmental forecast calls for projecting inflation, unemployment, interest rate, consumer spendshying, and saving, business investment, government expenditure, net exports and other environmental magnitudes and events of importance to the company. The industry forecast is based on surveys of consumers intention and analysis of statistical trends is made available by trade associations or chamshyber of commerce. It can give indication to a firm regarding tine direction in which the whole industry will be moving. The company derives its sales forecast by assuming that it will win a certain market share. All forecasts are built on one of the three information bases: What people say What people have done Types of Forecasting : Forecasts can be broadly classified into: (i) Passive Forecast and (ii) Active Forecast. Under passive forecast prediction about future is based on the assumption that the firm does not change the course of its action. Under active forecast, prediction is done under the condition of likely future changes in the actions by the firms. From the view point of time span, forecasting may be classified into two, viz. (i) Short term demand forecasting and (ii) long term demand forecasting. In a short run forecast, seasonal patterns are of much importance. It may cover a period of three months, six months or one year. It is one which provides information for tactical decisions. Which period is chosen depends upon the nature of busishyness. Such a forecast helps in preparing suitable sales policy. Long term forecasts are helpful in suitable capital planning. It is one which provides information for major strategic decisions. It helps in saving the wastages in material, man hours, machine time and capacity. Planning of a new unit must start with an analysis of the long term demand potential of the products of the firm. There are basically two types of forecast, viz. (i) External or national group of forecast, and (ii) Internal or company group forecast. External forecast deals with trends in general business. It is usually prepared by a companys research wing or by outside consultants. Internal forecast includes all those that are related to the operation of a particular enterprise such as sales group, production group, and financial group. The structure of internal forecast includes forecast of annual sales, forecast of products cost, forecast of operating profit, forecast of taxable income, forecast of cash resources, forecast of the number of employees, etc. At different levels forecasting may be classified into: (i) Macro-level forecasting, (ii) Industry - level forecasting, (iii) Firm - level forecasting and (iv) Product-line forecasting. Macro-level forecastshying is concerned with business conditions over the whole economy. It is measured by an appropriate index of industrial production, national income or expenditure. Industry-level forecasting is prepared by different trade associations. This is based on survey of consumers intention and analysis of statistical trends. Firm-level forecasting is related to an individual firm. It is most important from managerial view point. Product-line forecasting helps the firm to decide which of the product or products should have priority in the allocation of firms limited resources. Forecast may be classified into (i) general and (ii) specific. The general forecast may generally be useful to the firm. Many firms require separate forecasts for specific products and specific areas, for this general forecast is broken down into specific forecasts. There are different forecasts for different types of products like: (i) Forecasting demand for nonshydurable consumer goods, (ii) Forecasting demand for durable consumer goods, (iii) Forecasting deshymand for capital goods, and (iv) Forecasting demand for new-products. Non-Durable Consumer Goods : These are also known as single-use consumer goods or perishable consumer goods. These vanish after a single act of consumption. These include goods like food, milk, medicine, fruits, etc. Demand for these goods depends upon household disposable income, price of the commodity and the related goods and population and characteristics. Symbolically, Dc f(y, s, p, p r ) where Dc the demand for commodity the household disposable income p price of the commodity p r price of its related goods (i) Disposable income expressed as Dc f (y) i. e. other things being equal, the demand for commodity depends upon the disposable income of the household. Disposable income of the houseshyhold is estimated after the deduction of personal taxes from the personal income. Disposable income gives an idea about the purchasing power of the household. (ii) Price, expressed as Dc f (p, p r ) i. e. other things being equal, demand for commodity depends upon its own price and the price of related goods. While the demand for a commodity is inversely related to its own price of its complements. It is positively related to its substitutes.8217 Price elasticities and cross elasticities of non-durable consumer goods help in their demand forecasting. (iii) Population, expressed as Dc f (5) i. e. other things being equal, demand for commodity depends upon the size of population and its composition. Besides, population can also be classified on the basis of sex, income, literacy and social status. Demand for non-durable consumer goods is influshyenced by all these factors. For the general demand forecasting population as a whole is considered, but for specific demand forecasting division of population according to different characteristics proves to be more useful. Durable Consumer Goods : These goods can be consumed a number of times or repeatedly used without much loss to their utility. These include goods like car, T. V. air-conditioners, furniture etc. After their long use, consumshyers have a choice either these could be consumed in future or could be disposed of. The choice depends upon the following factors: (i) Whether a consumer will go for the replacement of a durable good or keep on using it after necessary repairs depends upon his social status, level of money income, taste and fashion, etc. Reshyplacement demand tends to grow with increase in the stock of the commodity with the consumers. The firm can estimate the average replacement cost with the help of life expectancy table. (ii) Most consumer durables are consumed in common by the members of a family. For instance, T. V. refrigerator, etc. are used in common by households. Demand forecasts for goods commonly used should take into account the number of households rather than the total size of population. While estimating the number of households, the income of the household, the number of children and sex - composition, etc. should be taken into account. (iii) Demand for consumer durables depends upon the availability of allied facilities. For example, the use of T. V. refrigerator needs regular supply of power, the use of car needs availability of fuel, etc. While forecasting demand for consumer durables, the provision of allied services and their cost should also be taken into account. (iv) Demand for consumer durables is very much influenced by their prices and their credit facilities. Consumer durables are very much sensitive to price changes. A small fall in their price may bring large increase in demand. Forecasting Demand for Capital Goods : Capital goods are used for further production. The demand for capital good is a derived one. It will depend upon the profitability of industries. The demand for capital goods is a case of derived demand. In the case of particular capital goods, demand will depend on the specific markets they serve and the end uses for which they are bought. The demand for textile machinery will, for instance, be determined by the expansion of textile industry in terms of new units and replacement of existing machinery. Estimation of new demand as well as replacement demand is thus necessary. Three types of data are required in estimating the demand for capital goods: (a) The growth prospects of the user industries must be known, (b) the norm of consumption of the capital goods per unit of each end-use product must be known, and (c) the velocity of their use. Forecasting Demand for New Products : The methods of forecasting demand for new products are in many ways different from those for established products. Since the product is new to the consumers, an intensive study of the product and its likely impact upon other products of the same group provides a key to an intelligent projection of demand. Joel Dean has classified a number of possible approaches as follows: (a) Evolutionary Approach: It consists of projecting the demand for a new product as an outgrowth and evolution of an existing old product. (b) Substitute Approach: According to this approach the new product is treated as a substitute for the existing product or service. (c) Growth Curve Approach: It estimates the rate of growth and potential demand for the new product as the basis of some growth pattern of an established product. (d) Opinion-Poll Approach: Under this approach the demand is estimated by direct enquiries from the ultimate consumers. (e) Sales Experience Approach: According to this method the demand for the new product is estimated by offering the new product for sale in a sample market. (f) Vicarious Approach: By this method, the consumers reactions for a new product are found out indirectly through the specialised dealers who are able to judge the consumers needs, tastes and preferences. The various steps involved in forecasting the demand for non-durable consumer goods are the following: (a) First identify the variables affecting the demand for the product and express them in appropriate forms, (b) gather relevant data or approximation to relevant data to represent the variables, and (c) use methods of statistical analysis to determine the most probable relationship between the dependent and independent variables. Forecasting Techniques: Demand forecasting is a difficult exercise. Making estimates for future under the changing conshyditions is a Herculean task. Consumers behaviour is the most unpredictable one because it is motivated and influenced by a multiplicity of forces. There is no easy method or a simple formula which enables the manager to predict the future. Economists and statisticians have developed several methods of demand forecasting. Each of these methods has its relative advantages and disadvantages. Selection of the right method is essential to make demand forecasting accurate. In demand forecasting, a judicious combination of statistical skill and rational judgement is needed. Mathematical and statistical techniques are essential in classifying relationships and providing techniques of analysis, but they are in no way an alternative for sound judgement. Sound judgement is a prime requisite for good forecast. The judgment should be based upon facts and the personal bias of the forecaster should not prevail upon the facts. Therefore, a mid way should be followed between mathematical techniques and sound judgment or pure guess work. The more commonly used methods of demand forecasting are discussed below: The various methods of demand forecasting can be summarised in the form of a chart as shown in Table 1. 1. Opinion Polling Method : In this method, the opinion of the buyers, sales force and experts could be gathered to determine the emerging trend in the market. The opinion polling methods of demand forecasting are of three kinds: (a) Consumers Survey Method or Survey of Buyers Intentions : In this method, the consumers are directly approached to disclose their future purchase plans. I his is done by interviewing all consumers or a selected group of consumers out of the relevant popushylation. This is the direct method of estimating demand in the short run. Here the burden of forecasting is shifted to the buyer. The firm may go in for complete enumeration or for sample surveys. If the commodity under consideration is an intermediate product then the industries using it as an end product are surveyed. (i) Complete Enumeration Survey : Under the Complete Enumeration Survey, the firm has to go for a door to door survey for the forecast period by contacting all the households in the area. This method has an advantage of first hand, unbiased information, yet it has its share of disadvantages also. The major limitation of this method is that it requires lot of resources, manpower and time. In this method, consumers may be reluctant to reveal their purchase plans due to personal privacy or commercial secrecy. Moreover, at times the conshysumers may not express their opinion properly or may deliberately misguide the investigators. (ii) Sample Survey and Test Marketing : Under this method some representative households are selected on random basis as samples and their opinion is taken as the generalised opinion. This method is based on the basic assumption that the sample truly represents the population. If the sample is the true representative, there is likely to be no significant difference in the results obtained by the survey. Apart from that, this method is less tedious and less costly. A variant of sample survey technique is test marketing. Product testing essentially involves placing the product with a number of users for a set period. Their reactions to the product are noted after a period of time and an estimate of likely demand is made from the result. These are suitable for new products or for radically modified old products for which no prior data exists. It is a more scientific method of estimating likely demand because it stimulates a national launch in a closely defined geoshygraphical area. (iii) End Use Method or Input-Output Method : This method is quite useful for industries which are mainly producers goods. In this method, the sale of the product under consideration is projected as the basis of demand survey of the industries using this product as an intermediate product, that is, the demand for the final product is the end user demand of the intermediate product used in the production of this final product. The end user demand estimation of an intermediate product may involve many final good industries using this product at home and abroad. It helps us to understand inter-industry8217 relations. In input-output accounting two matrices used are the transaction matrix and the input co-efficient matrix. The major efforts required by this type are not in its operation but in the collection and presentation of data. (b) Sales Force Opinion Method : This is also known as collective opinion method. In this method, instead of consumers, the opinion of the salesmen is sought. It is sometimes referred as the grass roots approach as it is a bottom-up method that requires each sales person in the company to make an individual forecast for his or her particular sales territory. These individual forecasts are discussed and agreed with the sales manager. The composite of all forecasts then constitutes the sales forecast for the organisation. The advantages of this method are that it is easy and cheap. It does not involve any elaborate statistical treatment. The main merit of this method lies in the collective wisdom of salesmen. This method is more useful in forecasting sales of new products. (c) Experts Opinion Method : This method is also known as Delphi Technique of investigation. The Delphi method requires a panel of experts, who are interrogated through a sequence of questionnaires in which the responses to one questionnaire are used to produce the next questionnaire. Thus any information available to some experts and not to others is passed on, enabling all the experts to have access to all the information for forecasting. The method is used for long term forecasting to estimate potential sales for new products. This method presumes two conditions: Firstly, the panellists must be rich in their expertise, possess wide range of knowledge and experience. Secondly, its conductors are objective in their job. This method has some exclusive advantages of saving time and other resources. 2. Statistical Method : Statistical methods have proved to be immensely useful in demand forecasting. In order to mainshytain objectivity, that is, by consideration of all implications and viewing the problem from an external point of view, the statistical methods are used. The important statistical methods are: (i) Trend Projection Method : A firm existing for a long time will have its own data regarding sales for past years. Such data when arranged chronologically yield what is referred to as time series. Time series shows the past sales with effective demand for a particular product under normal conditions. Such data can be given in a tabular or graphic form for further analysis. This is the most popular method among business firms, partly because it is simple and inexpensive and partly because time series data often exhibit a persistent growth trend. Time series has got four types of components namely, Secular Trend (T), Secular Variation (S), Cyclical Element (C), and an Irregular or Random Variation (I). These elements are expressed by the equation O TSCI. Secular trend refers to the long run changes that occur as a result of general tendency. Seasonal variations refer to changes in the short run weather pattern or social habits. Cyclical variations refer to the changes that occur in industry during depression and boom. Random variation refers to the factors which are generally able such as wars, strikes, flood, famine and so on. When a forecast is made the seasonal, cyclical and random variations are removed from the observed data. Thus only the secular trend is left. This trend is then projected. Trend projection fits a trend line to a mathematical equation. The trend can be estimated by using any one of the following methods: (a) The Graphical Method, (b) The Least Square Method. a) Graphical Method: This is the most simple technique to determine the trend. All values of output or sale for different years are plotted on a graph and a smooth free hand curve is drawn passing through as many points as possible. The direction of this free hand curveupward or downward shows the trend. A simple illustration of this method is given in Table 2. Table 2: Sales of Firm In Fig. 1, AB is the trend line which has been drawn as free hand curve passing through the various points representing actual sale values. (b) Least Square Method: Under the least square method, a trend line can be fitted to the time series data with the help of statistical techniques such as least square regression. When the trend in sales over time is given by straight line, the equation of this line is of the form: y a bx. Where a is the intercept and b shows the impact of the independent variable. We have two variablesthe indeshypendent variable x and the dependent variable y. The line of best fit establishes a kind of mathematical relationship between the two variables. v and y. This is expressed by the regression on x. In order to solve the equation v a bx, we have to make use of the following normal equations: xy a xb x2 (ii) Barometric Technique : A barometer is an instrument of measuring change. This method is based on the notion that the future can be predicted from certain happenings in the present. In other words, barometric techniques are based on the idea that certain events of the present can be used to predict the directions of change in the future. This is accomplished by the use of economic and statistical indicators which serve as barometers of economic change. Generally forecasters correlate a firms sales with three series: Leading Series, Coincident or Concurrent Series and Lagging Series: (a) The Leading Series: The leading series comprise those factors which move up or down before the recession or recovery starts. They tend to reflect future market changes. For example, baby powder sales can be forecasted by examining the birth rate pattern five years earlier, because there is a correlation between the baby powder sales and children of five years of age and since baby powder sales today are correlated with birth rate five years earlier, it is called lagged correlation. Thus we can say that births lead to baby soaps sales. (b) Coincident or Concurrent Series: The coincident or concurrent series are those which move up or down simultaneously with the level of the economy. They are used in confirming or refuting the validity of the leading indicator used a few months afterwards. Common examples of coinciding indicators are G. N.P itself, industrial production, trading and the retail sector. (c) The Lagging Series: The lagging series are those which take place after some time lag with respect to the business cycle. Examples of lagging series are, labour cost per unit of the manufacturing output, loans outstanding, leading rate of short term loans, etc. (iii) Regression Analysis : It attempts to assess the relationship between at least two variables (one or more independent and one dependent), the purpose being to predict the value of the dependent variable from the specific value of the independent variable. The basis of this prediction generally is historical data. This method starts from the assumption that a basic relationship exists between two variables. An interactive statistical analysis computer package is used to formulate the mathematical relationship which exists. For example, one may build up the sales model as: Quantum of Sales a. price b. advertising c. price of the rival products d. personal disposable income u Where a, b, c, d are the constants which show the effect of corresponding variables as sales. The constant u represents the effect of all the variables which have been left out in the equation but having effect on sales. In the above equation, quantum of sales is the dependent variable and the variables on the right hand side of the equation are independent variables. If the expected values of the independent variables are substituted in the equation, the quantum of sales will then be forecasted. The regression equation can also be written in a multiplicative form as given below: Quantum of Sales (Price) a (Advertising) b (Price of the rival products) c (Personal disposshyable income Y u In the above case, the exponent of each variable indicates the elasticities of the corresponding variable. Stating the independent variables in terms of notation, the equation form is QS P 8. A o42. R .83. Y 2 .68. 40 Then we can say that 1 per cent increase in price leads to 0.8 per cent change in quantum of sales and so on. If we take logarithmic form of the multiple equation, we can write the equation in an additive form as follows: log QS a log P b log A log R d log Y d log u In the above equation, the coefficients a, b, c, and d represent the elasticities of variables P, A, R and Y d respectively. The co-efficient in the logarithmic regression equation are very useful in policy decision making by the management. (iv) Econometric Models : Econometric models are an extension of the regression technique whereby a system of independshyent regression equation is solved. The requirement for satisfactory use of the econometric model in forecasting is under three heads: variables, equations and data. The appropriate procedure in forecastshying by econometric methods is model building. Econometrics attempts to express economic theories in mathematical terms in such a way that they can be verified by statistical methods and to measure the impact of one economic variable upon another so as to be able to predict future events. Utility of Forecasting : Forecasting reduces the risk associated with business fluctuations which generally produce harmshyful effects in business, create unemployment, induce speculation, discourage capital formation and reduce the profit margin. Forecasting is indispensable and it plays a very important part in the determishynation of various policies. In modem times forecasting has been put on scientific footing so that the risks associated with it have been considerably minimised and the chances of precision increased. Forecasts in India : In most of the advanced countries there are specialised agencies. In India businessmen are not at all interested in making scientific forecasts. They depend more on chance, luck and astrology. They are highly superstitious and hence their forecasts are not correct. Sufficient data are not available to make reliable forescasts. However, statistics alone do not forecast future conditions. Judgment, experience and knowledge of the particular trade are also necessary to make proper analysis and interpretation and to arrive at sound conclusions. Conclusion : Decision support systems consist of three elements: decision, prediction and control. It is, of course, with prediction that marketing forecasting is concerned. The forecasting of sales can be reshygarded as a system, having inputs apprises and an output. This simplistic view serves as a useful measure for the analysis of the true worth of sales forecasting as an aid to management. In spite of all these no one can predict future economic activity with certainty. Forecasts are estimates about which no one can be sure. Criteria of a Good Forecasting Method : There are thus, a good many ways to make a guess about future sales. They show contrast in cost, flexibility and the adequate skills and sophistication. Therefore, there is a problem of choosing the best method for a particular demand situation. There are certain economic criteria of broader applicashybility. They are: (i) Accuracy, (ii) Plausibility, (iii) Durability, (iv) Flexibility, (v) Availability, (vi) Economy, (vii) Simplicity and (viii) Consistency. (i) Accuracy : The forecast obtained must be accurate. How is an accurate forecast possible To obtain an accurate forecast, it is essential to check the accuracy of past forecasts against present performance and of present forecasts against future performance. Accuracy cannot be tested by precise measureshyment but buy judgment. (ii) Plausibility : The executive should have good understanding of the technique chosen and they should have confidence in the techniques used. Understanding is also needed for a proper interpretation of results. Plausibility requirements can often improve the accuracy of results. (iii) Durability : Unfortunately, a demand function fitted to past experience may back cost very greatly and still fall apart in a short time as a forecaster. The durability of the forecasting power of a demand function depends partly on the reasonableness and simplicity of functions fitted, but primarily on the stability of the understanding relationships measured in the past. Of course, the importance of durability detershymines the allowable cost of the forecast. (iv) Flexibility : Flexibility can be viewed as an alternative to generality. A long lasting function could be set up in terms of basic natural forces and human motives. Even though fundamental, it would nevertheless be hard to measure and thus not very useful. A set of variables whose co-efficient could be adjusted from time to time to meet changing conditions in more practical way to maintain intact the routine procedure of forecasting. (v) Availability : Immediate availability of data is a vital requirement and the search for reasonable approximations to relevance in late data is a constant strain on the forecasters patience. The techniques employed should be able to produce meaningful results quickly. Delay in result will adversely affect the managerial decisions. (vi) Economy : Cost is a primary consideration which should be weighted against the importance of the forecasts to the business operations. A question may arise: How much money and managerial effort should be allocated to obtain a high level of forecasting accuracy The criterion here is the economic considerashytion. (vii) Simplicity : Statistical and econometric models are certainly useful but they are intolerably complex. To those executives who have a fear of mathematics, these methods would appear to be Latin or Greek. The procedure should, therefore, be simple and easy so that the management may appreciate and understand why it has been adopted by the forecaster. (viii) Consistency : The forecaster has to deal with various components which are independent. If he does not make an adjustment in one component to bring it in line with a forecast of another, he would achieve a whole which would appear consistent. Conclusion : In fine, the ideal forecasting method is one that yields returns over cost with accuracy, seems reasonable, can be formalised for reasonably long periods, can meet new circumstances adeptly and can give up-to-date results. The method of forecasting is not the same for all products. There is no unique method for forecasting the sale of any commodity. The forecaster may try one or the other method depending upon his objective, data availability, the urgency with which forecasts are needed, resources he intends to devote to this work and type of commodity whose demand he wants to forecast.