สูตร สำหรับ เฉลี่ยเคลื่อนที่ คาดการณ์

Moving Average ตัวอย่างนี้สอนวิธีการคำนวณค่าเฉลี่ยเคลื่อนที่ของชุดข้อมูลเวลาใน Excel ค่าเฉลี่ยเคลื่อนที่จะใช้เพื่อทำให้จุดสูงสุดและที่ราบสูงเป็นไปอย่างราบรื่นเพื่อให้ทราบถึงแนวโน้มต่างๆได้ง่ายขึ้นอันดับแรกลองดูที่ชุดข้อมูลเวลาของเรา คลิกการวิเคราะห์ข้อมูลคลิกที่นี่เพื่อโหลด Add-In Toolkit การวิเคราะห์ 3 เลือก Moving Average และคลิก OK.4 คลิกในกล่อง Input Range และเลือกช่วง B2 M2 5. คลิกที่ช่อง Interval และพิมพ์ 6.6 คลิกที่ Output Range และเลือกเซลล์ B3.8 วาดกราฟของค่าเหล่านี้การอธิบายเนื่องจากเราตั้งค่าช่วงเป็น 6 ค่าเฉลี่ยเคลื่อนที่คือค่าเฉลี่ยของ 5 จุดข้อมูลก่อนหน้าและ จุดข้อมูลปัจจุบันเป็นผลให้ยอดและหุบเขาถูกทำให้ราบเรียบกราฟแสดงแนวโน้มการเพิ่มขึ้น Excel ไม่สามารถคำนวณค่าเฉลี่ยเคลื่อนที่สำหรับจุดข้อมูล 5 จุดแรกเนื่องจากไม่มีจุดข้อมูลก่อนหน้านี้มากพอ 9 ทำซ้ำตามขั้นตอนที่ 2 ถึง 8 สำหรับช่วง 2 และช่วงเวลา 4. บทสรุป The la rger ช่วงเวลายิ่งยอดและหุบเขาจะเรียบขึ้นช่วงเวลาที่มีขนาดเล็กยิ่งใกล้กับค่าเฉลี่ยเคลื่อนที่จะเป็นจุดข้อมูลที่แท้จริงการคาดการณ์ในระดับปานกลางการคาดการณ์ขณะที่คุณอาจคาดเดาเรากำลังมองหาแนวทางที่ดั้งเดิมที่สุด แต่หวังว่าสิ่งเหล่านี้จะแนะนำอย่างคุ้มค่าสำหรับปัญหาด้านคอมพิวเตอร์บางส่วนที่เกี่ยวข้องกับการคาดการณ์ในสเปรดชีตในหลอดเลือดดำนี้เราจะดำเนินต่อไปโดยเริ่มจากจุดเริ่มต้นและเริ่มต้นทำงานกับการคาดการณ์เฉลี่ยเคลื่อนที่โดยเฉลี่ยการคาดการณ์เฉลี่ยทุกคนคุ้นเคยกับการย้าย การคาดการณ์โดยเฉลี่ยไม่ว่าพวกเขาจะเชื่อหรือไม่ว่านักศึกษาวิทยาลัยทุกคนทำแบบฝึกหัดตลอดเวลาคิดเกี่ยวกับคะแนนการทดสอบของคุณในหลักสูตรที่คุณกำลังจะมีการทดสอบสี่ครั้งระหว่างภาคการศึกษา Let s สมมติว่าคุณมี 85 คนในการทดสอบครั้งแรกของคุณ คุณคาดการณ์คะแนนทดสอบที่สองคุณคิดว่าครูของคุณจะคาดการณ์คะแนนทดสอบต่อไปคุณคิดว่าเพื่อนของคุณอาจเป็นอย่างไร dict สำหรับคะแนนการทดสอบต่อไปคุณคิดว่าพ่อแม่ของคุณอาจคาดเดาคะแนนการทดสอบต่อไปของคุณได้โดยไม่คำนึงถึงการทำร้ายทั้งหมดที่คุณอาจทำกับเพื่อนและผู้ปกครองของคุณพวกเขาและครูของคุณมีแนวโน้มที่จะคาดหวังว่าคุณจะได้รับอะไรบางอย่างใน พื้นที่ของ 85 ที่คุณเพิ่งได้ดีตอนนี้ให้สมมติว่าแม้จะมีการโปรโมตตัวเองให้กับเพื่อน ๆ ของคุณคุณจะประเมินตัวเองและคิดว่าคุณสามารถเรียนได้น้อยกว่าสำหรับการทดสอบที่สองและเพื่อให้คุณได้รับ 73. ตอนนี้ ทุกคนมีความกังวลและไม่แยแสที่จะคาดหวังว่าคุณจะได้รับการทดสอบที่สามของคุณมีสองวิธีที่เป็นไปได้มากสำหรับพวกเขาในการพัฒนาประมาณการโดยไม่คำนึงว่าพวกเขาจะแบ่งปันกับคุณหรือไม่พวกเขาอาจพูดกับตัวเองว่าผู้ชายคนนี้มักจะเป่า สูบบุหรี่เกี่ยวกับสมาร์ทของเขาเขาจะได้รับอีก 73 ถ้าเขาโชคดีอาจเป็นพ่อแม่จะพยายามที่จะสนับสนุนมากขึ้นและพูดว่าดีเพื่อให้ห่างไกลคุณได้รับ 85 และ 73 ดังนั้นบางทีคุณควรจะคิดเกี่ยวกับการเกี่ยวกับ 85 73 2 79 ฉันไม่ทราบบางทีถ้าคุณทำปาร์ตี้น้อยและ ไม่มีการพ่ายพังพอนไปทั่วสถานที่และถ้าคุณเริ่มต้นทำมากขึ้นการศึกษาที่คุณจะได้รับคะแนนสูงกว่าทั้งสองประมาณการเหล่านี้เป็นจริงการคาดการณ์เฉลี่ยโดยเฉลี่ยก่อนใช้เฉพาะคะแนนล่าสุดของคุณในการคาดการณ์ประสิทธิภาพในอนาคตของคุณ เรียกว่าการคาดการณ์ค่าเฉลี่ยเคลื่อนที่โดยใช้ช่วงเวลาหนึ่งของข้อมูลประการที่สองเป็นค่าพยากรณ์เฉลี่ยเคลื่อนที่ แต่ใช้สองช่วงของข้อมูลสมมติว่าคนเหล่านี้ทั้งหมด busting ในใจที่ดีของคุณมีการจัดเรียงของ pissed คุณปิดและคุณตัดสินใจที่จะทำ ดีในการทดสอบที่สามด้วยเหตุผลของคุณเองและจะนำคะแนนที่สูงขึ้นในด้านหน้าของพันธมิตรของคุณคุณจะทดสอบและคะแนนของคุณเป็นจริง 89 ทุกคนรวมทั้งตัวคุณเองเป็นที่ประทับใจตอนนี้คุณมีการทดสอบครั้งสุดท้ายของภาคการศึกษาที่มา ขึ้นและตามปกติคุณรู้สึกจำเป็นที่จะต้องกระตุ้นให้ทุกคนในการคาดการณ์ของพวกเขาเกี่ยวกับวิธีการที่คุณจะทำในการทดสอบครั้งสุดท้ายดีหวังว่าคุณจะเห็นรูปแบบตอนนี้หวังว่าคุณจะเห็นรูปแบบที่คุณเชื่อว่าเป็นที่ถูกต้องที่สุด Histl ขณะที่เราทำงานตอนนี้เรากลับไปที่ บริษัท ทำความสะอาดแห่งใหม่ซึ่งเริ่มต้นโดยพี่สาวที่แยกกันอยู่ของคุณชื่อ Whistle ขณะที่เราทำงานคุณมีข้อมูลการขายในอดีตที่แสดงโดยส่วนต่อไปนี้จากสเปรดชีตก่อนอื่นเราจะนำเสนอข้อมูลสำหรับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ย้อนหลัง 3 ช่วง รายการสำหรับเซลล์ C6 ควรเป็นตอนนี้คุณสามารถคัดลอกสูตรเซลล์นี้ลงไปที่เซลล์อื่น ๆ C7 ถึง C11.Notice ค่าเฉลี่ยของการเคลื่อนย้ายข้อมูลทางประวัติศาสตร์ล่าสุด แต่ใช้ระยะเวลาสามงวดล่าสุดสำหรับการคาดการณ์แต่ละครั้ง สังเกตเห็นว่าเราไม่จำเป็นต้องทำการคาดการณ์ในช่วงที่ผ่านมาเพื่อที่จะพัฒนาการคาดการณ์ล่าสุดของเราซึ่งแน่นอนว่าแตกต่างจากแบบจำลองการทำให้เรียบที่อธิบายไว้ก่อนหน้านี้ซึ่งรวมถึงการคาดการณ์ที่ผ่านมาเนื่องจากเราจะใช้ข้อมูลเหล่านี้ในหน้าเว็บถัดไปเพื่อวัดผล ทำนาย validity. Now ฉันต้องการที่จะนำเสนอผลที่คล้ายคลึงกันสำหรับระยะเวลาสองคาดการณ์การเคลื่อนไหวเฉลี่ยรายการสำหรับเซลล์ C5 ควรจะเป็นตอนนี้คุณสามารถคัดลอกสูตรเซลล์นี้ ลงไปที่เซลล์อื่น ๆ C6 ถึง C11.Notice ตอนนี้เพียงสองชิ้นล่าสุดของข้อมูลทางประวัติศาสตร์ที่ใช้สำหรับการคาดการณ์แต่ละครั้งที่ฉันได้รวมการคาดการณ์ที่ผ่านมาเพื่อเป็นตัวอย่างและเพื่อใช้ในภายหลังในการตรวจสอบการคาดการณ์สิ่งอื่น ๆ ที่มี ความสำคัญที่จะต้องแจ้งให้ทราบล่วงหน้าสำหรับการคาดการณ์ค่าเฉลี่ยของระยะเวลา m-m เฉพาะค่าข้อมูลล่าสุดของ m ที่ใช้เพื่อทำให้การคาดการณ์ไม่มีสิ่งใดที่จำเป็นสำหรับระยะเวลาการเคลื่อนที่โดยเฉลี่ยของ m-period เมื่อทำการคาดการณ์ที่ผ่านมาสังเกตว่าการทำนายครั้งแรกเกิดขึ้น ในช่วง m 1. ปัญหาเหล่านี้จะมีความสำคัญมากเมื่อเราพัฒนาโค้ดของเราการพัฒนาฟังก์ชัน Average Moving ตอนนี้เราจำเป็นต้องพัฒนาโค้ดสำหรับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ที่สามารถใช้งานได้อย่างคล่องตัวมากขึ้นโค้ดดังต่อไปนี้สังเกตว่า input เป็น สำหรับจำนวนรอบระยะเวลาที่คุณต้องการใช้ในการคาดการณ์และอาร์เรย์ของค่าทางประวัติศาสตร์คุณสามารถเก็บไว้ในสมุดงานที่คุณต้องการใด ๆ MovementAverage ฟังก์ชันประวัติศาสตร์ NumberOfPeriods เป็นบาป gle การประกาศและการเริ่มต้นตัวแปร Dim Item As Variant Dim Counter เป็นจำนวนเต็ม Integer Dim เป็น Single Dim HistoricalSize As Integer Initializing variables Counter 1 Accumulation 0 การกำหนดขนาดของอาร์เรย์ HistoricalSize. For สำหรับ Counter 1 ถึง NumberOfPeriods สะสมจำนวนที่เหมาะสมของค่าที่สังเกตก่อนหน้านี้สะสมสะสมข้อมูลประวัติ HistoricalSize - NumberOfPeriods Counter. MovingAverage การสะสม NumberOfPeriods รหัสจะอธิบายในชั้นเรียนคุณต้องการวางตำแหน่งฟังก์ชันในสเปรดชีตเพื่อให้ผลลัพธ์ของการคำนวณปรากฏขึ้นที่ควร ตัวอย่างเช่นน้ำหนักที่วางไว้ในข้อมูลทางประวัติศาสตร์ล่าสุดหรือช่วงวันที่ของข้อมูลที่ผ่านมาที่ใช้ในการคำนวณ ตัวอย่างต่อไปนี้แสดงขั้นตอนการคำนวณสำหรับแต่ละวิธีการคาดการณ์ที่พร้อมใช้งานให้ข้อมูลเชิงประวัติที่เหมือนกันตัวอย่างต่อไปนี้ใช้ข้อมูลการขายแบบเดียวกันสำหรับปีพ. ศ. 2547 และปี 2548 เพื่อสร้างการคาดการณ์ยอดขายในปี 2549 นอกเหนือจากการคาดการณ์ การคำนวณแต่ละตัวอย่างรวมถึงการจำลอง 2005 สำหรับ recast สำหรับตัวเลือกการประมวลผล holdout สามเดือน 19 3 ซึ่งใช้แล้วสำหรับเปอร์เซ็นต์ของความถูกต้องและการคำนวณค่าเบี่ยงเบนสัมบูรณ์หมายถึงยอดขายที่เกิดขึ้นจริงเมื่อเทียบกับการคาดการณ์แบบจำลอง A 2 เกณฑ์การประเมินผลการพยากรณ์ผลพยากรณ์ขึ้นอยู่กับการเลือกตัวเลือกการประมวลผลและแนวโน้มและ รูปแบบที่มีอยู่ในข้อมูลการขายวิธีการคาดการณ์บางอย่างจะทำงานได้ดีกว่าข้อมูลอื่นสำหรับชุดข้อมูลทางประวัติศาสตร์ที่กำหนดวิธีการคาดการณ์ที่เหมาะสมสำหรับผลิตภัณฑ์หนึ่งอาจไม่เหมาะสมสำหรับผลิตภัณฑ์อื่นนอกจากนี้ยังไม่น่าเป็นไปได้ว่าวิธีการคาดการณ์ที่ให้ผลดีที่ ขั้นตอนหนึ่งของวัฏจักรชีวิตของผลิตภัณฑ์จะยังคงเหมาะสมตลอดวงจรชีวิตคุณสามารถเลือกระหว่างสองวิธีเพื่อประเมินประสิทธิภาพปัจจุบันของวิธีการคาดการณ์เหล่านี้คือค่าส่วนเบี่ยงเบนสัมบูรณ์ MAD เฉลี่ยและเปอร์เซ็นต์ความถูกต้อง POA ทั้งสองวิธีการประเมินผลการปฏิบัติงานเหล่านี้ต้องใช้ ข้อมูลการขายในอดีตสำหรับผู้ใช้ที่ระบุช่วงเวลาระยะเวลานี้คือ เรียกว่าระยะเวลาการระงับหรือช่วงเวลาที่เหมาะสมกับ PBF ข้อมูลในช่วงนี้ใช้เป็นข้อมูลพื้นฐานสำหรับแนะนำวิธีการคาดการณ์ที่จะใช้ในการทำประมาณการต่อไปข้อเสนอแนะนี้มีความเฉพาะเจาะจงกับแต่ละผลิตภัณฑ์และอาจเปลี่ยนแปลงจากการคาดการณ์หนึ่งไปเป็น ถัดไปสองวิธีการประเมินผลการคาดการณ์แสดงในหน้าต่อไปนี้ตัวอย่างของสิบสองวิธีการคาดการณ์ A 3 วิธีที่ 1 - ร้อยละที่ระบุในปีที่ผ่านมาวิธีนี้จะคูณข้อมูลการขายจากปีก่อนโดยผู้ใช้ที่ระบุปัจจัยเช่น 1 10 สำหรับการเพิ่มขึ้น 10 หรือ 0 97 สำหรับการลดลง 3 ประวัติการขายที่ต้องการหนึ่งปีสำหรับการคำนวณการคาดการณ์บวกจำนวนผู้ใช้ที่ระบุช่วงเวลาสำหรับการประเมินตัวเลือกการประมวลผลประสิทธิภาพการคาดการณ์ 19.A 4 1 การคำนวณพยากรณ์ความแตกต่างของประวัติการขาย เพื่อใช้ในการคำนวณตัวเลือกการประมวลผลการเจริญเติบโต 2a 3 ในตัวอย่างนี้สามเดือนสุดท้ายของปี 2005 114 119 137 370.Sum เดียวกันสามเดือนสำหรับ p ปีที่น่าชื่นชม 123 139 133 395. คำนวณปัจจัย 370 395 0 9367 คำนวณประมาณการมกราคม พ. ศ. 2548 ยอดขาย 128 0 9367 119 8036 หรือประมาณ 120. กุมภาพันธ์งบการเงิน 2548 117 0 9367 109 5939 หรือประมาณ 110 ล้านบาทยอดขายปี 2548 115 0 9367 107 7205 หรือประมาณ 108.A 4 2 การคำนวณพยากรณ์แบบจำลองสมมติฐานสามเดือนแรกของปีพ. ศ. 2548 ก่อนระยะเวลาการระงับการให้บริการเดือนกรกฎาคมสิงหาคมกันยายนกันยายนกันยายน 140 131 400 รวมสามเดือนสำหรับปีก่อนหน้า 128 128 118 387 ปัจจัยที่คำนวณได้ 400 387 1 033591731 คำนวณประมาณการที่คาดการณ์ไว้ตุลาคม 2547 ขาย 123 1 033591731 127 13178.November, 2004 sales 139 1 033591731 143 66925 ธันวาคม 2547 ขาย 133 1 033591731 137 4677.A 4 3 เปอร์เซ็นต์ของการคำนวณความถูกต้อง. POA 127 13178 143 66925 137 4677 114 119 137 100 408 26873 370 100 110 3429.A 4 4 การคำนวณค่าเบี่ยงเบนสัมบูรณ์ที่มีค่าเฉลี่ยปานกลาง 127 13178 - 114 143 66925 - 119 137 4677 137 3 13 13178 24 66925 0 4677 3 12 75624 A 5 วิธีที่ 3 - ปีที่ผ่านมาในปีนี้วิธีการนี้จะคัดลอกข้อมูลการขายจากปีที่แล้วไปยังปีถัดไป ired ประวัติการขายหนึ่งปีสำหรับการคำนวณการคาดการณ์บวกจำนวนของช่วงเวลาที่ระบุไว้สำหรับการประเมินตัวเลือกการประมวลผลการคาดการณ์ 19.A 6 1 การคำนวณพยากรณ์จำนวนวันที่จะรวมอยู่ในตัวเลือกการประมวลผลเฉลี่ย 4a 3 ในตัวอย่างนี้สำหรับแต่ละเดือน ของประมาณการโดยเฉลี่ยแล้วข้อมูลสามเดือนก่อนการคาดการณ์มกราคม 119 119 137 370, 370 3 123 333 หรือ 123. การคาดการณ์ในเดือนกุมภาพันธ์ 119 137 123 379, 379 3 126 333 หรือ 126 การคาดการณ์ของตลาด 137 123 126 379, 386 3 128 667 หรือ 129.A 6 2 การคำนวณพยากรณ์จำลองตุลาคม 2548 ยอดขาย 129 140 131 3 133 3333.November 2005 ขาย 140 131 114 3 128 3333 ธันวาคม 2548 ขาย 131 114 119 3 121 3333.A 6 3 เปอร์เซ็นต์ของการคำนวณความถูกต้อง PAO 133 3333 128 3333 121 3333 114 119 137 100 103 513.A 6 4 การคํานวณคาเบี่ยงเบนสัมบูรณ์คาเฉลี่ย MAD 133 3333 - 114 128 3333 - 119 121 3333 - 137 3 14 7777.A 7 วิธีที่ 5 - การประมาณคาเสนใยประมาณคาประมาณโดยประมาณ แนวโน้มขึ้นอยู่กับสองจุดข้อมูลประวัติการขายคะแนนสองจุด d efine เส้นแนวโน้มแบบตรงที่คาดการณ์ในอนาคตใช้วิธีนี้ด้วยความระมัดระวังเนื่องจากการคาดการณ์ระยะยาวจะใช้ประโยชน์จากการเปลี่ยนแปลงเพียงเล็กน้อยในสองจุดข้อมูลประวัติการขายที่ต้องการจำนวนรอบที่จะรวมไว้ในตัวเลือกการประมวลผลการถดถอย 5a บวก 1 บวก จำนวนรอบระยะเวลาสำหรับการประเมินตัวประมวลผลการคาดการณ์การประมวลผล 19.A 8 1 การคำนวณพยากรณ์จำนวนวันที่จะรวมในตัวเลือกการประมวลผลการถดถอย 6a 3 ในตัวอย่างนี้สำหรับแต่ละเดือนของการคาดการณ์เพิ่มการเพิ่มขึ้นหรือลดลงในช่วงระยะเวลาที่กำหนด ก่อนช่วงเวลาที่คาดว่าจะเกิดขึ้นในช่วงก่อนหน้านี้ค่าเฉลี่ยย้อนหลัง 3 เดือน 114 119 137 3 123 3333 ในช่วง 3 เดือนที่ผ่านมาโดยพิจารณาน้ำหนัก 114 1 119 2 137 3 763 ความแตกต่างระหว่างค่า 763 - 123 3333 1 2 3 23.Ratio 1 2 2 2 3 2 - 2 3 14 - 12 2. อัตราส่วน 1 อัตราส่วนความแตกต่าง 23 2 11 5. มูลค่า 2 มูลค่าเฉลี่ย 1 123 3333 - 11 5 2 100 3333.Forecast 1 n value1 มูลค่า 2 4 11 5 100 3333 146 333 หรือ 146.Forecast 5 11 5 100 3333 157 8333 หรือ 158.Forecast 6 11 5 100 3333 169 3333 หรือ 169.A 8 2 การคำนวณโดยใช้การคำนวณแบบจำลองคำนวณจากยอดขายในช่วงเดือนตุลาคม 2547 ที่ผ่านมา . 129 140 131 3 133 3333 ในช่วง 3 เดือนที่ผ่านมาโดยพิจารณาน้ำหนัก 129 1 140 2 131 3 802 ความแตกต่างระหว่างค่า 802 - 133 3333 1 2 3 2.Ratio 1 2 2 2 3 2 - 2 3 14 - 12 2.Value1 อัตราส่วนความแตกต่าง 2 2 1.Value2 ค่าเฉลี่ย - ค่า 1 133 3333 - 1 2 131 3333.Forecast 1 n value1 value2 4 1 131 3333 135 3333.November 2004 sales. Average ของสามเดือนก่อนหน้า 140 131 114 3 128 3333 ในช่วง 3 เดือนที่ผ่านมาโดยพิจารณาน้ำหนัก 140 1 131 2 114 3 744 ความแตกต่างระหว่างค่า 744 - 128 3333 1 2 3 -25 9999. ค่า 1 อัตราส่วนความแตกต่าง -25 9999 2 -12 9999.Value2 ค่าเฉลี่ย - ค่า 1 128 3333 - -12 9999 2 154 3333.Forecast 4 -12 9999 154 3333 102 3333 ยอดขายของเดือนธันวาคม 2547 โดยประมาณช่วง 3 เดือนที่ผ่านมา 131 114 119 3 121 3333 ในช่วง 3 เดือนที่ผ่านมาโดยพิจารณาน้ำหนัก 131 1 114 2 119 3 716 ความแตกต่างระหว่างค่า 716 - 121 3333 1 2 3 -11 9999. ค่า 1 อัตราส่วนความแตกต่าง -11 9999 2 -5 9999. มูลค่า 2 ค่าเฉลี่ย 1 อัตราส่วน 121 3333 - -5 9999 2 133 3333.Forecast 4 -5 9999 133 3333 109 3333.A 8 3 ร้อยละของการคำนวณความถูกต้อง 135 135 33 109 33 114 119 137 100 93 78.A 8 4 การคำนวณค่าเบี่ยงเบนสัมบูรณ์เฉลี่ย. 135 135 33 - 119 109 33 - 137 3 21 88.A 9 วิธีที่ 7 - การประมาณค่าประมาณค่าการถดถอยเชิงเส้นกำหนดค่าสำหรับ a และ b ในสูตรคาดการณ์ Y a bX โดยมีวัตถุประสงค์เพื่อให้เหมาะสมกับข้อมูลประวัติการขายการประมาณระดับที่สองคล้ายกันอย่างไรก็ตามวิธีนี้กำหนดค่าสำหรับ a, b และ c ใน สูตรการคาดการณ์ Y a bX cX2 โดยมีวัตถุประสงค์เพื่อให้เหมาะสมกับข้อมูลประวัติการขายวิธีนี้อาจเป็นประโยชน์เมื่อผลิตภัณฑ์อยู่ระหว่างการเปลี่ยนแปลงระหว่างขั้นตอนของวัฏจักรชีวิตตัวอย่างเช่นเมื่อผลิตภัณฑ์ใหม่เปลี่ยนจากการแนะนำสู่ขั้นตอนการเจริญเติบโต แนวโน้มการขายอาจเร่งตัวขึ้นเนื่องจากคำสั่งซื้อลำดับที่สองการคาดการณ์สามารถเข้าใกล้ได้อย่างรวดเร็ว infinity หรือลดลงเป็นศูนย์ขึ้นอยู่กับว่าค่าสัมประสิทธิ์ c เป็นบวกหรือลบดังนั้นวิธีนี้มีประโยชน์เฉพาะในระยะเวลาสั้น ๆ ข้อกำหนดของ Forecast สูตรจะพบ a, b และ c ให้พอดีกับเส้นโค้งตรงกับจุดสามจุดที่คุณระบุ n ใน ตัวอยางการประมวลผล 7a จํานวนชวงเวลาที่จะเก็บขอมูลลงในแตละจุดในตัวอย่างนี้ n 3 ดังนั้นข้อมูลการขายจริงสําหรับเดือนเมษายนถึงมิถุนายนรวมกันเป็นจุดแรกตั้งแต่ Q1 กรกฎาคมถึงกันยายนจะถูกรวมเข้าด้วยกันเพื่อสร้าง Q2 และเดือนตุลาคมถึงเดือนธันวาคมถึง Q3 เส้นโค้งจะพอดีกับสามค่า Q1, Q2 และ Q3 ประวัติการขายที่ต้องการ 3 n งวดสำหรับการคำนวณการคาดการณ์บวกจำนวนของช่วงเวลาที่จำเป็นสำหรับการประเมินประสิทธิภาพการคาดการณ์ PBF จำนวนของ ระยะเวลาที่จะรวมตัวเลือกการประมวลผล 7a 3 ในตัวอย่างนี้ใช้ 3 เดือนที่ผ่านมาในช่วง 3 เดือนก่อนหน้า Q1 เม. ย. - มิ.ย. 125 122 137 384.Q2 ก. ค. - ก. ย. 129 140 131 400.Q3 ต. ค. - ธ. ค. 114 119 137 370 ขั้นตอนต่อไปคือ c การคำนวณหาค่าสัมประสิทธิ์ทั้งสามแบบ a, b และ c เพื่อใช้ในสูตรการคาดการณ์ Y a bX cX 2. 1 Q 1 a bX cX 2 โดยที่ X 1 a b c. 2 Q2 a bX cX 2 โดยที่ X 2 a 2b 4 c 3 Q3 a bX cX 2 โดยที่ X 3 a 3b 9c สมการสมการทั้งสามสมการหาสมการ b, a และ c สมการ 1 จากสมการที่ 2 และแก้สมการ b แทนสมการนี้ให้เป็นสมการที่ 3 3 Q3 a 3 Q2 - Q1 - 3c c. ท้ายสุดแทนสมการเหล่านี้สำหรับ a และ b ให้เป็นสมการ 1. Q3 - 3 Q2 - Q1 q2 - Q1 - 3c c Q1.c Q3 - Q2 Q1 - Q2 2. วิธีการประมาณค่าระดับที่สอง a, b และ c ดังต่อไปนี้ Q3 - 3 Q2 - Q1 370 - 3 400 - 384 322.c Q3 - Q2 Q1 - Q2 2 370 - 400 384 - 400 2 - 23.b Q2 - Q1 - 3c 400 - 384 - 3 -23 85.Y a bX cX 2 322 85 X -23 X 2. เดือนมกราคมถึงเดือนมีนาคมที่คาดการณ์ X 4 322 340 - 368 3 294 3 98 ต่องวดเมษายนถึงมิถุนายนคาดการณ์ X 5. 322 425 - 575 3 57 333 หรือ 57 ต่องวดตั้งแต่เดือนกรกฎาคมถึงเดือนกันยายนที่คาดการณ์ไว้ X 6 322 510 - 828 3 1 33 หรือ 1 ต่อรอบเดือนตุลาคมถึงธันวาคม X 32 325 595 - 1127 3 - 70.A 9 2 การคำนวณพยากรณ์แบบจำลองตุลาคม และธันวาคม 2547 ยอดขายไตรมาสที่ 1 ม. ค. - มี.ค. 360.Q2 เม. ย. - มิ.ย. 384.Q3 ก. ค. - ก. ย. 400.a 400 - 3 384 - 360 328.c 400 - 384 360 - 384 2 -4.b 384 - 360 - 3 -4 36. 328 36 4 -4 16 3 136.A 9 3 เปอร์เซ็นต์ของการคำนวณความถูกต้อง 136. 136 136 114 119 137 110 110 27.A 9 4 การคำนวณค่าเบี่ยงเบนสัมบูรณ์ที่มีค่าเฉลี่ย 136 - 114 136 - 119 136 - 137 3 13 33.A 10 วิธีที่ 8 - วิธีที่ยืดหยุ่นวิธีการยืดหยุ่นร้อยละกว่า n เดือนก่อนมีลักษณะใกล้เคียงกับวิธีที่ 1 ร้อยละเมื่อเทียบกับปีก่อนทั้งสองวิธีคูณยอดขายจากช่วงเวลาก่อนหน้าโดยผู้ใช้ระบุปัจจัย จากนั้นจึงคาดการณ์ผลลัพธ์ในอนาคตในรูปแบบเปอร์เซ็นต์ต่อปีที่ผ่านมาการฉายภาพจะขึ้นอยู่กับข้อมูลจากช่วงเวลาเดียวกันของปีก่อนวิธีการแบบยืดหยุ่นนี้เพิ่มความสามารถในการระบุช่วงเวลาอื่นนอกเหนือจากช่วงเดียวกันของปีที่แล้ว ใช้เป็นเกณฑ์ในการคำนวณปัจจัยการขยายตัวตัวอย่างเช่นระบุ 1 15 ในตัวเลือกการประมวลผล 8b เพื่อเพิ่มข้อมูลประวัติการขายก่อนหน้านี้โดยระยะเวลา 15.Base ตัวอย่างเช่น n 3 จะทำให้การคาดการณ์ครั้งแรกขึ้นอยู่กับข้อมูลการขายใน ตุลาคม 2548 ประวัติการขายขั้นต่ำผู้ใช้ระบุหมายเลข o f ระยะเวลาย้อนกลับไปยังช่วงเวลาพื้นฐานบวกกับจำนวนช่วงเวลาที่จำเป็นสำหรับการประเมินผลการคาดการณ์ PBF. A 10 4 การคำนวณค่าเบี่ยงเบนสัมบูรณ์เฉลี่ย MAD 148 - 114 161 - 119 151 - 137 3 30.A 11 วิธีที่ 9 - การถ่วงน้ำหนัก เฉลี่ยถ่วงน้ำหนักเฉลี่ย WMA วิธีการเคลื่อนที่คล้ายกับวิธีที่ 4, Moving Average MA แต่ด้วยค่าเฉลี่ยถ่วงน้ำหนักที่คุณสามารถกำหนดน้ำหนักไม่เท่ากันกับข้อมูลทางประวัติศาสตร์วิธีการคำนวณค่าเฉลี่ยถ่วงน้ำหนักของประวัติการขายล่าสุดที่จะมาถึงการฉายสำหรับ ระยะสั้นข้อมูลล่าสุดมักได้รับมอบหมายให้มีน้ำหนักมากกว่าข้อมูลที่เก่ากว่าดังนั้นจึงทำให้ WMA มีการตอบสนองต่อการเปลี่ยนแปลงในระดับการขายอย่างไรก็ตามคาดการณ์อคติและข้อผิดพลาดอย่างเป็นระบบยังคงเกิดขึ้นเมื่อประวัติการขายของผลิตภัณฑ์แสดงแนวโน้มที่แข็งแกร่งหรือตามฤดูกาล วิธีการทำงานได้ดียิ่งขึ้นสำหรับการคาดการณ์ในระยะสั้นของผลิตภัณฑ์ที่เป็นผู้ใหญ่มากกว่าสำหรับผลิตภัณฑ์ที่อยู่ในช่วงการเจริญเติบโตหรือเสื่อมคุณภาพของวัฏจักรชีวิตในช่วงระยะเวลาของประวัติการขายที่จะใช้ การคำนวณการคาดการณ์ตัวอย่างเช่นระบุ n 3 ในตัวเลือกการประมวลผล 9a เพื่อใช้ช่วงสามงวดล่าสุดเป็นเกณฑ์สำหรับการประมาณการในช่วงเวลาถัดไปค่าที่มีขนาดใหญ่สำหรับ n เช่น 12 ต้องการประวัติการขายเพิ่มขึ้นส่งผลให้เกิดการคาดการณ์ที่มีเสถียรภาพ แต่จะช้าที่จะรับรู้ถึงการเปลี่ยนแปลงในระดับของยอดขายในทางกลับกันค่าเล็กน้อยสำหรับ n เช่น 3 จะตอบสนองได้เร็วขึ้นเพื่อเลื่อนระดับของยอดขาย แต่การคาดการณ์อาจผันผวนอย่างกว้างขวางว่าการผลิตไม่สามารถตอบสนองต่อ น้ำหนักที่กำหนดให้กับแต่ละช่วงข้อมูลที่ผ่านมาน้ำหนักที่กำหนดให้ต้องรวมเป็น 1 00 ตัวอย่างเช่นเมื่อ n 3 ให้กำหนดน้ำหนักของ 0 6, 0 3 และ 0 1 โดยข้อมูลล่าสุดที่ได้รับน้ำหนักมากที่สุด ประวัติการขายที่ต้องการขั้นต่ำ n บวกจำนวนช่วงเวลาที่จำเป็นสำหรับการประเมินผลการคาดการณ์ PBF MAD 133 5 - 114 121 7 - 119 118 7 - 137 3 13 5.A 12 วิธีที่ 10 - การทำให้เรียบแบบ Linear Smoothing วิธีนี้คล้ายกับ วิธีที่ 9, Weighted Moving Average WMA วิธีการ เคยแทนการกำหนดน้ำหนักโดยพลการในข้อมูลทางประวัติศาสตร์สูตรจะใช้เพื่อกำหนดน้ำหนักที่ลดลงเป็นเชิงเส้นและรวมเป็น 1 00 วิธีคำนวณค่าเฉลี่ยถ่วงน้ำหนักของประวัติการขายล่าสุดที่จะมาถึงการฉายในระยะสั้นเช่นเดียวกับ จริงของทุกเทคนิคการคาดการณ์การเคลื่อนที่โดยเฉลี่ยเชิงเส้นแนวโน้มการคาดการณ์และข้อผิดพลาดที่เป็นระบบเกิดขึ้นเมื่อประวัติการขายของผลิตภัณฑ์มีแนวโน้มที่แข็งแกร่งหรือเป็นฤดูกาลวิธีนี้ใช้ได้ผลดีสำหรับการคาดการณ์ในระยะสั้นของผลิตภัณฑ์ที่เป็นผู้ใหญ่มากกว่าผลิตภัณฑ์ที่อยู่ในช่วงการเติบโตหรือเสื่อมคุณภาพชีวิต cycle. n จำนวนระยะเวลาของประวัติการขายที่จะใช้ในการคำนวณคาดการณ์ซึ่งระบุไว้ในตัวเลือกการประมวลผล 10a ตัวอย่างเช่นระบุ n 3 ในตัวเลือกการประมวลผล 10b เพื่อใช้ช่วง 3 งวดล่าสุดเป็นเกณฑ์สำหรับการฉายภาพลงใน ช่วงเวลาถัดไประบบจะกำหนดน้ำหนักให้กับข้อมูลทางประวัติศาสตร์ที่ลดลงเป็นเชิงเส้นและรวมกันเป็น 1 00 ตัวอย่างเช่นเมื่อ n 3 s ystem จะกำหนดน้ำหนักของ 0 5, 0 3333 และ 0 1 โดยข้อมูลล่าสุดที่ได้รับน้ำหนักมากที่สุดต้องมีประวัติการขายที่ต้องการขั้นต่ำ n รวมจำนวนงวดที่จำเป็นสำหรับการประเมินผลการพยากรณ์อากาศ PBF A 12 1 การคำนวณพยากรณ์ จำนวนงวดที่จะรวมไว้ในตัวเลือกการประมวลผลเฉลี่ยที่ราบรื่น 10a 3 ในตัวอย่างนี้ระยะเวลาหนึ่งก่อน 3 วินาที 2 3 3 2 3 2 3 6 0 5. การเรต 2 ครั้งก่อน 2 n 2 n 2 2 3 2 3 2 2 6 0 3333. ระยะเวลาสามช่วงก่อน 1 n 2 n 2 1 3 2 3 2 1 6 0 1666. การคาดการณ์ในเดือนมกราคม 137 0 5 119 1 3 114 1 6 127 16 หรือ 127. การคาดการณ์กุมภาพันธ์ 127 0 5 137 1 3 119 1 6 129 การคาดการณ์ของตลาด 129 0 5 127 1 3 137 1 6 129 666 หรือ 130.A 12 2 การคำนวณโดยใช้การพยากรณ์แบบจำลองตุลาคม 2547 ขาย 129 1 6 140 2 6 131 3 6 133 6666.November 2004 sales 140 1 6 131 2 6 114 3 6 124 ยอดขายเดือนธันวาคม 2547 131 1 6 114 2 6 119 3 6 119 3333.A 12 3 รอยละของการคํานวณความถูกตอง 133 133 6666 124 119 3333 114 119 137 100 101 891.A 12 4 คาเฉลี่ยการเบี่ยงเบนสัมบูรณ์.MAD 133 6666 - 114 124 - 119 119 3333 - 137 3 14 1111.A 13 วิธีที่ 11 - สมูทตีแบบ Exponential วิธีนี้คล้ายคลึงกับวิธีที่ 10 การปรับ Linear ใน Linear Smoothing ระบบจะกำหนดน้ำหนักให้กับข้อมูลทางประวัติศาสตร์ที่ลดลงแบบเป็นเส้นตรง ระบบจะกำหนดน้ำหนักที่มีการสลายตัวแบบเลขชี้กำลังสมการพยากรณ์ความราบเรียบแบบเสวนาคือ Forecast การขายจริงที่เกิดขึ้นก่อนหน้านี้ 1 - a การคาดการณ์ก่อนหน้านี้การคาดการณ์คือค่าเฉลี่ยถ่วงน้ำหนักของยอดขายจริงจากช่วงก่อนหน้าและการคาดการณ์จากช่วงก่อนหน้า a คือ น้ำหนักที่ใช้กับยอดขายที่เกิดขึ้นจริงสำหรับช่วงเวลาก่อนหน้า 1 - a คือน้ำหนักที่ใช้กับการคาดการณ์สำหรับงวดก่อนหน้าค่าที่ถูกต้องสำหรับช่วงตั้งแต่ 0 ถึง 1 และโดยปกติจะอยู่ระหว่าง 0 1 ถึง 0 4 ผลรวมของน้ำหนักคือ 1 00 a 1 - a 1. คุณควรกำหนดค่าสำหรับค่าคงที่ที่ราบเรียบ a หากคุณไม่ได้กำหนดค่าสำหรับค่าคงที่ที่ราบเรียบระบบจะคำนวณค่าที่สันนิษฐานขึ้นอยู่กับจำนวนรอบระยะเวลาของประวัติการขาย d ในตัวประมวลผล 11a. a ค่าคงที่ที่ราบเรียบที่ใช้ในการคำนวณค่าเฉลี่ยที่ราบเรียบสำหรับระดับทั่วไปหรือขนาดของการขายค่าที่ถูกต้องสำหรับช่วงตั้งแต่ 0 ถึง 1.n ช่วงของข้อมูลประวัติการขายเพื่อรวมไว้ในการคำนวณโดยทั่วไปหนึ่งปี ของข้อมูลประวัติการขายก็เพียงพอที่จะประมาณยอดขายทั่วไปตัวอย่างเช่นค่า nn ขนาดเล็ก 3 ถูกเลือกเพื่อลดการคำนวณด้วยตนเองที่จำเป็นในการตรวจสอบผลลัพธ์การทำให้เรียบแบบเสแสร้งสามารถสร้างการคาดการณ์โดยอิงตามประวัติการศึกษาเพียงเล็กน้อย จุดข้อมูลประวัติการขายที่จำเป็นขั้นต่ำ n รวมจำนวนงวดที่จำเป็นสำหรับการประเมินผลการพยากรณ์อากาศ PBF. A 13 1 การคำนวณพยากรณ์จำนวนวันที่จะรวมไว้ในตัวเลือกการประมวลผลเฉลี่ยที่ราบรื่น 11a 3 และตัวเลือกการประมวลผลอัลฟาปัจจัย 11b ว่างไว้ในนี้ ตัวอย่างเช่นปัจจัยสำหรับข้อมูลการขายที่เก่าแก่ที่สุด 2 1 1 หรือ 1 เมื่อระบุ alpha เป็นปัจจัยสำหรับข้อมูลการขายที่เก่าแก่ที่สุดอันดับ 2 2 1 2 หรือ alpha เมื่อระบุ alpha เป็นปัจจัย สำหรับข้อมูลการขายที่เก่าแก่ที่สุดอันดับที่ 3 3 หรืออัลฟาเมื่อระบุ alpha เป็นปัจจัยสำหรับข้อมูลการขายล่าสุด 2 1 n หรือ alpha เมื่อระบุ alpha เดือนพฤศจิกายน Sm เฉลี่ยเดือนตุลาคมจริง 1 - ต. ค. Sm เฉลี่ย 1 114 0 0 114. ธันวาคม Sm เฉลี่ยพฤศจิกายนจริง 1 - พฤศจิกายน Sm เฉลี่ย 2 3 119 1 3 114 117 3333.January Forecast ธันวาคมจริง 1 - ธันวาคม Sm เฉลี่ย 2 4 137 2 4 117 3333 127 16665 หรือ 127. February Forecast พยากรณ์มกราคมพยากรณ์อากาศ 127. พยากรณ์อากาศมกราคมพยากรณ์ 127.A 13 2 การคำนวณพยากรณ์จำลองกรกฎาคม 2547 Sm เฉลี่ย 2 2 129 129.August Sm เฉลี่ย 2 3 140 1 3 129 136 3333 กันยายน Sm เฉลี่ย 2 4 131 2 4 136 3333 133 6666 ตุลาคมตุลาคม 2547 กันยายน ก. ค. สมปทุมธานี พ. ศ. 2543 สิงหาคม 2547 Sm เฉลี่ย 2 2 140 140 กันยายน Sm เฉลี่ย 2 3 131 1 3 140 134. ตุลาคมตุลาคม Sm เฉลี่ย 2 4 114 2 4 134 124. พฤศจิกายน 2547 กันยายนกันยายน เฉลี่ย 124 สค. 2547 มรสุมเฉลี่ย 2 2 131 131 ตร. ต. ร.ว. เฉลี่ย 2 3 114 1 3 131 119 6666.November Sm เฉลี่ย 2 4 119 2 4 119 6666 119 3333 ยอดขายเดือน พ. ย. 2547 ก. ย. สม. 119 3333.A 13 3 เปอร์เซ็นต์ ของความถูกต้อง Calcula การคำนวณความเบี่ยงเบนสัมบูรณ์เฉลี่ย 133 133 6666 114 124 119 119 3333 137 3 14 1111.A 14 วิธีที่ 12 การเรียบเนียนแบบเสแสร้งตามแนวโน้มและฤดูกาล วิธีนี้มีลักษณะคล้ายกับวิธีที่ 11 Exponential Smoothing โดยมีการคำนวณค่าเฉลี่ยที่ราบเรียบอย่างไรก็ตามวิธีที่ 12 รวมถึงเทอมในสมการพยากรณ์เพื่อคำนวณแนวโน้มที่ราบรื่นการคาดการณ์จะประกอบด้วยค่าเฉลี่ยที่ราบรื่นปรับตามแนวโน้มเชิงเส้น ในตัวประมวลผลการคาดการณ์ยังมีการปรับค่าตามฤดูกาลเช่นค่าคงที่ที่ราบเรียบที่ใช้ในการคำนวณค่าเฉลี่ยที่เรียบสำหรับระดับทั่วไปหรือขนาดของยอดขายค่าที่ถูกต้องสำหรับช่วงอัลฟาตั้งแต่ 0 ถึง 1b ค่าคงที่ที่ราบเรียบที่ใช้ในการคำนวณค่าความเรียบ ค่าเฉลี่ยสำหรับส่วนประกอบแนวโน้มของการคาดการณ์ค่าที่ถูกต้องสำหรับช่วงเบต้าตั้งแต่ 0 ถึง 1. ไม่ว่าจะใช้ดัชนีตามฤดูกาลกับ forecast. a และ b จะไม่ขึ้นกับแต่ละอื่น ๆ พวกเขาไม่จำเป็นต้องเพิ่มเป็น 1 0.Min imum จำเป็นต้องขายประวัติสองปีบวกจำนวนรอบระยะเวลาที่จำเป็นสำหรับการประเมินผลการคาดการณ์ประสิทธิภาพ PBF วิธีที่ 12 ใช้สมการราบเรียบสองเลขและหนึ่งค่าเฉลี่ยที่เรียบง่ายในการคำนวณค่าเฉลี่ยที่ราบเรียบแนวโน้มเรียบและปัจจัยฤดูกาลตามฤดูกาลที่เรียบง่าย A 14 1 Forecast Calculation. A ค่าเฉลี่ยที่ได้รับการอธิบายอย่างละเอียด MAD 122 81 - 114 133 14 - 119 135 33 - 137 3 8 2.A 15 การประเมิน Forecasts. You สามารถเลือกวิธีการคาดการณ์เพื่อสร้างการคาดการณ์ได้ถึงสิบสองครั้งสำหรับแต่ละผลิตภัณฑ์ วิธีการอาจจะสร้างการประมาณการที่แตกต่างกันเล็กน้อยเมื่อหลายพันผลิตภัณฑ์มีการคาดการณ์จะไม่เป็นประโยชน์ในการตัดสินใจอัตนัยเกี่ยวกับการคาดการณ์ที่จะใช้ในแผนของคุณสำหรับแต่ละผลิตภัณฑ์ระบบประเมินประสิทธิภาพโดยอัตโนมัติสำหรับแต่ละวิธีการคาดการณ์ ที่คุณเลือกและสำหรับการคาดการณ์ผลิตภัณฑ์แต่ละรายการคุณสามารถเลือกระหว่างสองเกณฑ์ประสิทธิภาพ ได้แก่ Mean Devute Deviation MAD และเปอร์เซ็นต์ของ Accur ทั้งสองเทคนิคการประเมินผลการปฏิบัติงานเหล่านี้ต้องการข้อมูลประวัติการขายที่แท้จริงสำหรับผู้ใช้ที่ระบุช่วงเวลาช่วงเวลานี้ของประวัติล่าสุดเรียกว่าระยะเวลา holdout หรือช่วงเวลาที่เหมาะสมกับ PBF มากที่สุด ในการวัดประสิทธิภาพของวิธีการคาดการณ์ให้ใช้สูตรคาดการณ์เพื่อจำลองการคาดการณ์สำหรับระยะเวลาการระงับชั่วคราวในอดีตโดยปกติแล้วจะมีข้อมูลการขายที่แตกต่างกันและการคาดการณ์แบบจำลองสำหรับระยะเวลาการระงับเมื่อเลือกวิธีการคาดการณ์หลายวิธี เกิดขึ้นสำหรับแต่ละวิธีการคาดการณ์หลายรายการจะถูกคำนวณสำหรับระยะเวลาการระงับและเปรียบเทียบกับประวัติการขายที่รู้จักกันในช่วงเวลาเดียวกันวิธีการคาดการณ์ที่เหมาะสมที่สุดในการคาดการณ์ระหว่างการคาดการณ์กับยอดขายจริงในช่วงระยะเวลาการระงับ ในแผนของคุณข้อเสนอแนะนี้มีความเฉพาะเจาะจงกับแต่ละผลิตภัณฑ์และอาจเปลี่ยนจากรุ่นที่คาดการณ์ไปเป็นรุ่น ne xt. A 16 ค่าเบี่ยงเบนสัมบูรณ์ที่แท้จริง MAD. MAD หมายถึงค่าเฉลี่ยหรือค่าเฉลี่ยของค่าสัมบูรณ์หรือความสำคัญของความเบี่ยงเบนหรือความผิดพลาดระหว่างข้อมูลจริงและข้อมูลที่คาดการณ์ MAD เป็นมาตรวัดขนาดเฉลี่ยของข้อผิดพลาดที่คาดว่าจะได้รับโดยใช้วิธีพยากรณ์และข้อมูล เนื่องจากมีการใช้ค่าสัมบูรณ์ในการคำนวณข้อผิดพลาดในเชิงบวกจะไม่ยกเลิกข้อผิดพลาดเชิงลบเมื่อเปรียบเทียบวิธีการคาดการณ์หลายวิธี MAD หนึ่งที่มีขนาดเล็กที่สุดแสดงให้เห็นว่าน่าเชื่อถือที่สุดสำหรับผลิตภัณฑ์นั้นในช่วงเวลาที่มีการหยุดชะงัก ข้อผิดพลาดมีการกระจายตามปกติมีความสัมพันธ์ทางคณิตศาสตร์ที่เรียบง่ายระหว่าง MAD และสองมาตรการทั่วไปอื่น ๆ ของการแจกแจงส่วนเบี่ยงเบนมาตรฐานและ Mean Squared Error. A 16 1 เปอร์เซ็นต์ของความถูกต้อง POA. Percent of Accuracy POA คือการวัดความอคติในการคาดการณ์เมื่อมีการคาดการณ์อย่างสม่ำเสมอ สินค้าคงเหลือสูงเกินไปสินค้าคงเหลือสะสมและต้นทุนสินค้าคงเหลือเพิ่มขึ้นเมื่อประมาณการอยู่ในระดับต่ำสองเท่าสินค้าคงเหลือถูกใช้และการบริการลูกค้าลดลง s ประมาณการที่ 10 หน่วยต่ำเกินไปจากนั้น 8 หน่วยสูงเกินไปแล้ว 2 หน่วยสูงเกินไปจะคาดการณ์ที่เป็นกลางข้อผิดพลาดในเชิงบวกของ 10 ถูกยกเลิกโดยข้อผิดพลาดเชิงลบของ 8 และ 2.Error Actual - Forecast. When ผลิตภัณฑ์ สามารถเก็บไว้ในสินค้าคงคลังและเมื่อการคาดการณ์เป็นกลางจำนวนเล็กน้อยหุ้นความปลอดภัยสามารถใช้เพื่อ buffer ข้อผิดพลาดในสถานการณ์เช่นนี้จะไม่สำคัญเพื่อขจัดข้อผิดพลาดในการคาดการณ์เนื่องจากเป็นการสร้างการคาดการณ์ที่เป็นกลางอย่างไรก็ตามในอุตสาหกรรมบริการ , สถานการณ์ข้างต้นจะถูกมองว่าเป็นข้อผิดพลาดสามบริการจะไม่เพียงพอในช่วงแรกแล้ว overstaffed สำหรับสองช่วงต่อไปในการให้บริการขนาดของข้อผิดพลาดในการคาดการณ์มักจะมีความสำคัญมากกว่าคาดการณ์อคติยอดรวมในช่วง holdout ช่วยให้ข้อผิดพลาดในเชิงบวกที่จะยกเลิกข้อผิดพลาดเชิงลบเมื่อยอดขายรวมจริงเกินกว่ายอดขายคาดการณ์อัตราส่วนสูงกว่า 100 แน่นอนมันเป็นไปไม่ได้ที่จะมากกว่า 100 ที่ถูกต้องเมื่อมีการคาดการณ์ unbias ed อัตราส่วน POA จะเท่ากับ 100 ดังนั้นจึงเป็นที่น่าพอใจมากขึ้นกว่าที่จะเป็น 95 ถูกต้องแม่นยำกว่าที่กำหนดไว้ 110 หลักเกณฑ์ POA เลือกวิธีการคาดการณ์ที่มีอัตราส่วน POA ใกล้เคียงกับ 100 มากที่สุดการใช้งานบนหน้าเว็บนี้ช่วยเพิ่มการนำทางเนื้อหา แต่ไม่ได้ เปลี่ยนเนื้อหาในลักษณะใดก็ได้