Top 6 Fremgangsmåder for salgsprognoser
Denne artikel sætter lys på de seks bedste metoder til salgsprognoser, der anvendes i en organisation. Metoderne er: 1. Samlet udtalelse Metode 2 . Økonomiske indikatorer 3. Metode for mindste kvadrater 4. Tidsserieanalyse 5. Flydende middelværdier Fremgangsmåde for salgsprognoser 6. Eksponentiel udjævning og flytende gennemsnitlig metode.
Metode # 1. Samlet udtalelse Metode:
I denne teknik afhænger prognosen af sælgerens mening om produktet og skøn over efterspørgslen efter det næste år for deres respektive områder. I betragtning af at sælgerne er tættest på forbrugerne, kan de estimere mere korrekt om kundens reaktion på produktet.
Disse estimater modtages af filialens salgsforvaltere, og de vil gennemgå disse tal og foretage visse justeringer for at afspejle deres viden om de enkelte sælgere.
Nogle af de senere kan have påvist, at de er konsekvent optimistiske, og deres estimater kan revideres nedad, andre kan være kendt for at være lidt pessimistiske, og deres estimater kan kræve opadgående revision, resten af sælgerne kan have vist sig at være realistiske og deres estimater kan forblive uændrede.
Disse justerede estimatopgørelser stilles derefter til rådighed for et udvalg, der er ansvarlig for den endelige prognose. Medlemmerne af dette udvalg kan omfatte firmaets salgschef, maskiningeniør, produktionschef, marketingchef og økonom. De ville gennemgå estimaterne i lyset af visse faktorer, som salgsmændene og filialforvalterne ikke ville være bekendt med.
Disse kan omfatte ting som forventede ændringer i produktdesign, en plan for øget reklame, en foreslået stigning eller nedsættelse af salgspriserne, nye produktionsteknikker, som vil forbedre produktets kvalitet, ændringer i konkurrencen, ændringer i økonomiske forhold som købekraft af forbruger, indkomstfordeling, kreditter, befolkning og ansættelsesforhold mv.
Således udnytter kollektive opfattelsesmetode fordele ved kollektive visdom hos sælgere og ledende medarbejdere på forskellige områder i forbindelse med salgsstyring.
Fordele:
1. Metoden er enkel, da den er baseret på den kollektive visdom hos sælgere og ledende medarbejdere, der har ekspertise inden for forskellige områder og ikke kræver nogen statistisk teknik.
2. Efterspørgselsestimaterne er baseret på kendskabet til sælgere, der er direkte ansvarlige for at opfylde salgsmålene, og derfor er de korrekte.
3. For at lancere de nye produkter er metoden ret nyttig.
Ulempe:
1. Da der ikke anvendes tidligere data og statistisk teknik, er metoden kun nyttig til kortfristet prognoser.
2. Salgsmedlemmerne kan estimere det fremtidige salg, hvis salgskvoter er fastsat for dem.
3. Estimaterne foretaget af denne metode kan ikke være realistiske, da sælgerne ikke har kendskab til de økonomiske ændringer.
Metode # 2. Økonomiske indikatorer:
Denne metode til salgsprognoser er baseret på brug af indikatorer, der tjener til at beskrive de økonomiske forhold, der hersker i en given tidsperiode.
Nogle af disse økonomiske indikatorer er følgende:
1. Byggekontrakter tildelt efterspørgsel efter byggematerialer.
2. Farmens indkomst for efterspørgslen af landbrugsredskaber og andre input.
3 Personlig indkomst til efterspørgsel efter forbrugsgoder.
4. Bilproduktion / Registrering af biler til efterspørgsel efter tilbehør og olieprodukter.
5. Beskæftigelsesposition.
6. Bruttonationalindkomst.
7. Forbrugerpriser.
8. Engroshandel med råvarer.
9. Bankindskud.
10. Industriel produktion.
11. Stålproduktion.
12. Virksomhedsfortegnelser.
Data af denne type er udarbejdet og offentliggjort af forskellige statslige organer som central statistisk organisation og af en privat gruppe som fagforeninger og virksomhedsforskningsorganisationer.
Hvis virksomheden eller organisationen konstaterer, at der er et forhold mellem en eller en kombination af en sådan økonomisk indikator og salg af nogle af sine produkter, kan denne fremgangsmåde til salgsprognoser udnyttes.
Endvidere kan den valgte eller relevante økonomiske indikator vise sig at være en førende, forsinkende eller sammenfaldende.
En ledende indikator er en, hvis værdi for en given periode vil påvirke salget i en efterfølgende periode. For eksempel kan en producent af skoleposer opleve, at hans salg i et givet år påvirkes af antallet af børn, der er født tre eller fire år tidligere. Dette er den mest ønskelige type økonomiske indikator, fordi dens værdi vil blive kendt på det tidspunkt, hvor prognosen for det fremtidige salg bliver foretaget.
En forsinkende indikator er en, hvis værdi for en given periode afspejler salget i en forudgående periode. Eksempelvis kan fabrikanten af ørkenkøler være af den opfattelse, at dataene på organernes lagre i en given periode er relateret til hans salg i en tidligere periode.
En sammenfaldende indikator er en, hvis værdi for en given periode vil påvirke salget i den periode. For eksempel kan fabrikanten af baby mælkefodere finde ud af, at mængden af produktion af fodermidler i en given periode påvirkes af befolkningstilvækst i samme periode. Dette er mindre ønskelig type indikator, fordi dens værdi skal estimeres for den kommende periode, for hvilken salgsforudsigelse udføres.
Salgsforudsigelsen udføres ved hjælp af mindst kvadrater ligning.
Begrænsning:
1. Behov for at finde en passende indikator. I nogle tilfælde kan en given indikator være korrekt, men i andre tilfælde vil ingen indikator være åbenbart anvendelig, og der kan kræves prøvefejl tilgang, der er kedelig og tidskrævende.
2. Den relevante indikator kan variere med den pågældende produkt eller produktgruppe.
3. Efter at have undersøgt alle mulige alternativer kan virksomheden opdage, at ingen enkelt eller sammensat indikator er egnet. I sådanne tilfælde kan denne fremskrivningsmetode ikke anvendes. Firmaet kan dog konstatere, at selvom dets salg ikke er korreleret med nogen økonomisk indikator, eksisterer organisationerne salg.
Dette ville være tilfældet, når selskabets markedsandel varierer meget. Kollektiv mening kan anvendes.
4. Et andet problem skyldes, at den relevante indikator kan sige et årligt indeks, hvorimod virksomheden kan lide at forudsige salget på månedsbasis.
5. En yderligere begrænsning af denne metode er, at den ikke tager sigte på en prognose for salget af et nyt produkt, fordi der ikke eksisterer tidligere data, som korrelationsanalyse kan baseres på.
Forholdet mellem to variabler:
Antag en industris rekord over de seneste tre års produktion og produktionsomkostninger er:
Hvis vi plot output som er uafhængig variabel v / s fremstillingsomkostninger, som er en afhængig variabel for hvert af de tre år.
Grafen afslører, at alle de tre punkter falder på en linje med den bedste pasform. Da linjen er en lige linje er der således en stærk lineær korrelation mellem produktionsudgang og fremstillingsomkostninger.
Antag nu, at fremstillingsomkostningerne varierer som angivet i nedenstående tabel:
Grafen af dette forhold vises som angivet med stiplede linjer. Naturen af disse punkter er sådan, at de ikke falder på den mest passende måde. Men de er tæt på det, og vi kan sige, at der eksisterer en næsten lineær korrelation mellem de to variabler, der ikke er så stærke som vist ved første sæt data.
Derfor kan vi mindre nøjagtigt forudsige fremstillingsomkostningerne for et givet produktionsniveau eller output. På samme måde kan der i praksis være en krøllet korrelation mellem de to variabler.
En forholdsvis enkel metode til montering af linjen er fremgangsmåden for mindste kvadrater.
Denne metode med mindste kvadrater giver en ligning, som beskriver og lokaliserer linien med den bedste pasform.
Metode nr. 3. Metode for mindste kvadrater:
Metoden for mindste kvadrater giver en ligning, der giver to karakteristika af den bedst egnede linje. En lige linje kan beskrives med hensyn til to ting, dvs. dets hældning og Y-afsnit. Y-afsnit er punktet på Y-akse i grafen mellem to variabler, hvor linjen skærer Y-aksen.
Hvis vi kender lineens Y-afsnit og hældning, kan linjens ligning bestemmes ud fra det generelle udtryk for ligningen for en hvilken som helst linje, som er som følger:
Y '= mx + a
hvor Y 'er den beregnede værdi af den afhængige variabel, som skal forventes.
a = Y aflytning af den bedst egnede linje.
m = hældning af den bedst egnede linje.
x = givet værdi af uafhængig variabel i forhold til hvilken værdi af afhængig variabel skal forventes.
På denne måde tjener alt dette kun til at beskrive, hvad ligningens ligning er, og ligning kan bestemmes, hvis vi allerede har fundet linjen.
Men normalt falder punkterne ikke på en lige linje, derfor må vi bestemme, hvor linjen skal placeres. Dette kræver først at bestemme ligningen for linien med den bedste pasform og derefter lokalisere linjens position ved hjælp af denne ligning.
Metoden for mindste kvadrater kan hjælpe os med at finde ud af ligningens ligning ved at arbejde direkte med de originale data af afhængige og uafhængige variabler ved at foretage passende substitutioner i de følgende udtryk.
ΣY = na + mΣx
ΣxY = aΣx + mΣx 2
hvor x = givne værdier af den uafhængige variabel, som kan være den økonomiske indikator.
Y - Givet værdi af den afhængige variabel, som kan være salg af produktet i dette tilfælde.
n = antal givne parrede observationer.
Igen: Brug af det foregående sæt data i tre år har vi:
Udbytter værdier af Σx, ΣY, ΣxY
Σx og n = 3 i ligninger (1) & (2)
Vi har 18 = 3a + 12m
80 = 12a + 56m
Løsning af disse to ligninger for en & m
Vi får a = 2m = 1
Ligningens ligning fordi
Y = 1 * × + 2
Med det andet sæt data, hvor korrelationen ikke er så liner, har vi
Ved at erstatte værdien i ligningerne (1) & (2) har vi
20 = 3a + 12m
92 = 12a + 56m
Løsning af disse to ekvationer for a og m vi får
a = 2/3 m = 2/3
Ligningens ligning bliver
Y jeg c = [3 / 2x + 2/3]
Ligningen af denne linje kan trækkes i korrekt position ved at finde mindst to punkter og forbinde dem.
Egenskaber for mindste kvadrater Line:
Hvis alle vores punkter ikke falder på linjen, og en krøllet korrelation er angivet som vi har set med andet sæt data, vil substitution af vores givne værdier af x i ligningen af linjen, vi opnår ved hjælp af mindsteparametre, ikke give beregnet værdier af Yc svarende til vores aktuelle værdier.
Hvis vi erstatter vores givne værdier af output som 2, 6, 4 i ligning (4), får vi ikke de tilsvarende faktiske værdier af fremstillingsomkostninger på 4, 10, 6 som følger:
For x = 2 Y c = 3/2 x 2 + 2/3 = 3⅔
For x = 6 Y c = 3/2 x 6 + 2/3 = 9/3
For x = 4 Y c = 3/2 x 4 + 2/3 = 6⅔
Som vist fra denne tabel er følgende egenskaberne for de mindste kvadrater Line:
1. Summen af afvigelserne, dvs. forskellen mellem de faktiske og beregnede værdier af afhængig variabel vil altid være nul.
2. Den anden karakteristik ved den mindste kvadraterlinie er, at summen af de afvigelser, der er kvadreret, er mindst.
Dette indikerer, at hvis de er trukket i en anden position, ville summen af kvadraterne af de resulterende afvigelser have været større end summen opnået med den mindste kvadratlinie.
I tilfælde af at ligninger (1) og (2) løses for a og m opnås følgende udtryk.
Korrelationskoefficient:
Det er det kvantitative mål for styrken af forholdet, der beskrives af den mindste kvadraterlinie. Størrelsen af korrelationskoefficienten varierer med grad af korrelation, som eksisterer mellem de pågældende variabler.
Det udtryk, fra hvilket denne korrelationskoefficient bestemmes, er som følger:
hvor y a = anvendes til de faktiske værdier af den afhængige variabel som fremstillingsomkostninger.
Yc = de tilsvarende beregnede værdier af den afhængige variabel, der er fundet fra den mindste kvadratlinie.
Y⋅ = gennemsnit af de faktiske værdier af de afhængige variabler.
I ligning (5) kan tællerens værdi (Y a - Y c ) 2 aldrig være mindre end nul, da den er en kvadreret sum. Dette kan maksimalt blive nul, når de faktiske værdier af den afhængige variabel er lig med beregnede værdier. I så fald ligger alle punkter på den bedst egnede linje. I sådanne tilfælde er tælleren nul, og korrelationskoefficienten når sin maksimale værdi, dvs. 1. Dette vil kun ske, når de to variabler er perfekt korrelerede.
Minimumværdien af korrelationskoefficienten kan være nul, hvilket angiver fraværet af korrelation mellem de to variabler.
Opdelingen mellem en høj og lav grad af korrelation er vanskelig at lave, men de følgende tabeller giver de generelt accepterede værdier af korrelationskoefficient r.
I praksis anvendes en anden form for ligning (6) til at finde værdien af r.
Denne ligning tillader os at skildre værdien af korrelationskoefficienten ved at arbejde direkte med de originale data, og derfor er det en simpel metode til at beregne værdien af r.
Anvendelse af den mindste kvadratmetode:
Eksempel 1:
En virksomhed konstaterer, at forholdet eksisterer mellem rupeesalg af en af produktgrupperne og en given økonomisk indikator. Specifikt viser en sammenligning mellem det tidligere salg og de tilsvarende værdier af den økonomiske indikator følgende:
(a) Bestem forholdets styrke ved at beregne værdien af korrelationskoefficienten for de to variabler.
(b) Bestem ligningen af den bedst egnede linje ved hjælp af metoden for mindste kvadrater.
(c) Hvis værdien af det økonomiske indeks for en fremtidig periode forventes at være 112, hvilket salg kan forventes i den pågældende periode. (Industrial Engineering, RU, 1980)
Opløsning:
Hvis man antager en lineær forspiller af formularen Y '- mx + a hvor m & a er konstanter for at dette passer til den bedste pasform
ΣY a = na + mΣx ... (i)
Σx Y a = aΣx + mΣx 2 ... (ii)
Sætte værdierne fra tabel i ligninger (i) og (ii)
19, 6 = 10a + 1025m
2067, 1 = 1023a + 105673m
Løsning af disse ligninger får vi
a = -7, 78
m = 0, 0951
Derfor er ligningen af den bedst egnede linje
Y = -7, 78 + 0, 0951x Ans.
For fremtidig periode, hvor det økonomiske indeks er 112, erstatter x = 112
Y = -7, 78 + .0951 x 112
= 2.8712 Forventet salg = Rs. 28712 | Ans.
Brug af relationen.
Flere regressioner:
I det foregående eksempel er det antaget, at salget af en produktgruppe kun afhænger af værdien af en økonomisk indikator. I mange tilfælde kan salg af en vare eller produktgrupper dog være en funktion af en kombination af indikatorer.
Hvis forholdet mellem salget og disse økonomiske indikatorer eller nogle andre indikatorer er lineært, kan det beskrives ved hjælp af en ligning af følgende generelle form:
Y '- a + m 1 + m 1 x 1 + m 2 x 2 + m 3 x 3
hvor a, m 1, m 2 er konstanter og x 1, x 2, x 3., er variabler / indikatorer, som salgsforudsigelsen skal baseres på. De ukendte konstanter kan bestemmes ved at løse samtidige ligninger. Den involverede procedure er multipel regressionsanalyse.
Metode # 4. Tidsserieanalyse:
Denne metode til salgsprognoser betragtes som ligner økonomisk indikator metode, da det også kræver regressionsanalyse. En tidsserie er en kronologisk data, som har en vis mængde som salgsvolumen eller salg i rupees som den afhængige variabel og tid som uafhængig variabel.
Disse tidsserier, der er tilgængelige med etableret organisation, analyseres, før prognosen udarbejdes. Der er en fælles teknik, som i almindelighed er ansat, kaldes som "projekt trend". I denne metode forventes trendlinjen med mindst kvadratmetode.
Variationerne af den afhængige variabel kan være adskilt som:
(a) Lang periode ændres.
(b) Kort periode ændres.
Den lange periode tendens til at data til at ændre, dvs. stigning eller nedgang kaldes grundlæggende tendens, som kan være lineær eller ikke-lineær.
De korte ændringer i perioden kan være af to typer:
(i) Regelmæssig
(ii) Uregelmæssigt
Regelmæssige udsving er dem der forekommer med jævne mellemrum af tiden. Disse kan være:
(a) Sæsonbestemte variationer.
(b) cykliske variationer.
Sæsonbestemte variationer :
Den mest almindelige periodiske variation er sæsonvariationen, der forekommer med en vis regelmæssighed i et tidsrum af vejrforhold, sociale skikke og festivaler mv. Disse effektsalg af forskellige produkter (normalt af forbrugerudnyttelse).
Cykliske Variationer:
Disse ændringer viser periodicitet og forekommer over en kortere periode. Ligesom sæsonmæssige variationer er cykliske variationer også regelmæssige. Men mens sæsonvariationer forekommer inden for en periode på et år eller mindre, gentages cykliske variationer med intervaller på 5 til 10 år.
Uregelmæssige Variationer:
Disse variationer forekommer uden nogen særlig rytme. De kan skyldes årsager, der opererer på en uformel og uregelmæssig måde. Årsager kan være som tørke, oversvømmelser, krige, strejker og jordskælv mv.
I tidsserieanalyse teknik for salg prognoser analyserer en organisation sit tidligere salg for at finde ud af, om der er nogen trend. Denne tendens projiceres derefter i fremtiden, og det resulterende angivne salg anvendes som grundlag for en salgsforventning. Denne metode vil være klar ved hjælp af følgende illustrationer.
Antag, at en producent af maleriudstyr (kan være malerullerammer) beslutter at forudsige produktets salg i næste år. Han begynder med at indsamle dataene i de sidste fire / fem år.
Fabrikanten kender fra tidligere erfaringer, at salget af hans produkt svinger på grund af sæsonmæssige variationer. Faktisk har han fundet ud af de tidligere data, at markedets efterspørgsel efter produktet er på sit minimum i årets første kvartal, resulterer i en stigning i salget på grund af forbedrede vejrforhold.
Tilsvarende finder en større stigning i salget sted i tredje kvartal af året som følge af yderligere forbedringer i vejrforholdene og årstidens festivaler. Men med de mindre negative vejrforhold slettes efterspørgslen efter produktet i fjerde kvartal.
Som et resultat af disse kvartalsvise variationer beslutter virksomheden at udvikle en prognose pr. Kvartal for produktionsplanlægning.
Anvendelsen af salgsforudsigelser efter tidsserieanalyseteknik vil være klar ved hjælp af følgende illustration:
På trods af begrænset mængde data tilgængelige. Bestem træklinjens ligning. Med ligningen beregnes trendværdierne for kvartalssalget for det fjerde år. Indstil derefter disse værdier for at sikre forventede sæsonmæssige variationer. (KUK (Ikke-afdeling). Maj 1995, B.Tech, maj 1998)
Opløsning:
Med andre ord var det faktiske salg i første kvartal 77% af det beregnede salg.
Tilsvarende beregnes salget for andre kvartaler som følger:
For at justere trendværdierne for at sikre forventede sæsonvariationer bestemmer vi størrelsen af denne sæsonkorrigeringsfaktor ved at finde gennemsnittet af den tidligere variation i første kvartal hvert år, dvs. i 1 st, 5 og 9 kvartaler.
Faktisk salg i procent af beregnede salgsværdier for fire kvartaler.
Sidste kolonne i denne tabel giver værdierne for sæsonkorrigeringsfaktoren i fire kvartaler som 0, 7097, 0, 8663, 1, 120, 1, 30 dvs. for 1 st, 2 nd, 3 rd og 4 th og multiplikation af det beregnede salg for de fire kvartaler af det fjerde år med justeringsfaktorerne skal give justerede salgsforventninger for det pågældende år.
Fordele ved Time Series Analyse:
1. Denne teknik er mindre subjektiv end kollektive opfattelsesmetode og metode for økonomiske indikatorer, da dens anvendelse ikke er afhængig af organisationens evne til at finde passende indikator.
2. Sammenlignet med den kollektive opfattelse og metoden for økonomiske indikatorer, der kun kan give en årlig prognose, der derved skal opdeles i kortere perioder, kan organisationen prognostisere omsætningen pr. År ved at analysere tidligere årsomsætning pr. Måned ved at analysere tidligere månedlige salg eller endda i ugen ved at analysere tidligere ugentlige salg.
Begrænsning af tidsserieanalyse:
1. Denne teknik kan ikke bruges til at forudsige salget af et nyt eller relativt nyt produkt, da der ikke foreligger data fra tidligere data eller tilstrækkelige data.
2. Hvis den betydelige udsving i efterspørgslen sker måned til måned i et år på grund af sæsonmæssige variationer, eller der kan kræves 12 justeringsfaktorer for at justere prognosen om et år.
3. Virkningen af ændringer i salgspriser, produktkvalitet, økonomiske forhold, markedsføringsmetoder og salgsfremmende indsats foretaget af organisationerne kan ikke indarbejdes i metoden på en tilfredsstillende måde.
Metode # 5. Flytende gennemsnit Gennemsnit for salgsprognoser:
I denne metode opnås salgsforudsigelsen ved at tage gennemsnit af tidligere salg i løbet af et ønsket antal tidligere perioder (kan være år, måneder eller uger). Forlængelse af glidende gennemsnit for at inkludere flere perioder kan øge glatningseffekten, men mindsker følsomheden af prognosen.
Lange perioder giver for mange muligheder for betydelige ændringer i efterspørgselsmønster. For at reducere denne risiko kan organisationerne basere sin prognose på den gennemsnitlige efterspørgsel i korte perioder, siger tre måneder. Anvendelsen af denne teknik vil være klar med den følgende illustration.
En prognose baseret på uvægtede glidende gennemsnit for antal kunder:
Denne prognose er baseret på gennemsnittet af kundernes efterfølgende to uger.
Derfor er den ujusterede prognose for 9. uge 512. Ved udgangen af uge 9 vil prognosen for den første uge være baseret på det gennemsnitlige antal kunder, der rent faktisk besøger i 7 uger, 8 og 9 og så videre. Resultatet er en række bevægelige gennemsnit anført i tabellen ovenfor.
Vægtede flytende gennemsnit:
De glidende gennemsnit som beregnet i den foregående del kaldes uvægtede, fordi den samme vægt er tildelt til hvert af de tal, hvis gennemsnit er konstateret. Nogle virksomheder baserer deres prognose på et vejet glidende gennemsnit.
Lad os antage, at antallet af kunder, der besøger i løbet af to uger, giver et solidt grundlag for tredje ugers prognose, og lad os antage, at den første uge er mindre vigtig end anden og derfor tildeler vi vægte fra 0, 4 til første uge og 0, 6 til anden uge . Det vejede gennemsnit for 9. uge ville være
0, 4 X 549 + 0, 6 (474) = 220 + 284 = 504
På samme måde anføres de vejede glidende gennemsnit for andre uger i følgende tabel:
En prognose baseret på vægtede glidende gennemsnit for antal kunder.
Fordele ved den bevægende gennemsnitlige metode:
1. Denne teknik er enklere end metoden for mindste kvadrater.
2. Denne metode påvirkes ikke af personlige fordomme for de mennesker, der bruger det.
3. Den periode med glidende gennemsnit svarer til cyklusperioden. De cykliske variationer elimineres.
4. Hvis trenden i dataene hvis nogen er lineær, giver det glidende gennemsnit et godt billede af langvarig bevægelse i data.
5. Den glidende gennemsnitsteknik har fleksibilitet, dvs. hvis nogle få år tilføjes, ændres hele beregningerne ikke på grund af vedtagelsen af nye betingelser.
Begrænsninger af den bevægende gennemsnitlige metode:
Følgende er ulemperne ved denne fremskrivningsmetode:
1. Det resulterer ikke i matematiske relationer, som kan anvendes til salgsprognoser.
2. Der er en tendens til at skære hjørner, der resulterer i tab af data i enderne
3. Der kræves stor omhu for udvælgelsen af perioden for glidende gennemsnit siden de forkerte perioder ikke ville give det korrekte billede af tendensen.
4. I tilfælde af de skarpe svingninger i den oprindelige graf vil det glidende gennemsnit reducere krumningen.
5. Det er meget følsomt selv for små bevægelser i dataene.
Metode # 6. Eksponentiel udjævning og flytende gennemsnitlig metode:
Denne metode til salgsforudsigelse er en ændring af den gennemsnitlige metode, eller i bedre ord er det en forbedring i forhold til den gennemsnitlige fremskrivningsmetode. Denne metode forsøger at eliminere begrænsningerne af glidende gennemsnit og fjerner nødvendigheden af at holde omfattende tidligere data, og det forsøger også at fjerne uregelmæssighederne i efterspørgselsmønsteret.
Denne metode repræsenterer et vægtagennemsnit af de tidligere observationer. I dette tilfælde er de seneste observationer tildelt den højeste vægtning, som falder i geometrisk progression, da vi bevæger os mod de ældre observationer.
Da de seneste observationer, der sandsynligvis afspejler mere opdateret information eller gennemsnittet af serierne, får større vægt, så det bliver en af de mest nøjagtige statistiske metoder til salgsprognoser. Denne metode holder løbende gennemsnit af efterspørgslen og justerer den for hver periode i forhold til forskellen mellem den seneste faktiske efterspørgselsfigur og den seneste værdi af gennemsnittet.
Når der ikke er nogen tendens til efterspørgslen efter en vare eller tjenesteydelse, forventes salget for den næste periode ved hjælp af eksponentiel udjævningsmetode ved anvendelse af udtrykket
Prognose for den næste periode = a (seneste faktiske efterspørgsel) + (1 - α) gammelt skøn over seneste aktuelle efterspørgsel, hvor a repræsenterer værdien af en vægtningsfaktor, der omtales som en udjævningsfaktor.
Denne metode følger ligningen
Fn = Fn- 1 + a ( Dn-1 - Fn -1 )
hvor F n = prognose for den næste periode
F n-1 = prognose for tidligere periode
D n-1 = efterspørgsel i tidligere periode.
Hvis a er lig med 1. så vil den seneste prognose være lig med tidligere periodens faktiske efterspørgsel. I praksis er værdien af a generelt valgt mellem 0, 1 og 0, 3. Anvendelsen af teknikken er demonstreret ved at anvende data om gennemsnitlig metode for salgsprognoser på side 78. Ved anvendelsen af metoden vil vi bruge værdien af a som 0, 10.
Ved anvendelse af ligning (7), hvis den faktiske efterspørgsel efter 3. uge er 487, vil prognosen for den fjerde uge være
0, 10 (487) + (1, 00 - 0, 10) 550 = 544
Tilsvarende, hvis den faktiske efterspørgsel efter 4. uge er 528 kunder, vil prognosen for 5. uge være
0, 10 (528) + (1, 00 - 0, 10) (544) = 542
Hvis denne procedure var blevet anvendt i hele 8 ugers periode, vises resultaterne i nedenstående tabel. Den ujusterede prognosefejl er også angivet under kolonne D = B - C. Hvis værdien af a ikke er angivet; det kan bestemmes af en omtrentlig relation af a.
a = 2 / Antal perioder i glidende gennemsnit + 1
I ligning (7) for så vidt angår vægtfaktorerne a, kan den antage en minimumsværdi 0 og en maksimumsværdi på 1. Jo større værdien af a, desto større er vægten placeret på de seneste data. Når værdien af a er 1, vil prognosen svare til efterspørgslen oplevet i den sidste periode.
Selv om værdien af a varierer fra produkt til produkt, men de fleste organisationer har konstateret, at en værdi mellem 0 06 og 0, 20 normalt viser sig at være tilfredsstillende.
Når man forsøger at finde ud af, hvilken værdi af en skal bruges til et produkt eller en tjeneste, kan organisationen / virksomheden vælge forskellige værdier, undersøge de tidligere prognoser ved brug af disse værdier og vedtage til fremtidig brug den, der ville have minimeret prognosefejl i fortiden.
På den måde går vi tæt på beskrivelsen af eksponentiel udjævning, som den anvendes, når en trend i salg / service er tilgængelig. I tilfælde af tendens eksisterer en trendjustering med denne teknik, men dens anvendelse bliver lidt vanskelig.
