Viktat Glidande Medelvärde Is The Best Strategi Till Prognoser Försäljning Of Högt Säsongs Objekt

Tidsseriemetoder. Tidsseriemetoder är statistiska tekniker som utnyttjar historiska data som samlats över en tidsperiod. Tidsseriemetoder antar att det som inträffat i det förflutna kommer att fortsätta att ske i framtiden. Som namns tidsserier föreslår, hänför sig dessa metoder prognosen till endast en faktor - tid De inkluderar glidande medelvärdet, exponentiell utjämning och linjär trendlinje och de är bland de mest populära metoderna för prognoser för kortdistans mellan service - och tillverkningsföretag. Dessa metoder förutsätter att identifierbara historiska mönster eller trender för Efterfrågan över tiden kommer att upprepa sig. Möjlig medelvärde. En prognos för tidsserier kan vara så enkel som att använda efterfrågan under den aktuella perioden för att förutsäga efterfrågan under nästa period. Detta kallas ibland en naiv eller intuitiv prognos 4 Till exempel, om efterfrågan är 100 enheter den här veckan är prognosen för nästa veckans efterfrågan 100 enheter om efterfrågan visar sig vara 90 enheter istället, då efterföljande veckas efterfrågan är 90 uni Ts och så vidare Denna typ av prognosmetod tar inte hänsyn till historiskt efterfrågan beteende som det endast bygger på efterfrågan under den aktuella perioden. Det reagerar direkt på de normala, slumpmässiga rörelserna i efterfrågan. Den enkla glidande metoden använder flera efterfrågningsvärden under Det senaste förflutet för att utveckla en prognos Det här tenderar att dämpa eller släta ut de slumpmässiga ökningarna och minskningarna av en prognos som endast använder en period. Det enkla glidande medlet är användbart för att förutse efterfrågan som är stabil och visar inte något uttalat efterfrågan beteende Som trend eller säsongsmönster. Flyttvärdena beräknas för specifika perioder, t ex tre månader eller fem månader beroende på hur mycket prognosen önskar släta efterfrågningsdata. Ju längre den glidande genomsnittliga perioden blir, desto smidare blir det. Formeln för Beräkning av det enkla rörliga genomsnittet betecknar ett enkelt rörligt medel. Instant Paper Clip Office Supply Company säljer och levererar kontorsmaterial till företag, skolor, en D-byråer inom en 50-mils radie av sitt lager Kontorsleveransverksamheten är konkurrenskraftig och möjligheten att snabbt leverera order är en faktor för att få nya kunder och att hålla gamla kontor. Normalt beställer de inte när de har låga leveranser men när de helt slut Såsom ett resultat behöver de sina beställningar omedelbart. Företagets chef vill vara tillräckligt med förare och fordon finns tillgängliga för att leverera order utan dröjsmål och de har tillräcklig inventering i lager. Därför vill chefen kunna förutse numret av beställningar som kommer att inträffa under nästa månad, dvs att förutse efterfrågan på leveranser. Från register över leveransorder har ledningen ackumulerat följande data under de senaste 10 månaderna, från vilken man vill beräkna 3- och 5-månaders glidande medelvärden. Låt oss anta att det är slutet av oktober Prognosen som följer av antingen 3- eller 5-månaders glidande medelvärde är typiskt för nästa månad i sekvensen, vilket i detta fall är N ovember Det glidande medelvärdet beräknas från efterfrågan på order under de föregående 3 månaderna i sekvensen enligt följande formel. 5-månaders glidande medelvärde beräknas från de föregående 5 månaderna av efterfrågningsdata enligt följande. 3- och 5- månaders rörliga genomsnittliga prognoser för alla månader av efterfrågadata visas i följande tabell Faktum är att endast prognosen för november baserat på den senaste månatliga efterfrågan skulle användas av chefen. I de tidigare prognoserna för tidigare månader kan vi dock jämföra prognos med den faktiska efterfrågan för att se hur exakt prognostiseringsmetoden är - det vill säga hur bra det gör. Tre - och femmånadersmedelvärden. De genomsnittliga prognoserna i tabellen ovan har en tendens att utjämna variabiliteten i de faktiska uppgifterna. Detta utjämningseffekten kan observeras i följande figur där 3-månaders - och 5-månadersgenomsnittet har överlagts på en graf av de ursprungliga data. Det 5-månaders rörliga genomsnittet i föregående siffra släpper ut fluktuationer i större utsträckning än 3 månaders glidande medelvärdet. 3-månadersgenomsnittet återspeglar emellertid de senaste uppgifterna som finns tillgängliga för kontorsleverantörssekreteraren. Generellt är prognoser som använder det längre glidande genomsnittet långsammare att reagera på de senaste förändringarna i efterfrågan än de som gjordes med hjälp av kortare glidmedelvärden. De extra dataperioderna dämpar den hastighet som prognosen svarar på. Att fastställa lämpligt antal perioder att använda i ett glidande medelprognos kräver ofta en viss mängd försök och felprovning. nackdelen med den glidande medelmetoden är att den inte reagerar på variationer som uppstår av en orsak, såsom cykler och säsongseffekter. Faktorer som orsakar förändringar ignoreras generellt Det är i princip en mekanisk metod som speglar historiska data på ett konsekvent sätt. den glidande genomsnittliga metoden har fördelen att det är lätt att använda, snabbt och relativt billigt. Generellt kan den här metoden ge en bra förskott Ast i den korta tiden, men det bör inte skjutas för långt in i framtiden. Vägt rörligt medelvärde. Den glidande genomsnittliga metoden kan justeras för att bättre reflektera fluktuationer i data. I den viktade glidande metoden används vikter till de mest Senaste data enligt följande formel. Efterfrågadata för PM Computer Services som visas i tabellen för Exempel 10 3 verkar följa en ökande linjär trend Företaget vill beräkna en linjär trendlinje för att se om den är mer exakt än exponentiell utjämning Och justerade exponentiella utjämningsprognoser som utvecklats i exempel 10 3 och 10 4. De värden som krävs för minsta kvadratberäkningarna är följande. Med dessa värden beräknas parametrarna för linjär trendlinje enligt följande. Därför är linjär trendlinjekvation. Till beräkna en prognos för period 13, släpp x 13 i linjär trendlinje. Nedanstående diagram visar linjär trendlinje jämfört med aktuella data. Trendslinjen verkar r täta de faktiska uppgifterna noga - det vill säga vara bra - och skulle därmed vara en bra prognosmodell för detta problem. En nackdel med den linjära trenderlinjen är att den inte kommer att anpassa sig till en förändring i trenden, Som exponentiella utjämning prognosmetoder kommer det att antas att alla framtida prognoser kommer att följa en rak linje Detta begränsar användningen av denna metod till en kortare tidsram där du kan vara relativt säker på att trenden inte kommer att förändras. Årliga justeringar . Ett säsongsmönster är en repetitiv ökning och minskad efterfrågan Många efterfrågade föremål uppvisar säsongsbeteende Klädförsäljningen följer årliga säsongsmönster, med efterfrågan på varma kläder ökar på hösten och vintern och sjunker under våren och sommaren då efterfrågan på kallare kläder ökar Efterfrågan på många detaljhandelsvaror, inklusive leksaker, sportutrustning, kläder, elektroniska apparater, skinkor, kalkoner, vin och frukt, ökar under semesterperioden. Sammanfogning med speciella dagar som Alla hjärtans dag och mors dag Säsongsmönster kan också ske varje månad, veckovis eller till och med dagligen Vissa restauranger har högre efterfrågan på kvällen än vid lunch eller på helgerna i motsats till vardagar Trafik - försäljning - på köpcentra hämtar på fredag ​​och lördag. Det finns flera metoder för att reflektera säsongsbetonade mönster i en tidsserieprognos Vi beskriver en av de enklare metoderna med en säsongsfaktor En säsongsfaktor är ett numeriskt värde som multipliceras med normal prognos för att få en säsongrensad prognos. En metod för att utveckla en efterfrågan på säsongsmässiga faktorer är att dela efterfrågan på varje säsongperiod med total årlig efterfrågan enligt följande formel. De resulterande säsongsfaktorerna mellan 0 och 1 0 är i effekt, den del av den totala årliga efterfrågan som tilldelas varje säsong Dessa säsongsfaktorer multipliceras med den årliga prognostiserade efterfrågan för att ge justerade prognoser för varje säsong en prognos med säsongsjusteringar. Wishbone Farms växer kalkoner att sälja till ett köttbearbetningsföretag under hela året. Men högsäsongen är uppenbarligen under fjärde kvartalet, från oktober till december har Wishbone Farms upplevt efterfrågan på kalkoner för Senaste tre åren som visas i följande tabell. Eftersom vi har tre års efterfrågadata kan vi beräkna säsongsfaktorerna genom att dela den totala kvartalsbehovet för de tre åren med total efterfrågan under alla tre år. Nästan vi vill multiplicera den prognostiserade efterfrågan för nästa år 2000, för varje säsongsfaktor för att få den prognostiserade efterfrågan på varje kvartal. För att uppnå detta behöver vi en efterfrågan för 2000. I det här fallet, eftersom efterfrågadata i tabellen tycks uppvisa en generellt ökande trend , beräknar vi en linjär trendlinje för de tre årens data i tabellen för att få en grov prognos. Därför är prognosen för 2000 58 17, eller 58 170 kalkoner. Användning av denna årliga prognos om Efterfrågan, de säsongrensade prognoserna, SF i, för år 2000 är att jämföra dessa kvartalsprognoser med de faktiska efterfrågningsvärdena i tabellen, de verkar vara relativt goda prognosberäkningar, vilket återspeglar både säsongsvariationerna i data och den allmänna uppåtgående trenden.10 -12 Hur är den glidande medelmetoden som liknar exponentiell utjämning.10-13 Vilken effekt på exponentiell utjämningsmodell kommer att öka utjämningskonstanten har.10-14 Hur skiljer sig den justerade exponentiella utjämningen från exponentiell utjämning.10-15 Vad bestämmer valet Av utjämningskonstanten för trend i en justerad exponentiell utjämningsmodell.10-16 I kapitelexemplen för tidsseriemetoder antogs startprognosen alltid vara densamma som den faktiska efterfrågan under den första perioden. Föreslå andra sätt att startprognosen kan Kan härledas i själva användningen.10-17 Hur skiljer sig linjär trendlinjeprognosmodell från en linjär regressionsmodell för prognos.10-18 Av tidsserien mo Dels presenteras i detta kapitel, inklusive det glidande medelvärdet och det vägda glidande medlet, exponentiell utjämning och justerad exponentiell utjämning och linjär trendlinje, vilken anser du bäst Why.10-19 Vilka fördelar har justerad exponentiell utjämning över en linjär trend linje för prognostiserad efterfrågan som uppvisar en trend.4 KB Kahn och JT Mentzer, prognoser inom konsument - och industrimarknaderna, tidskriften för företagsprognoser 14, nr 2 Sommar 1995 21-28. Förberedelse innefattar generering av ett tal, antal uppsättningar, eller scenario som motsvarar en framtida händelse Det är absolut nödvändigt att kortdistans - och långdistansplanering Enligt definition är en prognos baserad på tidigare data, i motsats till en förutsägelse, som är mer subjektiv och baserad på instinkt, Eller gissning Till exempel, visar kvällsnyheter väderprognosen inte väderprognosen Oavsett varför prognos och prediktering används ofta interchangeably Till exempel definieringar av re gression en teknik som ibland används i prognoser anger i allmänhet att dess syfte är att förklara eller förutsäga. Förutskrivning bygger på ett antal antaganden. Fortiden kommer att upprepa sig. Med andra ord kommer det som hänt i det förflutna att hända igen i framtiden. prognoshorisonten förkortas, prognosnoggrannheten ökar Till exempel kommer en prognos för imorgon att bli mer exakt än en prognos för nästa månad kommer en prognos för nästa månad att vara mer exakt än en prognos för nästa år och en prognos för nästa år blir mer exakt än en prognos för tio år i framtiden. Förutspådningen i aggregatet är mer exakt än prognoser för enskilda poster. Detta innebär att ett företag kommer att kunna förutse den totala efterfrågan över hela sitt produktspektrum mer exakt än det kommer att kunna prognostisera enskild lager - keeping units SKUs Till exempel kan General Motors mer exakt prognosera det totala antalet bilar som behövs för nästa år än det totala antalet vita Chevrolet I mpalas med ett visst alternativpaket. Förutsägningarna är sällan korrekta Dessutom är prognoserna nästan aldrig helt korrekta Medan vissa är mycket nära, är få få rätt på pengarna Därför är det klokt att erbjuda ett prognosområde Om man skulle förutse en efterfrågan på 100 000 enheter för nästa månad är det extremt osannolikt att efterfrågan skulle motsvara 100 000 exakt. En prognos på 90 000 till 110 000 skulle dock ge ett mycket större mål för planering. Williams J Stevenson listar ett antal egenskaper som är gemensamma för en bra prognos. En viss grad av noggrannhet bör bestämmas och anges så att jämförelse kan göras med alternativa prognoser. Tillförlitligt bör prognosmetoden konsekvent ge en bra prognos om användaren ska skapa viss grad av självförtroende. Det krävs en viss tid för att svara Till prognosen så att prognoshorisonten måste tillåta den tid som krävs för att göra ändringar. Lätt att använda och förstå användare av prognosen måste vara övertygade och bekvämt att arbeta med. Kostnadseffektiva kostnaden för att göra prognosen borde inte överväga de fördelar som uppnåtts av prognosen. Förfinansieringstekniker sträcker sig från enkla till extremt komplexa Dessa tekniker klassificeras vanligtvis som kvalitativa eller kvantitativa. KVALITATIVA TEKNIKER. prognostekniker är generellt mer subjektiva än sina kvantitativa motsvarigheter. Kvalitativa tekniker är mer användbara i de tidigare stadierna av produktlivscykeln, när mindre tidigare data existerar för användning i kvantitativa metoder. Kvalitativa metoder inkluderar Delphi-tekniken, Nominell gruppteknik NGT, säljkårs åsikter , verkställande åsikter och marknadsundersökningar. DELPHI-TEKNIKEN. Delphi-tekniken använder en panel av experter för att producera en prognos. Varje expert uppmanas att ge en prognos som är specifik för behovet. När de första prognoserna har gjorts läser varje expert vad som varje Annan expert skrev och är naturligtvis påverkad av deras åsikter En delsekvens ent prognos görs då av varje expert Varje experter läser sedan igen vad alla andra experter skrev och påverkas återigen av de andras uppfattningar. Denna process upprepar sig tills varje expert närmar sig en överenskommelse om det nödvändiga scenariot eller numren. NOMINAL GRUPP TECHNIQUE. Nominal Group Tekniken liknar Delphi-tekniken genom att den utnyttjar en grupp deltagare, vanligtvis experter När deltagarna svarar på prognosrelaterade frågor rangordnar de sina svar i förhållande till uppfattad relativ betydelse. Sedan samlas rankningarna ihop. Slutligen bör gruppen konsensus om prioriteringarna av de rankade frågorna. SÄKERHETSFÖRFARANDEN. Säljpersonalen är ofta en bra källa till information om framtida efterfrågan. Försäljningschefen kan begära inkomster från varje säljare och sammanställa deras svar i en sammansatt prognos för säljkåren Försiktighet bör utövas vid användning av denna teknik som medlemmarna av säljkåren kanske inte kan skilja mellan vad kunderna säger och vad de faktiskt gör. Om prognoserna kommer att användas för att fastställa försäljningskvoter kan säljkåren frestas att ge lägre uppskattningar. EXECUTIVE OPINIONS. Ibland träffas chefer på högre nivå och utvecklar prognoser utifrån deras kunskaper av deras ansvarsområden Detta kallas ibland som en jury av verkställande opinion. MARKET RESEARCH. In marknadsundersökningar används konsumentundersökningar för att skapa potentiell efterfrågan. En sådan marknadsundersökning innefattar vanligtvis att skapa ett frågeformulär som kräver personlig, demografisk, ekonomisk och marknadsföring Information Tillfälligt samlar marknadsforskare sådan information personligen i butiker och köpcentra där konsumenten kan uppleva smak, känsla, lukt och se en viss produkt. Forskaren måste vara försiktig med att provet av de undersökta personerna är representativt för den önskade konsumenten Target. QUANTITATIVE TECHNIQUES. Quantitative prognostekniker är i allmänhet mer objektiva än deras kvalitativa motsvarigheter Kvantitativa prognoser kan vara tidsserier prognoser, dvs prognoser av det förflutna i framtiden eller prognoser baserade på associativa modeller, dvs baserat på en eller flera förklarande variabler. Tidsseriedata kan ha underliggande beteenden som måste identifieras av förutspåraren Dessutom kan prognosen behöva identifiera orsakerna till beteendet Några av dessa beteenden kan vara mönster eller helt enkelt slumpmässiga variationer Bland mönstren är tendenser, vilka är långsiktiga rörelser upp eller ner i data. Seasonality, som producerar korta Terminsvariationer som vanligtvis är relaterade till tiden för året, månaden eller till och med en viss dag, vilket ses av detaljhandeln i julen eller spikarna i bankverksamheten den första i månaden och på fredagen. Cykler, som är wavelike variationer Varar mer än ett år som vanligtvis är knutna till ekonomiska eller politiska förhållanden. Irregulära variationer som inte återspeglar typiskt beteende, som en period av extremt väder R eller en unionstrike. Random variationer, som omfattar alla icke-typiska beteenden som inte redovisas av de andra klassificeringen. Bland tidsseriemodellerna är det enklaste att se prognoserna. A na ve-prognosen använder helt enkelt den faktiska efterfrågan på det förflutna Period som den prognostiserade efterfrågan på nästa period Detta förutsätter givetvis antagandet om att det förflutna kommer att upprepas. Det förutsätter också att alla tendenser, säsongsmässiga eller cykler antingen återspeglas i efterfrågan eller inte existerar. Ett exempel på na Ve prognos presenteras i tabell 1.Table 1 Na ve Forecasting. En annan enkel teknik är användningen av medelvärdet För att göra en prognos med hjälp av medelvärdet tar man helt enkelt genomsnittet av några perioder av tidigare data genom att summera varje period och dela resultatet Med antalet perioder Denna teknik har visat sig vara mycket effektiv för prognoser med kort intervall. Variationer i medelvärdet inkluderar rörligt medelvärde, det vägda genomsnittet och det vägda rörliga genomsnittet. En rörlig avera Ge tar ett förutbestämt antal perioder, summerar deras faktiska efterfrågan och dividerar med antalet perioder för att nå en prognos. För varje efterföljande period släpper den äldsta dataperioden och den senaste perioden läggs till. Om man antar ett tremånaders glidande medelvärde och Med hjälp av data från tabell 1 skulle man helt enkelt lägga till 45 januari, 60 februari och 72 mars och dela med tre för att komma fram till en prognos för 45 april 60 72 177 3 59. För att komma fram till en prognos för maj skulle man släppa januari S efterfrågan från ekvationen och lägga till efterfrågan från april Tabell 2 presenterar ett exempel på ett tre månaders glidande medelprognos. Tabel 2 Tre månaders rörlig genomsnittlig prognos. Obligatorisk efterfrågan 000 sA vägd medelvärde gäller en förutbestämd vikt i varje månad av tidigare data, summerar tidigare data från varje period och dividerar med totala vikterna Om förskötseln justerar vikterna så att deras summa är lika med 1 multipliceras vikterna med den faktiska efterfrågan för varje tillämplig period. Resultaten är då su Mmed för att uppnå en vägd prognos Generellt är ju ju senaste ju senare data desto högre vikt och ju äldre data desto mindre vikt. Med hjälp av efterfrågningsexemplet skulle ett vägat medelvärde med vikter av 4 3 2 och 1 ge prognosen för juni Som 60 1 72 2 58 3 40 4 53 8.Forecasters kan också använda en kombination av det vägda genomsnittet och det genomsnittliga rörliga genomsnittet. En vägd glidande genomsnittlig prognos fördelar vikter till ett förutbestämt antal perioder av faktiska data och beräknar prognosen på samma sätt som beskrivs ovan Som med alla rörliga prognoser, som varje ny period läggs till, kasseras data från den äldsta perioden Tabell 3 visar en tre månaders vägd glidande medelprognos med användning av vikterna 5 3 och 2.Table 3 Tre månadsviktade rörliga medelvärden Forecast. Actual Demand 000 sA mer komplex form av viktat glidande medelvärde är exponentiell utjämning, så kallad eftersom vikten faller bort exponentialt som data åldrar Exponentiell utjämning tar föregående period s foreca st och justerar den med en förutbestämd utjämningskonstant, kallad alfa, värdet för alfa är mindre än en multiplicerad med skillnaden i föregående prognos och efterfrågan som faktiskt inträffade under den tidigare prognostiserade perioden kallas prognosfel Exponentiell utjämning uttrycks formellt som sådan Ny prognos föregående prognos alfa faktiska efterfrågan tidigare prognos FFA F. Exponentialutjämning kräver att prognosen ska börja prognosen under en tidigare period och arbeta framåt i den period som en aktuell prognos behövs En betydande mängd tidigare data och en början eller första prognos är behövs också Den initiala prognosen kan vara en faktisk prognos från en tidigare period, den faktiska efterfrågan från en tidigare period eller det kan beräknas genom att medeltaldera hela eller delar av tidigare data. En del heuristik finns för att beräkna en första prognos. Till exempel är det heuristiska N 2 1 och en alfa av 5 skulle ge en N av 3, vilket indikerar att användaren skulle medeltalet de första tre per Jod av data för att få en initial prognos Men noggrannheten i den ursprungliga prognosen är inte kritisk om man använder stora mängder data, eftersom exponentiell utjämning är självkorrigerande. Med tanke på tillräckliga perioder av tidigare data kommer exponentiell utjämning i slutändan att göra tillräckligt korrigeringar till kompensera för en rimligt oriktig första prognos Användning av data som används i andra exempel beräknas en första prognos på 50 och en alfa av 7, en prognos för februari som ny prognos 50 februari 7 45 50 41 5.Nästa prognosen för Mars Ny prognos 41 mars 5 7 60 41 5 54 45 Denna process fortsätter tills prognosmakaren når den önskade perioden I tabell 4 skulle detta vara för juni månad eftersom den faktiska efterfrågan för juni inte är känd. Den faktiska efterfrågan 000 s. An Förlängning av exponentiell utjämning kan användas när tidsseriedata uppvisar en linjär trend. Denna metod är känd av flera namn dubbel utjämning trendjusterad exponentiell utjämningsprognos inklusive trend FIT och Holt s Modell Utan justering kommer enkla exponentiella utjämningsresultat att sänka trenden, det vill säga prognosen kommer alltid att vara låg om trenden ökar, eller hög om trenden minskar. Med denna modell finns det två utjämningskonstanter och med representerande trendkomponenten. En förlängning av Holt s Model, kallad Holt-Winter s Method, tar hänsyn till både trend och säsonglighet. Det finns två versioner, multiplikativ och additiv, med multiplicativet som används mest. I additivmodellen uttrycks säsongsmässigheten som en kvantitet till läggas till eller subtraheras från seriegenomsnittet. Den multiplikativa modellen uttrycker säsongsmässighet som en procentandel som kallas säsongsrelaterade eller säsongsindex för medelvärdet eller trenden. Dessa multipliceras sedan gånger för att införliva säsongsförhållanden. En relativitet av 0 8 skulle indikera efterfrågan som är 80 procent av genomsnittet, medan 1 10 skulle indikera efterfrågan som är 10 procent över genomsnittet Detaljerad information om denna metod kan finns i de flesta operationshanteringshandböcker eller ett av ett antal böcker om prognoser. Sosiologiska eller kausaltekniker innefattar identifiering av variabler som kan användas för att förutsäga en annan variabel av intresse. Till exempel kan räntorna användas för att förutse efterfrågan på hem Refinansiering Vanligtvis involverar detta användningen av linjär regression, där målet är att utveckla en ekvation som sammanfattar effekterna av de prediktoroberoende variablerna på den prognostiserade beroende variabeln Om prediktorvariabeln var plottad skulle objektet vara att erhålla en ekvation av en Rak linje som minimerar summan av de kvadrerade avvikelserna från linjen med avvikelse är avståndet från varje punkt till linjen. Ekvationen skulle visas som ya bx, där y är den förutsagda beroende variabeln, x är den oberoende variabeln för prediktor, b är den Linjens lutning och a är lika med linjens höjd vid y-avlyssningen När ekvationen är bestämd kan användaren inse Rt nuvarande värden för den oberoende variabeln för prediktor för att komma fram till en prognosberoende variabel. Om det finns mer än en prediktorvariabel eller om förhållandet mellan prediktor och prognos inte är linjär, kommer enkel linjär regression att vara otillräcklig. För situationer med flera prediktorer, multipel regression Bör användas, medan icke-linjära relationer kräver användning av kurvlinjär regression. ECONOMETRIC FORECASTING. Econometric metoder, såsom autoregressiv integrerad rörlig genomsnittsmodell ARIMA, använder komplexa matematiska ekvationer för att visa tidigare relationer mellan efterfrågan och variabler som påverkar efterfrågan En Ekvationen är härledd och testad och finjusterad för att säkerställa att det är lika tillförlitligt en representation av det tidigare förhållandet som möjligt. När detta är gjort kommer projicerade värden av influensvariablerna att införas inkomster, priser etc i ekvationen för att göra en prognos. EVALUERANDE FORECASTS. Forecast accuracy kan bestämmas genom att beräkna bias, menar a Bsolute avvikelse MAD, medelvärde kvadratfel MSE eller medelvärdet absolut procentfel MAPE för prognosen med olika värden för alfa Bias är summan av prognosfel FE För det exponentiella utjämningsexemplet ovan skulle den beräknade förspänningen vara 60 41 5 72 54 45 58 66 74 40 60 62 6 69. Om man antar att en låg bias indikerar ett övergripande lågprognosfel kan man beräkna bias för ett antal potentiella värden av alfa och anta att den med den lägsta förspänningen skulle vara den mest exakta Men försiktighet måste observeras i det att väldigt felaktiga prognoser kan ge en låg bias om de tenderar att vara både över prognos och prognostiserad negativ och positiv. Till exempel kan en firma i tre perioder använda ett visst värde av alfa till överprognos med 75 000 Enheter 75 000, prognostiseras av 100 000 enheter 100 000 och sedan över prognos med 25 000 enheter 25 000, vilket ger en bias på noll 75 000 100 000 25 000 0 Jämförelse, en annan alfa som ger över prognoser på 2000 enheter, 1 000 enheter och 3 000 enheter skulle resultera i en bias på 5 000 enheter. Om normal efterfrågan var 100 000 enheter per period skulle den första alfabetet ge prognoser som var avsteg med så mycket som 100 procent medan den andra alfasen skulle vara avstängd med högst 3 Procent trots att förspänningen i den första prognosen var noll. En säkrare mätning av prognosnoggrannheten är den genomsnittliga absoluta avvikelsen MAD För att beräkna MAD, summerar prognosen det absoluta värdet av prognosfel och dividerar sedan med antalet prognoser FE N Genom att ta det absoluta värdet av prognosfelen undviks kompenseringen av positiva och negativa värden. Det betyder att både en överprognos på 50 och en underprognos av 50 är av med 50. Användning av data från exponentiell utjämningsexempel kan MAD vara beräknas enligt följande 60 41 5 72 54 45 58 66 74 40 60 62 4 16 35 Därför är prognosen avstängd i genomsnitt 16 35 enheter per prognos. Jämfört med resultatet av andra alfaser, kommer prognosen att veta att alfabetet med t Han lägsta MAD ger den mest exakta prognosen. Mean kvadratfel MSE kan också användas på samma sätt MSE är summan av prognosfel kvadrerad dividerad med N-1 FE N-1 Squaring prognosfelen eliminerar möjligheten att kompensera negativ Siffror eftersom ingen av resultaten kan vara negativa. Använda samma data som ovan skulle MSE vara 18 5 17 55 8 74 20 62 3 383 94 Som med MAD, kan prognosen jämföra MSE med prognoser härledda med olika värden av alfa och anta att alfabetet med lägsta MSE ger den mest exakta prognosen. Det genomsnittliga absoluta procentfelet MAPE är det genomsnittliga absolutprocentfelet För att komma fram till MAPE måste man ta summan av förhållandena mellan prognosfel och faktiska efterfrågtider 100 för att få Procentsatsen och skillnaden enligt N Faktisk efterfrågan prognos Faktisk efterfrågan 100 N Med hjälp av data från exponentiell utjämning kan MAPE beräknas enligt följande 18 5 60 17 55 72 8 74 58 20 62 48 100 4 28 33 Som med MAD och MSE, lo det relativa felet är ju mer exakt prognosen. Det bör noteras att i vissa fall kan prognosens förmåga att förändras snabbt för att svara på förändringar i datamönster anses vara viktigare än noggrannhet. Därför bör ett s val av prognosmetod reflektera den relativa vikten av betydelse mellan noggrannhet och responsivitet, som bestäms av förutanställaren. GÖR EN FORECAST. William J Stevenson listar följande som de grundläggande stegen i prognosprocessen. Bestäm prognosens syfte Faktorer som hur och när prognosen kommer att Användas, graden av noggrannhet som behövs och den önskade detaljnivåen bestämmer kostnaden tid, pengar, anställda som kan tillägna sig prognosen och typen av prognosmetod som ska utnyttjas. Fastställa en tidshorisont Detta inträffar när man har bestämt Syftet med prognosen Längre prognoser kräver längre tidshorisonter och vice versa Noggrannhet är återigen en övervägande. Välj en prognosteknik Th E-tekniken som väljs beror på syftet med prognosen, önskad tidshorisont och den tillåtna kostnaden. Samla och analysera data Mängden och typen av data som behövs styrs av prognosens syfte, den prognosteknik som valts och eventuella kostnadsöverväganden. Gör prognosen. Monitor prognosen Bedöm prognosens prestanda och modifiera, om nödvändigt. YTTERLIGARE READING. Finch, Byron J Operations nu lönsamhet, processer, prestanda 2 ed Boston McGraw-Hill Irwin, 2006. Green, William H Econometric Analysis 5 Edward Saddle River, NJ Prentice Hall, 2003.Joppe, Dr Marion Den nominella grupptekniken Den forskningsprocess som finns tillgänglig från. Stevenson, William J Operations Management 8 ed Boston McGraw-Hill Irwin, 2005.Också läs artikel om prognoser från Wikipedia. Summary Prognoser hjälper förvaltare och företag att utveckla meningsfulla planer och minska osäkerheten i händelserna i framtiden. Ledare vill matcha utbudet med efterfrågan därför är det viktigt för dem för att prognostisera hur mycket utrymme de behöver för att leverera till varje efterfrågan. Två viktiga aspekter i samband med prognoser är den förväntade nivån av efterfrågan och han förutser s grad av noggrannhet. Två allmänna tillvägagångssätt för prognoser är kvalitativa och kvantitativa. Det finns också tre typer av Prognostekniker. Utvärderingsprognoser. Tidsserier prognoser, och. Associativa modeller. Utvärderingsprognoser bygger på subjektiva inmatningar från olika källor. Tidsserier prognoser mönster identifierade i de senaste tidsserierna. En tidsserie är en tidsbestämd observationsföljd Vid normala tidsintervaller Associativa modeller bygger på utvecklingen av en ekvation som sammanfattar effekterna av prediktorvariabler Prediktorvariabler används för att förutsäga värdena för variabeln av vårt intresse. Det är viktigt att veta hur man beräknar ett prognosfel Fel Aktuell - Prognos Det finns tre sätt att mäta noggrannheten i prognoserna MAD, MSE och MAPE MAD väger all fel S jämnt MSE väger fel enligt deras kvadrerade värden Slutligen väger MAPE enligt relativfel. Kvalitativ prognostisering är subjektiv, medan kvantitativ prognostisering innebär att projicera historiska data eller utveckla associativa modeller. Judgmentprognoser är kvalitativa medan prognoser och associativa modeller för tidsserier är Både kvantitativa kvantitativa prognosmetoder inkluderar Nave Forecast-metoden, den genomsnittliga metoden, den vägda genomsnittliga metoden och den exponentiella utjämningsmetoden. Prognoser är aldrig 100 korrekta, därför finns det alltid utrymme för förbättringar. Kapitel 3 introducerade olika typer av prognostekniker men nej enkel teknik fungerar bäst i varje situation Slumpmässig variation är alltid närvarande inom prognoserna och det kommer alltid att finnas en viss restfel inom prognoser. Prognoser utgör grunden för ett organisations s schema, och därför kommer noggrannheten i dessa prognoser att diktera hur många resurser som måste vara Används, utgången Produktion och tidpunkten för en produktion ger högre noggrannhet, desto högre kostnad blir den bästa prognosen genererad av en kombination av noggrannhet och kostnad. Tillgången till historiska data, datorsoftware, samt den tid som behövs för att samla och analysera data måste Beaktas vid val av prognosteknik Datorer spelar en viktig roll vid utarbetandet av prognoser baserade på kvantitativt prognosfel är lika med det verkliga värdet minus prognosvärdet Positiva fel kommer att inträffa när prognosen är för låg och negativa fel uppstår när prognosen är för Högt. Det finns ett brett utbud av prognostekniker som i stor utsträckning kan klassificeras i tre huvudsakliga förhållanden. Utvärderingsprognoser Användbar när prognoserna måste göras på kort tid, när uppgifterna är daterade, otillgängliga eller det är dags att samla in It. Time Serie Forecasts Most Common, används för att identifiera specifika mönster i data och använda dem för att projicera framtida prognoser. Asien Tiva modeller identifierar relaterade variabler för att förutsäga nödvändiga prognoser. Förhandsgranskning är en metod som används för att förutse och lägga all information framför allt i design och operativsystem. De båda uppskattar vilken information som kommer att se ut i framtiden För att kunna göra det måste man bestämma Syftet är att skapa en tidshorisont, välj en prognosteknik, gör den och följ sedan den nya prognosen. Metoderna som används för att minska felet inkluderar Delphi-metoden, naiv metod och vägd medelvärdesmetod. En viktig fråga i prognosen är säsongsvariationer eftersom den har En repeterande rörelse Det här är kontrollschemat blir viktigt, främst eftersom det övervakar prognostiseringsfel. Kapitel Tre fokuserar på prognoser som innefattar ett uttalande om framtida värden för en variabel av intresse. Det finns tre prognostekniker - bedömning, tidsserie och fokus A Korrekt prognos bör uppfylla vissa krav som är aktuella, korrekta, pålitliga, uttryckta i meningsfulla enheter, i w Riting, kostnadseffektiv och äntligen enkel att förstå och använda När prognosen har gjorts är det viktigt att organisationer studerar dem och uppfyller konsumenternas krav genom att reagera på prognosen. Det finns dock inget sätt att förutsäga saker med fullständig noggrannhet vi kan Välj bara den bästa prognosen för att passa olika situationer. Förutsäger prognoskrav Prognosprognoser är en viktig del av ett företag eftersom en prognos resulterar i en mer exakt inventering. Huvudsakliga användningsområden för prognoser inkluderar Planera systemets långdistansplaner och planera användningen av systemkortet - planer De fyra vanliga typerna av prognoser är naiva prognoser, glidande medelvärden, viktat glidande medelvärde och exponentiell utjämning. Att ha en exakt prognos är mycket viktigt. Kapitel 3 fokuserar också på prognosfel. Fel beräknas genom att subtrahera prognosen från det faktiska felet. Det är också Viktigt att företag använder den mest exakta prognosmetoden De tre vanligaste sätten att mäta fel i forecas Ts är den genomsnittliga avvikelsen, det genomsnittliga kvadratfelet och det genomsnittliga absolutprocentfelet. Förutskott är ett uttalande om det framtida värdet av en variabel av intresse. Det är avgörande för god prognos att vara pålitlig, kostnadseffektiv, enkel och koncis. Det är mycket viktigt för att en prognos ska vara korrekt och att de är så få fel som möjligt Fel Fel påverkar väsentligt prognosnoggrannheten och beräknas som Fel Aktuellt - Prognos Om de är för många fel i en prognos, måste åtgärder vidtas för att korrigera de två huvudmetoderna i Prognos Ett tillvägagångssätt är kvantitativ prognos som bygger på tidigare variabler och data Den andra är kvalitativ prognostisering, som handlar om åsikter, grundläggande analyser och intuitioner. Det här avsnittet täcker bedömningsprognoser, som är användbara när man behöver göra en snabb prognos eller om historiska data Är inte tillgänglig. Prognosprognoser inkluderar verkställande yttranden, försäljningsstyrka åsikter, konsumentundersökningar och Delphi-metoden Executive Ioner använder en liten grupp av chefer på hög nivå för att utveckla en prognos. Försäljningsstyrketidsmetoden använder säljpersonalen eller kundservicen att göra prognoser baserade på information som erhållits genom direktkontakt med kunder. Konsumentundersökningar används för att samla information direkt från kunder Att generera en prognos. I kapitel 3 förklaras olika metoder för prognosmetoder i detalj för varje prognosmetods funktion och hur de används i vardagssituationer. Dessa prognoshjälpförvaltare försöker förutsäga framtida händelser i hopp om att förbättra företagets verksamhet. Prognoser är Uppdelade i två olika grupper, kvantitativa och kvalitativa. Kvalitativa prognoser är undersökningar, åsikter och säljkraftsuppskattningar. De två stora kvantitativa prognoserna är analys av tidsseriedata och associativa tekniker. Beroende på situationen fungerar inte alla prognoser exakt och vissa fungerar bättre än Others.1 Vilket av följande är INTE ett steg i prognosprocessen Spg 74 A Fastställa prognosens syfte B Fastställa en tidshorisont C Val av prognosteknik D Skapa efterfrågan på prognoser E Övervaka prognosen ANSWER D Skapa efterfrågan på prognoser.2 Prognosnoggrannhet som den tidsperiod som prognosen pg 73 A ökar , Minskar B minskar, ökar C elimineras fortsätter D fortsätter elimineras E ingen av ovanstående ANSWER B minskar, ökar.3 Bra prognos kräver vilket av följande element spg 74 A snabb B-korrekt C pålitlig D kostnadseffektiv E Alla ovan ANSWER E Alla ovanstående.4 Den genomsnittliga absoluta avvikelsen MAD är sättet att beräkna, eftersom viktade fel beräknas pg 77 Ett hårdaste, linjärt B enklast, linjärt C-fel, linjärt D-kvadrerat fel, linjärt E ingen av ovanstående SVAR B Enklast, lineärt.5 Prognosen Felekvationen är pg 75 A Fel Aktuell-Prognos B Felprognos-Aktuell C Fel Aktuell-Prognos 2 D Fel Aktuell-Prognos n E Inget av ovanstående SVAR A Fel Actua l-Forecast.1- Vad är prognosvärden som används för en plan system b planerar användningen av systemet c tillhandahålla framtida mål d alla ovanstående e ingen av ovanstående ANSWER D sida 79.5- En chef försöker beräkna prognoserna fel för fem perioder beräknade han framgångsrikt summan av kvadrerade fel 39 Vad är prognostiseringsfelet med MSE a 2 6 b 9 75 c 7 8 d 6 85 e 10 ANSWER B sidan 76.1 Prognos Fel är lika med en prognos Värde - det verkliga värdet b det verkliga värdet - prognosvärdet c det absoluta värdet - prognosvärdet d prognosvärdet - absolutvärdet e absolutvärdet - värdet ANVÄNDNING B sidan 75.2 Vid periodiska prognoser är det viktigt att Se till att det faktiska värdet överstiger prognosvärdet b se till att prognosvärdet överstiger det faktiska värdet c se till att felen ligger inom rimliga gränser d Kontrollera att prognosvärdet ligger utanför en rimlig gräns och ta korrigerande åtgärder ANVÄNDNING C finns på pg 75,3 Positiv Foreca St Fel uppstår när prognosen är för hög b prognosen är för låg c prognosen är lika med det faktiska värdet d det faktiska värdet överstiger prognosvärdet e inget av ovanstående ANSWER B sida 75.4 Negativa prognosfel uppstår när en prognos är lika med verkligt värde b prognosen är för låg c det verkliga värdet överstiger prognosvärdet d prognosen är för hög e värdet är lika med det verkliga värdet ANVÄND D sida 75.5 Vilket av följande är ett sätt som prognosfel påverkar beslutsfattande a De bestämmer framgången eller misslyckandet av det valda prognosalternativet b De bestämmer vid vilken nivå det verkliga värdet ska överstiga prognosvärdet c De bestämmer på vilken nivå prognosvärdet ska överstiga det faktiska värdet d De påverkar inte beslutsprognosproblemet är för slumpmässigt en variation som ska vara svarade för e De bestämmer hur man sammanfattar prognosfel över tiden ANSWER A finns på sidan 75.1 En dataserie som visar en kortvarig vanlig variation i samband med kalen Der eller tid på dagen en trend b säsonglighet c cykel d oregelbunden variation e slumpmässig variation ANSWER BP 79.2 Vilket prognos skulle vara bäst om prognoshorisonten var kortmedium, beredningstiden var kortmedium och personlig bakgrund hade liten förfining ett rörligt medelvärde B trendmodell c säsongsbetonad d enkel exponentiell utjämning e alla samma ANSWER CP 104.3 Med tanke på följande data är felet Prognosförsäljning-110 Aktuell försäljning-130 a -20 b 20 c 240 d 0 e inget av ovanstående ANSWER BP 75.4 Vad är det första steget i prognosprocessen att upprätta en tidshorisont b välj en prognosteknik c få data d bestämma syftet med prognosen e ingen av ovanstående ANSWER DP 74.5 De ​​två viktigaste faktorerna vid val av en prognosmetod är en kostnad och accuracy b cost and time c time and accuracy d quality and time ANSWER AP 103.6 When are forecasts made a Weekly b Monthly c Quarterly d Annually e All of the above ANSWER EP 99.1 The actual demand was 50 un its while the forecast value was 30 units What is the error A 15 B 20 C 25 D 10 E There is no error Answer B, page 75.2 Which one of these is a wave-like variation lasting more than a year A Cycle B Seasonal C Cycle D Irregular E Random Answer A, page 79.3 Which of these forecasts equals the previous period s actual value A MAD B MSE C MAPE D Naive E None of the above Answer D, page 80.4 Which one of these is a time series forecast A Trend B Seasonality C Cycle D Random Variation E All of the above Answer E, page 79.5 The previous forecast was 100 units The actual forecast was 150 units There is an alpha of 5 What is the next forecast going to be A 100 B 150 C 125 D 200 E 175 Answer C, pages 83-84.Murtaza Valika mvalik2.1 What type of relationship is there between accuracy and the forecast horizon a Positive b Inverse c Zero d Exponential e Parabolic Answer B pg 73.2 Looking at the historical data, there are two peaks and troughs that can be seen There is a medium forecast horizon and moderate preparation time Which forecasting method should be selected a Moving average b Causal regression models c Seasonal d Exponential smoothing e Naive forecasting Answer C pg 79.3 A proactive approach to a forecast a Seeks to actively influence demand b Requires a subjective assessment of the influence on demand c May need two forecasts d All of the above e None of the above Answer D pg 105.4 Simple exponential smoothing is appropriate when data a Exhibits a linear trend b Varies around an average or has gradual changes c Has regularly repeating upward or downward movements d Exhibits no clear pattern e Exhibits irregular behavior Answer B pg 83-85.5 What is the naive forecast in the stable series using the following information Previous Actual Value 34, Previous Forecast Value 30 a 34 b 30 c 4 d 32 e 33 Answer A pg 79.6 Monitoring the forecast is important because a Forecasts errors almost certain - there is always room for improvement b It is important to determine whether the f orecasts are performing satisfactorily c The model may be outdated d All of the above e None of the above Answer D pg 99.1 When period 1 has a sale of 10 units, what is the forecast for the sales in the next period using the naive methods a 8 units b 9 units c 10 units d 10 5 units e 12 units Answer is c page 79.2 Which of the following is considered an input for judgmental forecast a Executive opinions b Salesforce opinions c Consumer surveys d Delphi method e All of the above Answer is e page 77.3 Which of the following is not an element of a good forecast a The forecast should be timely b The forecast should be accurate c The forecast should be oral d The forecast should be reliable e All of the above Answer is c page 74.4 Which of the following are residual variations that remain after all other behaviors have been accounted for a Seasonality b Cycle c Random Variation d Trend e None of the above Answer is c page 79.5 Nave Forecast is best used when a The time series is stable b Th ere is a trend c There is seasonality d All of the above e None of the above Answer is d page 79.Marco Chen mchen26.1 Which forecasting method uses subjective inputs such as opinions from consumer surveys, sales staff, managers, executives, and experts A Judgmental forecasts B Time-series forecasts C Associative models D All of the Above E None of the above Answer A pg 77.2 Which forecasting method has the advantage of bringing together the knowledge and talent of various managers, but runs the risk that the view of one person may prevail A Salesforce opinions B Consumer surveys C Delphi method D Executive opinions E Associative models Answer D, pg 77.3 Which forecasting method is the most useful for assessing changes in technology and their impact on an organization A Salesforce opinions B Executive opinions C Delphi method D Consumer surveys E Time-series forecasts Answer C, pg 78.4 In which forecasting method may the persons offering their opinion be overly optimistic pessimistic an d thus may be unable to distinguish between what customers would like to do and what they actually will do A Consumer surveys B Salesforce opinions C Delphi method D Executive opinions E Judgmental forecasts Answer B, pg 78.5 What forecasting method s utilizes qualitative techniques rather than quantitative techniques A Judgmental forecasts B Time-series forecasts C Associative models D A and B E All of the above Answer A, pg 77.Rahul Singh rsingh24.1 What is the forecast for period 4 if period 1 65, 2 54, 3 88 using naive method.2 Which one refers to short-term regular variations. a Trend b Cycles c Irregular variations d Random variations e seasonality Answer E page 79.3 Which one of these uses historical data for forecasting. a Associative models b Time-series forecasts c Judgmental forecasts d Consumer Surveys e Delphi Method Answer B page 77-81.this question is a duplicate 4 Which is the element of a good forecast. a timely b accurate c reliable d cost-effective e all of the above An swer E need page number.5 What is the error when the actual is 333 and the forecast is 340.Kwok On Leung kleung7 Need to have five option and page numbers 1 Forecasts based on judgment and opinion include which of the following. a Executive opinions b Salesforce opinions c Consumer Surveys d Opinions of experts e All the above Answer E p g 77.2 The two general approaches to forecasting are. a Quantitative and Qualitative b Qualitative and data analysis c Qualitative and judgmental d Associative and Historical e None of the above Answer A p g 77.3 Analysis of time-series data uses data to predict future data. a Predictable b Historical c Future d Current e Random Answer B p g 77.4 The mean absolute deviation of 1, -2, -3 and 2 is.5 Two factors in deciding which forecast to chose are. a Cost and accuracy b Reliability and accuracy c Cost and Reliability d Reliability and validity e None of the above. Michael Hare Mhare2.Questions NEED FIVE OPTIONS FOR EACH QUESTION 1 True False Forecast accur acy decreases as the time horizon increases True Since short-range forecasts tend to have fewer uncertainties they re usually more accurate p 73.2 Which method of detecting forecast errors is the most effective a Mean deviation b Mean squared error c Mean absolute percent error d Depends on the situation e None of the Above. d Depends on the situation p 75-77.3 Compute a three-period moving average. a 53 b 54 c 55 d 56 e Cannot be determined.4 What is a process in which managers and staff complete a series of questionnaires to achieve a forecast. a Seasonal relative b Tracking signal c Delphi method d Qualitative assessment e Both c and b. c Delphi method p 78.5 What is one way to attempt to detect biases in errors over time. a Judgmental forecasts b Tracking signal c Associative models d Predictor variable e Error Forcasting. b Tracking signal p 101.Eden Temple etempl2.1 Quantitative techniques consist mainly of a Hunches of managers b hard data c opinions of outside consultants d both a an d b e none of the above Answer b p g 77.2 What happens when errors go far beyond acceptable limits a corrective action is needed b nothing is done because nothing can be done c a forecast can not be complete d no forecast ever goes beyond acceptable limits e none of the above Answer a page 75.3 After determining the purpose of a forecast what is the next step in the forecasting process a Making the forecasting b getting opinions of what the forecast should look like c looking into past forecasts d establishing a time horizon e writing a report of what is to be included in the forecast.4 A good forecast will be a reliable b accurate c simple d cost effective e all of the above Answer e p g 74.5 What does it mean when there is seasonality, a trend, or the time series is stable a a forecast can not be done b a nave forecast can be used c accuracy will be very good d their will be many errors e this means absolutely nothing Answer b p g 79.Miguel Guzman mguzma4.1 What is a forecasting tech nique that uses explanatory variables to predict future demand A Time-series forecasts B Judgmental forecasts C Associative models D Delphi method E Naive method. C Associative method P 77.2 Variables that can be used to predict values of the variables of interest are A Random variations B Errors C Seasonal variations D Regression lines E Predictor variables. E Predictor variables P 94.3 A technique for fitting a line to a set of points is A Associative model B Correlation C Delphi method D Regression E Exponential smoothing.4 What minimizes the sum of the squared vertical deviations around the line A Weighted Average B Least square line C Mean squared error D Exponential smoothing E Tend-adjusted exponential smoothing. B Least square line P 94.5 A measure of the scatter of points around a regression line is A Standard error of estimate B correlation C regression D least square line E seasonal variation. A Standard error of estimate P 96.Klongi2 Krista Longi.5 different answer choices are required 1 Which one of the following is NOT a judgment opinion forecasting approach A Delphi technique B Direct-contact composites C Hull technique D Consumer surveys E Executive opinions p g 77, 78.2 In the Additive model what does demand equal A Trend Seasonality B Trend X Seasonality C Seasonality - Trend D Seasonality 2 Trend E Trend Seasonality 2 page 90-91.3 Which one of these techniques for averaging was not discussed in Ch 3 in your textbook A Moving Average B Exponential Smoothing C Weighted moving Average D Boost Average E Naive Method page 79.4 Once you have established a time horizon in the forecasting process what would be the next step A Make a forecast B Select a forecasting technique C Monitor the forecast D Obtain data E Determine the purpose of the forecast page 74.5 What are seasonal variations A Regularly repeated movements in series values that can be tied to recurring events B Regularly repeated movements in series values that cannot be tied to recurring events C When a season like fall changes into winter D When a season like winter changes into fall E None of the above page 79.Cory J Renner crenne3.1 What are the steps in the forecasting process. A Make the forecast B Determine the purpose of the forecast C Establish a time horizon D C, B, A E B, C, A Answer E Page 70.2 Which of the following is an element of a good forecast A Precise B No need to reliable C Timely D Spoken but not written E None of the Above Answer C Page 70.3 What are the approache s to a forecast. A Prevention B Proactive C Banzai D Reactive E A B Answer E Page 99.4 Which of the following is most similar to weighted average. A Exponential smoothing B Moving Average C Time Series D A B E None of the above Answer B Page 75.5 What does the b stand for in the linear trend equation F a bt. A Time periods B Forecast C Value D Slope E None of the above Answer D Page 79 slwin2.The following table is the historical data for Apple Republic s sales in their clothing up until November, 2 009.