Top 6 methoden voor verkoopprognoses
Dit artikel werpt licht op de zes belangrijkste methoden voor verkoopvoorspelling die in een organisatie worden gebruikt. De methoden zijn: 1. Collectieve Opiniemethode 2 . Economische indicatoren 3. Methode van de minste vierkanten 4. Analyse van tijdreeksen 5. Gemiddelde-groeimethode van verkoopprognoses 6. Exponentiële smoothing en voortschrijdende gemiddelde methode.
Methode # 1. Collectieve Opiniemethode:
In deze techniek hangt de prognose af van de mening van de verkopers met betrekking tot het product en schattingen van de vraag naar het volgende jaar voor hun respectievelijke gebieden. Gezien het feit dat verkopers zich het dichtst bij de consument bevinden, kunnen zij een betere inschatting maken van de reactie van de klant met betrekking tot het product.
Deze schattingen worden ontvangen door de filiaalverkoopmanagers en zij zullen deze cijfers herzien en bepaalde aanpassingen aanbrengen om hun kennis van de individuele verkopers te weerspiegelen.
Sommige van de laatstgenoemden hebben in het verleden mogelijk aangetoond dat ze consequent optimistisch zijn en dat hun schattingen naar beneden kunnen worden herzien, andere wellicht enigszins pessimistisch zijn en dat hun schattingen een opwaartse bijstelling kunnen vereisen, de rest van de verkopers is mogelijk realistisch gebleken en hun schattingen kunnen ongewijzigd blijven.
Deze aangepaste schattingscijfers worden vervolgens beschikbaar gesteld aan een commissie die verantwoordelijk is voor het maken van de uiteindelijke prognose. De leden van deze commissie kunnen de verkoopmanager, hoofdingenieur, productiemanager, marketingmanager en econoom van het bedrijf zijn. Zij zouden de schattingen herzien in het licht van bepaalde factoren waarmee de verkopers en filiaalverkoopmanagers niet bekend zouden zijn.
Deze kunnen zaken omvatten als verwachte veranderingen in productontwerp, een plan voor verhoogde reclame, een voorgestelde verhoging of verlaging van verkoopprijzen, nieuwe productietechnieken die de kwaliteit van het product, veranderingen in concurrentie, veranderingen in economische omstandigheden zoals koopkracht van consument, inkomensverdeling, kredieten, bevolking en arbeidsvoorwaarden etc.
Aldus heeft de methode van collectieve mening voordelen van collectieve wijsheid van verkopers en senior executives van verschillende gebieden die verband houden met verkoopbeheer.
voordelen:
1. De methode is eenvoudig omdat deze gebaseerd is op de collectieve wijsheid van verkopers en senior executives met expertise op verschillende gebieden en vereist geen statistische techniek.
2. De schattingen van de vraag zijn gebaseerd op de kennis van verkopers die direct verantwoordelijk zijn voor het behalen van de verkoopdoelen en daarom correct zijn.
3. Voor het lanceren van de nieuwe producten is de methode best handig.
Nadeel:
1. Aangezien er geen gegevens uit het verleden en statistische technieken zijn gebruikt, is de methode alleen nuttig voor prognoses op korte termijn.
2. De verkopers kunnen de toekomstige verkopen onderschatten als verkoopquota voor hen worden vastgesteld.
3. De schattingen gemaakt met deze methode zijn mogelijk niet realistisch, omdat de verkopers geen kennis hebben van de economische veranderingen.
Methode # 2. Economische indicatoren:
Deze methode voor verkoopprognoses is gebaseerd op het gebruik van indicatoren die de economische omstandigheden beschrijven die gedurende een bepaalde periode gelden.
Sommige van deze economische indicatoren zijn de volgende:
1. Bouwcontracten gegund voor de vraag naar bouwmaterialen.
2. Bedrijfsinkomen voor de vraag naar landbouwwerktuigen en andere inputs.
3 Persoonlijk inkomen voor de vraag naar consumptiegoederen.
4. Productie van auto's / registratie van auto's voor de vraag naar accessoires en aardolieproducten.
5. Werkgelegenheid.
6. Bruto nationaal inkomen.
7. Consumentenprijzen.
8. Wholesale grondstoffenprijzen.
9. Bankdeposito's.
10. Industriële productie.
11. Staalproductie.
12. Bedrijfsvoorraden.
Gegevens van dit type worden samengesteld en gepubliceerd door verschillende overheidsinstanties, zoals centrale statistische organisaties en door particuliere organisaties zoals handelsverenigingen en bedrijfsonderzoeksorganisaties.
Als de onderneming of organisatie vaststelt dat er een verband bestaat tussen een of een combinatie van een dergelijke economische indicator en de verkoop van sommige van haar producten, kan deze benadering voor verkoopprognoses worden gebruikt.
Verder kan de geselecteerde of relevante economische indicator een leidende, achterblijvende of samenvallende blijken te zijn.
Een leidende indicator is een indicator waarvan de waarde voor een bepaalde periode de verkoop in een volgende periode beïnvloedt. Een fabrikant van schooltassen kan bijvoorbeeld merken dat zijn verkopen gedurende een bepaald jaar worden beïnvloed door het aantal kinderen dat drie of vier jaar eerder is geboren. Dit is het meest gewenste type economische indicator omdat de waarde ervan bekend zal zijn op het moment dat de voorspelling van toekomstige verkopen wordt gemaakt.
Een achterblijvende indicator is een indicator waarvan de waarde voor een bepaalde periode de omzet in een voorgaande periode weergeeft. De fabrikant van woestijnkoelers kan bijvoorbeeld vaststellen dat gegevens over voorraden van de instanties voor een bepaalde periode gerelateerd zijn aan zijn verkopen gedurende een eerdere periode.
Een coincidentindicator is een indicator waarvan de waarde voor een bepaalde periode de verkoop in die periode beïnvloedt. De fabrikant van babymelkvoeders kan bijvoorbeeld vaststellen dat het productievolume van feeders gedurende een bepaalde periode wordt beïnvloed door de bevolkingsgroei in dezelfde periode. Dit is minder wenselijk type indicator omdat de waarde moet worden geschat voor de toekomstige periode waarvoor de verkoopprognose wordt uitgevoerd.
De verkoopvoorspelling gebeurt met behulp van de kleinste-kwadratenvergelijking.
Beperking:
1. Noodzaak van het vinden van een geschikte indicator. In sommige gevallen kan een bepaalde indicator correct zijn, maar in andere gevallen is er geen enkele indicator die duidelijk van toepassing is en kan een proeffoutaanpak nodig zijn, wat vervelend en tijdrovend is.
2. De juiste indicator kan variëren naargelang het product of de productgroep.
3. Na onderzoek van alle mogelijke alternatieven kan het bedrijf constateren dat geen enkele of samengestelde indicator geschikt is. In dergelijke gevallen kan deze prognosemethode niet worden gebruikt. Het bedrijf kan echter vaststellen dat, hoewel de omzet niet is gecorreleerd aan enige economische indicator, de omzet van de organisatie bestaat.
Dit zou het geval zijn wanneer het marktaandeel van het bedrijf sterk fluctueert. Collectieve opiniebenadering kan worden gebruikt.
4. Een andere moeilijkheid komt voort uit het feit dat de relevante indicator een jaarlijkse index kan zijn, terwijl de onderneming wellicht de verkoop op maandbasis wil voorspellen.
5. Een verdere beperking van deze methode is dat deze zich niet leent voor een prognose van de verkoop voor een nieuw product, omdat er geen gegevens uit het verleden bestaan waarop correlatie-analyse kan worden gebaseerd.
Relatie tussen twee variabelen:
Stel dat het record van een industrie over de productie- en productiekosten van de afgelopen drie jaar is:
Als we de output plotten die onafhankelijke variabele v / s-productiekosten is, die een afhankelijke variabele is voor elk van de drie jaar.
De grafiek laat zien dat alle drie punten op een lijn van beste passing vallen. Omdat de lijn een rechte lijn is, is er dus een sterke lineaire correlatie tussen de productie en de productiekosten.
Stel nu dat de productiekosten variëren zoals aangegeven in de volgende tabel:
De grafiek van deze relatie wordt weergegeven zoals aangegeven met de stippellijn. De aard van deze punten is zodanig dat ze niet op de lijn van de beste pasvorm vallen. Ze staan er echter dichtbij en we kunnen zeggen dat er een bijna lineaire correlatie bestaat tussen de twee variabelen die niet zo sterk zijn als de eerste set gegevens.
Daarom kunnen we de vervaardigingskosten voor een gegeven niveau van productie of uitvoer minder precies voorspellen. Evenzo kan er in de praktijk een kromlijnige correlatie tussen de twee variabelen zijn.
Een relatief eenvoudige methode om de lijn te passen is de methode van de kleinste kwadraten.
Deze methode van kleinste vierkanten levert een vergelijking op die de beste lijn beschrijft en lokaliseert.
Methode # 3. Methode van kleinste vierkanten:
De methode van de kleinste vierkanten biedt een vergelijking die twee kenmerken geeft van de lijn van de beste passing. Een rechte lijn kan worden beschreven in termen van twee dingen, dwz de helling en Y-onderschepping. Y-snijpunt is het punt op de Y-as van de grafiek tussen twee variabelen waar de lijn de Y-as snijdt.
Als we het Y-snijpunt en de helling van de lijn kennen, kan de vergelijking van de lijn worden bepaald op basis van de algemene uitdrukking voor de vergelijking van een regel die als volgt is:
Y '= mx + a
waarbij Y 'de berekende waarde is van de afhankelijke variabele die moet worden voorspeld.
a = Y snijpunt van de lijn van de beste passing.
m = helling van de beste lijn.
x = gegeven waarde van onafhankelijke variabele in termen van welke waarde van afhankelijke variabele moet worden voorspeld.
Op deze manier dient dit alles om alleen te beschrijven wat de vergelijking van de lijn is en de vergelijking kan worden bepaald als we de lijn al hebben gevonden.
Maar meestal vallen de punten niet op een rechte lijn, daarom moeten we beslissen waar de lijn zich moet bevinden. Hiervoor moet eerst de vergelijking van de lijn van de beste passing worden bepaald en vervolgens de positie van de lijn worden bepaald met behulp van deze vergelijking.
De methode van de kleinste kwadraten kan ons helpen om de vergelijking van de lijn te achterhalen door rechtstreeks met de oorspronkelijke gegevens van afhankelijke en onafhankelijke variabelen te werken door geschikte substituties in de volgende uitdrukkingen te maken.
ΣY = na + mΣx
ΣxY = aΣx + mΣx 2
waarbij x = gegeven waarden van de onafhankelijke variabele, die de economische indicator kan zijn.
Y - Gegeven waarde van de afhankelijke variabele die in dit geval de verkoop van het product kan zijn.
n = aantal gegeven gepaarde waarnemingen.
Nogmaals: met de vorige set gegevens voor drie jaar hebben we:
Waarden van Σx, ΣY, ΣxY vervangen
Σx en n = 3 in vergelijkingen (1) & (2)
We hebben 18 = 3a + 12m
80 = 12a + 56m
Het oplossen van deze twee vergelijkingen voor a & m
We krijgen a = 2m = 1
De vergelijking van de regel omdat
Y = 1 * × + 2
Met de tweede set gegevens waar de correlatie niet zo duidelijk is, hebben we dat wel
Vervangen van de waarde in de vergelijkingen (1) en (2) die we hebben
20 = 3a + 12m
92 = 12a + 56m
Het oplossen van deze twee vergelijkingen voor a en m die we krijgen
a = 2/3 m = 2/3
De vergelijking van de lijn wordt
Y i c = [3 / 2x + 2/3]
De vergelijking van deze lijn kan in de juiste positie worden getrokken door minimaal twee punten te vinden en deze te verbinden.
Eigenschappen van de Least Squares-lijn:
Als al onze punten niet op de lijn vallen en een kromlijnige correlatie wordt aangegeven zoals we hebben gezien bij de tweede set gegevens, zal substitutie van onze gegeven waarden van x in de vergelijking van de lijn die we verkrijgen met de methode van de kleinste kwadraten, niet berekend opleveren waarden van Yc gelijk aan onze werkelijke waarden.
Als we onze gegeven outputwaarden vervangen door 2, 6, 4 in vergelijking (4), zullen we de overeenkomstige feitelijke productiekosten van 4, 10, 6 niet als volgt verkrijgen:
Voor x = 2 Y c = 3/2 x 2 + 2/3 = 3⅔
Voor x = 6 Y c = 3/2 x 6 + 2/3 = 9⅔
Voor x = 4 Y c = 3/2 x 4 + 2/3 = 6⅔
Zoals uit deze tabel blijkt, volgen de eigenschappen van de regel met de kleinste vierkanten:
1. Som van de afwijkingen, dwz het verschil tussen de werkelijke en de berekende waarden van de afhankelijke variabele zal altijd nul zijn.
2. Het tweede kenmerk van de lijn met de kleinste vierkanten is dat de som van de gekwadrateerde afwijkingen minimaal is.
Dit geeft aan dat als het op een andere positie is getekend, het totaal van de vierkanten van de resulterende afwijkingen groter zou zijn geweest dan de som verkregen met de kleinstekwadratenlijn.
Ingeval de vergelijkingen (1) en (2) zijn opgelost voor a en m, wordt de volgende uitdrukking verkregen.
Correlatiecoëfficiënt:
Het is de kwantitatieve maat voor de sterkte van de relatie beschreven door de kleinste-kwadratenlijn. De grootte van de correlatiecoëfficiënt zal variëren met de mate van correlatie die bestaat tussen de beschouwde variabelen.
De uitdrukking waaruit deze correlatiecoëfficiënt wordt bepaald, is als volgt:
waarbij Y a = wordt gebruikt voor werkelijke waarden van de afhankelijke variabele, zoals productiekosten.
Yc = de corresponderende berekende waarden van de afhankelijke variabele gevonden op de regel met de kleinste vierkanten.
Y̅ = gemiddelde van de werkelijke waarden van de afhankelijke variabelen.
In vergelijking (5) kan de waarde van de teller (Y a - Y c ) 2 nooit kleiner zijn dan nul, omdat het een kwadratische som is. Dit maximum kan nul worden als de werkelijke waarden van de afhankelijke variabele gelijk zijn aan de berekende waarden. In dat geval liggen alle punten op de lijn van de beste fit. In dergelijke gevallen is de teller nul en de correlatiecoëfficiënt bereikt zijn maximale waarde, dwz 1. Dit gebeurt alleen als de twee variabelen perfect gecorreleerd zijn.
De minimale waarde van de correlatiecoëfficiënt kan nul zijn, wat aangeeft dat er geen correlatie is tussen de twee variabelen.
De scheiding tussen een hoge en lage mate van correlatie is moeilijk te maken, maar de volgende tabellen geven de algemeen aanvaarde waarden van de correlatiecoëfficiënt r.
In de praktijk wordt een andere vorm van vergelijking (6) gebruikt om de waarde van r te vinden.
Deze vergelijking stelt ons in staat om de waarde van de correlatiecoëfficiënt weer te geven door rechtstreeks met de oorspronkelijke gegevens te werken, vandaar dat het een eenvoudige methode is om de waarde van r te berekenen.
Toepassing van de Least Squares-methode:
Voorbeeld 1:
Een bedrijf constateert dat er een relatie bestaat tussen de verkoop van roepies van een van zijn productgroepen en een bepaalde economische indicator. Specifiek een vergelijking tussen de afgelopen verkopen en de overeenkomstige waarden van de economische indicator onthult het volgende:
(a) Bepaal de sterkte van de relatie door de waarde van de correlatiecoëfficiënt voor de twee variabelen te berekenen.
(b) Bepaal de vergelijking van de beste lijn door middel van de methode van de kleinste kwadraten.
(c) Indien verwacht wordt dat de waarde van de economische index voor een toekomstige periode 112 is, wat de verkoop in die periode mag zijn. (Industrial Engineering, RU, 1980)
Oplossing:
Veronderstellend een lineaire voorspeller van de vorm Y '- mx + a waar m & a constanten zijn om dit lijn van beste pasvorm te zijn
ΣY a = na + mΣx ... (i)
Σx Y a = aΣx + mΣx 2 ... (ii)
De waarden uit tabel in vergelijkingen (i) en (ii) zetten
19, 6 = 10a + 1025m
2067.1 = 1023a + 105673m
Het oplossen van deze vergelijkingen krijgen we
a = -7, 78
m = 0, 0951
Vandaar dat vergelijking van de lijn van de beste pasvorm is
Y = -7, 78 + 0, 0951x Ans.
Voor toekomstige perioden waarin de economische index 112 is, substitutie van x = 112
Y = -7, 78 +, 0951 x 112
= 2.8712 Verwachte verkopen = Rs. 28712 | Ans.
Gebruik de relatie.
Meerdere regressies:
In het vorige voorbeeld is aangenomen dat de verkoop van een productgroep alleen afhankelijk is van de waarde van één economische indicator, maar in veel gevallen kan de verkoop van een product of productgroep een functie zijn van een combinatie van indicatoren.
Als de relatie tussen de verkoop en deze economische indicatoren of andere indicatoren lineair is, kan deze worden beschreven aan de hand van een vergelijking met de volgende algemene vorm:
Y '- a + m 1 + m 1 x 1 + m 2 x 2 + m 3 x 3
waarin a, m 1, m 2 constanten zijn en x 1, x 2, x 3., zijn variabelen / indicatoren waarop de verkoopprognose moet worden gebaseerd. De onbekende constanten kunnen worden bepaald door simultane vergelijkingen op te lossen. De betrokken procedure is meervoudige regressieanalyse.
Methode # 4. Tijdreeksanalyse:
Deze methode voor verkoopprognoses wordt beschouwd als vergelijkbaar met de economische-indicatormethode, omdat er ook een regressieanalyse voor nodig is. Een tijdreeks is een chronologische gegevens die enige kwantiteit heeft zoals verkoopvolume of verkoop in roepies als de afhankelijke variabele en tijd als onafhankelijke variabele.
Deze tijdreeksen beschikbaar met gevestigde organisatie worden geanalyseerd voordat de prognose wordt gemaakt. Er is een algemene techniek die in het algemeen wordt gebruikt, wordt "projecteer de trend" genoemd. In deze methode wordt de trendlijn geprojecteerd op de kleinste kwadratenmethode.
De variaties van de afhankelijke variabele kunnen worden gescheiden als:
(a) Lange periode veranderingen.
(b) Korte periodewijzigingen.
De neiging van gegevens om te veranderen oftewel te verhogen of te verlagen, wordt een basistrend genoemd die lineair of niet-lineair kan zijn.
De korte periodewijzigingen kunnen van twee soorten zijn:
(i) Regelmatig
(ii) Onregelmatig
Regelmatige schommelingen zijn die die met regelmatige tussenpozen optreden. Dit kunnen zijn:
(a) Seizoensvariaties.
(b) Cyclische variaties.
Seizoensvariaties :
De meest voorkomende periodieke variatie is de seizoensvariatie die met enige regelmaat optreedt in een tijdsspanne van weersomstandigheden, sociale gewoonten en festivals enz. Deze beïnvloeden de verkoop van verschillende producten (gewoonlijk van verbruikersbenutting).
Cyclische variaties:
Deze veranderingen vertonen periodiciteit en komen over een kortere tijdsperiode voor. Net als seizoensvariaties zijn cyclische variaties ook regelmatig. Maar terwijl seizoensvariaties voorkomen binnen een jaar of minder cyclische variaties herhalen met tussenpozen van 5 tot 10 jaar.
Onregelmatige variaties:
Deze variatie vindt plaats zonder een bepaald ritme. Ze kunnen worden veroorzaakt door oorzaken die op een ongedwongen en onregelmatige manier werken. Oorzaken kunnen zijn als droogte, overstromingen, oorlogen, stakingen en aardbevingen etc.
In de tijdreeksanalysetechniek van verkoopprognoses analyseert een organisatie de eerdere verkopen om na te gaan of er een trend is. Deze trend wordt vervolgens in de toekomst geprojecteerd en de resulterende aangegeven verkopen worden gebruikt als basis voor een verkoopprognose. Deze methode zal duidelijk zijn aan de hand van de volgende illustraties.
Stel dat een fabrikant van verfapparatuur (mogelijk verfrollerframes) besluit om de verkoop van het product in het volgende jaar te voorspellen. Hij begint met het verzamelen van de gegevens voor de laatste vier / vijf jaar.
De fabrikant weet uit het verleden dat de verkoop van zijn product schommelt als gevolg van seizoensvariaties. In feite heeft hij uit het verleden geconcludeerd dat de marktvraag naar het product in het eerste kwartaal van het jaar minimaal is, wat resulteert in een toename van de verkoop als gevolg van verbeterde weersomstandigheden.
Evenzo vindt een grotere omzetstijging plaats in het derde kwartaal van het jaar als gevolg van de verdere verbetering van de weersomstandigheden en het seizoen van de festivals. Maar met de on-set van minder gunstige weersomstandigheden schrapt de vraag naar het product in het vierde kwartaal.
Als gevolg van deze kwartaalvariaties beslist het bedrijf om een prognose per kwartaal te ontwikkelen voor de productieplanning.
De toepassing van verkoopvoorspelling door tijdreeksanalysetechniek zal duidelijk zijn aan de hand van de volgende illustratie:
Ondanks de beperkte hoeveelheid beschikbare gegevens. Bepaal de vergelijking van de trendlijn. Bereken met de vergelijking de trendwaarden van kwartaalomzet voor het vierde jaar. Pas deze waarden vervolgens aan om te zorgen voor verwachte seizoensvariaties. (KUK (niet-facultair). May, 1995, B.Tech, mei, 1998)
Oplossing:
Met andere woorden, de werkelijke omzet in het eerste kwartaal bedroeg 77% van de berekende omzet.
Evenzo is de berekende omzet voor andere kwartalen als volgt:
Voor het aanpassen van de trendwaarden om te voorzien in verwachte seizoensvariaties bepalen we de grootte van deze aanpassingsfactor buiten het seizoen door het gemiddelde van de afgelopen variatie te vinden in het eerste kwartaal van elk jaar, dwz in het 1 ste, 5e en 9e kwartaal.
Feitelijke verkoop als percentage van berekende verkoopwaarden gedurende vier kwartalen.
De laatste kolom van deze tabel geeft de waarden van de seizoenscorrectiefactor voor vier kwart van het jaar weer als 0, 7097, 0, 863, 31, 1, 120, 1, 30, dwz voor de 1 e, 2 e, 3 e en 4 e en vermenigvuldiging van de berekende verkopen voor de vier kwartalen van het 4e jaar met aanpassingsfactoren zullen aangepaste verkoopprognoses opleveren voor het beschouwde jaar.
Voordelen van tijdreeksanalyse:
1. Deze techniek is minder subjectief dan de collectieve opiniemethode en methode van economische indicatoren, omdat de toepassing ervan niet afhankelijk is van het vermogen van de organisatie om een geschikte indicator te vinden.
2. In vergelijking met de methode van collectieve opinie en de methode van economische indicatoren die alleen een jaarlijkse prognose kan opleveren die moet worden opgesplitst in kortere perioden, kan de organisatie de omzet per jaar voorspellen door de afgelopen jaaromzet te analyseren, per maand door afgelopen maand te analyseren. verkoop of zelfs per week door eerdere wekelijkse verkopen te analyseren.
Beperking van tijdreeksanalyse:
1. Deze techniek kan niet worden gebruikt voor het voorspellen van de verkoop van een nieuw of relatief nieuw product, aangezien er geen gegevens uit het verleden of voldoende oude gegevens beschikbaar zijn.
2. Als de significante schommeling in het niveau van de vraag zich maandelijks in een jaar voordoet als gevolg van seizoensvariaties of, kunnen er 12 aanpassingsfactoren nodig zijn om de prognoses in een jaar bij te stellen.
3. Het effect van veranderingen in verkoopprijzen, productkwaliteit, economische omstandigheden, marketingmethoden en verkooppromotie-inspanningen van de organisaties kan niet op een bevredigende manier in de methode worden verwerkt.
Methode # 5. Veranderende gemiddelden methode van verkoopvoorspelling:
Bij deze methode wordt de verkoopprognose verkregen door het gemiddelde te nemen van de verkopen in het verleden over een gewenst aantal afgelopen perioden (mogelijk jaren, maanden of weken). Het verlengen van het voortschrijdend gemiddelde om meer perioden op te nemen, kan het afvlakkingseffect vergroten, maar vermindert de gevoeligheid van de prognose.
Lange perioden bieden te veel mogelijkheden voor significante veranderingen in het vraagpatroon. Om dit risico te verminderen, kunnen de organisaties hun prognose baseren op de gemiddelde vraag gedurende korte periodes, zeg drie maanden. De toepassing van deze techniek zal duidelijk zijn met de volgende illustratie.
Een prognose op basis van niet-gewogen voortschrijdende gemiddelden voor het aantal klanten:
Deze prognose is gebaseerd op het gemiddeld aantal klanten na twee weken.
Daarom is de niet-aangepaste prognose voor de 9e week 512. Aan het einde van week 9 zou de prognose voor de 10e week gebaseerd zijn op het gemiddelde aantal klanten dat daadwerkelijk gedurende 7 weken, 8 en 9, enzovoort, bezoekt. Het resultaat is een reeks voortschrijdende gemiddelden die zijn opgenomen in de bovenstaande tabel.
Gewogen voortschrijdend gemiddelde:
De voortschrijdende gemiddelden zoals berekend in het vorige deel staan bekend als niet-gewogen omdat hetzelfde gewicht wordt toegewezen aan elk van de getallen waarvan het gemiddelde wordt vastgesteld. Sommige ondernemingen baseren hun prognose op een gewogen voortschrijdend gemiddelde.
Laten we aannemen dat het aantal klanten dat een interval van twee weken bezoekt, een goede basis vormt voor de voorspelling van de derde week en laten we verder aannemen dat de eerste week minder belangrijk is dan de tweede en dat we daarom gewichten toekennen van 0, 4 tot de eerste week en 0, 6 tot de tweede week . Het gewogen gemiddelde voor de 9e week zou zijn
0, 4 X 549 + 0, 6 (474) = 220 + 284 = 504
Evenzo worden de gewogen voortschrijdende gemiddelden voor andere weken gerangschikt in de volgende tabel:
Een prognose op basis van gewogen voortschrijdende gemiddelden voor het aantal klanten.
Voordelen van de Moving Average-methode:
1. Deze techniek is eenvoudiger dan de methode van de kleinste kwadraten.
2. Deze methode wordt niet beïnvloed door persoonlijke vooroordelen van de mensen die het gebruiken.
3. Het de voortbewegingsperiode is gelijk aan de periode van de cyclus. De cyclische variaties zijn geëlimineerd.
4. Als de trend in de gegevens lineair is, geeft het voortschrijdend gemiddelde een goed beeld van de langetermijnbeweging van gegevens.
5. De voortschrijdend-gemiddelde techniek heeft de verdienste van flexibiliteit, dwz als een paar jaar worden toegevoegd, worden de volledige berekeningen niet gewijzigd als gevolg van de invoering van nieuwe voorwaarden.
Beperkingen van de Moving Average-methode:
Hieronder volgen de nadelen van deze prognosemethode:
1. Het resulteert niet in wiskundige relaties die kunnen worden gebruikt voor verkoopprognoses.
2. Er is een neiging om hoeken te snijden, wat resulteert in het verlies van gegevens aan de uiteinden
3. Er is veel zorg nodig voor de selectie van de voortschrijdende periode, omdat de verkeerde gekozen periodes niet het juiste beeld van de trend geven.
4. In het geval van de scherpe bochten in de originele grafiek, zou het voortschrijdend gemiddelde de kromming verminderen.
5. Het is zeer gevoelig zelfs voor kleine beweging in de gegevens.
Methode # 6. Exponentiële smoothing en voortschrijdend gemiddelde methode:
Deze methode van verkoopvoorspelling is een aanpassing van de voortschrijdend gemiddelde methode of beter gezegd een verbetering ten opzichte van de voortschrijdend-gemiddelde methode van prognose. Deze methode probeert de beperkingen van voortschrijdende gemiddelden op te heffen en verwijdert de noodzaak om uitgebreide gegevens uit het verleden te bewaren en probeert ook de onregelmatigheden in het vraagpatroon te verwijderen.
Deze methode vertegenwoordigt een gewichtsgemiddelde van de eerdere waarnemingen. In dit geval krijgen de meeste recente waarnemingen de hoogste weging die afneemt in de geometrische progressie naarmate we verdergaan met de oudere waarnemingen.
Omdat de meest recente waarnemingen die waarschijnlijk meer bijgewerkte informatie of het gemiddelde van de serie weergeven, meer gewicht krijgen, wordt het een van de meest nauwkeurige statistische methoden voor verkoopvoorspelling. Deze methode houdt een lopend gemiddelde van de vraag bij en past deze voor elke periode aan in verhouding tot het verschil tussen het laatste actuele vraagcijfer en de laatste waarde van het gemiddelde.
Als er geen trend is in de vraag naar een product of dienst, worden de verkopen voorspeld voor de volgende periode, door middel van de exponentiële afvlakkingsmethode met behulp van de uitdrukking
Voorspelling voor de volgende periode = a (laatste actuele vraag) + (1 - α) oude schatting van de laatste werkelijke vraag waarbij a de waarde vertegenwoordigt van een wegingsfactor die een afvlakkingsfactor wordt genoemd.
Deze methode volgt de vergelijking
F n = F n -1 + α (D n-1 - F n-1 )
waarbij F n = voorspelling voor de volgende periode
F n-1 = voorspelling voor de vorige periode
D n-1 = vraag in voorgaande periode.
Als a gelijk is aan 1. dan is de laatste voorspelling gelijk aan de vorige periode werkelijke vraag. In de praktijk wordt de waarde van a meestal gekozen tussen 0, 1 en 0, 3. De toepassing van techniek wordt gedemonstreerd met behulp van de gegevens van de voortschrijdende voortschrijdingsgemiddelden voor verkoopprognoses op pagina 78. Bij de toepassing van de methode zouden we de waarde van a gebruiken als 0, 10.
Met behulp van vergelijking (7), als de werkelijke vraag naar de derde week 487 is, zal de voorspelling voor de 4e week zijn
0, 10 (487) + (1, 00 - 0, 10) 550 = 544
Evenzo, als de werkelijke vraag naar 4e week 528 klanten is, zal de voorspelling voor de 5e week zijn
0, 10 (528) + (1, 00 - 0, 10) (544) = 542
Als deze procedure gedurende de volledige periode van 8 weken was toegepast, worden de resultaten weergegeven in de volgende tabel. De niet-aangepaste prognosefout wordt ook aangegeven onder kolom D = B - C. Als de waarde van a niet wordt gegeven; het kan worden bepaald door een benaderende relatie van een.
α = 2 / Aantal perioden in voortschrijdend gemiddelde + 1
In vergelijking (7) voor zover de weegfactoren a betreft, kan deze een minimale waarde 0 en een maximale waarde van 1 aannemen. Hoe groter de waarde van a, des te groter is het gewicht dat op recente gegevens wordt geplaatst. Wanneer de waarde van a 1 is, is de prognose gelijk aan de vraag die tijdens de laatste periode is ondervonden.
Hoewel de waarde van een varieert van product tot product, maar de meeste organisaties hebben geconstateerd dat een waarde tussen 0 06 en 0, 20 meestal bevredigend blijkt te zijn.
Wanneer u probeert te achterhalen welke waarde van een product of service moet worden gebruikt, kan de organisatie / onderneming verschillende waarden selecteren, de eerdere prognoses bekijken met behulp van deze waarden en deze voor toekomstig gebruik gebruiken, waardoor voorspelde fouten tot een minimum zouden zijn beperkt. het verleden.
Op deze manier gaan we de beschrijving van exponentiële smoothing in de buurt omdat deze wordt toegepast wanneer een trend in de verkoop / service beschikbaar is. In het geval er een trend bestaat, kan een trendaanpassing worden uitgevoerd met deze techniek, maar de toepassing ervan wordt een beetje moeilijk.
