Técnica De Previsão De Vendas Em Fase De Mudança Média

3 Compreendendo níveis e métodos de previsão Você pode gerar previsões de detalhes (itens únicos) e previsões de resumo (linha de produtos) que refletem padrões de demanda de produtos. O sistema analisa as vendas passadas para calcular as previsões usando 12 métodos de previsão. As previsões incluem informações detalhadas no nível do item e informações de nível superior sobre um ramo ou a empresa como um todo. 3.1 Critérios de avaliação de desempenho de previsão Dependendo da seleção de opções de processamento e de tendências e padrões nos dados de vendas, alguns métodos de previsão apresentam melhor desempenho do que outros para um determinado conjunto de dados históricos. Um método de previsão apropriado para um produto pode não ser apropriado para outro produto. Você pode achar que um método de previsão que fornece bons resultados em um estágio do ciclo de vida de um produto permanece apropriado ao longo de todo o ciclo de vida. Você pode selecionar entre dois métodos para avaliar o desempenho atual dos métodos de previsão: porcentagem de precisão (POA). Desvio absoluto médio (MAD). Ambos os métodos de avaliação de desempenho exigem dados históricos de vendas por um período que você especifica. Este período é chamado de período de suspensão ou período de melhor ajuste. Os dados nesse período são usados ​​como base para recomendar qual método de previsão usar na próxima projeção de previsão. Esta recomendação é específica para cada produto e pode mudar de uma geração de previsão para a próxima. 3.1.1 Melhor ajuste O sistema recomenda a melhor estimativa de ajuste, aplicando os métodos de previsão selecionados ao histórico de pedidos de vendas anteriores e comparando a simulação de previsão com o histórico real. Quando você gera uma previsão de melhor ajuste, o sistema compara os históricos reais das ordens de vendas com as previsões para um período de tempo específico e calcula com que precisão cada método de previsão diferente previu as vendas. Então o sistema recomenda a previsão mais precisa como o melhor ajuste. Este gráfico ilustra as melhores previsões de ajuste: Figura 3-1 Previsão de melhor ajuste O sistema usa esta seqüência de etapas para determinar o melhor ajuste: use cada método especificado para simular uma previsão para o período de espera. Compare as vendas reais com as previsões simuladas para o período de suspensão. Calcule o POA ou o MAD para determinar qual método de previsão corresponde mais às vendas reais passadas. O sistema usa POA ou MAD, com base nas opções de processamento que você seleciona. Recomenda uma melhor previsão ajustada pelo POA que é mais próximo de 100 por cento (sobre ou abaixo) ou o MAD que é o mais próximo de zero. 3.2 Métodos de previsão O JD Edwards EnterpriseOne Forecast Management usa 12 métodos para previsão quantitativa e indica qual método fornece o melhor ajuste para a situação de previsão. Esta seção discute: Método 1: porcentagem acima do último ano. Método 2: percentual calculado em relação ao ano passado. Método 3: Ano passado para este ano. Método 4: Média móvel. Método 5: Aproximação linear. Método 6: Regressão de mínimos quadrados. Método 7: Aproximação de segundo grau. Método 8: Método flexível. Método 9: média móvel ponderada. Método 10: Suavização linear. Método 11: Suavização exponencial. Método 12: Suavização exponencial com Tendência e Sazonalidade. Especifique o método que deseja usar nas opções de processamento para o programa de geração de previsão (R34650). A maioria desses métodos fornece controle limitado. Por exemplo, o peso colocado em dados históricos recentes ou o intervalo de datas de dados históricos que é usado nos cálculos pode ser especificado por você. Os exemplos no guia indicam o procedimento de cálculo para cada um dos métodos de previsão disponíveis, dado um conjunto idêntico de dados históricos. Os exemplos de métodos no guia usam parte ou todos esses conjuntos de dados, que são dados históricos dos últimos dois anos. A projeção de previsão vai para o próximo ano. Este histórico de vendas é estável com pequenos aumentos sazonais em julho e dezembro. Esse padrão é característico de um produto maduro que pode estar se aproximando da obsolescência. 3.2.1 Método 1: Percentagem acima do último ano Este método usa a fórmula Percent Over Over Year para multiplicar cada período de previsão pelo aumento ou diminuição percentual especificado. Para prever a demanda, esse método requer o número de períodos para o melhor ajuste mais um ano de histórico de vendas. Este método é útil para prever a demanda por itens sazonais com crescimento ou declínio. 3.2.1.1 Exemplo: Método 1: Porcentagem acima do ano passado A porcentagem acima da fórmula do ano passado multiplica os dados de vendas do ano anterior por um fator que você especifica e, em seguida, projetos que resultaram no próximo ano. Este método pode ser útil no orçamento para simular o efeito de uma taxa de crescimento especificada ou quando o histórico de vendas tem um componente sazonal significativo. Especificações de previsão: fator de multiplicação. Por exemplo, especifique 110 na opção de processamento para aumentar os dados do histórico de vendas dos anos anteriores em 10%. Histórico de vendas obrigatório: um ano para calcular a previsão, além do número de períodos de tempo necessários para avaliar o desempenho da previsão (períodos de melhor ajuste) que você especificou. Esta tabela é uma história utilizada no cálculo da previsão: a previsão de fevereiro é igual a 117 vezes 1.1 128.7 arredondada para 129. A previsão de março é igual a 115 vezes 1.1 126.5 arredondada para 127. 3.2.2 Método 2: Percentual calculado acima do ano passado Este método usa o percentual calculado acima Fórmula do ano passado para comparar as vendas passadas de períodos especificados para vendas dos mesmos períodos do ano anterior. O sistema determina uma porcentagem de aumento ou diminuição e, em seguida, multiplica cada período pela porcentagem para determinar a previsão. Para prever a demanda, esse método requer o número de períodos de histórico de pedidos de vendas mais um ano de histórico de vendas. Este método é útil para prever a demanda de curto prazo para itens sazonais com crescimento ou declínio. 3.2.2.1 Exemplo: Método 2: Percentual calculado em relação ao ano passado A porcentagem calculada em relação à fórmula do ano passado multiplica os dados de vendas do ano anterior por um fator que é calculado pelo sistema e, em seguida, projeta esse resultado para o próximo ano. Esse método pode ser útil para projetar o efeito de ampliar a taxa de crescimento recente para um produto no próximo ano, preservando um padrão sazonal que está presente no histórico de vendas. Especificações de previsão: faixa de histórico de vendas para usar no cálculo da taxa de crescimento. Por exemplo, especifique n igual a 4 na opção de processamento para comparar o histórico de vendas para os quatro períodos mais recentes para os mesmos quatro períodos do ano anterior. Use a proporção calculada para fazer a projeção para o próximo ano. Histórico de vendas obrigatório: um ano para calcular a previsão, além do número de períodos de tempo necessários para avaliar o desempenho da previsão (períodos de melhor ajuste). Esta tabela é uma história usada no cálculo da previsão, dada n 4: a previsão de fevereiro é igual a 117 vezes 0,9766 114,26 arredondada para 114. A previsão de março é igual a 115 vezes 0,9766 112,31 arredondada para 112. 3.2.3 Método 3: ano passado para este ano Este método usa Vendas dos últimos anos para a previsão dos próximos anos. Para prever a demanda, esse método requer o número de períodos melhor ajustados mais um ano de histórico de pedidos de vendas. Este método é útil para prever a demanda por produtos maduros com demanda de nível ou demanda sazonal sem tendência. 3.2.3.1 Exemplo: Método 3: Ano passado a este ano O ano passado para este ano a fórmula copia dados de vendas do ano anterior para o próximo ano. Este método pode ser útil no orçamento para simular as vendas no nível atual. O produto é maduro e não tem tendência a longo prazo, mas pode existir um padrão de demanda sazonal significativo. Especificações de previsão: Nenhuma. Histórico de vendas obrigatório: um ano para calcular a previsão, além do número de períodos de tempo necessários para avaliar o desempenho da previsão (períodos de melhor ajuste). Esta tabela é história usada no cálculo da previsão: a previsão de janeiro é igual a janeiro do ano passado com um valor de previsão de 128. A previsão de fevereiro é igual a fevereiro do ano passado com um valor de previsão de 117. A previsão de março é igual a março do ano passado com um valor de previsão de 115. 3.2.4 Método 4: Média em Movimento Este método usa a fórmula da Média Mover para calcular o número de períodos especificado para projetar o próximo período. Você deve recalcular isso com freqüência (mensal, ou pelo menos trimestral) para refletir o nível de demanda em mudança. Para prever a demanda, esse método requer o número de períodos que melhor se ajustam, além do número de períodos de histórico de pedidos de vendas. Este método é útil para prever a demanda por produtos maduros sem uma tendência. 3.2.4.1 Exemplo: Método 4: A média móvel média móvel (MA) é um método popular para a média dos resultados do histórico de vendas recente para determinar uma projeção para o curto prazo. O método de previsão MA está atrasado nas tendências. Os preconceitos de previsão e os erros sistemáticos ocorrem quando o histórico de vendas do produto exibe fortes tendências ou padrões sazonais. Este método funciona melhor para previsões de curto alcance de produtos maduros do que para produtos que estão nos estágios de crescimento ou obsolescência do ciclo de vida. Especificações de previsão: n é igual ao número de períodos de histórico de vendas a serem usados ​​no cálculo da previsão. Por exemplo, especifique n 4 na opção de processamento para usar os quatro períodos mais recentes como base para a projeção no próximo período de tempo. Um grande valor para n (como 12) requer mais histórico de vendas. Isso resulta em uma previsão estável, mas é lento para reconhecer mudanças no nível de vendas. Por outro lado, um valor pequeno para n (como 3) é mais rápido para responder às mudanças no nível de vendas, mas a previsão pode flutuar tão amplamente que a produção não pode responder às variações. Histórico de vendas obrigatório: n mais o número de períodos de tempo necessários para avaliar o desempenho previsto (períodos de melhor ajuste). Esta tabela é uma história utilizada no cálculo da previsão: a previsão de fevereiro é igual (114 119 137 125) 4 123.75 arredondada para 124. A previsão de março é igual (119 137 125 124) 4 126.25 arredondada para 126. 3.2.5 Método 5: Aproximação linear Este método Usa a fórmula de Aproximação Linear para calcular uma tendência a partir do número de períodos de histórico de pedidos de vendas e projetar essa tendência para a previsão. Você deve recalcular a tendência mensalmente para detectar mudanças nas tendências. Este método requer o número de períodos de melhor ajuste mais o número de períodos especificados de histórico de pedidos de vendas. Este método é útil para prever a demanda por novos produtos, ou produtos com tendências positivas ou negativas consistentes que não se devem a flutuações sazonais. 3.2.5.1 Exemplo: Método 5: Aproximação linear Aproximação linear calcula uma tendência baseada em dois pontos de dados de histórico de vendas. Esses dois pontos definem uma linha de tendência direta que é projetada para o futuro. Use este método com cautela porque as previsões de longo alcance são alavancadas por pequenas mudanças em apenas dois pontos de dados. Especificações de previsão: n é igual ao ponto de dados no histórico de vendas que é comparado ao ponto de dados mais recente para identificar uma tendência. Por exemplo, especifique n 4 para usar a diferença entre dezembro (dados mais recentes) e agosto (quatro períodos antes de dezembro) como base para o cálculo da tendência. Histórico de vendas mínimo exigido: n mais 1 mais o número de períodos de tempo necessários para avaliar o desempenho da previsão (períodos de melhor ajuste). Esta tabela é história utilizada no cálculo da previsão: Previsão de janeiro em dezembro do ano passado 1 (Tendência), que equivale a 137 (1 vezes 2) 139. Previsão de fevereiro em dezembro do ano passado 1 (Tendência), que é igual a 137 (2 vezes 2) 141. Previsão de março em dezembro do ano passado 1 (Tendência), que é igual a 137 (3 vezes 2) 143. 3.2.6 Método 6: Regressão de Menos Esquemas O método de Regressão de Menos Esquemas (LSR) deriva de uma equação descrevendo uma relação linear entre os dados históricos de vendas E a passagem do tempo. LSR cabe uma linha para o intervalo selecionado de dados para que a soma dos quadrados das diferenças entre os pontos reais de dados de vendas e a linha de regressão seja minimizada. A previsão é uma projeção dessa linha direta para o futuro. Este método requer o histórico de dados de vendas para o período que é representado pelo número de períodos melhor ajustado mais o número especificado de períodos de dados históricos. O requisito mínimo é dois pontos de dados históricos. Este método é útil para prever a demanda quando uma tendência linear está nos dados. 3.2.6.1 Exemplo: Método 6: Regressão Linear de Regressão de Menores Esquemas, ou Regressão de Menos Esquemas (LSR), é o método mais popular para identificar uma tendência linear nos dados históricos de vendas. O método calcula os valores para a e b a serem utilizados na fórmula: Esta equação descreve uma linha reta, onde Y representa vendas e X representa tempo. A regressão linear é lenta para reconhecer os pontos de viragem e os turnos da função passo na demanda. A regressão linear corresponde a uma linha reta aos dados, mesmo quando os dados são sazonais ou melhor descritos por uma curva. Quando os dados do histórico de vendas seguem uma curva ou possuem um padrão sazonal forte, ocorrem preconceitos e erros sistemáticos. Especificações de previsão: n é igual ao período de histórico de vendas que será usado no cálculo dos valores para a e b. Por exemplo, especifique n 4 para usar o histórico de setembro a dezembro como base para os cálculos. Quando os dados estão disponíveis, um n maior (como n 24) normalmente seria usado. LSR define uma linha para apenas dois pontos de dados. Para este exemplo, foi escolhido um pequeno valor para n (n 4) para reduzir os cálculos manuais necessários para verificar os resultados. Histórico de vendas mínimo exigido: n períodos mais o número de períodos de tempo necessários para avaliar o desempenho previsto (períodos de melhor ajuste). Esta tabela é o histórico usado no cálculo da previsão: a previsão de março é igual a 119,5 (7 vezes 2,3) 135,6 arredondada para 136. 3.2.7 Método 7: Aproximação de segundo grau Para projetar a previsão, esse método usa a fórmula de Aproximação de Segundo Grau para traçar uma curva Isso é baseado no número de períodos de histórico de vendas. Este método requer o número de períodos melhor ajustados mais o número de períodos de histórico de pedidos de vendas vezes três. Este método não é útil para prever a demanda por um período de longo prazo. 3.2.7.1 Exemplo: Método 7: Regressão linear de aproximação de segundo grau determina valores para a e b na fórmula de previsão Y a b X com o objetivo de ajustar uma linha reta aos dados do histórico de vendas. A Aproximação do Segundo Grau é semelhante, mas este método determina valores para a, b e c na fórmula de previsão: Y a b X c X 2 O objetivo deste método é ajustar uma curva aos dados do histórico de vendas. Este método é útil quando um produto está na transição entre os estágios do ciclo de vida. Por exemplo, quando um novo produto passa da introdução para os estágios de crescimento, a tendência de vendas pode acelerar. Por causa do segundo termo da ordem, a previsão pode rapidamente se aproximar do infinito ou diminuir para zero (dependendo se o coeficiente c é positivo ou negativo). Este método é útil apenas no curto prazo. Especificações de previsão: a fórmula encontra a, b e c para ajustar uma curva para exatamente três pontos. Você especifica n, o número de períodos de tempo a serem acumulados em cada um dos três pontos. Neste exemplo, n 3. Os dados de vendas reais de abril a junho são combinados no primeiro ponto, Q1. De julho a setembro são adicionados juntos para criar Q2, e outubro a dezembro somam para o terceiro trimestre. A curva é ajustada aos três valores Q1, Q2 e Q3. Histórico de vendas obrigatório: 3 vezes n períodos para calcular a previsão, além do número de períodos de tempo necessários para avaliar o desempenho previsto (períodos de melhor ajuste). Esta tabela é história utilizada no cálculo da previsão: Q0 (Jan) (Fev) (Mar) Q1 (Abr) (Maio) (Jun), que é igual a 125 122 137 384 Q2 (Jul) (Ago) (Sep), que é igual a 140 129 131 400 Q3 (outubro) (novembro) (dezembro) que é igual a 114 119 137 370 O próximo passo envolve o cálculo dos três coeficientes a, b e c a serem usados ​​na fórmula de previsão Y ab X c X 2. Q1, Q2 e Q3 são apresentados no gráfico, onde o tempo é plotado no eixo horizontal. Q1 representa as vendas históricas totais de abril, maio e junho e é plotado em X 1 O segundo trimestre corresponde a julho a setembro O terceiro trimestre corresponde a outubro a dezembro e o quarto trimestre representa janeiro a março. Este gráfico ilustra o traçado de Q1, Q2, Q3 e Q4 para a aproximação de segundo grau: Figura 3-2 Traçado Q1, Q2, Q3 e Q4 para aproximação de segundo grau Três equações descrevem os três pontos no gráfico: (1) Q1 Um bX cX 2 onde X 1 (Q1 abc) (2) Q2 a bX cX 2 onde X 2 (Q2 a 2b 4c) (3) Q3 a bX cX 2 em que X 3 (Q3 a 3b 9c) Resolva as três equações simultaneamente Para encontrar b, a e c: Subtrair a equação 1 (1) da equação 2 (2) e resolver para b: (2) ndash (1) Q2 ndash Q1 b 3c b (Q2 ndash Q1) ndash 3c Substitua esta equação para B na equação (3): (3) Q3 a 3 (Q2 ndash Q1) ndash 3c 9c a Q3 ndash 3 (Q2 ndash Q1) Finalmente, substitua estas equações por a e b na equação (1): (1) Q3 ndash 3 (Q2 ndash Q1) (Q2 ndash Q1) ndash 3c c Q1 c (Q3 ndash Q2) (Q1 ndash Q2) 2 O método de Aproximação do Segundo Grau calcula a, b e c da seguinte maneira: um Q3 ndash 3 (Q2 ndash Q1 ) 370 ndash 3 (400 ndash 384) 370 ndash 3 (16) 322 b (Q2 ndash Q1) ndash3c (400 nd Cinza 384) ndash (3 vezes ndash23) 16 69 85 c (Q3 ndash Q2) (Q1 ndash Q2) 2 (370 ndash 400) (384 ndash 400) 2 ndash23 Este é um cálculo da previsão de aproximação de segundo grau: Y a bX cX 2 322 85X (ndash23) (X 2) Quando X 4, Q4 322 340 ndash 368 294. A previsão é igual a 294 3 98 por período. Quando X 5, Q5 322 425 ndash 575 172. A previsão é igual a 172 3 58,33 arredondada para 57 por período. Quando X 6, Q6 322 510 ndash 828 4. A previsão é igual a 4 3 1,33 arredondada para 1 por período. Esta é a previsão para o ano que vem, ano passado para este ano: 3.2.8 Método 8: Método flexível Este método permite selecionar o melhor número de períodos de histórico de pedidos de vendas que começa n meses antes da data de início da previsão e para Aplicar um aumento percentual ou diminuir o fator de multiplicação com o qual modificar a previsão. Este método é semelhante ao Método 1, Percentagem acima do último ano, exceto que você pode especificar o número de períodos que você usa como base. Dependendo do que você seleciona como n, este método requer períodos de melhor ajuste, além do número de períodos de dados de vendas indicados. Este método é útil para prever a demanda por uma tendência planejada. 3.2.8.1 Exemplo: Método 8: Método Flexível O Método Flexível (Percentagem sobre n Meses Prior) é semelhante ao Método 1, Percentagem acima do Ano passado. Ambos os métodos multiplicam os dados de vendas de um período de tempo anterior por um fator especificado por você e, em seguida, projetam esse resultado no futuro. No método Percent Over Over Year, a projeção é baseada em dados do mesmo período do ano anterior. Você também pode usar o Método Flexível para especificar um período de tempo, diferente do mesmo período do ano passado, para usar como base para os cálculos. Fator de multiplicação. Por exemplo, especifique 110 na opção de processamento para aumentar os dados do histórico de vendas anteriores em 10%. Período base. Por exemplo, n 4 faz com que a primeira previsão seja baseada em dados de vendas em setembro do ano passado. Histórico de vendas mínimo exigido: o número de períodos de retorno para o período base mais a quantidade de períodos necessários para avaliar o desempenho previsto (períodos de melhor ajuste). Esta tabela é o histórico utilizado no cálculo da previsão: 3.2.9 Método 9: Média de Movimento Ponderada A fórmula da Média Mover Ponderada é semelhante ao Método 4, fórmula de Motivo em Mudança, porque significa o histórico de vendas dos meses anteriores para projetar o histórico de vendas dos próximos meses. No entanto, com esta fórmula, você pode atribuir pesos para cada um dos períodos anteriores. Este método requer o número de períodos ponderados selecionados mais o número de períodos de melhores dados. Semelhante à média móvel, este método está atrasado nas tendências da demanda, portanto, este método não é recomendado para produtos com fortes tendências ou sazonalidade. Este método é útil para prever a demanda por produtos maduros com demanda que seja relativamente nivelada. 3.2.9.1 Exemplo: Método 9: Média móvel ponderada O método da média móvel ponderada (WMA) é semelhante ao Método 4, Média móvel (MA). No entanto, você pode atribuir pesos desiguais aos dados históricos ao usar o WMA. O método calcula uma média ponderada do histórico de vendas recente para chegar a uma projeção para o curto prazo. Os dados mais recentes geralmente são atribuídos a um peso maior do que os dados mais antigos, portanto, a WMA é mais sensível às mudanças no nível de vendas. No entanto, os preconceitos e erros sistemáticos ocorrem quando o histórico de vendas do produto exibe fortes tendências ou padrões sazonais. Este método funciona melhor para previsões de curto alcance de produtos maduros do que para produtos nos estágios de crescimento ou obsolescência do ciclo de vida. O número de períodos de histórico de vendas (n) a serem utilizados no cálculo da previsão. Por exemplo, especifique n 4 na opção de processamento para usar os quatro períodos mais recentes como base para a projeção no próximo período de tempo. Um grande valor para n (como 12) requer mais histórico de vendas. Esse valor resulta em uma previsão estável, mas é lenta reconhecer mudanças no nível de vendas. Por outro lado, um pequeno valor para n (como 3) responde mais rapidamente às mudanças no nível de vendas, mas a previsão pode flutuar tão amplamente que a produção não pode responder às variações. O número total de períodos para a opção de processamento rdquo14 - os períodos para includeerdquo não devem exceder 12 meses. O peso atribuído a cada um dos períodos de dados históricos. Os pesos atribuídos devem totalizar 1,00. Por exemplo, quando n 4, atribua pesos de 0,50, 0,25, 0,15 e 0,10, com os dados mais recentes recebendo o maior peso. Histórico de vendas mínimo exigido: n mais o número de períodos de tempo necessários para avaliar o desempenho da previsão (períodos de melhor ajuste). Esta tabela é histórico usado no cálculo da previsão: a previsão de janeiro é igual (131 vezes 0,10) (114 vezes 0,15) (119 vezes 0,25) (137 vezes 0,50) (0,10 0,15 0,25 0,50) 128,45 arredondado para 128. A previsão de fevereiro é igual (114 vezes 0.10) (119 vezes 0,15) (137 vezes 0,25) (128 vezes 0,50) 1 127,5 arredondado para 128. A previsão de março é igual (119 vezes, 0,10) (137 vezes 0,15) (128 vezes 0,25) (128 vezes 0,50) 1 128,45 arredondado para 128. 3.2.10 Método 10: Suavização linear Este método calcula uma média ponderada de dados de vendas anteriores. No cálculo, este método usa o número de períodos de histórico de pedidos de vendas (de 1 a 12) que é indicado na opção de processamento. O sistema usa uma progressão matemática para pesar os dados no intervalo desde o primeiro (menor peso) até o final (mais peso). Em seguida, o sistema projeta essas informações para cada período na previsão. Este método requer o melhor ajuste dos meses mais o histórico de pedidos de vendas para o número de períodos especificados na opção de processamento. 3.2.10.1 Exemplo: Método 10: Suavização linear Este método é semelhante ao Método 9, WMA. No entanto, em vez de atribuir arbitrariamente pesos aos dados históricos, uma fórmula é usada para atribuir pesos que diminuem linearmente e somam para 1,00. O método então calcula uma média ponderada do histórico de vendas recente para chegar a uma projeção para o curto prazo. Como todas as técnicas de previsão média móvel média, previsão de viés e erros sistemáticos ocorrem quando o histórico de vendas do produto exibe fortes tendências ou padrões sazonais. Este método funciona melhor para previsões de curto alcance de produtos maduros do que para produtos nos estágios de crescimento ou obsolescência do ciclo de vida. N é igual ao número de períodos de histórico de vendas a serem usados ​​no cálculo da previsão. Por exemplo, especifique n igual a 4 na opção de processamento para usar os quatro períodos mais recentes como base para a projeção no próximo período de tempo. O sistema atribui automaticamente os pesos aos dados históricos que recuam linearmente e somam para 1,00. Por exemplo, quando n é igual a 4, o sistema atribui pesos de 0,4, 0,3, 0,2 e 0,1, com os dados mais recentes recebendo o maior peso. Histórico de vendas mínimo exigido: n mais o número de períodos de tempo necessários para avaliar o desempenho da previsão (períodos de melhor ajuste). Esta tabela é o histórico utilizado no cálculo da previsão: 3.2.11 Método 11: Suavização exponencial Este método calcula uma média suavizada, que se torna uma estimativa que representa o nível geral de vendas nos períodos de dados históricos selecionados. Este método requer o histórico de dados de vendas para o período de tempo que é representado pelo número de períodos melhor ajustado mais o número de períodos de dados históricos que são especificados. O requisito mínimo é dois períodos de dados históricos. Este método é útil para prever a demanda quando não há tendência linear nos dados. 3.2.11.1 Exemplo: Método 11: Suavização exponencial Este método é semelhante ao Método 10, Suavização Linear. No Linear Smoothing, o sistema atribui pesos que diminuem linearmente para os dados históricos. Em Suavização Exponencial, o sistema atribui pesos que se deterioram exponencialmente. A equação para a previsão de suavização exponencial é: Previsão alfa (Vendas reais anteriores) (1 ndashalpha) (Previsão anterior) A previsão é uma média ponderada das vendas reais do período anterior e da previsão do período anterior. Alpha é o peso aplicado às vendas reais do período anterior. (1 ndash alfa) é o peso que é aplicado à previsão do período anterior. Valores para o intervalo alfa de 0 a 1 e geralmente cai entre 0,1 e 0,4. A soma dos pesos é 1,00 (alfa (1 ndash alfa) 1). Você deve atribuir um valor para a constante de alisamento, alfa. Se você não atribuir um valor para a constante de suavização, o sistema calcula um valor assumido que é baseado no número de períodos de histórico de vendas que é especificado na opção de processamento. Alfa é igual à constante de suavização que é usada para calcular a média suavizada para o nível geral ou a magnitude das vendas. Os valores para o intervalo alfa de 0 a 1. n são iguais ao intervalo de dados do histórico de vendas para incluir nos cálculos. Geralmente, um ano de dados de histórico de vendas é suficiente para estimar o nível geral de vendas. Para este exemplo, foi escolhido um pequeno valor para n (n 4) para reduzir os cálculos manuais necessários para verificar os resultados. Suavização exponencial pode gerar uma previsão que se baseia em um ponto de dados histórico tão pouco quanto. Histórico de vendas mínimo exigido: n mais o número de períodos de tempo necessários para avaliar o desempenho da previsão (períodos de melhor ajuste). Esta tabela é o histórico utilizado no cálculo da previsão: 3.2.12 Método 12: Suavização exponencial com Tendência e Sazonalidade Este método calcula uma tendência, um índice sazonal e uma média exponencialmente suavizada do histórico de pedidos de vendas. O sistema então aplica uma projeção da tendência à previsão e ajusta o índice sazonal. Este método requer o número de períodos melhor ajustados mais dois anos de dados de vendas, e é útil para itens que têm tendência e sazonalidade na previsão. Você pode inserir o fator alfa e beta, ou fazer o cálculo deles. Os fatores Alpha e beta são a constante de suavização que o sistema usa para calcular a média suavizada para o nível geral ou magnitude das vendas (alfa) e o componente de tendência da previsão (beta). 3.2.12.1 Exemplo: Método 12: Suavização exponencial com Tendência e Sazonalidade Este método é semelhante ao Método 11, Suavização Exponencial, na medida em que uma média suavizada é calculada. No entanto, o Método 12 também inclui um termo na equação de previsão para calcular uma tendência suavizada. A previsão é composta por uma média suavizada que é ajustada para uma tendência linear. Quando especificado na opção de processamento, a previsão também é ajustada para a sazonalidade. Alpha é igual à constante de suavização que é usada no cálculo da média suavizada para o nível geral ou a magnitude das vendas. Valores para o intervalo alfa de 0 a 1. Beta é igual à constante de suavização que é usada no cálculo da média suavizada para o componente de tendência da previsão. Valores para o intervalo beta de 0 a 1. Se um índice sazonal é aplicado à previsão. Alpha e beta são independentes um do outro. Eles não precisam somar 1,0. Histórico de vendas mínimo exigido: um ano mais o número de períodos de tempo necessários para avaliar o desempenho da previsão (períodos de melhor ajuste). Quando dois ou mais anos de dados históricos estão disponíveis, o sistema usa dois anos de dados nos cálculos. O Método 12 usa duas equações de Suavização Exponencial e uma média simples para calcular uma média suavizada, uma tendência suavizada e um índice sazonal médio simples. Uma média exponencialmente suavizada: uma tendência exponencialmente suavizada: um índice sazonal médio simples: Figura 3-3 Índice Sazonal Médio Simples A previsão é então calculada usando os resultados das três equações: L é o comprimento da sazonalidade (L é igual a 12 meses ou 52 semanas). T é o período de tempo atual. M é o número de períodos de tempo no futuro da previsão. S é o fator de ajuste sazonal multiplicativo indexado ao período de tempo apropriado. Esta tabela lista o histórico utilizado no cálculo da previsão: esta seção fornece uma visão geral das avaliações de previsão e discute: você pode selecionar os métodos de previsão para gerar até 12 previsões para cada produto. Cada método de previsão pode criar uma projeção ligeiramente diferente. Quando milhares de produtos são previstos, uma decisão subjetiva é impraticável quanto à previsão a ser utilizada nos planos para cada produto. O sistema avalia automaticamente o desempenho para cada método de previsão que você selecionou e para cada produto que você preveja. Você pode selecionar entre dois critérios de desempenho: MAD e POA. MAD é uma medida de erro de previsão. POA é uma medida do viés de previsão. Ambas as técnicas de avaliação de desempenho exigem dados reais do histórico de vendas por um período especificado por você. O período de histórico recente usado para avaliação é chamado de período de espera ou período de melhor ajuste. Para medir o desempenho de um método de previsão, o sistema: usa as fórmulas de previsão para simular uma previsão para o período histórico de retenção. Faz uma comparação entre os dados de vendas reais e a previsão simulada para o período de espera. Quando você seleciona vários métodos de previsão, esse mesmo processo ocorre para cada método. As previsões múltiplas são calculadas para o período de espera e comparadas com o histórico de vendas conhecido para o mesmo período. O método de previsão que produz a melhor combinação (melhor ajuste) entre a previsão e as vendas reais durante o período de suspensão é recomendado para uso nos planos. Esta recomendação é específica para cada produto e pode mudar cada vez que você gera uma previsão. 3.3.1 Desvio absoluto médio O desvio absoluto médio (MAD) é a média (ou média) dos valores absolutos (ou magnitude) dos desvios (ou erros) entre os dados reais e os dados previstos. MAD é uma medida da magnitude média dos erros a esperar, dado um método de previsão e histórico de dados. Como os valores absolutos são usados ​​no cálculo, erros positivos não cancelam erros negativos. Ao comparar vários métodos de previsão, aquele com menor MAD é o mais confiável para esse produto para esse período de espera. Quando a previsão é imparcial e os erros são normalmente distribuídos, existe uma relação matemática simples entre MAD e duas outras medidas comuns de distribuição, que são desvio padrão e Erro quadrático médio. Por exemplo: MAD (Sigma (Actual) ndash (Previsão)) n Desvio Padrão, (sigma) cong 1.25 MAD Mean Squared Error cong ndashsigma2 Este exemplo indica o cálculo de MAD para dois dos métodos de previsão. Este exemplo pressupõe que você especificou na opção de processamento que o comprimento do período de espera (períodos de melhor ajuste) é igual a cinco períodos. 3.3.1.1 Método 1: Ano passado a este ano Esta tabela é história usada no cálculo de MAD, Períodos dados de melhor ajuste 5: desvio absoluto médio é igual (2 1 20 10 14) 5 9.4. Com base nessas duas escolhas, recomenda-se a média móvel, o método n 4, pois tem o MAD menor, 9,4, para o período de retenção dado. 3.3.2 Porcentagem de Precisão A porcentagem de Precisão (POA) é uma medida do viés de previsão. Quando as previsões são consistentemente muito altas, os estoques se acumulam e os custos dos estoques aumentam. When forecasts are consistently too low, inventories are consumed and customer service declines. A forecast that is 10 units too low, then 8 units too high, then 2 units too high is an unbiased forecast. The positive error of 10 is canceled by negative errors of 8 and 2. (Error) (Actual) ndash (Forecast) When a product can be stored in inventory, and when the forecast is unbiased, a small amount of safety stock can be used to buffer the errors. In this situation, eliminating forecast errors is not as important as generating unbiased forecasts. However, in service industries, the previous situation is viewed as three errors. The service is understaffed in the first period, and then overstaffed for the next two periods. Nos serviços, a magnitude dos erros de previsão geralmente é mais importante do que o previsão de viés. POA (SigmaForecast sales during holdout period) (SigmaActual sales during holdout period) times 100 percent The summation over the holdout period enables positive errors to cancel negative errors. When the total of forecast sales exceeds the total of actual sales, the ratio is greater than 100 percent. Of course, the forecast cannot be more than 100 percent accurate. When a forecast is unbiased, the POA ratio is 100 percent. A 95 percent accuracy rate is more desirable than a 110 percent accurate rate. The POA criterion selects the forecasting method that has a POA ratio that is closest to 100 percent. This example indicates the calculation of POA for two forecasting methods. This example assumes that you have specified in the processing option that the holdout period length (periods of best fit) is equal to five periods. 3.3.2.1 Method 1: Last Year to This Year This table is history used in the calculation of MAD, given Periods of Best Fit 5: 3.4.2 Forecast Accuracy These statistical laws govern forecast accuracy: A long term forecast is less accurate than a short term forecast because the further into the future you project the forecast, the more variables can affect the forecast. A forecast for a product family tends to be more accurate than a forecast for individual members of the product family. Some errors cancel each other as the forecasts for individual items summarize into the group, thus creating a more accurate forecast. 3.4.3 Forecast Considerations You should not rely exclusively on past data to forecast future demands. These circumstances might affect the business, and require you to review and modify the forecast: New products that have no past data. Plans for future sales promotion. Changes in national and international politics. New laws and government regulations. Weather changes and natural disasters. Innovations from competition. You can use long term trend analysis to influence the design of the forecasts: Leading economic indicators. 3.4.4 Forecasting Process You use the Refresh Actuals program (R3465) to copy data from the Sales Order History File table (F42119), the Sales Order Detail File table (F4211), or both, into either the Forecast File table (F3460) or the Forecast Summary File table (F3400), depending on the kind of forecast that you plan to generate. Scripting on this page enhances content navigation, but does not change the content in any way. FORECASTING Forecasting involves the generation of a number, set of numbers, or scenario that corresponds to a future occurrence. It is absolutely essential to short-range and long-range planning. By definition, a forecast is based on past data, as opposed to a prediction, which is more subjective and based on instinct, gut feel, or guess. For example, the evening news gives the weather x0022forecastx0022 not the weather x0022prediction. x0022 Regardless, the terms forecast and prediction are often used inter-changeably. For example, definitions of regressionx2014a technique sometimes used in forecastingx2014generally state that its purpose is to explain or x0022predict. x0022 Forecasting is based on a number of assumptions: The past will repeat itself. In other words, what has happened in the past will happen again in the future. As the forecast horizon shortens, forecast accuracy increases. For instance, a forecast for tomorrow will be more accurate than a forecast for next month a forecast for next month will be more accurate than a forecast for next year and a forecast for next year will be more accurate than a forecast for ten years in the future. Forecasting in the aggregate is more accurate than forecasting individual items. This means that a company will be able to forecast total demand over its entire spectrum of products more accurately than it will be able to forecast individual stock-keeping units (SKUs). For example, General Motors can more accurately forecast the total number of cars needed for next year than the total number of white Chevrolet Impalas with a certain option package. Forecasts are seldom accurate. Furthermore, forecasts are almost never totally accurate. While some are very close, few are x0022right on the money. x0022 Therefore, it is wise to offer a forecast x0022range. x0022 If one were to forecast a demand of 100,000 units for the next month, it is extremely unlikely that demand would equal 100,000 exactly. However, a forecast of 90,000 to 110,000 would provide a much larger target for planning. William J. Stevenson lists a number of characteristics that are common to a good forecast: Accuratex2014some degree of accuracy should be determined and stated so that comparison can be made to alternative forecasts. Reliablex2014the forecast method should consistently provide a good forecast if the user is to establish some degree of confidence. Timelyx2014a certain amount of time is needed to respond to the forecast so the forecasting horizon must allow for the time necessary to make changes. Easy to use and understandx2014users of the forecast must be confident and comfortable working with it. Cost-effectivex2014the cost of making the forecast should not outweigh the benefits obtained from the forecast. Forecasting techniques range from the simple to the extremely complex. These techniques are usually classified as being qualitative or quantitative. QUALITATIVE TECHNIQUES Qualitative forecasting techniques are generally more subjective than their quantitative counterparts. Qualitative techniques are more useful in the earlier stages of the product life cycle, when less past data exists for use in quantitative methods. Qualitative methods include the Delphi technique, Nominal Group Technique (NGT), sales force opinions, executive opinions, and market research. THE DELPHI TECHNIQUE. The Delphi technique uses a panel of experts to produce a forecast. Each expert is asked to provide a forecast specific to the need at hand. After the initial forecasts are made, each expert reads what every other expert wrote and is, of course, influenced by their views. A subsequent forecast is then made by each expert. Each expert then reads again what every other expert wrote and is again influenced by the perceptions of the others. This process repeats itself until each expert nears agreement on the needed scenario or numbers. NOMINAL GROUP TECHNIQUE. Nominal Group Technique is similar to the Delphi technique in that it utilizes a group of participants, usually experts. After the participants respond to forecast-related questions, they rank their responses in order of perceived relative importance. Then the rankings are collected and aggregated. Eventually, the group should reach a consensus regarding the priorities of the ranked issues. SALES FORCE OPINIONS. The sales staff is often a good source of information regarding future demand. The sales manager may ask for input from each sales-person and aggregate their responses into a sales force composite forecast. Caution should be exercised when using this technique as the members of the sales force may not be able to distinguish between what customers say and what they actually do. Also, if the forecasts will be used to establish sales quotas, the sales force may be tempted to provide lower estimates. EXECUTIVE OPINIONS. Sometimes upper-levels managers meet and develop forecasts based on their knowledge of their areas of responsibility. This is sometimes referred to as a jury of executive opinion. MARKET RESEARCH. In market research, consumer surveys are used to establish potential demand. Such marketing research usually involves constructing a questionnaire that solicits personal, demographic, economic, and marketing information. On occasion, market researchers collect such information in person at retail outlets and malls, where the consumer can experiencex2014taste, feel, smell, and seex2014a particular product. The researcher must be careful that the sample of people surveyed is representative of the desired consumer target. QUANTITATIVE TECHNIQUES Quantitative forecasting techniques are generally more objective than their qualitative counterparts. Quantitative forecasts can be time-series forecasts (i. e. a projection of the past into the future) or forecasts based on associative models (i. e. based on one or more explanatory variables). Time-series data may have underlying behaviors that need to be identified by the forecaster. In addition, the forecast may need to identify the causes of the behavior. Some of these behaviors may be patterns or simply random variations. Among the patterns are: Trends, which are long-term movements (up or down) in the data. Seasonality, which produces short-term variations that are usually related to the time of year, month, or even a particular day, as witnessed by retail sales at Christmas or the spikes in banking activity on the first of the month and on Fridays. Cycles, which are wavelike variations lasting more than a year that are usually tied to economic or political conditions. Irregular variations that do not reflect typical behavior, such as a period of extreme weather or a union strike. Random variations, which encompass all non-typical behaviors not accounted for by the other classifications. Among the time-series models, the simplest is the naxEFve forecast. A naxEFve forecast simply uses the actual demand for the past period as the forecasted demand for the next period. This, of course, makes the assumption that the past will repeat. It also assumes that any trends, seasonality, or cycles are either reflected in the previous periodx0027s demand or do not exist. An example of naxEFve forecasting is presented in Table 1. Table 1 NaxEFve Forecasting Another simple technique is the use of averaging. To make a forecast using averaging, one simply takes the average of some number of periods of past data by summing each period and dividing the result by the number of periods. This technique has been found to be very effective for short-range forecasting. Variations of averaging include the moving average, the weighted average, and the weighted moving average. A moving average takes a predetermined number of periods, sums their actual demand, and divides by the number of periods to reach a forecast. For each subsequent period, the oldest period of data drops off and the latest period is added. Assuming a three-month moving average and using the data from Table 1, one would simply add 45 (January), 60 (February), and 72 (March) and divide by three to arrive at a forecast for April: 45 60 72 177 x00F7 3 59 To arrive at a forecast for May, one would drop Januaryx0027s demand from the equation and add the demand from April. Table 2 presents an example of a three-month moving average forecast. Table 2 Three Month Moving Average Forecast Actual Demand (000x0027s) A weighted average applies a predetermined weight to each month of past data, sums the past data from each period, and divides by the total of the weights. If the forecaster adjusts the weights so that their sum is equal to 1, then the weights are multiplied by the actual demand of each applicable period. The results are then summed to achieve a weighted forecast. Generally, the more recent the data the higher the weight, and the older the data the smaller the weight. Using the demand example, a weighted average using weights of .4. 3. 2, and .1 would yield the forecast for June as: 60(.1) 72(.2) 58(.3) 40(.4) 53.8 Forecasters may also use a combination of the weighted average and moving average forecasts. A weighted moving average forecast assigns weights to a predetermined number of periods of actual data and computes the forecast the same way as described above. As with all moving forecasts, as each new period is added, the data from the oldest period is discarded. Table 3 shows a three-month weighted moving average forecast utilizing the weights .5. 3, and .2. Table 3 Threex2013Month Weighted Moving Average Forecast Actual Demand (000x0027s) A more complex form of weighted moving average is exponential smoothing, so named because the weight falls off exponentially as the data ages. Exponential smoothing takes the previous periodx0027s forecast and adjusts it by a predetermined smoothing constant, x03AC (called alpha the value for alpha is less than one) multiplied by the difference in the previous forecast and the demand that actually occurred during the previously forecasted period (called forecast error). Exponential smoothing is expressed formulaically as such: New forecast previous forecast alpha (actual demand x2212 previous forecast) F F x03AC(A x2212 F) Exponential smoothing requires the forecaster to begin the forecast in a past period and work forward to the period for which a current forecast is needed. A substantial amount of past data and a beginning or initial forecast are also necessary. The initial forecast can be an actual forecast from a previous period, the actual demand from a previous period, or it can be estimated by averaging all or part of the past data. Some heuristics exist for computing an initial forecast. For example, the heuristic N (2 xF7 x03AC) x2212 1 and an alpha of .5 would yield an N of 3, indicating the user would average the first three periods of data to get an initial forecast. However, the accuracy of the initial forecast is not critical if one is using large amounts of data, since exponential smoothing is x0022self-correcting. x0022 Given enough periods of past data, exponential smoothing will eventually make enough corrections to compensate for a reasonably inaccurate initial forecast. Using the data used in other examples, an initial forecast of 50, and an alpha of .7, a forecast for February is computed as such: New forecast (February) 50 .7(45 x2212 50) 41.5 Next, the forecast for March: New forecast (March) 41.5 .7(60 x2212 41.5) 54.45 This process continues until the forecaster reaches the desired period. In Table 4 this would be for the month of June, since the actual demand for June is not known. Actual Demand (000x0027s) An extension of exponential smoothing can be used when time-series data exhibits a linear trend. This method is known by several names: double smoothing trend-adjusted exponential smoothing forecast including trend (FIT) and Holtx0027s Model. Without adjustment, simple exponential smoothing results will lag the trend, that is, the forecast will always be low if the trend is increasing, or high if the trend is decreasing. With this model there are two smoothing constants, x03AC and x03B2 with x03B2 representing the trend component. An extension of Holtx0027s Model, called Holt-Winterx0027s Method, takes into account both trend and seasonality. There are two versions, multiplicative and additive, with the multiplicative being the most widely used. In the additive model, seasonality is expressed as a quantity to be added to or subtracted from the series average. The multiplicative model expresses seasonality as a percentagex2014known as seasonal relatives or seasonal indexesx2014of the average (or trend). These are then multiplied times values in order to incorporate seasonality. A relative of 0.8 would indicate demand that is 80 percent of the average, while 1.10 would indicate demand that is 10 percent above the average. Detailed information regarding this method can be found in most operations management textbooks or one of a number of books on forecasting. Associative or causal techniques involve the identification of variables that can be used to predict another variable of interest. For example, interest rates may be used to forecast the demand for home refinancing. Typically, this involves the use of linear regression, where the objective is to develop an equation that summarizes the effects of the predictor (independent) variables upon the forecasted (dependent) variable. If the predictor variable were plotted, the object would be to obtain an equation of a straight line that minimizes the sum of the squared deviations from the line (with deviation being the distance from each point to the line). The equation would appear as: y a bx, where y is the predicted (dependent) variable, x is the predictor (independent) variable, b is the slope of the line, and a is equal to the height of the line at the y-intercept. Once the equation is determined, the user can insert current values for the predictor (independent) variable to arrive at a forecast (dependent variable). If there is more than one predictor variable or if the relationship between predictor and forecast is not linear, simple linear regression will be inadequate. For situations with multiple predictors, multiple regression should be employed, while non-linear relationships call for the use of curvilinear regression. ECONOMETRIC FORECASTING Econometric methods, such as autoregressive integrated moving-average model (ARIMA), use complex mathematical equations to show past relationships between demand and variables that influence the demand. An equation is derived and then tested and fine-tuned to ensure that it is as reliable a representation of the past relationship as possible. Once this is done, projected values of the influencing variables (income, prices, etc.) are inserted into the equation to make a forecast. EVALUATING FORECASTS Forecast accuracy can be determined by computing the bias, mean absolute deviation (MAD), mean square error (MSE), or mean absolute percent error (MAPE) for the forecast using different values for alpha. Bias is the sum of the forecast errors x2211(FE). For the exponential smoothing example above, the computed bias would be: (60 x2212 41.5) (72 x2212 54.45) (58 x2212 66.74) (40 x2212 60.62) 6.69 If one assumes that a low bias indicates an overall low forecast error, one could compute the bias for a number of potential values of alpha and assume that the one with the lowest bias would be the most accurate. However, caution must be observed in that wildly inaccurate forecasts may yield a low bias if they tend to be both over forecast and under forecast (negative and positive). For example, over three periods a firm may use a particular value of alpha to over forecast by 75,000 units (x221275,000), under forecast by 100,000 units (100,000), and then over forecast by 25,000 units (x221225,000), yielding a bias of zero (x221275,000 100,000 x2212 25,000 0). By comparison, another alpha yielding over forecasts of 2,000 units, 1,000 units, and 3,000 units would result in a bias of 5,000 units. If normal demand was 100,000 units per period, the first alpha would yield forecasts that were off by as much as 100 percent while the second alpha would be off by a maximum of only 3 percent, even though the bias in the first forecast was zero. A safer measure of forecast accuracy is the mean absolute deviation (MAD). To compute the MAD, the forecaster sums the absolute value of the forecast errors and then divides by the number of forecasts (x2211 FE x00F7 N). By taking the absolute value of the forecast errors, the offsetting of positive and negative values are avoided. This means that both an over forecast of 50 and an under forecast of 50 are off by 50. Using the data from the exponential smoothing example, MAD can be computed as follows: ( 60 x2212 41.5 72 x2212 54.45 58 x2212 66.74 40 x2212 60.62 ) x00F7 4 16.35 Therefore, the forecaster is off an average of 16.35 units per forecast. When compared to the result of other alphas, the forecaster will know that the alpha with the lowest MAD is yielding the most accurate forecast. Mean square error (MSE) can also be utilized in the same fashion. MSE is the sum of the forecast errors squared divided by N-1 (x2211(FE)) x00F7 (N-1). Squaring the forecast errors eliminates the possibility of offsetting negative numbers, since none of the results can be negative. Utilizing the same data as above, the MSE would be: (18.5) (17.55) (x22128.74) (x221220.62) x00F7 3 383.94 As with MAD, the forecaster may compare the MSE of forecasts derived using various values of alpha and assume the alpha with the lowest MSE is yielding the most accurate forecast. The mean absolute percent error (MAPE) is the average absolute percent error. To arrive at the MAPE one must take the sum of the ratios between forecast error and actual demand times 100 (to get the percentage) and divide by N (x2211 Actual demand x2212 forecast x00F7 Actual demand) xD7 100 x00F7 N. Using the data from the exponential smoothing example, MAPE can be computed as follows: (18.5 60 17.55 72 8.74 58 20.62 48) xD7 100 x00F7 4 28.33 As with MAD and MSE, the lower the relative error the more accurate the forecast. It should be noted that in some cases the ability of the forecast to change quickly to respond to changes in data patterns is considered to be more important than accuracy. Therefore, onex0027s choice of forecasting method should reflect the relative balance of importance between accuracy and responsiveness, as determined by the forecaster. MAKING A FORECAST William J. Stevenson lists the following as the basic steps in the forecasting process: Determine the forecastx0027s purpose. Factors such as how and when the forecast will be used, the degree of accuracy needed, and the level of detail desired determine the cost (time, money, employees) that can be dedicated to the forecast and the type of forecasting method to be utilized. Establish a time horizon. This occurs after one has determined the purpose of the forecast. Longer-term forecasts require longer time horizons and vice versa. Accuracy is again a consideration. Select a forecasting technique. The technique selected depends upon the purpose of the forecast, the time horizon desired, and the allowed cost. Gather and analyze data. The amount and type of data needed is governed by the forecastx0027s purpose, the forecasting technique selected, and any cost considerations. Make the forecast. Monitor the forecast. Evaluate the performance of the forecast and modify, if necessary. FURTHER READING: Finch, Byron J. Operations Now: Profitability, Processes, Performance. 2 ed. Boston: McGraw-Hill Irwin, 2006. Green, William H. Econometric Analysis. 5 ed. Upper Saddle River, NJ: Prentice Hall, 2003. Joppe, Dr. Marion. x0022The Nominal Group Technique. x0022 The Research Process. Available from x003C ryerson. ca Stevenson, William J. Operations Management. 8 ed. Boston: McGraw-Hill Irwin, 2005. Also read article about Forecasting from Wikipedia