단순 이동 평균 예측 예

단순 이동 평균 - SMA. 이동 평균 단순 이동 - SMA. A 단순 이동 평균은 여러 기간에 대해 보안의 마감 가격을 추가하여 다른 기간 수에 대해 계산할 수 있다는 점에서 사용자 정의 할 수 있습니다. 이 총계를 기간별 보안 비용의 평균값으로 나눈 시간의 합계로 나누십시오. 단순 이동 평균은 변동성을 완화시키고 보안의 가격 추세를보다 쉽게 ​​볼 수 있습니다. 단순 이동 평균이 , 이는 보안의 가격이 상승하고 있음을 의미합니다. 아래로 향하면 보안의 가격이 하락하고 있음을 의미합니다. 이동 평균의 시간이 길수록 단순한 이동 평균이 더 짧음 단기 이동 평균은 변동성이 크지 만 그것의 독서는 근원 자료에 더 가깝습니다. 분석적 중요성. 이동 평균은 현재의 가격 추세와 확립 된 tre의 변화 가능성을 확인하는 데 사용되는 중요한 분석 도구입니다 간단한 이동 평균을 분석에 사용하는 가장 간단한 방법은 보안이 상승 추세인지 또는 하락 추세인지 빠르게 식별하는 것입니다. 조금 더 복잡한 분석 도구이기는하지만 다른 인기있는 한 가지 간단한 이동 평균을 비교하는 것입니다. 시간 프레임 단기 단기 이동 평균이 장기 평균보다 높으면 상승 경향이 있습니다. 반면 단기 평균보다 장기 평균은 추세의 하향 움직임을 나타냅니다. 인기 거래 패턴. 간단한 이동 평균을 사용하는 두 가지 인기있는 거래 패턴에는 죽음의 십자가와 십자가가 포함됩니다. 50 일 이동 평균이 200 일 이동 평균을 밑돌면 죽음의 십자가가 생깁니다 이것은 곰 같은 신호로 간주되어 추가 손실이 저장됩니다 황금의 십자가는 단기 이동 평균이 장기 이동 평균보다 높을 때 발생합니다. 높은 거래량으로 보강되면 더 많은 이익이 창출됩니다. 평균 및 지수 이동 평균 모델, 무작위 걸음 모델 및 선형 경향 모델을 넘어서는 첫 번째 단계로 비 계절적 패턴 및 경향은 이동 평균 또는 평활 모델을 사용하여 외삽 될 수 있습니다. 평균화 및 평활화 모델의 기본 가정은 시간 시리즈는 천천히 변하는 평균을 가지고 지역적으로 고정되어있다. 그러므로 우리는 평균의 현재 값을 추정하기 위해 움직이는 지역 평균을 취하여 가까운 장래의 예측으로 사용한다. 이는 평균 모델과 무작위 사이의 타협으로 간주 될 수있다 - walk-without-drift-model 같은 전략을 사용하여 지역 추세를 추정하고 추정 할 수 있습니다. 단기 평균은 원래의 범프를 부드럽게하는 효과가 있기 때문에 이동 평균은 원래 시리즈의 평활화 된 버전이라고도합니다. 시리즈 이동 평균의 폭을 다듬는 정도를 조정함으로써 평균 및 임의 걷기 모델의 성능 사이에서 최적의 균형을 유지할 수 있습니다. 단순한 가중 이동 평균. 시간 t에서 만들어진 시간 t에서 Y의 값에 대한 예측은 가장 최근의 m 관측의 단순 평균과 같습니다. 여기 그리고 다른 곳에서 주어진 모델에 의해 가능한 가장 빠른 이전 날짜에 만들어진 시계열 Y의 예측을 나타 내기 위해 기호 Y-hat을 사용할 것입니다. 이 평균은 t-1 2에 집중되어 있습니다. 지역 평균은 국부 평균의 실제 값보다 약 m 2주기 늦어지는 경향이있다. 따라서 단순 이동 평균의 데이터의 평균 연령은 예측이 계산되는 기간에 비해 m 2이다 이것은 예측이 데이터의 전환점보다 뒤쳐지는 경향이있는 시간입니다. 예를 들어, 마지막 5 개의 값을 평균 할 경우 예측은 전환점에 응답하는 데 약 3 기간 늦을 것입니다. m 1, 단순 이동 평균 SMA 모델은 성장없는 무작위 도보 모델과 동일합니다. m이 추정 기간의 길이와 비교할 때 매우 큰 경우 SMA 모델은 평균 모델과 같습니다. 예측 모델의 매개 변수와 마찬가지로 일반적으로 기의 가치를 조정하는 n 순서에 따라 데이터에 가장 잘 맞는 것을 얻습니다. 예를 들어 평균적으로 가장 작은 예측 오류입니다. 천천히 변하는 평균 주위의 무작위 변동을 나타내는 시리즈의 예가 있습니다. 먼저 임의의 보행에 맞춰 봅니다. 모델로, 1 기간의 간단한 이동 평균과 같습니다. 랜덤 워크 모델은 시리즈의 변경 사항에 매우 신속하게 응답하지만, 이렇게하면 데이터의 노이즈가 많은 부분을 비롯하여 임의의 변동 및 신호가 로컬에서 발생합니다 평균 대신 5 용어의 간단한 이동 평균을 시도하면 우리는 더 매끄러운 모양의 예측 집합을 얻습니다. 5 항의 간단한 이동 평균은이 경우 무작위 도보 모델보다 훨씬 적은 오류를 산출합니다. 이 경우의 평균 평균 연령 예측은 3 5 1 2이므로 전환 시점보다 3 기간 지연되는 경향이 있습니다. 예를 들어, 기간 21에 침체가 발생한 것으로 보이지만 몇 기간 후에 예측이 돌아 가지 않습니다. SMA 모드에서의 장기 예측 el은 임의의 보행 모델에서와 같이 수평의 직선이다. 따라서 SMA 모델은 데이터에 추세가 없다고 가정한다. 그러나 무작위 걸음 모델의 예측은 단순히 마지막으로 관측 된 값과 동일하지만, SMA 모델은 최근 값의 가중 평균과 같습니다. Statgraphics가 계산 한 신뢰 한계는 단순 이동 평균의 장기 예측에 대해 예측 지평선이 증가함에 따라 더 넓지 않습니다. 분명히 정확하지 않습니다. 불행히도, 신뢰 구간을 어떻게 확장해야하는지 알려주는 통계 이론 그러나 장거리 예측에 대한 신뢰 한계의 경험적 추정치를 계산하는 것은 그리 어렵지 않습니다. 예를 들어, SMA 모델이 적용된 스프레드 시트를 설정할 수 있습니다 이력 데이터 샘플 내에서 앞으로 2 단계, 3 단계 앞당기 등을 예측하는 데 사용됩니다. 그런 다음 각 예측에서 오류의 샘플 표준 편차를 계산할 수 있습니다. h orzone을 선택하고 적절한 표준 편차의 배수를 더하거나 뺍으로써 장기 예측에 대한 신뢰 구간을 구축하십시오. 우리가 9 항의 간단한 이동 평균을 시도하면보다 부드러운 예측과 지연 효과를 얻을 수 있습니다. 평균 연령은 현재 5 개 기간 9 1 2 19 개 이동 평균을 취하면 평균 연령은 10 세로 증가합니다. 실제로 예측은 현재 약 10 기간으로 전환점보다 뒤떨어져 있습니다. 이 시리즈의 경우 스무딩 양이 가장 좋습니다. 다음은 3 학기 평균을 포함하여 오류 통계를 비교하는 표입니다. 5 학기 이동 평균 인 모델 C는 3 학기 및 9 학기 평균보다 약간 작은 RMSE 값을 산출하고 그들의 다른 통계는 거의 동일합니다. 따라서 매우 유사한 오류 통계를 가진 모델 중에서 예측에서 조금 더 응답 성을 높이거나 좀 더 부드러움을 선호할지 여부를 선택할 수 있습니다. 페이지 위쪽으로 돌아갑니다. 단순 지수 기수 평준화 지수 가중치 위에서 설명한 단순 이동 평균 모델은 마지막 k 관측 값을 똑같이 처리하고 이전 관측 값을 완전히 무시한다는 바람직하지 않은 특성을 가지고 있습니다. 직관적으로 과거 데이터는보다 점진적인 방식으로 할인되어야합니다. 예를 들어 가장 최근 관측 값은 가장 최근의 것보다 조금 더 많은 가중치를 얻으십시오. 가장 최근의 두 번째 것은 가장 최근의 세 번째 것보다 약간 더 많은 가중치를가집니다. 간단한 지수 스무딩 SES 모델은 this를 수행합니다. 0과 1 사이의 수를 나타내는 평활 상수를 나타냅니다. 모델을 작성하는 한 가지 방법은 현재 레벨, 즉 데이터에서 현재까지 추정 된 일련의 로컬 평균 값을 나타내는 계열 L을 정의하는 것입니다. 시간 t에서 L의 값은 이와 같이 이전의 자체 값에서 재귀 적으로 계산됩니다. 따라서, 현재의 평활화 된 값은 이전의 평활화 된 값과 현재의 관찰 사이의 보간법이며, 여기서 가장 보간 된 값에 대한 보간 된 값의 근접성을 제어한다 센티미터 관측 다음 기간에 대한 예측은 단순히 현재의 평활화 된 값입니다. 또한, 다음과 같은 버전의 이전 예측 및 이전 관측과 관련하여 다음 예측을 직접 표현할 수 있습니다. 첫 번째 버전에서 예측은 보간 두 번째 버전에서는 이전 오류의 방향으로 이전 예측을 분수로 조정하여 다음 예측을 얻습니다. 시간 t에서 발생한 오류는 세 번째 버전에서 예측은 지수 가중치, 즉 할인율 1로 할인 된 이동 평균 예측 공식의 보간 버전은 스프레드 시트에서 모델을 구현하는 경우 가장 단순합니다. 이 모델은 단일 셀에 적합하고 이전 예측을 가리키는 셀 참조를 포함합니다. 관측치, 값이 저장되는 셀 등이 있습니다. 1이면 SES 모델이 무작위 도보 모델과 같습니다. hout growth 0 인 경우 SES 모델은 첫 번째 평활 값이 평균 페이지 상단으로 돌아 가기로 설정되었다고 가정하고 평균 모델과 같습니다. 단순 지수 평활화 예측의 데이터 평균 나이는 1입니다. 예측이 계산되는 기간이 기간은 분명하지는 않으나 무한 시리즈를 평가하여 쉽게 표시 할 수 있습니다. 따라서 단순 이동 평균 예측은 전환 시점보다 약 1 기간 지연되는 경향이 있습니다. 예를 들어, 0 5 지연은 0 2 지연이 10주기 인 0 일 때 5주기 인 등 2주기입니다. 주어진 평균 연령 즉 지연의 양에 대해 간단한 지수 스무딩 SES 예측은 단순 이동보다 다소 우수합니다 평균 SMA 예측은 가장 최근의 관찰에 상대적으로 더 많은 가중치를 부여하기 때문입니다. 최근 과거에 발생한 변경 사항에 약간 더 반응합니다. 예를 들어, 9 개 용어가있는 SMA 모델과 0 2가있는 SES 모델 모두 평균 연령 5에 대한 다 그러나 SES 모델은 SMA 모델보다 세 번째 값에 더 많은 가중치를 주지만 동시에이 차트에 표시된 바와 같이 9 시간보다 오래된 값을 완전히 잊지는 않습니다. SMA 모델의 SES 모델은 SES 모델이 지속적으로 가변적 인 스무딩 매개 변수를 사용하므로 평균 제곱 오류를 최소화하는 솔버 알고리즘을 사용하여 쉽게 최적화 할 수 있습니다. 이 시리즈의 SES 모델에서 최적 값은 이 예측에서 데이터의 평균 연령은 6 개월 간단한 이동 평균과 비슷한 1 0 2961 3 4 마침표입니다. SES 모델의 장기 예측은 다음과 같습니다. SMA 모델과 성장없는 무작위 걸음 모델과 같은 수평 직선 그러나 Statgraphics에 의해 계산 된 신뢰 구간은 합리적으로 보이는 방식으로 이제는 발산하고 rand에 대한 신뢰 구간보다 실질적으로 좁은 것을 유의하십시오 옴 워크 모델 SES 모델은 무작위 걸음 모델보다 일련이 더 예측 가능하다고 가정합니다. SES 모델은 실제로 ARIMA 모델의 특수 사례이므로 ARIMA 모델의 통계 이론은 SES 모델 특히, SES 모델은 하나의 비 계절적 차이, MA 1 용어 및 상수 용어가없는 ARIMA 모델입니다. 상수가없는 ARIMA 0,1,1 모델 ARIMA 모델의 MA 1 계수는 수량 1 - SES 모델 예를 들어, 여기서 분석 한 시리즈에 상수가없는 ARIMA 0,1,1 모델을 맞춘 경우 MA 1 계수 추정치는 0 7029로 거의 정확히 1에서 0 2961입니다. 0이 아닌 상수 선형 추세의 가정을 SES 모델에 추가 할 수 있습니다. 이렇게하려면 비 계절 차이가 하나 있고 상수가 MA 1 인 ARIMA 모델, 즉 ARIMA 0,1,1 모델을 지정하면됩니다 일정한 장기 전망 전체 견적 기간 동안 관측 된 평균 추세와 같은 추세를 가짐 모델 유형이 ARIMA로 설정된 경우 계절 조정 옵션이 사용 불가능하기 때문에 계절 조정과 함께 할 수는 없습니다. 그러나 일정 길이를 추가 할 수 있습니다 예측 과정에서 인플레이션 조정 옵션을 사용하여 계절 조정이 있거나없는 간단한 지수 평활화 모델에 대한 지수 기하학 기간 당 적절한 인플레이션 비율 증가율은 다음과 같은 데이터에 맞는 선형 추세 모델의 기울기 계수로 추정 할 수 있습니다. 자연 로그 변환과 함께 사용하거나 장기 성장 전망에 관한 다른 독립적 인 정보를 기반으로 할 수 있습니다. 맨 위로 돌아 가기. Brown s Linear 즉 double Exponential Smoothing. SMA 모델과 SES 모델은 다음과 같은 추세가 없다고 가정합니다. 데이터가 상대적으로 노우즈 일 때 1 단계 전방 예측에 대해 일반적으로 정상이거나 적어도 좋지는 않은 데이터의 모든 종류 sy와 같으며 위에서 보인 바와 같이 일정한 선형 추세를 통합하도록 수정할 수 있습니다 단기간 추세는 무엇인가 시리즈가 다양한 성장 속도 또는 순환 패턴을 명확하게 나타내며 소음에 대해 분명하게 나타낼 경우 앞으로 1 기간 이상 예측할 경우 지역 경향을 추정하는 것도 중요한 문제가 될 수 있습니다. 간단한 지수 평활화 모델을 일반화하여 수준 및 추세에 대한 지역 추정치를 계산하는 선형 지수 평활화 LES 모델을 얻을 수 있습니다. 가장 간단한 시간 변화 추세 모델은 Brown s 선형 지수 평활화 모델로, 서로 다른 시점에 집중되는 두 개의 서로 다른 매끄러운 계열을 사용합니다. 예측 공식은 두 센터를 통한 선 외삽을 기반으로합니다. 이 모델의보다 정교한 버전 인 Holt s는 다음과 같습니다. 브라운의 선형 지수 평활화 모델의 대수적 형태는 단순한 지수 평활화 모델의 것과 유사하지만 여러 가지로 표현 될 수 있지만 e quivalent forms이 모델의 표준 형태는 보통 다음과 같이 표현된다. S는 간단한 지수 스무딩을 계열 Y에 적용하여 얻은 단일 평활 연속열을 나타냅니다. 즉, 기간 t에서의 S 값은로 주어집니다. 간단한 지수 적 평활화 하에서, 이것은 기간 t 1에서의 Y에 대한 예측이 될 것임을 상기하자. S는 시리즈 S와 동일한 지수 평활화를 적용함으로써 얻어진 이중 평활 연속열을 나타낸다. 최종적으로, 임의의 것에 대한 Y tk에 대한 예측 k1은 다음과 같이 주어진다. 이것은 e1 0 즉, 약간의 속임수를 낳고 첫 번째 예측을 실제 첫 번째 관찰과 같게 만들고 e2Y2Y1 후에 위의 등식을 사용하여 예측을 생성한다. S와 S를 기반으로 한 수식은 S 1 S 1 Y 1을 사용하여 시작됩니다. 이 모델의 버전은 지수 조정과 계절 조정의 조합을 보여주는 다음 페이지에서 사용됩니다. 선형의 선형 지수 스무딩. 브러시 LES 모델은 최근 데이터를 평활화하여 레벨 및 추세에 대한 지역 추정치를 계산하지만, 단일 스무딩 매개 변수를 사용하여이를 수행한다는 사실은 레벨에 맞출 수있는 데이터 패턴에 대한 제한을 두며 추세가 달라지지 않습니다 ~에서 독립 속도 Holt s LES 모델은 두 개의 평활 상수를 하나의 레벨과 추세에 포함시켜이 문제를 해결합니다. Brown s 모델에서와 같이 언제든지 t는 지역 수준의 추정치 L t와 추정치 T가 있습니다 여기서 t는 시간 t에서 관측 된 Y의 값과 그것들에 대해 지수 평활을 적용하는 두 방정식에 의한 이전의 추정치와 추세로부터 재귀 적으로 계산된다. 시간 t-1에서의 추정 된 수준과 경향 가 각각 t 1 및 t t-1 인 경우, 시간 t-1에서 이루어진 Y t에 대한 예측은 L t-1 T t-1과 동일하다. 실제 값이 관찰 될 때, 레벨은 Y t와 그 예측 L t-1 T t-1 사이의 가중치와 1을 사용하여 보간법에 의해 재귀 적으로 계산된다. 추정 된 레벨의 변화, 즉 L t L t 1은 트렌드의 추세 업데이트 된 트렌드 추정치는 L 사이의 보간법에 의해 재귀 적으로 계산됩니다 t L t 1과 가중치 1의 이전 추정치 T t-1. 경향 평활화 상수의 해석은 수준 평활화 상수의 해석과 유사합니다. 작은 값을 갖는 모델은 추세가 변하는 것으로 가정합니다 시간이 지남에 따라 서서히 느리게 만 진행되는 반면, 큰 모델은 더 빠르게 변하는 것으로 가정합니다. 큰 모델은 미래의 예측이 매우 불확실하다고 믿습니다. 추세 예측의 오류는 앞으로 1 년 이상 예측할 때 매우 중요합니다. 평활화 상수는 1 단계 사전 예측의 평균 제곱 오차를 최소화함으로써 일반적인 방법으로 추정 할 수 있습니다. Statgraphics에서이를 수행하면 추정값은 0 3048 및 0 008으로 나타납니다. 모델이 한 기간에서 다음 기간으로의 추세에 거의 변화가 없다는 것을 의미하므로 기본적으로이 모델은 장기 추세를 추정하려고합니다. t를 추정하는 데 사용되는 데이터의 평균 연령 개념과 유사합니다 그 시리즈의 지역 수준, 지역 추세를 추정하는데 사용되는 데이터의 평균 연령은 정확히 1과 비례하지 만 1에 비례합니다. 이 경우 1 0 006 125 이것은 매우 정확한 숫자입니다 추정치의 정확도가 실제로 소수점 세 자리까지 오지는 않지만 표본 크기가 100 인 것과 동일한 일반적인 순서이기 때문에이 모델은 추세를 추정하는 데 상당히 많은 역사를 평균합니다 예측 기획 아래에서 LES 모델은 SES 추세 모델에서 추정 된 일정 추세보다 시리즈 마지막 부분에서 약간 더 큰 국소 추세를 추정한다는 것을 보여줍니다. 또한 추산 값은 SES 모델을 추세와 함께 또는 축없이 맞추어 얻은 값과 거의 같습니다 그래서 이것은 거의 동일한 모델입니다. 자, 지역 경향을 추정 할 모델에 대한 합리적인 예측처럼 보입니까? 이 음모에 눈을 맞추면, 지역 경향이 끝나면 아래쪽으로 향한 것처럼 보입니다. 시리즈 Wh at has has happen이 모델의 매개 변수는 장기 예측이 아닌 1 단계 앞선 예측의 제곱 오류를 최소화하여 추정되었습니다. 이 경우 추세는 많은 차이를 만듭니다. 보고있는 모든 것이 1 일 경우 10 단계 또는 20 단계의 추세에 대한 더 큰 그림을 볼 수 없습니다. 이 모델을 데이터의 눈알 외삽으로 더 조정하려면 추세 평활화 상수를 수동으로 조정하여 추세 예측에 더 짧은 기준선 사용 예를 들어, 0 1로 설정하면 지역 경향 추산에 사용 된 데이터의 평균 연령은 10 기간으로, 이는 지난 20 기간 동안의 경향을 평균화하는 것을 의미합니다 우리가 0을 1로 설정하면 예측 음모가 어떻게 생겼습니까 0 3이 추세는 직관적으로 합리적인 것처럼 보입니다. 미래에이 추세를 10 개 이상의 기간으로 추정하는 것은 위험 할 수 있습니다. 오류 통계는 다음과 같습니다. 모델 비교 f 또는 위의 두 모델과 세 가지 SES 모델 SES 모델의 최적 값은 약 0 3이지만, 약간 더 반응성이 다소 적은 유사 결과는 각각 0 5와 0 2로 얻어집니다. 홀트의 선형 적분 평활화 알파 0 3048 및 베타 0 008 B 홀트의 선형 exp 평활화 알파 0 3 및 베타 0 1. C 단순한 지수 평활화 α 0 5. D 단순 지수 해 평활화 α 0 3. E 단순한 지수 평활화 α 0 2 . 이들 통계는 거의 동일하므로 데이터 샘플 내의 1 단계 사전 예측 오류를 기준으로 선택할 수는 없습니다. 다른 고려 사항으로 돌아 가야합니다. 현재의 기준을 기반으로하는 것이 합리적이라고 믿으면 지난 20 개 기간 동안 일어난 일에 대한 추세 평가, 우리는 0 3과 0 1로 LES 모델에 대한 사례를 만들 수 있습니다. 지역 추세가 있는지 여부에 대해 불가지론하고 싶다면 SES 모델 중 하나가 설명하기 쉽고 더 많은 middl을 줄 것이다. 다음 5 또는 10 기간에 대한 e-of-the-road 예측 페이지 맨 위로 돌아갑니다. 추세 외삽의 유형이 가장 수평 또는 선형이 가장 좋습니다. 경험적 증거에 따르면, 인플레이션에 필요한 경우 데이터가 이미 조정 된 경우 향후 단기간의 선형 추세를 추정하는 것이 현명하지 않을 수 있습니다. 제품 노후화, 경쟁 심화 및주기적인 경기 침체 또는 산업의 호황과 같은 다양한 원인으로 인해 오늘날 명백한 추세가 미래에 완화 될 수 있습니다. 스무딩은 순진한 수평 추세 외삽에도 불구하고 기대했던 것보다 더 나은 샘플 밖 샘플을 수행하는 경우가 많음 선형 지수 평활화 모델의 감쇠 추세 수정은 실제로 경향 추세에 보수주의 메모를 삽입하는 데 종종 사용됩니다. 감쇠 추세 LES 모델은 ARIMA 모델의 특별한 경우, 특히 ARIMA 1,1,2 모델로 구현 될 수 있습니다. 신뢰 구간을 계산하는 것이 가능합니다 지수 평활화 모델이 ARIMA 모델의 특수한 경우로 간주하여 장기간 예측을 생성합니다. 모든 소프트웨어가 이러한 모델에 대한 신뢰 구간을 올바르게 계산하지는 않는지 확인하십시오. 신뢰 구간의 폭은 i 모델의 RMS 오차, ii 유형 평활화의 단순화 또는 선형화 iii 평활화 상수의 값 s 및 iv 예측 전의 기간 수 일반적으로 SES 모델에서 더 커짐에 따라 간격이 더 빠르게 퍼지고 간격은 단순하지 않고 선형보다 훨씬 빠르게 퍼집니다 스무딩이 사용됩니다. 이 항목은 노트의 ARIMA 모델 섹션에서 자세히 설명합니다. 페이지 상단으로 돌아 가기. 예측 계산 예. A 1 예측 계산 방법. 예측 계산 방법은 대부분 사용할 수 있습니다. 대부분의 방법은 제한된 사용자 제어를 제공합니다. 예를 들어, 최근 기록 데이터에 대한 가중치 또는 계산에 사용 된 기록 데이터의 날짜 범위가 지정 될 수 있습니다. 예제는 동일한 과거 데이터 집합을 사용하여 사용 가능한 각 예측 방법에 대한 계산 절차를 보여줍니다. 다음 예제는 2004 년 및 2005 년 판매 데이터를 사용하여 2006 년 판매 예측을 생성합니다. 예측 계산 외에도 각 예제에는 시뮬레이션 된 2005 년 3 개월의 홀드 아웃 기간 처리 옵션 19 3에 대해 예측 한 다음 정확도 및 평균 절대 편차 계산에 대한 실제 판매량을 시뮬레이션 된 예측치와 비교하는 데 사용됩니다. 2 예측 성능 평가 기준. 처리 옵션 선택 및 경향에 따라 달라집니다 패턴 및 판매 데이터에 존재하는 패턴에 따라 일부 예측 방법은 주어진 과거 데이터 세트에 대해 다른 모델보다 잘 수행됩니다. 한 제품에 적합한 예측 방법이 다른 제품에 적합하지 않을 수 있습니다. 좋은 결과를 제공하는 예측 방법 제품 수명주기의 한 단계에서 전체 li에 걸쳐 적절하게 유지됩니다. 예측 방법의 현재 성능을 평가하는 두 가지 방법 중 하나를 선택할 수 있습니다. 평균 절대 편차 MAD 및 정확도 POA 비율 이러한 두 가지 성능 평가 방법 모두 사용자가 지정한 기간 동안 과거 판매 데이터가 필요합니다. 이 기간 PBF에 가장 적합한 보류 기간 또는 기간이라고합니다. 이 기간의 데이터는 다음 예측 예측을 수행하는 데 사용할 예측 방법을 추천하기위한 기준으로 사용됩니다. 이 권장 사항은 각 제품에만 적용되며 한 예측 생성 다음으로 예측 성능 평가 방법 두 가지 예측 성능 평가 방법은 12 가지 예측 방법의 예를 따르는 페이지에 나와 있습니다. 3 방법 1 - 지난 해의 특정 백분율. 이 방법은 전년도 판매 데이터에 사용자 지정 요소 , 10 증가분은 1 10, 감소폭은 3 97입니다. 필요한 판매 내역 예측 계산에 1 년 플러스 예측 성능 처리 옵션을 평가하기위한 사용자 지정 기간 수 19.A 4 1 예측 계산. 이 예제에서 성장 인자 처리 옵션 2a 3 계산에 사용할 판매 내역의 범위. 지난 2005 년 114 119 137 370의 최종 3 개월. 전년도와 동일한 3 개월 합계 123 139 133 395. 계산 된 계수 370 395 0 9367. 예측을 계산합니다. 2005 년 1 월 매출 128 0 9367 119 8036 또는 약 120. 2 월 2005 판매 117 0 9367 109 5939 또는 약 110. 2005 년 3 월 판매 115 0 9367 107 7205 또는 108.A 4 2 Simulated Forecast Calculation. Sum 보류 기간 이전 2005 년 3 개월 7 월, 8 월, 9 월 129 140 131 400. 동일한 3 개월 동안 전년도 141 418 118 387. 계산 된 계수 400 387 1 033591731 계산 된 시뮬레이션 예측. 2004 년 10 월 판매 123 1 033591731 127 13178. 2004 년 11 월 판매 139 1 033591731 143 66925. 12 월 2004 판매 133 1 033591731 137 4677. 정확도 계산의 4 3 퍼센트. POA 127 1317 8 143 66925 137 4677 114 119 137 100 408 26873 370 100 110 3429.A 4 4 평균 절대 편차 계산. MAD 127 13178 - 114 143 66925 - 119 137 4677 - 137 3 13 13178 24 66925 0 4677 3 12 75624.A 5 방법 3 - 올해의 작년. 이 방법은 전년도의 판매 데이터를 다음 해로 복사합니다. 필요한 판매 내역 예측 계산에 1 년을 더하여 예측 성능 처리 옵션을 평가하기 위해 지정된 기간 수를 더한 것 19.A 6 1 예측 계산. 이 예제에서 평균 처리 옵션 4a 3에 포함될 기간 수. 예측의 각 달에 대해 이전 3 개월 데이터의 평균값. 1 월 예측 114 119 137 370, 370 3 123 333 또는 123. 2 월 2 월 예측 119 137 123 379, 379 3 126 333 또는 126. 예측 예측 137 123 126 379, 386 3 128 667 또는 129.A 6 2 시뮬레이션 예측 예측. 2005 년 10 월 매출액 129 140 131 3 133 3333. 2005 년 11 월 판매 140 131 114 3 128 3333 2005 년 12 월 판매 131 114 119 3 121 3333.A 6 Accura 비율 cy 계산. POA 133 3333 128 3333 121 3333 114 119 137 100 103 513.A 6 4 평균 절대 편차 계산. MAD 133 3333 - 114 128 3333 - 119 121 3333 - 137 3 14 7777.A 7 방법 5 - 선형 근사. 선형 근사값은 두 개의 판매 이력 데이터 포인트를 기반으로 추세를 계산합니다. 이 두 점은 향후 예상되는 직선 추세선을 정의합니다. 단 두 데이터 포인트의 작은 변경으로 장거리 예측을 활용하므로주의해서이 방법을 사용하십시오. 필수 판매 history 회귀 처리 옵션 5a에 포함 할 기간 수와 1을 더한 예측 성능 처리 옵션 19.A 8 1 예측 계산. 이 예제에서 회귀 처리 옵션 6a 3에 포함 할 기간 수. 예측의 각 달에 대해 이전 기간의 보류 기간 이전에 지정된 기간 동안 증가 또는 감소를 추가하십시오. 이전 3 개월의 평균 114 119 137 3 123 3333. 이전 3 개월의 요약 고려 된 무게를 가진 onths. 114 1 119 2 137 3 763. 값 사이의 차이. 763 - 123 3333 1 2 3 23. 비율 1 2 2 2 3 2 - 2 3 14 - 12 2. 값 1 차이 비율 23 2 11 5. 값 2 평균값 1 비율 123 3333 - 11 5 2 100 3333. 예고 1 n 값 1 가치 2 4 11 5 100 3333 146 333 또는 146. 포 캐스트 5 11 5 100 3333 157 8333 또는 158. 포 캐스트 6 11 5 100 3333 169 3333 또는 169.A 8 2 시뮬레이션 예측 예측. 2004 년 10 월 판매. 이전 3 개월 평균 . 129 140 131 3 133 3333. 체중을 고려한 지난 3 개월 동안의 요약. 129 1 140 2 131 3 802. 값 간의 차이. 802 - 133 3333 1 2 3 2. 통계 1 2 2 2 3 2 - 2 3 14 - 12 2.Value1 차이 비율 2 2 1.Value2 평균값 1 비율 133 3333 - 1 2 131 3333. 포 캐스트 1 n 값 1 값 2 4 1 131 3333 135 3333. 2004 년 11 월 판매. 지난 3 개월 평균. 140 131 114 3 128 3333. 체중을 고려한 지난 3 개월의 이야기. 140 1 131 2 114 3 744. 값 사이의 차이 744 - 128 3333 1 2 3 - 25 9999. 값 1 차이 비율 -25 9999 2 -12 9999.Value2 평균값 1 비율 128 3333 - -12 9999 2 154 3333. 4 -12 9999 154 3333 102 3333 2004 년 12 월 판매. 지난 3 개월 평균. 131 114 119 3 121 3333. 체중을 고려한 지난 3 개월의 이야기. 131 1 114 2 119 3 716. 값 사이의 차이. 716 - 121 3333 1 2 3 -11 9999.Value1 차이 비율 -11 9999 2 -5 9999.Value2 평균값 1 비율 121 3333 - -5 9999 2 133 3333. 포 캐스트 4 -5 9999 133 3333 109 3333.A 8 3 정확도 계산 백분율 33 33 102 33 109 33 114 119 137 100 93 78.A 8 4 평균 절대 편차 계산. MAD 135 33 - 114 102 33 - 119 109 33 - 137 3 21 88.A 9 방법 7 - 초 정도 근사값. 선형 회귀는 판매 내역 데이터에 직선을 맞추는 예측 식 Y a bX의 a 및 b 값을 결정합니다. 2 차 근사값은 비슷합니다. 그러나이 방법은 a, b 및 c 값을 결정합니다. 예측 히스토리 Y a bX cX2 판매 이력 데이터에 곡선 맞추기이 방법은 제품이 라이프 사이클의 단계 사이에서 전환 할 때 유용 할 수 있습니다. 예를 들어, 신제품이 도입 단계에서 성장 단계로 이동하는 경우 , 판매 추세가 가속화 될 수 있습니다. 2 차 주문 기간으로 인해 예측이 빠르게 접근 할 수 있습니다 무한대 또는 계수 c가 양수인지 음수인지에 따라 0으로 떨어집니다. 따라서이 방법은 단기간에만 유용합니다. 포 캐스트 사양 수식에서 a, b 및 c가 곡선을 정확히 3 점으로 찾습니다. 처리 옵션 7a, 3 개 지점 각각에 누적되는 데이터의 기간 수이 예제에서 n 3 따라서 4 월에서 6 월까지의 실제 판매 데이터가 첫 번째 지점으로 결합되고 7 월 1 일부터 9 월 1 일까지가 합쳐져 ​​Q2가 작성됩니다 , 10 월에서 12 월 사이의 합계는 Q3으로 커브는 3 가지 값인 Q1, Q2 및 Q3에 맞춰집니다. 필요한 판매 내역 예측을 계산하는 데 3 n 기간과 예측 실적을 평가하는 데 필요한 기간 수를 더한 값입니다. 이 예제에서 처리 옵션 7a 3을 포함하는 기간. 3 개월 블록으로 이전 3 개월을 사용하십시오. Q1 4 월 - 6 월 125 122 137 384.Q2 7 월 - 9 월 129 140 131 400.Q3 10 월 - 12 월 114 119 137 370. 다음 단계는 c 예측 공식에 사용될 3 개의 계수 a, b 및 c를 계산 a a bX cX 2. 1 Q1 a bX cX 2 여기서 X 1 a b c. 2 Q2 a bX cX 2 여기서 X 2 a 2b 4c. 3 Q3 a bX cX 2 여기서 X3 a 3b 9c. b, a, c를 찾기 위해 3 개의 방정식을 동시에 풀다. 방정식 2를 방정식 1에 곱하고 방정식 3을 방정식 3으로 대입한다. 3 Q3 a 3 Q2 - Q1 - 3c c. 마지막으로, 이 방정식을 a와 b로 대입하여 방정식 1으로 대체하십시오. Q3 - 3 Q2 - Q1 q2 - Q1 - 3 c c Q1.c Q3 - Q2 Q1 - Q2 2. 2 차 근사법 Q3 - 3 Q2 - Q1 370 - 3 400 - 384 322.c Q3 - Q2 Q1 - Q2 2 370 - 400 384 - 400 2 -23.b Q2 - Q1 - 3c 400 - 384 - 3 -23 85.Y a bX cX 2 322 85 X -23 X 2. 3 월 1 일 ~ 3 월 예측 X 4. 322 340 - 368 3 294 3 98 98. 6 월 4 일부터 예측 X 5. 322 425 - 575 3 57 333 또는 57 일 .9 월 9 월 예측 X 6. 322 510 - 828 3 1 33 한주기 당. 10 월 12 월 X 7. 322 595 - 1127 3 -70.A 9 2 시뮬레이션 예측 예측 .10 월, 11 월 2004 년 12 월 판매량 1 분기 - 3 월 360.Q2 4 월 - 6 월 384.Q3 7 월 - 9 월 400.a 400 - 3 384 - 360 328.c 400 - 384 360 - 384 2 -4.b 384 - 360 - 3 -4 36. 328 36 4 -4 16 3 136.A 9 3 정확도 계산 백분율 136 136 136 114 119 137 100 110 27.A 9 4 평균 절대 편차 계산. MAD 136 - 114 136 - 119 136 - 137 3 13 33.A 10 방법 8 - 유연한 방법. 유연한 방법 n 개월 전의 비율은 방법 1, 지난 해의 백분율과 비슷합니다. 두 방법 모두 이전 기간의 판매 데이터에 사용자가 지정한 계수 그 결과를 미래에 투영합니다. 작년 대비 백분율 방법에서, 투영은 전년도 같은 기간의 데이터를 기반으로합니다. 유연한 방법은 작년 같은 기간 이외의 기간을 지정할 수있는 기능을 추가합니다 예를 들어 처리 옵션 8b에 1 15를 지정하여 이전 영업 내역 데이터를 15.Base 기간만큼 늘리십시오. 예를 들어, n 3을 사용하면 첫 번째 예측이 다음과 같은 판매 데이터를 기반으로합니다. 2005 년 10 월. 최소 판매 내역 사용자가 지정한 번호 o 예측 기간 PBF. A 10 4 평균 절대 편차 계산. MAD 148 - 114 161 - 119 151 - 137 3 30.A 11 방법 9 - 가중 이동 평균. 가중 이동 평균 WMA 방법은 방법 4, 이동 평균 MA와 비슷하지만 가중 이동 평균을 사용하면 과거 데이터에 다른 가중치를 할당 할 수 있습니다. 이 방법은 최근 매출 기록의 가중 평균을 계산하여 단기간 최신 데이터는 일반적으로 이전 데이터보다 더 큰 가중치가 할당되므로 WMA가 판매 수준의 변화에보다 민감하게 반응합니다. 그러나 제품 판매 내역이 강한 추세 또는 계절 패턴을 보이는 경우에도 예측 편차와 체계적 오류가 발생합니다. 방법은 수명주기의 성장 또는 노후화 단계에있는 제품보다는 성숙한 제품의 단거리 예측에 더 효과적입니다. 판매 내역의 기간 예측 계산 예를 들어 처리 옵션 9a에 n 3을 지정하여 가장 최근의 세 기간을 다음 기간으로의 투영 기준으로 사용합니다. 12와 같은 n에 대한 큰 값은 더 많은 판매 이력을 필요로합니다. 그러나 판매 수준의 변화를 인식하는 데는 시간이 걸릴 것입니다. 반면에 3과 같은 n의 작은 값은 판매 수준의 변화에 ​​더 빨리 응답 할 것이지만, 예측이 너무 광범위하게 변동하여 생산이 응답 할 수 없습니다 각 과거 데이터 기간에 할당 된 가중치 할당 된 가중치는 총 1 00이어야합니다. 예를 들어, n 3 일 때 가장 최근 데이터가 가장 큰 가중치를 갖는 0 6, 0 3 및 0 1의 가중치를 할당합니다. 최소 요구 판매 이력과 예측 실적을 평가하는 데 필요한 기간 수를 더한 값 PBF. MAD 133 5 - 114 121 7 - 119 118 7 - 137 3 13 5.A 12 방법 10 - 선형 평활화. 이 방법은 방법 9, 가중 이동 평균 WMA 방법 적으로 과거 데이터에 가중치를 할당하는 대신 공식을 사용하여 선형으로 감소하는 가중치를 지정하고 100으로 합계합니다. 그런 다음이 방법은 최근 판매 기록의 가중 평균을 계산하여 단기간 예측에 도달합니다. 모든 선형 이동 평균 예측 기술의 진실성, 예측 편차 및 체계적인 오류는 제품 판매 내역이 강한 추세 또는 계절 패턴을 나타낼 때 발생합니다. 이 방법은 수명이 길어 지거나 노후화되는 단계의 제품이 아닌 성숙한 제품의 단거리 예측에 더 효과적입니다 cycle. n 예측 계산에 g 용할 판매 내역 수 처리 옵션 10a에 지정됩니다. 예를 들어 처리 옵션 10b에 n 3을 지정하여 최근 3 개의 기간을 다음 시간주기 시스템은 선형으로 감소하는 기록 데이터에 가중치를 자동으로 할당하고 1 00을 가산합니다. 예를 들어, n 3이면 s ystem은 0 5, 0 3333 및 0 1의 가중치를 할당하며 가장 최근의 데이터는 가장 큰 가중치를받습니다. 최소 요구 판매 이력과 예측 실적을 평가하는 데 필요한 기간 수를 더한 값 PBF. A 12 1 예측 계산. 평탄화 평균 처리 옵션 10a 3에 포함시킬 기간 수. 이 기간의 한주기에 대한 비율 3 n 2 n 2 3 3 2 3 2 3 6 0 5. 2주기 이전의 비율 2 n 2 n 2 2 3 2 3 2 2 6 0 3333. 3주기 이전에 대한 1 n 2 n 2 1 3 2 3 2 1 6 0 1666. 1 월 예측 137 0 5 119 1 3 114 1 6 127 16 또는 127. 2 월 예측 127 0 5 137 1 3 119 1 6 129. 행진 예측 129 0 5 127 1 3 137 1 6 129 666 또는 130.A 12 2 시뮬레이션 예측 예측. 2004 년 10 월 매출액 129 1 6 140 2 6 131 3 6 133 6666. 2004 년 11 월 판매 140 1 6 131 2 6 114 3 6 124 2004 년 12 월 판매 131 1 6 114 2 6 119 3 6 119 3333.A 12 3 정확도 계산 백분율 POA 133 6666 124 119 3333 114 119 137 100 101 891.A 12 4 평균 절대 편차 계산. MAD 133 6666 - 114 124 - 119 119 3333 - 137 3 14 1111.A 13 방법 11 - 지수 평활화. 이 방법은 방법 10, 선형 평활화와 유사합니다. 선형 평활화에서 시스템은 선형으로 감소하는 기록 데이터에 가중치를 할당합니다. 지수 평활화 지수 기하 급수적으로 감소하는 가중치를 할당합니다. 지수 평활화 예측 방정식입니다. 이전 실제 판매 1을 예측합니다. - 이전 예측을 예측합니다. 예측은 이전 기간의 실제 매출의 가중 평균이고 이전 기간의 예측은 가중 평균입니다. 이전 기간의 실제 판매에 적용된 가중치 1 - a는 이전 기간의 예측에 적용된 가중치 0 - 1 범위의 유효한 값이며 대개 0 1 - 0 4 범위의 합계 가중치의 합은 1입니다. 00 a 1 - a 1. 매끄러운 상수에 값을 지정해야합니다. a 매끄럽게 상수에 값을 지정하지 않으면 시스템은 판매 내역 지정 기간 수를 기반으로 가정 값을 계산합니다 d 일반 판매 레벨 또는 판매량에 대해 평활화 된 평균을 계산할 때 사용되는 평활화 상수 0 - 1n 범위의 유효 값 계산에 포함 할 판매 내역 데이터의 범위 일반적으로 1 년 판매 이력 데이터의 일반 판매 수준을 추정하는 데 충분합니다. 이 예제의 경우 결과를 확인하는 데 필요한 수동 계산을 줄이기 위해 nn 3의 작은 값을 선택했습니다. 지수 평활화는 하나의 역사적 데이터를 기반으로 예측을 생성 할 수 있습니다 데이터 포인트. 최소 요구 판매 내역 및 예측 성과를 평가하는 데 필요한 기간 수를 더한 값 PBF. A 13 1 예측 계산. 이 평균 처리 옵션 11a 3 및 알파 요인 처리 옵션 11b에 포함 할 기간 수 example. a 가장 오래된 판매 데이터에 대한 계수 2 1 1 또는 알파가 지정된 경우 1, 두 번째로 오래된 판매 데이터에 대한 계수 2 1 2 또는 알파가 지정된 경우 알파. 인수 세 번째로 오래된 판매 데이터 2 1 3 또는 알파가 지정된 경우 알파. 가장 최근 판매 데이터의 요소 2 1 n 또는 알파가 지정된 경우 알파. 11 월 Sm 평균 10 월 실제 1 - 10 월 Sm 평균 1 114 0 0 114. 12 월 Sm 평균 11 월 실제 1 - 11 월 Sm 평균 2 3 119 1 3 114 117 3333. 1 월 예측 실제 12 월 Sm 평균 2 4 137 2 4 117 3333 127 16665 또는 127. 2 월 예측 1 월 예측 127. 1 월 예측 예측 127.A 13 2 시뮬레이션 예측 계산 .2007 년 7 월 평균 Sm 2 2 129 129.8 월 Sm 평균 2 3 140 1 3 129 136 3333.September Sm 평균 2 4 131 2 4 136 3333 133 6666. 2004 년 10 월 매출액 9 월 Sm 평균 133 6666. 2004 년 8 월 Sm 평균 2 2 140 140.September Sm 평균 2 3 131 1 3 140 134.October Sm 평균 2 4 114 2 4 134 124. 2004 년 11 월 판매 Sep Sm 평균 2004 년 12 월 Sm 평균 2 2 131 131.October Sm 평균 2 3 114 1 3 131 119 6666. 11 월 Sm 평균 2 4 119 2 4 119 6666 119 3333. 2004 년 12 월 판매 9 월 Sm 평균 119 3333. 13 13 % 정확도 Calcula POA 1336666 124 1193333 114 119 137 100 101 891.A 13 4 평균 절대 편차 계산. MAD 133 6666 - 114 124 - 119 119 3333 - 137 3 14 1111.A 14 방법 12 - 경향 및 계절성을 이용한 지수 평활화. 이 방법은 평활화 된 평균이 계산된다는 점에서 방법 11, 지수 평활과 유사하지만, 방법 12는 평탄화 된 경향을 계산하는 예측 식의 항을 포함합니다. 예측은 선형 추세에 대한 평준화 된 평균 조정으로 구성됩니다. 처리 옵션에서 계절 예측에 대한 예측도 조정됩니다. a 판매량의 일반 수준 또는 평활도에 대한 평활화 된 평균 계산에 사용 된 평활화 상수 0에서 1까지의 알파 범위에 유효한 값 평활화 계산에 사용 된 평활화 상수 예측의 추세 구성 요소에 대한 평균 0에서 1까지의 베타 범위의 유효 값 계절별 인덱스가 예측에 적용됩니다. a와 b는 서로 독립적입니다. 1에 더할 필요가 없습니다. 0Min Imum은 영업 성과 2 년에 예측 성과 PBF를 평가하는 데 필요한 기간의 수를 더한 기간을 요구했습니다. 방법 12는 평활화 된 평균, 평활화 된 추세 및 간단한 평균 계절 요인을 계산하기 위해 두 개의 지수 평활 방정식과 하나의 단순 평균을 사용합니다. 1 예측 계산. A 지수 적으로 평활화 된 평균. MAD 122 81 - 114 133 14 - 119 135 33 - 137 3 8 2.A 15 예측 평가. 각 제품에 대해 12 개의 예측을 생성하는 예측 방법을 선택할 수 있습니다. 각 예측 방법은 아마도 약간 다른 예측을 만들 것입니다. 수천 개의 제품이 예측 될 때 각 제품에 대한 계획에서 사용할 예측에 대해 주관적인 결정을 내리는 것은 비현실적입니다. 시스템은 각 예측 방법의 성능을 자동으로 평가합니다 선택한 제품 및 예측 된 각 제품에 대해 두 가지 성능 기준 인 평균 절대 편차 MAD와 Accur의 비율 중에서 선택할 수 있습니다 acy POA MAD는 예측 오차의 척도입니다. POA는 예측 편차의 척도입니다. 이 두 가지 성능 평가 기술 모두 사용자가 지정한 기간 동안 실제 판매 이력 데이터가 필요합니다. 이 최근 기간을 PBO에 가장 적합한 보류 기간 또는 기간이라고합니다. 예측 방법의 성능을 측정하려면 예측 공식을 사용하여 과거 보유 기간에 대한 예측을 시뮬레이트합니다. 일반적으로 실제 판매 데이터와 보류 기간에 대한 시뮬레이션 된 예측 간에는 차이가 있습니다. 여러 예측 방법을 선택한 경우이 동일한 프로세스 각 방법에 대해 발생합니다. 보류 기간에 대해 여러 예측이 계산되고 같은 기간에 대해 알려진 판매 내역과 비교 보류 기간 중 예측과 실제 판매 간의 최적 일치를 생성하는 예측 방법을 사용하는 것이 좋습니다 계획에서이 권장 사항은 각 제품에 고유하며 한 예측 생성에서 ne로 변경 될 수 있습니다 xt. A 16 평균 절대 편차 MAD. MAD는 실제 및 예측 데이터 간의 편차 또는 오류의 절대 값 또는 크기의 평균 또는 평균입니다. MAD는 예측 방법 및 데이터를 고려하여 예상되는 평균 오류 크기의 척도입니다 히스토리 히스토리 히스토리 히스토리 히스토리 히스토리 히스토리 히스토리 히스토리 히스토리 히스토리 히스토리 히스토리 히스토리 히스토리 히스토리 히스토리 히스토리 히스토리 히스토리 예측에 절대 값이 사용되므로, 오류가 정상적으로 분포되면 MAD와 분포, 표준 편차 및 평균 제곱 오차에 대한 두 가지 일반적인 측정 값 사이에 간단한 수학적 관계가 있습니다. 16 1 정확도 POA. Percent of Accuracy POA는 예측 편차의 척도입니다. 예측이 일관되게 지나치게 높은 재고 축적 및 재고 비용 상승 예측이 지속적으로 두 개 낮 으면 재고가 소비되고 고객 서비스가 감소합니다 ■ 10 단위가 너무 낮고, 8 단위가 너무 높고, 2 단위가 너무 높은 예측은 편향된 예측 일 것입니다. 10의 긍정적 오류는 8과 2의 부정적인 오류로 인해 취소됩니다. 실제 오류 - 예측 재고가 저장 될 수 있으며 예측이 편중되지 않은 경우 소량의 안전 재고를 사용하여 오류를 완충 할 수 있습니다. 이 상황에서는 편향 예측을 생성하는 것처럼 예측 오류를 제거하는 것이 그리 중요하지 않습니다. 그러나 서비스 산업 위의 상황은 세 가지 오류로 간주 될 것입니다. 첫 번째 기간에는 서비스가 부족하고 다음 두 기간에는 서비스가 부족할 것입니다. 서비스에서는 예상 오류의 크기가 예상 바이어스보다 더 중요합니다. 보류 기간 동안의 합계 부정적인 오류를 취소하기 위해 긍정적 인 오류를 허용 실제 매출의 합계가 예측 판매의 총량을 초과하는 경우 비율은 100보다 큽니다 물론 100을 넘는 것은 불가능합니다 예측이 비 바이어스 일 때 POA 비율은 100이 될 것입니다. 따라서 POA 비율이 100에 가장 가까운 예측 방법을 POA 기준이 선택하면 컨텐츠 탐색을 향상시킬 수 있지만 어떤 방식 으로든 콘텐츠를 변경하십시오.