Topp 6 Metoder för försäljning prognoser
Denna artikel lyfter fram de sex bästa metoderna för försäljningsprognos som används i en organisation. Metoderna är: 1. Samlad opinionsmetod 2 . Ekonomiska indikatorer 3. Metod för minsta kvadrater 4. Tidsserieanalys 5. Flyttande medelvärden Metod för försäljningsprognos 6. Exponentiell utjämning och rörlig genomsnittsmetod.
Metod # 1. Samlad opinionsmetod:
I denna teknik beror prognosen på försäljarnas åsikter om produkten och uppskattningar av efterfrågan på nästa år för respektive område. Med tanke på att säljare är närmast konsumenterna, kan de uppskatta mer korrekt om kundens reaktion på produkten.
Dessa uppskattningar mottas av filialens försäljningschefer och de skulle granska dessa siffror och göra vissa justeringar för att återspegla deras kunskaper om de enskilda försäljarna.
Några av de senare kan ha visat tidigare att de är konsekvent optimistiska och deras uppskattningar kan revideras nedåt, andra kan vara kända för att vara lite pessimistiska och deras uppskattningar kan kräva en upprevidering, resten av försäljarna kan ha visat sig vara realistiska och deras uppskattningar kan förbli oförändrade.
Dessa justerade uppskattningsberäkningar ställs sedan till förfogande för en kommitté med ansvar för slutprognosen. Medlemmarna i denna kommitté kan innefatta företagets försäljningschef, maskinchef, produktionschef, marknadschef och ekonom. De skulle granska uppskattningarna mot bakgrund av vissa faktorer som försäljningsmännen och filialförvaltarna inte skulle bekanta sig med.
Dessa kan innehålla sådana saker som förväntade ändringar i produktdesign, en plan för ökad annonsering, en föreslagen ökning eller minskning av försäljningspriser, ny produktionsteknik som förbättrar produktens kvalitet, förändringar i konkurrensen, förändringar i ekonomiska förhållanden som köpkraft av konsument, inkomstfördelning, krediter, befolknings- och anställningsvillkor etc.
Således innebär kollektivt synsätt fördelar med kollektiva visdom hos säljare och ledande befattningshavare inom olika områden i samband med försäljningsförvaltningen.
fördelar:
1. Metoden är enkel eftersom den bygger på kollektiva visdom hos säljare och ledande befattningshavare med kompetens inom olika områden och kräver ingen statistisk teknik.
2. Efterfrågan uppskattningar är baserade på kunskapen om säljare som är direkt ansvariga för att uppfylla försäljningsmålen är därför korrekta.
3. För att starta de nya produkterna är metoden ganska användbar.
Nackdel:
1. Eftersom ingen tidigare data och statistisk teknik används är metoden endast användbar för korttids prognoser.
2. Säljarna får uppskatta den framtida försäljningen om försäljningskvoter är fastställda för dem.
3. De uppskattningar som gjorts av denna metod kan inte vara realistiska eftersom försäljarna inte har kännedom om de ekonomiska förändringarna.
Metod # 2. Ekonomiska indikatorer:
Denna metod för försäljningsprognos baseras på användningen av indikatorer som beskriver de ekonomiska förhållanden som råder under en viss tidsperiod.
Några av dessa ekonomiska indikatorer är följande:
1. Byggkontrakt tilldelas efterfrågan på byggmaterial.
2. Jordbruksinkomster för efterfrågan på jordbruksredskap och andra insatser.
3 Personlig inkomst för efterfrågan på konsumentvaror.
4. Tillverkning av bilar / Registrering av bilar för efterfrågan på tillbehör och petroleumprodukter.
5. Sysselsättningsposition.
6. Bruttonationalinkomst.
7. Konsumentpriser.
8. Partihandeln råvarupriser.
9. Bankinlåning.
10. Industriell produktion.
11. Stålproduktion.
12. Företagsobjekt.
Data av denna typ sammanställs och publiceras av olika statliga myndigheter som central statistisk organisation och av en privat grupp som branschorganisationer och företagsforskningsorganisationer.
Om företaget eller organisationen konstaterar att det finns en relation mellan en eller någon kombination av en sådan ekonomisk indikator och försäljningen av vissa av sina produkter, kan denna metod för försäljningsprognosering utnyttjas.
Vidare kan den valda eller relevanta ekonomiska indikatorn visa sig vara ledande, försvagad eller sammanfallande.
En ledande indikator är en vars värde för en given period kommer att påverka försäljningen under en senare period. Till exempel kan en tillverkare av skolväskor konstatera att hans försäljning under ett visst år påverkas av antalet barn födda tre eller fyra år tidigare. Detta är mest önskvärt typ av ekonomisk indikator eftersom dess värde kommer att vara känt vid den tidpunkt då prognosen för framtida försäljning görs.
En nedslagsindikator är en vars värde för en given period kommer att återspegla försäljningen under en föregående period. Till exempel kan tillverkaren av ökenkylare se att uppgifter om kroppens lager för en given period är relaterade till hans försäljning under en tidigare period.
En sammanfallande indikator är en vars värde för en given period kommer att påverka försäljningen under den perioden. Till exempel kan tillverkaren av baby mjölkmatare finna att volymen av produktion av matare under en given period påverkas av befolkningstillväxten under samma period. Detta är mindre önskvärt typ av indikator eftersom dess värde måste uppskattas för den kommande perioden för vilken försäljningsprognosen görs.
Försäljningsprognosen görs med hjälp av minsta kvadratiska ekvationen.
Begränsning:
1. Behov av att hitta en lämplig indikator. I vissa fall kan en viss indikator vara korrekt, men i andra fall kommer ingen indikator att vara uppenbart tillämplig och det kan vara krävande och tidskrävande.
2. Lämplig indikator kan variera med produkt eller produktgrupp som övervägs.
3. Efter att ha undersökt alla möjliga alternativ kan företaget upptäcka att ingen enskild eller kompositindikator är lämplig. I sådana fall kan denna prognosmetod inte användas. Företaget kan dock konstatera att även om försäljningen inte är korrelerad med någon ekonomisk indikator finns organisationsförsäljningen.
Detta skulle vara fallet när företagets andel av marknaden varierar kraftigt. Kollektivt synsätt kan användas.
4. En annan svårighet beror på det faktum att den relevanta indikatorn kan säga ett årligt index, medan bolaget kanske vill prognostisera försäljningen månadsvis.
5. En ytterligare begränsning av denna metod är att den inte låter sig vara en prognos för försäljning för en ny produkt eftersom det inte finns några tidigare data som korrelationsanalys kan baseras på.
Förhållande mellan två variabler:
Antag att en branschs rekord över de senaste tre åren produktion och tillverkningskostnad är:
Om vi plottar produktionen som är oberoende variabel v / s tillverkningskostnad som är en beroende variabel för var och en av de tre åren.
Diagrammet visar att alla tre punkterna faller på en linje som passar bäst. Eftersom linjen är en rak linje så är det en stark linjär korrelation mellan produktionsutgång och tillverkningskostnad.
Antag nu att tillverkningskostnaden varierar enligt vad som anges i följande tabell:
Diagrammet för detta förhållande visas som indikerat med streckad linje. Karaktären hos dessa punkter är sådan att de inte faller på linjen som passar bäst. Men de är nära det och vi kan säga att det finns en nästan linjär korrelation mellan de två variablerna som inte är lika starka som den första uppsättningen data.
Därför kan vi mindre noggrant förutse tillverkningskostnaden för viss viss produktion eller produktion. På samma sätt i praktiken kan det finnas en krökt linje mellan de två variablerna.
En relativt enkel metod för att passa linjen är en metod med minsta kvadrater.
Denna metod med minsta kvadrater ger en ekvation som beskriver och lokaliserar linjen med bästa passform.
Metod # 3. Metod för minsta kvadrater:
Metoden för minsta kvadrater ger en ekvation som ger två egenskaper av linjen som passar bäst. En rak linje kan beskrivas med tanke på två saker, dvs dess sluttning och Y-avlyssning. Y-intercept är punkten på Y-axeln av diagram mellan två variabler där linjen skär Y-axeln.
Om vi känner till Y-avsnitten och lutningen av linjen kan linjens ekvation bestämmas utifrån det allmänna uttrycket för ekvationen för vilken linje som helst som är följande:
Y '= mx + a
där Y 'är det beräknade värdet av den beroende variabeln som ska prognostiseras.
a = Y avlyssnar linjen med bästa passform.
m = lutningen av linjen med bästa passform.
x = givet värde av oberoende variabel vad gäller vilket värde av beroende variabel som ska prognostiseras.
På detta sätt tjänar allt detta bara för att beskriva vad linjens ekvation är och ekvation kan bestämmas om vi redan har hittat linjen.
Men vanligtvis faller punkterna inte på en rak linje, så vi måste bestämma var linjen ska ligga. Detta kräver att man först bestämmer ekvationen för linjen med bästa passform och sedan lokaliserar linjens position med hjälp av denna ekvation.
Metoden för minsta kvadrater kan hjälpa oss att ta reda på ekvationen för linjen genom att arbeta direkt med de ursprungliga uppgifterna om beroende och oberoende variabler genom att göra lämpliga substitutioner i följande uttryck.
ΣY = na + mΣx
ΣxY = aΣx + mΣx 2
där x = givna värden för den oberoende variabeln, vilket kan vara den ekonomiska indikatorn.
Y - Givet värde av den beroende variabeln som kan vara försäljning av produkten i det här fallet.
n = antal givna parade observationer.
Återigen: Med hjälp av den tidigare uppsättningen data i tre år har vi:
Att ersätta värdena för Σx, ΣY, ΣxY
Σx och n = 3 i ekvationer (1) & (2)
Vi har 18 = 3a + 12m
80 = 12a + 56m
Lösning av dessa två ekvationer för en & m
Vi får a = 2m = 1
Linjens ekvation eftersom
Y = 1 * × + 2
Med den andra uppsättningen data där korrelationen inte är så fodrar vi har
Att ersätta värdet i ekvationerna (1) och (2) har vi
20 = 3a + 12m
92 = 12a + 56m
Lösning av dessa två ekvationer för a och m får vi
a = 2/3 m = 2/3
Linjens ekvation blir
Y i c = [3 / 2x + 2/3]
Ekvationen för denna linje kan dras i rätt läge genom att hitta minst två punkter och ansluta dem.
Egenskaper för minsta kvadrater Linje:
Om alla våra punkter inte faller på linjen och en kurvlinjig korrelation indikeras som vi har sett med andra uppsättningen data, kommer utbyte av våra givna värden av x i ekvationen av linjen vi erhåller med minsta kvadreringsmetod inte att ge beräknad värden på Yc lika med våra faktiska värden.
Om vi ersätter våra givna värden för produktion som 2, 6, 4 i ekvation (4) får vi inte erhålla motsvarande verkliga värden på tillverkningskostnad på 4, 10, 6 enligt följande:
För x = 2 Y c = 3/2 x 2 + 2/3 = 3⅔
För x = 6 Y c = 3/2 x 6 + 2/3 = 9/3
För x = 4 Y c = 3/2 x 4 + 2/3 = 6⅔
Som framgår av tabellen nedan är egenskaperna hos de minsta rutorna Linje:
1. Summan av avvikelserna, dvs skillnaden mellan faktiska och beräknade värden för beroende variabel kommer alltid att vara noll.
2. Den andra egenskapen för minsta kvadratlinjen är att summan av avvikelserna som är kvadrerade är minimala.
Detta indikerar att om de har ritats i någon annan position skulle summan av kvadraterna för de resulterande avvikelserna ha varit större än den summa som erhölls med minsta kvadratlinjen.
Om ekvationerna (1) och (2) löses för a och m erhålles följande uttryck.
Korrelationskoefficient:
Det är det kvantitativa måttet på styrkan i förhållandet som beskrivs av minsta kvadratlinjen. Storleken på korrelationskoefficienten varierar med graden av korrelation som existerar mellan variablerna.
Uttrycket från vilket denna koefficient för korrelation bestäms är följande:
där Y a = används för faktiska värden för den beroende variabeln som tillverkningskostnad.
Yc = motsvarande beräknade värden för den beroende variabeln som hittades från minsta kvadratlinjen.
Y⋅ = medelvärdet av de faktiska värdena för de beroende variablerna.
I ekvation (5) kan täljarens värde (Y a - Y c ) 2 aldrig vara mindre än noll eftersom det är en kvadrerad summa. Detta kan maximalt bli noll när de faktiska värdena för den beroende variabeln är lika med beräknade värden. I så fall ligger alla punkter på linjen som passar bäst. I sådana fall är täljaren noll och koefficienten för korrelation når sitt maximala värde, dvs 1. Detta kommer endast att ske när de två variablerna är perfekt korrelerade.
Minsta värdet av korrelationskoefficienten kan vara noll vilket indikerar frånvaron av korrelation mellan de två variablerna.
Skillnaden mellan en hög och låg grad av korrelation är svår att göra men följande tabeller ger de allmänt accepterade värdena för korrelationskoefficienten r.
I praktiken används en annan form av ekvation (6) för att finna värdet av r.
Denna ekvation tillåter oss att visa värdet av korrelationskoefficienten genom att arbeta direkt med de ursprungliga dataen, varför det är en enkel metod att beräkna värdet av r.
Tillämpning av den minsta kvadratmetoden:
Exempel 1:
Ett företag konstaterar att det finns ett samband mellan försäljningen av rupier från en av sina produktgrupper och en viss ekonomisk indikator. Specifikt visar en jämförelse mellan tidigare försäljning och motsvarande värden av den ekonomiska indikatorn följande:
(a) Bestäm relativets styrka genom att beräkna värdet av korrelationskoefficienten för de två variablerna.
(b) Bestäm ekvationen för linjen som passar bäst med hjälp av minsta kvadreringsmetoden.
(c) Om värdet av det ekonomiska indexet för en framtida period förväntas vara 112, vilken försäljning kan förväntas under den perioden. (Industrial Engineering, RU, 1980)
Lösning:
Antag en linjär prognoser av formen Y '- mx + a där m & a är konstanter för att detta ska vara en linje med bästa passform
ΣY a = na + mΣx ... (i)
Σx Y a = aΣx + mΣx 2 ... (ii)
Att sätta värdena från tabellen i ekvationerna (i) och (ii)
19, 6 = 10a + 1025m
2067, 1 = 1023a + 105673m
Att lösa dessa ekvationer får vi
a = -7, 78
m = 0, 0951
Därmed är ekvationen av linjen med bästa passformen
Y = -7, 78 + 0, 0951x Ans.
För framtida period då ekonomiskt index är 112, ersätter x = 112
Y = -7, 78 + .0951 x 112
= 2.8712 Förväntad försäljning = Rs. 28712 | Ans.
Använda relationen.
Flera regressioner:
I föregående exempel har det antagits att försäljningen av en produktgrupp endast beror på värdet av en ekonomisk indikator. Hej många fall kan försäljningen av en produkt eller en produktgrupp emellertid vara en funktion av en kombination av indikatorer.
Om förhållandet mellan försäljningen och dessa ekonomiska indikatorer eller några andra indikatorer är linjär kan det beskrivas med en ekvation med följande generella form:
Y '- a + m 1 + m 1 x 1 + m 2 x 2 + m 3 x 3
där a, m 1, m 2 är konstanter och x 1, x 2, x 3., är variabler / indikatorer på vilka försäljningsprognos ska baseras. De okända konstanterna kan bestämmas genom att lösa samtidiga ekvationer. Förfarandet är multipel regressionsanalys.
Metod # 4. Tidsserieanalys:
Denna metod för försäljningsprognos anses likna den ekonomiska indikatormetoden eftersom det också kräver regressionsanalys. En tidsserie är en kronologisk data som har viss mängd som försäljningsvolym eller försäljning i rupier som den beroende variabeln och tiden som oberoende variabel.
Dessa tidsserier tillgängliga med etablerad organisation analyseras innan prognosen görs. Det finns en vanlig teknik som i allmänhet är anställd kallas som "projektera trenden." I denna metod projiceras trenden linjen med minsta kvadreringsmetod.
Variationerna av den beroende variabeln kan segregeras som:
(a) Långa periodändringar.
(b) Korta periodändringar.
Den långa periodens tendens att data ändras, dvs öka eller minska kallas grundläggande trend som kan vara linjär eller icke-linjär.
Den korta perioden ändringar kan vara av två typer:
(i) Regelbunden
ii) oregelbunden
Regelbundna fluktuationer är de som uppträder med jämna mellanrum. Dessa kan vara:
(a) säsongsvariationer
(b) Cykliska variationer.
Säsongsvariationer :
Den vanligaste periodiska variationen är den säsongsmässiga variationen som uppträder med viss regelbundenhet i en tidsperiod av väderförhållanden, sociala tullar och festivaler etc. Dessa effektförsäljningar av olika produkter (normalt för konsumentutnyttjande).
Cykliska variationer:
Dessa förändringar visar periodicitet och uppträder över en kortare tid. Liksom säsongsvariationer är cykliska variationer också vanliga. Men medan säsongsvariationer uppstår inom en period av ett år eller mindre, upprepas cykliska variationer med mellanrum på 5 till 10 år.
Oregelbundna variationer:
Dessa variationer uppstår utan någon särskild rytm. De kan orsakas av orsaker som fungerar på ett ledigt och oregelbundet sätt. Orsaker kan vara som torka, översvämningar, krig, strejker och jordskakningar etc.
I tidsserieanalys teknik av försäljning prognoser analyserar en organisation sin tidigare försäljning för att ta reda på om det finns någon trend. Denna trend projiceras därefter i framtiden och den resulterande angivna försäljningen används som underlag för en försäljningsprognos. Denna metod kommer att vara tydlig med hjälp av följande illustrationer.
Antag att en tillverkare av målningsutrustning (kan vara färgrullramar) beslutar att förutse nästa års försäljning av sin produkt. Han börjar med att samla in data för de senaste fyra / fem åren.
Tillverkaren vet från tidigare erfarenhet att försäljningen av hans produkt fluktuerar på grund av säsongsvariationer. Faktum är att han från tidigare uppgifter har funnit att marknadsbehovet för produkten är vid sitt minimum under årets första kvartal resulterar i en ökning av försäljningen på grund av förbättrade väderförhållanden.
På samma sätt sker en större ökning av försäljningen under tredje kvartalet på grund av ytterligare förbättringar av väderförhållanden och säsong av festivaler. Men med den uppsättning mindre gynnsamma väderförhållanden sänks efterfrågan på produkten under fjärde kvartalet.
Som ett resultat av dessa kvartalsvariationer beslutar företaget att utveckla en prognos per kvartal för produktionsplaneringsändamål.
Tillämpningen av försäljnings prognosen genom analys av tidsserier analyseras med hjälp av följande illustration:
Trots begränsad mängd data tillgänglig. Bestäm ekvationen för trendlinjen. Med ekvationen beräknar du trendvärdena för kvartalsförsäljningen för det fjärde året. Justera sedan dessa värden för att förvänta sig säsongsvariationer. (KUK (icke-avdelnings). Maj 1995, B.Tech, maj 1998)
Lösning:
Med andra ord var den faktiska försäljningen under första kvartalet 77% av beräknad försäljning.
På liknande sätt beräknas försäljningen för övriga kvartaler vara följande:
För att justera trendvärdena för att möjliggöra förväntade säsongsvariationer bestämmer vi storleken på den här säsongsjusteringsfaktorn genom att hitta genomsnittet av den senaste variationen under första kvartalet varje år, dvs i 1: e, 5: e och 9: e kvartalet.
Faktisk försäljning i procent av beräknade försäljningsvärden för fyra kvartaler.
Den sista kolumnen i tabellen ger värdena för säsongsjusteringsfaktorn för fjärdedel av året som 0.7097, 0.8663, 1.120, 1.30 dvs för 1 st, 2 nd, 3 rd och 4 th och multiplicering av den beräknade försäljningen för de fyra kvartalen av det 4: e året där justeringsfaktorerna ska ge justerade försäljningsprognoser för det aktuella året.
Fördelar med tidsserieanalys:
1. Denna teknik är mindre subjektiv än den kollektiva opinionsmetoden och metoden för ekonomiska indikatorer eftersom tillämpningen inte är beroende av organisationens förmåga att hitta en lämplig indikator.
2. I jämförelse med kollektivt synsätt och metod för ekonomiska indikatorer som endast kan ge en årlig prognos som måste brytas ner till kortare perioder, kan organisationen prognostisera försäljningen per år genom att analysera tidigare årsomsättning per månad genom att analysera månadsvis försäljning eller till och med per vecka genom att analysera tidigare veckovis försäljning.
Begränsning av tidsserieanalys:
1. Denna teknik kan inte användas för att prognostisera försäljningen av en ny eller relativt ny produkt eftersom ingen tidigare data eller i tillräcklig tidigare data finns tillgängliga.
2. Om den signifikanta fluktuationen i efterfrågan förekommer månad i månaden i ett år på grund av säsongsmässiga variationer eller kan 12 justeringsfaktorer behövas för att justera prognosen på ett år.
3. Effekterna av förändringar i försäljningspriser, produktkvalitet, ekonomiska förhållanden, marknadsföringsmetoder och säljfrämjande insatser från organisationerna kan inte införlivas i metoden på ett tillfredsställande sätt.
Metod # 5. Flytta genomsnittsvärden Metod för försäljning prognos:
I denna metod erhålls försäljningsprognos genom att ta medeltal av tidigare försäljning över önskat antal tidigare perioder (kan vara år, månader eller veckor). Att förlänga det glidande medlet för att inkludera fler perioder kan öka mjukningseffekten men minskar prognosens känslighet.
Långa perioder ger för många möjligheter till betydande förändringar i efterfrågan. För att minska denna risk kan organisationerna basera sin prognos på den genomsnittliga efterfrågan under korta perioder, säga tre månader. Tillämpningen av denna teknik kommer att vara tydlig med följande illustration.
En prognos baserad på ovägda glidande medelvärden för antal kunder:
Denna prognos är baserad på genomsnittet antal kunder efter två veckor.
Därför är den oanpassade prognosen för 9: e veckan 512. Vid slutet av vecka 9 kommer prognosen för den första veckan att baseras på det genomsnittliga antalet kunder som faktiskt besöker under 7 veckor, 8 och 9 och så vidare. Resultatet är en serie glidande medelvärden som anges i tabellen ovan.
Viktat Flyttande medelvärde:
De glidande medelvärdena som beräknats i föregående del är kända som obestämda eftersom samma vikt är tilldelad till var och en av de siffror vars genomsnitt är fastställt. Vissa företag baserar sin prognos på ett vägt glidande medelvärde.
Låt oss anta att antalet kunder som besöker under två veckors intervall ger en bra grund för tredje veckors prognos och låt oss vidare anta att den första veckan är mindre viktig än andra och följaktligen tilldelar vi vikter 0, 4 till första veckan och 0, 6 till andra veckan . Det vägda genomsnittet för 9: e veckan skulle vara
0, 4 X 549 + 0, 6 (474) = 220 + 284 = 504
På samma sätt anskaffas de vägda glidande medelvärdena för andra veckor i följande tabell:
En prognos baserad på vägda glidmedel för antal kunder.
Fördelar med den rörliga genomsnittliga metoden:
1. Denna teknik är enklare än metoden för minsta kvadrater.
2. Denna metod påverkas inte av personliga fördomar för de personer som använder den.
3. Perioden för glidande medelvärde motsvarar cykeltiden. De cykliska variationerna elimineras.
4. Om trenden i data om någon är linjär ger det glidande medelvärdet en bra bild av långsiktig rörelse i data.
5. Den glidande medeltekniken har fördelen av flexibilitet, dvs om några år läggs till ändras inte alla beräkningar på grund av att nya villkor antas.
Begränsningar av den rörliga genomsnittliga metoden:
Följande är nackdelarna med denna prognosmetod:
1. Det resulterar inte i matematiska relationer som kan användas för prognos för försäljning.
2. Det finns en tendens att klippa hörn som resulterar i förlust av data i ändarna
3. En stor omsorg behövs för valet av perioden för glidande medelvärde eftersom de felaktiga perioderna inte skulle ge den rätta bilden av trenden.
4. Om de vassa svängningarna i det ursprungliga diagrammet skulle minska det rörliga genomsnittet krökningen.
5. Det är mycket känsligt även för små rörelser i data.
Metod # 6. Exponentiell utjämning och rörlig genomsnittsmetod:
Denna metod för försäljningsprognos är en modifiering av den glidande genomsnittliga metoden eller i bättre ord är det en förbättring jämfört med den snabba genomsnittliga prognostiseringsmetoden. Denna metod försöker eliminera begränsningarna av glidande medelvärden och undanröjer behovet av att hålla omfattande förflutna data. Det försöker också att avlägsna oegentligheterna i efterfrågan.
Denna metod representerar ett viktmedelvärde av tidigare observationer. I detta fall tilldelas de senaste observationerna den högsta vikt som minskar i geometrisk progression när vi flyttar mot de äldre observationerna.
Eftersom de senaste observationerna som sannolikt kommer att återspegla mer aktuell information eller genomsnittet av serierna ges större vikt, så blir det en av de mest exakta statistiska metoderna för försäljningsprognoser. Denna metod håller ett löpande genomsnitt av efterfrågan och anpassar den för varje period i proportion till skillnaden mellan den senaste faktiska efterfrågan och det senaste genomsnittliga värdet.
När det inte finns någon trend i efterfrågan på en produkt eller tjänst, beräknas försäljningen för nästa period med hjälp av exponentiell utjämningsmetod genom att använda uttrycket
Prognos för nästa period = a (senaste faktiska efterfrågan) + (1 - α) gammal uppskattning av senaste aktuella efterfrågan där a representerar värdet av en viktningsfaktor som kallas en utjämningsfaktor.
Denna metod följer ekvationen
Fn = Fn-1 + a (Dn -1- Fn -1 )
där F n = prognos för nästa period
F n-1 = prognos för föregående period
D n-1 = efterfrågan under tidigare period.
Om a är lika med 1. då den senaste prognosen skulle vara lika med tidigare periodens faktiska efterfrågan I praktiken är värdet av a generellt valt mellan 0, 1 och 0, 3. Tillämpningen av tekniken demonstreras genom att använda data för förskjutningsmetoden för glidande medelvärden på sidan 78. Vid tillämpningen av metoden skulle vi använda värdet av a som 0, 10.
Med hjälp av ekvation (7), om den faktiska efterfrågan på 3: e veckan är 487, kommer prognosen för den 4: e veckan att vara
0, 10 (487) + (1, 00 - 0, 10) 550 = 544
På samma sätt, om den faktiska efterfrågan på 4: e vecka är 528 kunder, kommer prognosen för 5: e veckan att vara
0, 10 (528) + (1, 00 - 0, 10) (544) = 542
Om denna procedur hade tillämpats under hela 8 veckorsperioden visas resultaten i följande tabell. Det oanpassade prognosfelet anges också under kolumn D = B - C. Om värdet av a inte anges; det kan bestämmas av ett approximativt förhållande av a.
a = 2 / Antal perioder i glidande medelvärde + 1
I ekvation (7), i den mån viktfaktorerna a är berörda, kan det anta ett lägsta värde 0 och ett maximivärde på 1. Ju större värdet av a är, desto större är vikten placerad på de senaste data. När värdet av a är 1, kommer prognosen att vara lika med den efterfrågan som upplevdes under den senaste perioden.
Även om värdet av a varierar från produkt till produkt men mest organisation har visat att ett värde mellan 0 06 och 0, 20 brukar visa sig vara tillfredsställande.
När man försöker ta reda på vilket värde av en ska användas för en produkt eller tjänst kan organisationen / företaget välja olika värden, granska de tidigare prognoserna med hjälp av dessa värden och anta för framtida användning den som skulle ha minimerat prognosfel i det förflutna.
På så sätt går vi nära beskrivningen av exponentiell utjämning som den tillämpas när en trend i försäljning / service är tillgänglig. Om det finns en trend kan en trendjustering göras med denna teknik, men dess tillämpning blir lite svår.
