Nutzen Der Gleitende Durchschnittliche Prognose

VERKAUFSVORSCHLÄGE Die Umsatzprognose ist eine Voraussage für eine Geschäftseinheit und Dollar Umsatz für einige künftige Zeit, bis zu mehreren Jahren oder mehr. Diese Prognosen basieren in der Regel auf den jüngsten Umsatzentwicklungen, wettbewerbsorientierten Entwicklungen und wirtschaftlichen Entwicklungen in der Industrie, in der Region und in der Nation, in der die Organisation Geschäfte tätigt. Sales Prognose ist managementx0027s primäres Werkzeug für die Vorhersage des Volumens des erreichbaren Umsatzes. Daher hängt die gesamte Budget-Prozess auf eine genaue, rechtzeitige Verkaufsprognose. Diese technischen Projektionen der wahrscheinlichen Kundennachfrage nach spezifischen Produkten, Waren oder Dienstleistungen für ein bestimmtes Unternehmen innerhalb eines bestimmten Zeithorizonts werden in Verbindung mit grundlegenden Marketinggrundsätzen gemacht. Beispielsweise werden Umsatzprognosen häufig im Kontext des gesamten Marktpotenzials betrachtet, was als Projektion des gesamten potenziellen Umsatzes für alle Unternehmen verstanden werden kann. Das Marktpotential betrifft die Gesamtkapazität des Marktes, um die gesamte Produktion einer bestimmten Branche zu absorbieren. Auf der anderen Seite ist das Verkaufspotenzial die Fähigkeit des Marktes, die Produktion von einem einzigen Unternehmen aufzunehmen oder zu erwerben. Viele Agenturen und Organisationen veröffentlichen Indizes des Marktpotentials. Sie stützen ihre Erkenntnisse auf umfangreiche Recherchen und Analysen bestimmter Beziehungen, die unter den grundlegenden ökonomischen Daten2014 existieren, zum Beispiel der Standort der potentiellen Konsumenten nach Alter, Bildung und Einkommen für Produkte, die eine hohe Korrelation zwischen diesen Variablen und dem Kauf spezifischer Produkte aufweisen. Diese Informationen ermöglichen es Analysten, das Marktpotential für Konsum - oder Industriegüter zu berechnen. Sales and Marketing Magazine veröffentlicht Kaufkraftindizes. Seine kommerziellen Indizes kombinieren Schätzungen der Bevölkerung, des Einkommens und des Einzelhandelsverkaufs, um zusammengesetzte Indikatoren der Verbrauchernachfrage nach US-Volkszählungsbüroregionen, durch Staat oder durch das bureaux0027s organisierte System der metropolitan Bereiche abzuleiten. Der Kaufkraftindex (BPI) liefert nur einen relativen Wert, den die Analysten anpassen, um das Marktpotential für lokale Bereiche zu bestimmen. Vorhersagemethoden und Ebenen der Raffinesse unterscheiden sich stark. Jeder beabsichtigt, zukünftige Ereignisse oder Situationen zu beurteilen, die entweder positiv oder negativ auf einem businessx0027 Anstrengungen auswirken werden. Die Manager erarbeiten Prognosen, um die Art und das Niveau der Nachfrage für aktuelle und potenzielle neue Produkte zu bestimmen. Sie betrachten ein breites Spektrum an Daten für Anzeichen für wachsende und rentable Märkte. Die Prognose umfasst jedoch nicht nur die Erhebung und Analyse harter Daten, sondern auch die Anwendung von unternehmerischem Urteil in ihrer Interpretation und Anwendung. Beispielsweise erfordert die Prognose von Unternehmern und Managern, nicht nur die erwarteten verkauften Einheiten zu schätzen, sondern auch, um festzustellen, was die Produktion (Material, Arbeit, Ausrüstung) Kosten werden, um diese Elemente zu produzieren. Die computergestützte Verkaufsprognose hat diesen Prozess revolutioniert. Fortschritte in der Computertechnik, in den Informationsdatenbahnen und in den statistischen und mathematischen Modellen bieten fast jedem Unternehmen die Möglichkeit, komplexe Datenanalysen durchzuführen und damit die bisherigen Risiken und Gefahren zu reduzieren. Diese Fortschritte haben den Prozess und die Kosten der Prognose praktisch und erschwinglich für kleine und mittlere Unternehmen. FAKTOREN IN SALES FORECASTING Umsatzprognosen sind bedingt, dass ein Unternehmen die Prognose vor der Entwicklung strategischer und taktischer Pläne vorbereitet. Die Prognose des Absatzpotenzials kann dazu führen, dass das Management einige seiner Annahmen über Produktion und Marketing anpasst, wenn die Prognose anzeigt, dass: 1) die derzeitige Produktionskapazität unzureichend oder übertrieben ist und 2) die Vertriebs - und Marketinganstrengungen überarbeitet werden müssen. Das Management hat daher die Möglichkeit, eine Reihe alternativer Pläne zu untersuchen, die Änderungen in den Ressourcenverpflichtungen vorschlagen (z. B. Anlagenkapazität, Förderprogramme und Marktaktivitäten), Preisänderungen und Änderungen in der Produktionsplanung. Durch Prognosen bestimmt das Unternehmen die Märkte für Produkte, plant Unternehmensstrategie, entwickelt Absatzquoten, ermittelt die Anzahl und Verteilung von Vertriebsmitarbeitern, entscheidet über Vertriebskanäle, stellt Produkte oder Dienstleistungen preis, analysiert Produkte und Produktpotenziale in verschiedenen Märkten, entscheidet über Produktmerkmale Gewinn-und Umsatzpotenzial für verschiedene Produkte, konstruiert Werbebudgets, ermittelt die potenziellen Vorteile von Verkaufsförderungsprogrammen, entscheidet über die Verwendung verschiedener Elemente des Marketing-Mix, setzt Produktionsvolumen und Standards, wählt Lieferanten, definiert den Finanzierungsbedarf und ermittelt Bestandsnormen . Damit die Prognose zutreffend ist, müssen die Manager alle folgenden Faktoren berücksichtigen: HISTORISCHE PERSPEKTIVE Als Ausgangspunkt analysiert das Management die bisherigen Verkaufserfahrungen nach Produktlinien, Gebieten, Kundenklassen und anderen relevanten Details. Management muss eine Zeitlinie lang genug, um Trends und Muster in das Wachstum und den Rückgang der Dollar Umsatzvolumen zu erkennen. Diese Frist beträgt in der Regel fünf bis zehn Jahre. Wenn die companyx0027s Erfahrung mit einer bestimmten Produktkategorie kürzer ist, wird Management erkennbare Erfahrung von ähnlichen Firmen einschließen. Je länger die Ansicht, desto besser ist es, Muster zu erkennen, die den Zyklen folgen. Muster, die sich wiederholen, egal wie unregelmäßig, als x0022normal betrachtet werden, x0022, während Abweichungen von diesen Mustern sind x0022deviant. x0022 Einige dieser Abweichungen können aus erheblichen gesellschaftlichen Entwicklungen, die eine Auswirkung, die den ganzen Weg bis zu Ihrem businessx0027s gefiltert haben geführt haben Umsatzentwicklung. Das Management kann diese Anomalien durch die Anpassung der Zahlen auf normale Trends unter normalen Bedingungen zu kompensieren. GESCHÄFTSKOMPETENZ Die Fähigkeit eines Unternehmens, auf die Ergebnisse einer Verkaufsprognose zu reagieren, hängt von seiner Produktionskapazität, seinen Marketingmethoden, seiner Finanzierung und seiner Führung sowie von seiner Fähigkeit ab, jedes von ihnen zu ändern, um sein Gewinnpotenzial zu maximieren. MARKTPOSITION Prognose berücksichtigt auch die Wettbewerbsposition des Unternehmens in Bezug auf seinen Marktanteil Forschung und Entwicklung Qualität der Dienstleistungen, Preisgestaltung und Finanzierung Politiken und das öffentliche Image. Darüber hinaus bewerten Prognostiker auch die Qualität und Quantität der Kundenbasis, um die Markentreue, die Reaktion auf Werbemaßnahmen, die Wirtschaftlichkeit und die Kreditwürdigkeit zu bestimmen. ALLGEMEINE WIRTSCHAFTLICHE BEDINGUNGEN Obwohl die Konsumentenmärkte in den letzten Jahren oft zunehmend anfällig für eine Segmentierung sind, ist die gesamtwirt - schaftliche Konjunktur auch in vielen Nischenmärkten nach wie vor eine Hauptdeterminante für das allgemeine Absatzvolumen. Forecasters enthalten relevante Daten, die gut korrelieren oder ein ursächliches Verhältnis zum Absatz zeigen. PREISINDEX Wenn sich die Preise für Produkte im Laufe der Jahre geändert haben, können Änderungen des Dollarbetrags nicht mit dem Volumen der Einheiten korrelieren. Zu einem Zeitpunkt, wenn die Nachfrage stark ist, erhöht ein Unternehmen seine Preise. Zu einem anderen Zeitpunkt kann ein Unternehmen zu diskontieren, um Vorräte zu ziehen. Daher erläutern die Buchhalter für jedes Jahr einen Preisindex, der Preiserhöhungen kompensiert. Indem das Dollarvolumen durch die Preisindizes dividiert wird, kann ein Unternehmen sein Volumenwachstum x0022truex0022 verfolgen. Dieser Prozess ähnelt einem Inflationsindex, der die Preise in konstanten Dollars liefert. Damit ist das Management in der Lage, den preisbereinigten Dollar-Absatz zu vergleichen. SECULAR TRENDS Der säkulare Trend zeigt: 1) die allgemeine Wirtschaftsleistung oder 2) die Performance des spezifischen Produkts für alle Unternehmen. Wenn ein Unternehmen Trendlinie steigt schneller als die säkulare Trendlinie, würde ein Unternehmen ein schnelleres Wachstum der Rate der Verkäufe erleben. Umgekehrt, wenn ein companyx0027s Trendlinie unterhalb der säkularen Trendlinie liegt, ist seine Leistung unter dem marketx0027s Durchschnitt. Management verwendet auch diese Art von Vergleich zu bewerten und Kontrolle der jährlichen Leistung. TREND VARIATIONS Obwohl der säkulare Trend den Durchschnitt der Branche darstellt, darf er nicht für ein bestimmtes Unternehmen x0022normalx0022 sein. Der Vergleich von Unternehmenstrends zu säkularen Trends kann darauf hindeuten, dass das Unternehmen einen spezialisierten Markt bedient oder dass es dem Unternehmen nicht gut geht. Forecasters studieren die zugrunde liegenden Annahmen von Trendvariationen, um die wichtigen Beziehungen bei der Bestimmung des Umsatzvolumens zu verstehen. Obwohl die Märkte stark sein dürften, müsste der Außendienst möglicherweise angepasst werden. X0022INTRA-COMPANYx0022 TRENDS Durch die Analyse der monatlichen Trends und jahreszeitlicher Schwankungen sowohl auf lange Sicht als auch kurzfristig können Kleinunternehmer und Manager die Umsatzprognose anpassen, um Schwankungen vorwegzunehmen, die sich im Laufe der Haushaltsperioden historisch wiederholen. Das Management kann dann ein Budget konstruieren, das diese Variationen widerspiegelt, vielleicht die Erhöhung der Mengenrabatte während traditionell langsamer Perioden, die Erforschung neuer Territorien oder die Vertretung von Produkt-und Service-Ideen von aktuellen Kunden zu erbitten. PRODUKTTRENDS Forecasters tendieren auch einzelne Produkte, indem sie Indizes für saisonale Schwankungen und Preisveränderungen anpassen. Produkttrends sind wichtig für das Verständnis des Lebenszyklus eines Produkts. QUELLEN UND MAGNITUDE DER PRODUKTANFRAGE In der Vergangenheit trieb die Einführung neuer und verbesserter Produkte einen Großteil der Nachfrage nach sich. Derzeit erwarten Verbrauchereinstellungen und Lebensstile Produkteinführungen und technologische Veränderungen. Einzelne Verbraucher drängen Technologie, um die Bedürfnisse eines zunehmend segmentierten Marktes zu antizipieren. Die auf Antizipation beruhende Nachfrage wird zum dominierenden Merkmal des technologischen Zeitalters. Das rasante Tempo der technologischen Entwicklung und die Einführung neuer Produkte haben die Produktlebenszyklen verkürzt. Die Kombination von demographischen Erwägungen und technologischem Wandel dominiert die Verbrauchertrends stärker als in der Vergangenheit. FORECASTING TECHNIQUES Es gibt eine Vielzahl von Prognosetechniken und Methoden, von denen der Kleinunternehmer wählen kann. Nicht alle von ihnen sind in jeder Situation anwendbar. Um eine angemessene Prognose zu ermöglichen, muss ein Unternehmen die Methoden wählen, die seinen Zwecken am besten dienen, genaue und relevante Daten verwenden und ehrliche, dem Markt und dem Produkt angemessene Annahmen formulieren. Verkaufsprognosen können allgemein sein, wenn sie einen Gesamtumsatz berechnen, der in einer Branche erzielbar ist. Umgekehrt können Prognosen sehr spezifisch sein, detaillierte Angaben zu einzelnen Produkten, Vertriebsgebieten, Kundenarten und so weiter. In den letzten Jahrzehnten haben Marktanalysten ihre Nutzung von Fokusgruppen, Einzelbefragungen, Interviews und anspruchsvolle analytische Techniken zur Identifizierung spezifischer Märkte verstärkt. ANSÄTZE ZUR VORHERSAGE In den kausalen Ansatz-Prognostikern identifizieren die zugrunde liegenden Variablen, die einen kausalen Einfluss auf den künftigen Umsatz haben. Das Unternehmen hat keinen Einfluss auf Kausalvariablen in der allgemeinen Gesellschaft wie Bevölkerung, Bruttosozialprodukt und allgemeine Wirtschaftsbedingungen. Ein Unternehmen hat jedoch die Kontrolle über seine Produktionslinien, Preise, Werbung und Marketing und die Größe seiner Außendienst. Nach dem Studium der zugrunde liegenden Ursachen und Variablen in der Tiefe, verwenden die Analysten eine Vielzahl von mathematischen Techniken, um zukünftige Trends zu projizieren. Auf der Grundlage dieser Projektionen leitet das Management seine Umsatzprognose ab. Der nicht-kausale Ansatz beinhaltet eine eingehende Analyse historischer Verkaufsmuster. Analytiker stellen diese Muster in Graphen dar, um zukünftige Verkäufe zu projizieren. Da kein Versuch unternommen wird, die zugrundeliegenden Kausalvariablen zu identifizieren und zu bewerten, gehen die Analysten davon aus, dass die zugrundeliegenden Ursachen den zukünftigen Umsatz in der gleichen Weise wie in der Vergangenheit beeinflussen werden. Obwohl Analysten bestimmte statistische Techniken anwenden können, um vergangene Verkäufe in die Zukunft zu extrapolieren, wird dieser Ansatz manchmal als simpel oder naiv kritisiert, zumal die meisten Unternehmensexperten glauben, dass schnelle Veränderungen in der Technologie grundlegende Veränderungen in vielen Geschäftsprozessen treiben. Analysten beschäftigen die indirekte Methode, indem sie zuerst Projektion der Industrieverkäufe. Von diesen Daten projizieren sie die companyx0027s Anteil der Branche insgesamt. Der direkte Ansatz überspringt jedoch die Industrieprojektion mit einer direkten Schätzung des Umsatzes für das Unternehmen. Beide Methoden sind auf die kausalen und nicht-kausalen Ansätze anwendbar. FORECASTING METHODOLOGIES Eine Vielzahl von Verkaufsprognosemethoden kann von kleinen und großen Unternehmen gleichermaßen genutzt werden: BOTTOM-UP FORECASTING Analysten, die diese Methode verwenden, teilen den Markt in Segmente auf und berechnen dann separat die Nachfrage in jedem Segment. Typischerweise verwenden Analysten Sales-Composites, Branchenumfragen und Intention-to-Buy-Umfragen, um Daten zu sammeln. Sie aggregieren die Segmente, um zu einer Gesamtverkaufsprognose zu gelangen. Bottom-up-Prognose kann nicht einfach sein, weil der Komplikationen mit der Genauigkeit der übermittelten Daten. Die Nützlichkeit der Daten beruht auf ehrlichen und vollständigen Antworten der Kunden und auf die Bedeutung und Priorität einer Umfrage durch das Verkaufspersonal. TOP-DOWN FORECASTING Dies ist die am weitesten verbreitete Methode für industrielle Anwendungen. Das Management schätzt zunächst das Absatzpotenzial, entwickelt dann Absatzquoten und erstellt schließlich eine Umsatzprognose. Probleme ergeben sich bei dieser Methode jedoch, wenn die zugrunde liegenden Annahmen der Vergangenheit nicht mehr anwendbar sind. Die Korrelation zwischen ökonomischen Variablen und der geforderten Menge kann sich mit der Zeit ändern oder schwächen. Diese zwei Prognosemethoden umfassen eine Reihe von Methoden, die in drei allgemeine Kategorien unterteilt werden können: qualitative, Zeitreihenanalyse und Regression und kausale. QUALITATIVE METHODEN Qualitative Methoden beruhen auf nicht-statistischen Methoden zur Ableitung einer Umsatzprognose. Ein Unternehmen kümmert sich um die Meinung oder Beurteilung von Vertriebsleitern, einem Gremium von Experten, dem Außendienst, den Vertriebsleitern und externen Experten. Qualitative Methoden sind Beurteilungszusammenhänge erwarteter Verkäufe. Diese Methoden werden häufig in folgenden Fällen bevorzugt: 1) wenn die Variablen, die die Kaufgewohnheiten der Konsumenten beeinflussen, sich geändert haben 2) wenn die aktuellen Daten nicht verfügbar sind 3) wenn keine der qualitativen Methoden in einer bestimmten Situation gut funktioniert 4) wenn der Planungshorizont Ist zu weit für die quantitativen Standardmethoden und 5) wenn die Daten noch nicht in den technologischen Durchbrüchen, die stattfinden oder bevorstehen, berücksichtigt werden. Die Probability Assessment Method (PAM) prognostiziert Umsatzvolumen, indem sie interne Gutachten verwendet, die Wahrscheinlichkeiten zwischen einem und 99 Prozent, plus und minus, auf bestimmten Zielvolumen bietet. Analysten übersetzen diese Schätzungen in eine kumulative Wahrscheinlichkeitskurve, indem sie die Volumina mit der ihnen zugewiesenen Wahrscheinlichkeit aufzeichnen. Sie verwenden diese Kurve, um bei der Prognose zu helfen. Die Programmbewertungs - und Überprüfungsmethode (PERT) erfordert Schätzungen von x0022optimistischen, x0022 x0022pessimistischen, x0022 und x0022 most likelyx0022 zukünftigen Umständen. Analysten wiegen diese drei Schätzungen zu einem erwarteten Wert, aus dem sie eine Standardabweichung berechnen. Auf diese Weise konvertieren die Analysten die Schätzungen des Kleinunternehmers und des Personals in Maßnahmen der zentralen Tendenz und Dispersion. Die Standardabweichung ermöglicht es dem Prognostiker, ein Konfidenzintervall um den erwarteten Wert zu schätzen. Während PERT nur eine Annäherung ist, ist es schnell und einfach zu bedienen. Der Prognostiker kann die Meinung des Besitzers als eine Überprüfung auf Schätzungen anderer Methoden berücksichtigen. Die Delphi-Technik setzt auf die Annahme, dass mehrere Experten zu einer besseren Prognose als eins kommen können. Benutzer dieser Methode erbitten einen Panel-Konsens und verarbeiten die Ergebnisse durch das Panel, bis ein sehr enger, fester Median vereinbart ist. Indem sie die Panelteilnehmer isoliert halten, schließt das Delphi viele Aspekte des Gruppenverhaltens aus, wie etwa sozialer Druck, Argumentation und Herrschaft durch wenige Mitglieder, die einen unangemessenen Einfluss auslösen. Der Aufwand, der mit dieser Methode verbunden ist, schließt jedoch die meisten Kleinbetriebe aus, sie zu verfolgen. Eine visionäre Prognose beruht auf den persönlichen Einsichten und dem Urteil eines respektierten Individuums. Obwohl sie häufig durch Daten und Fakten über verschiedene Zukunftsszenarien ergänzt wird, ist die visionäre Prognose durch subjektive Vermutung und Phantasie geprägt und ist höchst unwissenschaftlich. Aber solange diese Prognosen nicht auf wissenschaftlichen Informationen basieren, haben viele Kleinunternehmer den Erfolg erreicht, indem sie sich auf solche subjektiven Daten stützen. Historische Analogie-Methoden, inzwischen versuchen, zukünftige Umsatz durch eine eingehende Analyse der Einführung und Umsatzwachstum eines ähnlichen Produkts zu bestimmen. Historische Analogie sucht Muster, die für das Produkt gelten für die aktuelle Einführung. Diese Methode erfordert mehrere Jahre x0027 Geschichte für ein oder mehrere Produkte, und x2014when usedx2014is allgemein für neue Produkte eingeführt. Das Außendienst-Composite sammelt Prognosen von jedem einzelnen Verkäufer für ein bestimmtes Gebiet. Die Umsatzprognose ist die Summe der einzelnen Prognosen. Die Nützlichkeit dieser Methode ist abhängig von der Genauigkeit der übermittelten Daten. Eine Intention-to-Buy-Umfrage misst die Zielvorgabe, innerhalb eines bestimmten zukünftigen Zeitraums zu kaufen. Marktanalysten führen solche Umfragen vor der Einführung eines Produkts oder einer Dienstleistung durch. Analysten bieten den Verbrauchern eine Beschreibung oder Erklärung des Produkts oder der Dienstleistung mit der Hoffnung, dass die Befragten ehrliche Antworten geben werden. Wenn Befragte Analysten x0022what sie hören möchten, x0022 die Umfrage nicht korrekt ist. Darüber hinaus können bestimmte Umwelteinflüsse, wie z. B. ein konkurrierender technologischer Durchbruch oder eine Rezession, die Befragten-Kaufgewohnheiten zwischen dem Zeitpunkt der Erhebung und der Produkteinführung beeinflussen. ZEITREIHE ANALYSE UND PROJEKTION Trendprojektionstechniken können am besten in Situationen geeignet sein, in denen der Prognostiker aus dem vergangenen Verhalten einer Variablen etwas über seine zukünftige Auswirkung auf den Umsatz ableiten kann. Forecasters suchen nach Trends, die identifizierbare Muster bilden, die mit prognostischer Häufigkeit wiederkehren. Saisonliche Variationen und zyklische Muster bilden deutlichere Trends, während zufällige Variablen die Projektion komplexer machen. Während Zeitreihen-Methoden nicht ausdrücklich Kausalzusammenhänge zwischen einer variablen und anderen Faktoren berücksichtigen, finden Analysten die aufkommenden historischen Muster, die bei der Prognose nützlich sind. Analysten verwenden in der Regel Zeitreihen für neue Produktprognosen, vor allem in der Zwischen - und Langfristigkeit. Die benötigten Daten variieren je nach Technik. Eine gute Faustregel ist ein Minimum von fünf Jahren x0027 Jahresdaten. Eine komplette Geschichte ist sehr hilfreich. Die Marktforschung beinhaltet ein systematisches, formales und bewusstes Verfahren, um Hypothesen über reale Märkte zu evozieren und zu testen. Analysten benötigen mindestens zwei Marktforschungsberichte, die auf Zeitreihenanalysen von Marktvariablen und einer beträchtlichen Sammlung von Marktdaten aus Fragebögen und Befragungen basieren. Die Trendprojektionsanalyse beinhaltet in ihrer einfachsten Form die Untersuchung, was in der Vergangenheit geschehen ist. Analysten entwickeln einen spezifischen linearen prozentualen Trend mit der Erwartung, dass sich der Trend fortsetzen wird. Das Problem mit der einfachen Trendprojektion ist die Tatsache von randomnessx2014, das heißt, das zufällige Ereignis oder Element, das einen großen Einfluss auf die Prognose hat. Der gleitende Durchschnitt ist eine anspruchsvollere Art der Trendprojektion. Es geht davon aus, dass die Zukunft ein Durchschnitt der vergangenen Performance sein wird, anstatt einen bestimmten linearen prozentualen Trend zu verfolgen. Der gleitende Durchschnitt minimiert den Einfluss der Zufälligkeit auf einzelne Prognosen, da er ein Mittelwert aus mehreren Werten und nicht aus einer einfachen linearen Projektion ist. Die gleitende Durchschnittsgleichung fasst den Umsatz in einer Reihe von vergangenen Perioden zusammen und dividiert durch die Anzahl der Perioden. Industrieumfragen umfassen Vermessung der verschiedenen Unternehmen, aus denen sich die Branche für ein bestimmtes Element. Sie können Benutzer oder Hersteller einschließen. Die Industrie-Umfrage-Methode, die eine Top-down-Ansatz der Prognose verwendet hat einige der gleichen Vor-und Nachteile, wie die Führungskräfte-und Sales Force Composites. Eine Regressionsanalyse kann linear oder multipel sein. Mit einer linearen Regression entwickeln Analysten eine Beziehung zwischen Umsatz und einer einzigen unabhängigen Variablen und nutzen diese Beziehung zur Prognose des Umsatzes. Bei einer multiplen Regression untersuchen Analysten die Beziehungen zwischen Verkäufen und einer Anzahl unabhängiger Variablen. Gewöhnlich wird das letztere mit Hilfe eines Computers erreicht, der Analysten hilft, die Werte der unabhängigen Variablen abzuschätzen und sie in eine Multiregressionsgleichung zu integrieren. Wenn Analysten eine Beziehung zwischen verschiedenen unabhängigen Variablen finden, können sie eine multiple Regressionsgleichung für die Vorhersage des Umsatzes für das kommende Jahr entwickeln. Exponentielle Glättung ist ein Zeitreihen-Ansatz ähnlich dem gleitenden Durchschnitt. Anstatt einen konstanten Satz von Gewichten für die beobachtete Beobachtung zu verwenden, verwenden Analysten einen exponentiell zunehmenden Satz von Gewichten, so daß neuere Werte mehr Gewicht erhalten als ältere Werte. Angereiftere Modelle enthalten verschiedene Anpassungen für Faktoren wie Trends und saisonale Muster. Analysten schauen auf die führenden Indikatoren, weil das National Bureau of Economic Research hat deutlich gezeigt, ihren Wert in der Prognose. Diese Indikatoren umfassen die Preise von 500 Stammaktien, neue Aufträge für langlebige Güter, einen Index der Netto-Unternehmensbildung, Unternehmensgewinne nach Steuern, Preise für industrielle Materialien und die Veränderung der Verschuldung der Verbraucherraten. Trotz ihrer weit verbreiteten Verwendung beziehen sich die Frühindikatoren nicht auf bestimmte Produkte. Dennoch, wenn solche Beziehungen aufgebaut werden können, konstruieren Analysten mehrere Regressionsmodelle, mit denen die Verkäufe prognostiziert werden. CAUSALMETHODEN Wenn Analysten eine Ursache-Wirkungs-Beziehung zwischen einer Variablen und einem Umsatz finden, kann ein Kausalmodell bessere Prognosen liefern als die, die durch andere Techniken erzeugt werden. Die Lebenszyklusanalyse prognostiziert neue Produktwachstumsraten auf der Grundlage von Analystenx0027 Projektionen der Phasen der Produktakzeptanz durch verschiedene Gruppen x2014innovatoren, frühe Adaptoren, frühe Mehrheit, späte Mehrheit und Nachzügler. Typischerweise wird dieses Verfahren verwendet, um neue Produktverkäufe zu prognostizieren. Analysten x0027 Mindestanforderungen sind die jährlichen Verkäufe des Produkts oder eines ähnlichen Produkts. Oft ist es notwendig, Marktbefragungen durchzuführen, um die Ursache-Wirkungs-Beziehungen herzustellen. DAS SALES BUDGET Die Umsatzprognose bildet den Rahmen für die Detailplanung im Masterbudget. Basierend auf geplanten Strategien und seinem besten Business-Urteil, wandelt das Management eine Umsatzprognose in einen Absatzplan durch das Engagement der Ressourcen und die Einrichtung von Kontrollmechanismen. Das Vertriebsbudget bietet ein wertsteigendes Instrument, indem monatliche Indizes des Volumens von Einheiten und Dollars als harte Ziele für das Verkaufsteam präsentiert werden. Abweichungen von diesen Indizes zeigen Kleinunternehmern und Managern, wo sie ihre Bemühungen anpassen müssen, um heiße Produkte zu nutzen oder um schwierige Situationen zu beheben. Das Management bestimmt seine Vertriebsstrategien und - strategien in seiner Fähigkeit, auf Kundenbedürfnisse, technologische Veränderungen und die finanziellen Voraussetzungen des Marketings zu reagieren. Die Umsatz-Budget-Projekte, die Teil der potenziellen Umsatz des Vertriebs-Team glaubt, es erreichen kann. Die Prognose setzt dann die Parameter auf der Oberseite, während die Produktionskapazität und Vertriebsschärfe des Teams das Wort setzen. Obwohl die Umsatzprognosen genau signifikante Änderungen der Marktbedingungen vornehmen können, muss ein Unternehmen seine eigenen Ressourcen gründlich untersuchen, um seine Fähigkeit zu bestimmen, auf diese Änderungen zu reagieren. Ein enormer Nachfragerückgang kann die Belastung des Produktionsprozesses verringern, wo ein Unternehmen Kosteneffizienz gewinnt, oder ein starker Anstieg der Nachfrage könnte von einem Unternehmen erforderlich sein, das Geld für andere Projekte benötigt. Das Vertriebsbudget ist dementsprechend auf die Fähigkeit eines Unternehmens ausgelegt, die erwartete Nachfrage an oder in der Nähe seines maximalen Gewinnpotentials zu decken. DER PRODUKTIONSHÄUSER Sowohl kleine als auch große Unternehmen konstruieren ihre Produktionsbudgets innerhalb der Grenzen der Produktion, der Lagerung, der Lieferung und der Leistungsfähigkeit. Anschließend versucht ein Unternehmen die Produktion mit maximaler Effizienz zu planen. Durch die Vorwegnahme der Schwankungen der monatlichen Verkäufe kann das Management die Produktion auf ausreichenden Mengen halten, um eine ausreichende Versorgung zu gewährleisten. Die Arbeitskosten umfassen im Allgemeinen die größten Einzelproduktionskosten. Daher kann das Management Arbeitszeiten auf Produktionspläne anpassen. Die Produktion bleibt konstant, wenn der aktuelle Lagerbestand ausreicht, um Umsatzsteigerungen zu bewältigen. Wenn das Management eine Zunahme erwartet, kann es im ersten Quartal des Haushalts die Vorräte bauen und in den verbleibenden drei Quartalen auf das geplante Niveau senken. Aus dem Produktionshaushalt schätzt ein Unternehmen den Material-, Arbeits - und Produktionsaufwand für die geplanten Produktionsmengen. ENTWICKLUNG EINES VERKAUFSVORHERSAGE Die Prognose des Umsatzes ist inhärent schwieriger als die Erstellung des nachfolgenden Vertriebsbudgets. Obwohl das Management einen gewissen Grad an Kontrolle über Ausgaben ausübt, hat es wenig Fähigkeit, die Kaufgewohnheiten von Individuen zu leiten. Die Höhe des Umsatzes hängt von den Launen des Marktes. Dennoch muss eine Umsatzprognose ein vernünftiges Maß an Zuverlässigkeit erreichen, um nützlich zu sein. Grundsätzlich verfolgt Absatzprognostiker folgende Schritte, um eine Prognose des Absatzpotenzials zu entwickeln: Bestimmen Sie die Verwendungszwecke der Prognosen. Teilen Sie die companyx0027s Produkte in homogene Gruppen. Bestimmen Sie die Faktoren, die den Umsatz jeder Produktgruppe und ihre relative Bedeutung beeinflussen. Wählen Sie eine Vorhersagemethode oder - methoden, die am besten für den Job geeignet sind. Sammeln Sie alle notwendigen und verfügbaren Daten. Analysieren Sie die Daten. Überprüfen und überprüfen Sie Abzüge, die sich aus den Analysen ergeben. Nehmen Sie Annahmen über Auswirkungen der verschiedenen Faktoren, die nicht gemessen oder prognostiziert werden können. Umwandlung von Abzügen und Annahmen in spezifische Produkt - und Territorialprognosen und Quoten. Anwenden von Prognosen auf Unternehmensoperationen. Periodische Überprüfung der Leistung und Überarbeitung der Prognosen. WEITERES LESEN: Bolt, Gordon J. Markt und Verkaufsprognose. Franklin Watts, 1988. Cohen, William A. Die Praxis der Marketing-Management. Macmillan Publishing, 1988. Crosby, John V. Zyklen, Trends und Wendepunkte: Praktische Marketing und Sales Forecasting Techniques. NTC Publishing, 2000. Heinrich, Porter und Joseph A. Callanan. Vertriebsmanagement und Motivation. Franklin Watts, 1987. McCarthy, E. Jerome und William D. Perreault, Jr. Grundlegendes Marketing: Ein Managementansatz. Irwin, 1990. Mentzer, John T. und Carol C. Bienstock. Sales Forecasting Management: Verständnis der Techniken, Systeme und Management des Sales Forecasting Prozesses. Sage, 1998. Benutzerbeiträge: FORECASTING Die Prognose beinhaltet die Erzeugung einer Zahl, eines Satzes von Zahlen oder eines Szenarios, die einem zukünftigen Ereignis entsprechen. Es ist absolut notwendig, kurz-und langfristige Planung. Definitionsgemäß basiert eine Prognose auf vergangenen Daten, im Gegensatz zu einer Prognose, die subjektiv ist und auf Instinkt, Bauchgefühl basiert oder erraten wird. Zum Beispiel die Abendnachrichten gibt das Wetter x0022forecastx0022 nicht das Wetter x0022prediction. x0022 Unabhängig davon werden die Begriffe Vorhersage und Vorhersage oft interchangeably verwendet. Beispielsweise definieren Definitionen der regressionx2014a-Technik, die manchmal in der Prognose x2014 verwendet werden, generell, dass ihr Ziel darin besteht, zu erklären oder x0022predict. x0022 Die Prognose basiert auf einer Reihe von Annahmen: Die Vergangenheit wird sich wiederholen. Mit anderen Worten, was in der Vergangenheit passiert ist, wird in der Zukunft wieder passieren. Wenn sich der Prognosehorizont verkürzt, steigt die Prognosegenauigkeit. Zum Beispiel wird eine Prognose für morgen genauer sein als eine Prognose für den nächsten Monat eine Prognose für nächsten Monat wird genauer sein als eine Prognose für das nächste Jahr und eine Prognose für das nächste Jahr wird genauer sein als eine Prognose für zehn Jahre in der Zukunft. Die Prognose in der Summe ist genauer als die Prognose einzelner Posten. Das bedeutet, dass ein Unternehmen die gesamte Nachfrage über sein gesamtes Produktspektrum prognostizieren kann, als es in der Lage ist, einzelne Lagerhaltungseinheiten (SKUs) zu prognostizieren. Zum Beispiel kann General Motors genauer prognostizieren die Gesamtzahl der Autos für das nächste Jahr benötigt als die Gesamtzahl der weißen Chevrolet Impalas mit einem bestimmten Optionspaket. Prognosen sind selten genau. Darüber hinaus sind die Prognosen fast nie völlig korrekt. Während einige sehr nah sind, sind wenige x0022reight auf dem money. x0022 Daher ist es ratsam, eine Prognose anzubieten x0022range. x0022 Wenn man eine Nachfrage von 100.000 Einheiten für den nächsten Monat prognostizieren würde, ist es extrem unwahrscheinlich, dass die Nachfrage 100.000 entsprechen würde genau. Allerdings würde eine Prognose von 90.000 bis 110.000 ein viel größeres Ziel für die Planung zur Verfügung stellen. William J. Stevenson listet eine Reihe von Merkmalen, die für eine gute Prognose gemeinsam sind: Accuratex2014some Genauigkeitsgrad sollte ermittelt und angegeben werden, so dass Vergleiche auf alternative Prognosen vorgenommen werden können. Reliablex2014die Prognosemethode sollte konsistent eine gute Prognose liefern, wenn der Benutzer ein gewisses Maß an Vertrauen festlegen soll. Timelyx2014a eine gewisse Zeit benötigt wird, um auf die Prognose reagieren, so dass der Prognose-Horizont muss die Zeit notwendig, um Änderungen vorzunehmen. Einfach zu bedienen und verstehenx2014users der Prognose muss sicher sein und komfortabel mit ihm zu arbeiten. Kosten-effektiv x2014die Kosten der Herstellung der Prognose sollten nicht überwiegen die Vorteile aus der Prognose erhalten. Prognosetechniken reichen von der einfachen bis zur extrem komplexen. Diese Techniken werden in der Regel als qualitativ oder quantitativ klassifiziert. QUALITATIVE TECHNIKEN Qualitative Prognosetechniken sind in der Regel subjektiver als ihre quantitativen Pendants. Qualitative Techniken sind nützlicher in den früheren Phasen des Produktlebenszyklus, wenn weniger vergangene Daten existieren für den Einsatz in quantitativen Methoden. Zu den qualitativen Methoden gehören die Delphi-Technik, die Nominal Group Technique (NGT), Außendienstmitarbeit, Stellungnahmen und Marktforschung. DIE DELPHI-TECHNIK. Die Delphi-Technik nutzt eine Expertengruppe, um eine Prognose zu erstellen. Jeder Experte wird gebeten, eine Prognose zu liefern, die spezifisch für die Notwendigkeit ist. Nachdem die ersten Prognosen gemacht wurden, liest jeder Experte, was jeder andere Experte schreibt und wird natürlich von seinen Ansichten beeinflusst. Eine anschließende Prognose erfolgt dann durch jeden Fachmann. Jeder Experte liest dann wieder, was jeder andere Experte schreibt und wird wiederum von den Wahrnehmungen der anderen beeinflusst. Dieser Vorgang wiederholt sich, bis jeder Experte nähert sich Einverständnis über die erforderlichen Szenario oder Zahlen. NOMINAL GRUPPE TECHNIK. Nominal Group Technique ist ähnlich wie die Delphi-Technik, dass es eine Gruppe von Teilnehmern, in der Regel Experten nutzt. Nachdem die Teilnehmer auf prognoserelevante Fragen antworten, rangieren sie ihre Antworten in der Reihenfolge ihrer wahrgenommenen relativen Bedeutung. Dann werden die Ranglisten gesammelt und aggregiert. Schließlich sollte die Gruppe einen Konsens über die Prioritäten der rangierten Fragen erreichen. SALES FORCE MEINUNGEN. Die Vertriebsmitarbeiter sind oft eine gute Informationsquelle für die zukünftige Nachfrage. Der Vertriebsleiter kann von jedem Vertriebsmitarbeiter Input verlangen und seine Reaktionen in eine Verkaufskraft zusammengesetzte Prognose zusammenfassen. Bei der Verwendung dieser Technik ist Vorsicht geboten, da die Mitglieder des Außendienstes möglicherweise nicht unterscheiden können, was die Kunden sagen und was sie tatsächlich tun. 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. Darüber hinaus kann die Prognose möglicherweise die Ursachen des Verhaltens zu identifizieren. Einige dieser Verhaltensweisen können Muster oder einfach zufällige Variationen sein. 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. Eine naxEFve-Prognose verwendet einfach die tatsächliche Nachfrage für die vergangene Periode als die prognostizierte Nachfrage für den nächsten Zeitraum. 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. Um eine Prognose über die Mittelung zu machen, nimmt man einfach den Durchschnitt aus einer Anzahl von Perioden von vergangenen Daten, indem jede Periode summiert und das Ergebnis durch die Anzahl der Perioden dividiert wird. Diese Technik hat sich als sehr effektiv für die Nahbereichsprognose erwiesen. 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. Wenn der Prognostiker die Gewichte so einstellt, dass ihre Summe gleich 1 ist, dann werden die Gewichte mit dem tatsächlichen Bedarf jeder anwendbaren Periode multipliziert. 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. Wie bei allen sich bewegenden Prognosen, wenn jede neue Periode hinzugefügt wird, werden die Daten aus der ältesten Periode verworfen. Table 3 shows a three-month weighted moving average forecast utilizing the weights .5. 3, and .2. Eine komplexere Form des gewichteten gleitenden Mittelwertes ist eine exponentielle Glättung, die so genannt wird, weil das Gewicht exponentiell abfällt, wenn die Daten altern. Tabelle 3 Dreix2013Month Gewichtete gleitende Durchschnittsprognose Aktuelle Nachfrage (000x0027s) 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. Eine beträchtliche Menge an vergangenen Daten und eine Anfangs - oder erste Prognose sind ebenfalls notwendig. Die ursprüngliche Prognose kann eine tatsächliche Prognose aus einem früheren Zeitraum, die tatsächliche Nachfrage aus einer früheren Periode, oder sie kann durch Mittelung aller oder eines Teils der vergangenen Daten geschätzt werden. 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. Bei diesem Modell gibt es zwei Glättungskonstanten, x03AC und x03B2, wobei x03B2 die Trendkomponente darstellt. 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. Sobald die Gleichung bestimmt ist, kann der Benutzer aktuelle Werte für die Prädiktor (unabhängige) Variable einfügen, um zu einer Prognose (abhängige Variable) zu gelangen. 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. Im Vergleich zum Ergebnis anderer Alphas wird der Prognostiker wissen, dass das Alpha mit dem niedrigsten MAD die genaueste Prognose liefert. 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. Unter Verwendung der gleichen Daten wie oben würde der MSE sein: (18.5) (17.55) (x22128.74) (x221220.62) x00F7 3 383.94 Wie bei MAD kann der Prognostor die MSE von Prognosen vergleichen, die unter Verwendung verschiedener Werte von & alpha; Dass das Alpha mit dem niedrigsten MSE die genaueste Prognose ergibt. The mean absolute percent error (MAPE) is the average absolute percent error. Um zu dem MAPE zu gelangen, muss man die Summe der Verhältnisse zwischen Prognosefehler und Ist-Bedarf mal 100 (um den Prozentsatz zu erhalten) und dividieren durch N (x2211 Ist-Bedarf x2212 Prognose x00F7 Ist-Bedarf) xD7 100 x00F7 N. Mit den Daten von Kann das exponentielle Glättungsbeispiel MAPE wie folgt berechnet werden: (18.560 17.5572 8.7458 20.6248) xD7 100 x00F7 4 28.33 Wie bei MAD und MSE gilt, je niedriger der relative Fehler, desto genauer die Prognose. 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. Stellen Sie einen Zeithorizont fest. Dies geschieht, nachdem man den Zweck der Prognose bestimmt hat. Longer-term forecasts require longer time horizons and vice versa. Accuracy is again a consideration. Select a forecasting technique. Die gewählte Technik hängt von dem Zweck der Prognose, dem gewünschten Zeithorizont und den zulässigen Kosten ab. 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. Erhältlich bei x003C ryerson. ca Stevenson, William J. Operations Management. 8 ed. Boston: McGraw-Hill Irwin, 2005. Also read article about Forecasting from Wikipedia