İlk 6 Satış Tahmini Yöntemi
Bu makale, bir organizasyonda kullanılan ilk altı satış tahmini yöntemine ışık tutmaktadır. Yöntemler şunlardır: 1. Toplu Görüş Yöntemi 2 . Ekonomik Göstergeler 3. En Küçük Kareler Yöntemi 4. Zaman Serileri Analizi 5. Hareketli Ortalamalar Satış Tahmini Yöntemi 6. Üstel Pürüzsüzleştirme ve Hareketli Ortalama Yöntemi.
Yöntem # 1. Toplu Görüş Yöntemi:
Bu teknikte öngörü, satışçıların ürünle ilgili görüşlerine ve gelecek alanlar için kendi alanlarına yönelik talep tahminlerine bağlıdır. Satıcıların tüketiciye en yakın olduğu gerçeği göz önüne alındığında, müşterinin ürünle ilgili tepkisi hakkında daha doğru bir tahminde bulunabilirler.
Bu tahminler şube satış yöneticileri tarafından alınır ve bu rakamları gözden geçirir ve bireysel satıcılara ilişkin bilgilerini yansıtmak için bazı düzeltmeler yaparlar.
Daha sonraları bazıları geçmişte sürekli iyimser olduklarını ve tahminlerinin aşağıya doğru düzeltilebileceğini, diğerlerinin biraz karamsar olduğu ve tahminlerinin yukarı revizyon gerektirebileceğini göstermiş olabilir, satıcıların geri kalanının gerçekçi olduğu kanıtlanmış olabilir. ve tahminleri değişmeden kalabilir.
Bu düzeltilmiş tahmin rakamları daha sonra nihai tahminin yapılmasından sorumlu bir komiteye sunulur. Bu komitenin üyeleri, firmanın satış müdürü, baş mühendis, üretim müdürü, pazarlama müdürü ve ekonomist olabilir. Tahminleri, satış görevlilerinin ve şube satış yöneticilerinin tanışmadığı bazı faktörler ışığında gözden geçireceklerdi.
Bunlar, ürün tasarımında beklenen değişiklikler, artan reklam için bir plan, önerilen fiyatlarda bir satış artışı veya düşüş, ürünün kalitesini artıracak yeni üretim teknikleri, rekabette yapılan değişiklikler, satın alma gücü gibi ekonomik koşullardaki değişimler olabilir. tüketici, gelir dağılımı, krediler, nüfus ve istihdam koşulları vb.
Bu nedenle toplu görüş yöntemi, satıcıların ortak bilgeliğinin ve satış yönetimi ile bağlantılı çeşitli alanların üst düzey yöneticilerinin avantajlarından yararlanır.
Avantajları:
1. Yöntem, satışçıların ve çeşitli alanlarda uzmanlık sahibi üst düzey yöneticilerin ortak bilgeliğine dayandığı ve istatistiksel teknik gerektirmeyen basit bir yöntemdir.
2. Talep tahminleri, satış hedeflerini yerine getirmekten doğrudan sorumlu olan satıcıların bilgisine dayanmaktadır, bu nedenle doğru.
3. Yeni ürünlerin piyasaya sürülmesi için yöntem oldukça kullanışlıdır.
dezavantajı:
1. Geçmiş veriler ve istatistiksel teknik kullanılmadığından, yöntem yalnızca kısa vadeli tahminler için kullanışlıdır.
2. Satış kotaları kendileri için belirlenmişse, satıcılar gelecekteki satışları tahmin edebilirler.
3. Bu yöntemle yapılan tahminler, satıcıların ekonomik değişiklikler hakkında hiçbir bilgisi olmadığı için gerçekçi olmayabilir.
Yöntem # 2. Ekonomik Göstergeler:
Bu satış tahmini yöntemi, belirli bir süre boyunca geçerli olan ekonomik koşulları tanımlamaya yarayan göstergelerin kullanımına dayanmaktadır.
Bu ekonomik göstergelerden bazıları şunlardır:
1. Yapı malzemelerinin talebine verilen inşaat sözleşmeleri.
2. Tarım aletleri ve diğer girdilerin talebi için çiftlik geliri.
3 Tüketici mallarının talebi için kişisel gelir.
4. Otomobil üretimi / Aksesuar ve petrol ürünleri talebi için otomobillerin tescili.
5. İstihdam konumu.
6. Gayri safi milli gelir.
7. Tüketici fiyatları.
8. Toptan emtia fiyatları.
9. Banka mevduatları.
10. Endüstriyel üretim.
11. Çelik üretimi.
12. İş envanterleri.
Bu tür veriler, merkezi istatistik organizasyonu gibi çeşitli devlet kurumları ve ticari birlikler ve ticari araştırma kuruluşları gibi özel gruplar tarafından derlenip yayınlanmaktadır.
Eğer işletme veya kuruluş bu ekonomik göstergenin bir veya birkaçı kombinasyonu ile ürünlerinin bir kısmının satışı arasında bir ilişki olduğunu tespit ederse, satış tahminine yönelik bu yaklaşım kullanılabilir.
Ayrıca, seçilen veya ilgili ekonomik gösterge, öncü, gecikmeli veya rastlantısal bir kanıt olabilir.
Öncü gösterge, belirli bir süre için değeri sonraki dönemde satışları etkileyecektir. Örneğin, bir okul çantası üreticisi, belirli bir yıl içindeki satışlarının üç ya da dört yıl önce doğan çocuk sayısından etkilendiğini görebilir. Bu en çok arzu edilen ekonomik gösterge türüdür, çünkü değeri gelecekteki satışların öngörülmesi sırasında bilinecektir.
Gecikme göstergesi, belirli bir süre için değeri önceki dönemdeki satışları yansıtacak olandır. Örneğin, çöl soğutucusu gövdesi üreticisi, belirli bir dönem için kuruluşların stokları hakkındaki verinin, önceki bir dönemdeki satışları ile ilgili olduğunu görebilir.
Tesadüf göstergesi, belirli bir süre için değeri o dönemde satışları etkileyecektir. Örneğin, bebek sütü besleyici üreticisi, belirli bir süre boyunca besleyicilerin üretim hacminin, aynı dönemdeki nüfus artış hızından etkilendiğini bulabilir. Bu, daha az istenen bir gösterge türüdür, çünkü satış tahmininin yapıldığı gelecek dönem için değeri tahmin edilmelidir.
Satış tahminleri en küçük kareler denklemiyle yapılır.
Sınırlama:
1. Uygun bir gösterge bulma ihtiyacı. Bazı durumlarda, verilen bir gösterge doğru olabilir, ancak diğer durumlarda hiçbir gösterge açıkça uygulanamaz ve sıkıcı ve zaman alıcı bir deneme hatası yaklaşımı gerekebilir.
2. Uygun gösterge, söz konusu ürün veya ürün grubuna göre değişebilir.
3. Tüm olası alternatifleri araştırdıktan sonra, şirket tek bir veya birleşik göstergenin uygun olmadığını görebilir. Bu gibi durumlarda, bu tahmin yöntemi kullanılamaz. Bununla birlikte, firma satışlarının herhangi bir ekonomik göstergeyle ilişkilendirilmemesine rağmen, satışların mevcut var olduğunu görebilir.
Bu, şirketin pazardaki payının büyük oranda dalgalanması durumunda gerçekleşir. Toplu görüş yaklaşımı kullanılabilir.
4. Diğer bir zorluk, ilgili göstergenin yıllık bir endeks olduğunu belirtmesi gerçeğinden kaynaklanırken, şirket satışları ay bazında tahmin etmek isteyebilir.
5. Bu yöntemin bir başka sınırlaması da, yeni bir ürün için satış tahminine borç vermemesidir çünkü korelasyon analizinin dayanabileceği geçmiş bir veri mevcut değildir.
İki Değişken Arasındaki İlişki:
Bir endüstrinin son üç yıllık üretim ve üretim maliyetinin kaydını tuttuğunu varsayalım:
Bağımsız değişken olan v / s üretim maliyetini, üç yılın her biri için bağımlı bir değişken olan arsa.
Grafik, üç noktanın da en uygun çizgiye düştüğünü gösteriyor. Çizgi düz bir çizgi olduğu için üretim çıktısı ile üretim maliyeti arasında güçlü bir doğrusal ilişki vardır.
Şimdi üretim maliyetinin aşağıdaki tabloda gösterildiği gibi değiştiğini varsayalım:
Bu ilişkinin grafiği noktalı çizgiyle gösterildiği gibi görünür. Bu noktaların niteliği, en uygun çizgiye düşmeyecek şekildedir. Ancak buna yakınlar ve ilk veri setinin gösterdiği kadar güçlü olmayan iki değişken arasında neredeyse doğrusal bir korelasyon olduğunu söyleyebiliriz.
Bu nedenle, belirli bir üretim veya çıktı seviyesi için üretim maliyetini daha az kesin olarak tahmin edebiliriz. Benzer şekilde, gerçek uygulamada iki değişken arasında eğrisel bir korelasyon olabilir.
Çizgiyi yerleştirmek için nispeten basit bir yöntem, en küçük kareler yöntemidir.
En küçük karelerden oluşan bu yöntem, en uygun çizgiyi tanımlayan ve belirleyen bir denklem verir.
Yöntem # 3. En Küçük Kareler Yöntemi:
En küçük kareler yöntemi, en uygun çizginin iki özelliğini veren bir denklem sağlar. Düz bir çizgi, eğimi ve Y engellemesi gibi iki şey olarak tanımlanabilir. Y etkileşimi, çizginin Y eksenini kestiği iki değişken arasındaki grafiğin Y eksenindeki noktadır.
Çizginin Y-kesişimini ve eğimini biliyorsak, çizginin denklemi, aşağıdaki gibi herhangi bir çizginin denklemi için genel ifadeden belirlenebilir:
Y '= mx + a
buradaki Y ', tahmin edilecek bağımlı değişkenin hesaplanan değeridir.
a = En uygun çizginin Y kesilmesi.
m = en uygun çizginin eğimi.
x = Bağımlı değişkenin değerinin tahmin edilebileceği yönünden bağımsız değişkenin değeri verilmiştir.
Bu şekilde tüm bunlar, sadece çizginin denkleminin ne olduğunu ve hatta çizgiyi bulmuş olsaydık denklemin belirlenebileceğini açıklamaya yarar.
Ancak genellikle noktalar düz bir çizgide kalmaz, bu yüzden çizginin nerede olması gerektiğine karar vermeliyiz. Bu, ilk önce en uygun çizginin denkleminin belirlenmesini ve ardından bu denklemi kullanarak çizginin konumunu belirlemeyi gerektirir.
En küçük kareler yöntemi, aşağıdaki ifadelerde uygun ikameler yaparak doğrudan bağımlı ve bağımsız değişkenlerin orijinal verileriyle çalışarak çizginin denklemini bulmamıza yardımcı olabilir.
∑Y = na + m∑x
∑xY = a∑x + m∑x 2
burada x = bağımsız değişkene verilen değerler, bu ekonomik gösterge olabilir.
Y - Bu durumda ürünün satışı olabilecek bağımlı değişkenin değeri.
n = verilen eşleştirilmiş gözlem sayısı.
Yine: önceki üç yıllık veri kümesini kullanarak biz:
∑x, ∑Y, ∑xY yerine kullanılan değerler
∑x ve n = 3 denklemlerde (1) & (2)
18 = 3a + 12m
80 = 12a + 56m
Bu iki denklemi bir & m için çözme
Bir = 2m = 1 alıyoruz
Çizginin denklemi çünkü
Y = 1 * × + 2
Korelasyonun bu kadar liner olmadığı ikinci veri setiyle
Elimizdeki denklemlerdeki (1) ve (2) değerlerin ikame edilmesi
20 = 3a + 12m
92 = 12a + 56m
A ve m için iki denklem çözme
a = 2/3 m = 2/3
Çizginin denklemi olur
Y, c = [3 / 2x + 2/3]
Bu çizginin denklemi, en az iki nokta bularak ve birleştirerek doğru pozisyonda çizilebilir.
En Küçük Kareler Çizgisinin Özellikleri:
Tüm noktalarımız çizgiye düşmezse ve ikinci veri setinde gördüğümüz gibi eğrisel bir korelasyon gösterilirse, verilen x değerlerinin x'in en küçük kareler yöntemi ile elde ettiğimiz çizginin denklemindeki yerine koyulması hesaplanmaz. Yc değerleri gerçek değerlerimize eşittir.
Verilen çıktı değerlerimizi (4) denkleminde 2, 6, 4 olarak değiştirirsek, 4, 10, 6 üretim maliyetine karşılık gelen gerçek değerleri aşağıdaki gibi elde edemeyiz:
X = 2 için Y c = 3/2 x 2 + 2/3 = 3⅔
X = 6 için Y c = 3/2 x 6 + 2/3 = 9⅔
X = 4 Y için c = 3/2 x 4 + 2/3 = 6⅔
Aşağıdaki tabloda gösterildiği gibi, en küçük kareler Çizgisinin özellikleri şunlardır:
1. Sapmaların toplamı, yani bağımlı değişkenin gerçek ve hesaplanmış değerleri arasındaki fark her zaman sıfır olacaktır.
2. En küçük kareler çizgisinin ikinci özelliği, karelerdeki sapmaların toplamının minimum olmasıdır.
Bu, eğer herhangi bir başka pozisyonda çizildiyse, sonuç sapmalarının karelerinin toplamı, en küçük kareler çizgisiyle elde edilen toplamdan daha büyük olacağını gösterir.
(1) ve (2) denklemlerinin a ve m için çözülmesi durumunda, aşağıdaki ifade elde edilir.
Korelasyon Katsayısı:
En küçük kareler çizgisi ile tanımlanan ilişkinin kuvvetinin nicel ölçümüdür. Korelasyon katsayısının büyüklüğü, dikkate alınan değişkenler arasında var olan korelasyon derecesine göre değişecektir.
Bu korelasyon katsayısının belirlendiği ifade aşağıdaki gibidir:
burada Y a, imalat maliyeti gibi bağımlı değişkenin gerçek değerleri için kullanılır.
Yc = en küçük kareler çizgisinde bulunan bağımlı değişkenin karşılık gelen hesaplanmış değerleri.
Y̅ = bağımlı değişkenlerin gerçek değerlerinin ortalaması.
Denklemde (5), sayıların değeri (Y a - Y c ) 2, karenin toplamı olduğundan asla sıfırdan düşük olamaz. Bağımlı değişkenin gerçek değerleri hesaplanan değerlere eşit olduğunda, bu değer sıfır olabilir. Bu durumda tüm noktalar en uygun çizgidedir. Bu gibi durumlarda pay sıfırdır ve korelasyon katsayısı maksimum değerine, yani 1'e ulaşır. Bu, yalnızca iki değişken mükemmel bir şekilde ilişkilendirildiğinde ortaya çıkar.
Asgari korelasyon katsayısı değeri, iki değişken arasındaki korelasyonun olmadığını gösteren sıfır olabilir.
Yüksek ve düşük bir korelasyon derecesi arasındaki bölünmeyi yapmak zordur, ancak aşağıdaki tablolarda r genel kabul görmüş korelasyon katsayısı değerleri verilmiştir.
Uygulamada, r'nin değerini bulmak için farklı bir denklem formu (6) kullanılmıştır.
Bu denklem, doğrudan orijinal verilerle çalışarak korelasyon katsayısının değerini göstermemize izin verir, bu nedenle r'nin değerini hesaplamak için basit bir yöntemdir.
En Küçük Kareler Yöntemi Uygulaması:
Örnek 1:
Bir firma, ürün grubunun rupi satışları ile verilen ekonomik gösterge arasında ilişki olduğunu tespit eder. Özellikle geçmiş satışlar ile ekonomik göstergenin karşılık gelen değerleri arasındaki bir karşılaştırma aşağıdakileri ortaya koymaktadır:
(a) İki değişken için korelasyon katsayısı değerini hesaplayarak ilişkinin gücünü belirleyin.
(b) En küçük kareler yöntemi ile en uygun çizginin denklemini belirleyin.
(c) Gelecek dönem için ekonomik endeks değerinin 112 olması bekleniyorsa, o dönemde hangi satışların beklenebileceği. (Endüstri Mühendisliği, RU, 1980)
Çözüm:
Y '- mx + a şeklindeki bir doğrusal tahminci varsayalım; burada m & a, bunun en iyi şekilde oturması için sabittir.
∑Y a = na + m∑x… (i)
∑x Y a = a∑x + m∑x 2 … (ii)
Tablodaki değerleri (i) ve (ii) denklemlerine koymak
19.6 = 10a + 1025m
2067.1 = 1023a + 105673m
Bu denklemleri çözerek elde ederiz
a = -7.78
m = 0, 0951
Dolayısıyla en uygun çizginin denklemi:
Y = -7.78 + 0.0951x Ans.
Ekonomik endeks 112 olduğunda gelecek dönem için x = 112 yerine
Y = -7, 78 + 0, 0951 x 112
= 2.8712 Beklenen satışlar = Rs. 28712 | Ans.
İlişkinin kullanılması.
Birden Çok Regresyon:
Önceki örnekte, bir ürün grubunun satışlarının yalnızca bir ekonomik göstergenin değerine bağlı olduğu varsayılmıştır, ancak bir çok durumda, bir ürün veya ürün grubunun satışlarının, göstergelerin bir kombinasyonunun bir fonksiyonu olabileceği varsayılmıştır.
Satışlar ile bu ekonomik göstergeler veya diğer bazı göstergeler arasındaki ilişki doğrusal ise, aşağıdaki genel formun bir denklemi ile tanımlanabilir:
Y '- a + m 1 + m 1 x 1 + m 2 x 2 + m 3 x 3
a, m 1, m 2'nin sabittir ve x 1, x 2, x 3, satış tahmininin dayanacağı değişkenler / göstergelerdir. Bilinmeyen sabitler eşzamanlı denklemler çözülerek belirlenebilir. İlgili prosedür çoklu regresyon analizidir.
Yöntem # 4. Zaman Serisi Analizi:
Bu satış tahmini yöntemi, aynı zamanda regresyon analizi gerektirdiğinden ekonomik gösterge yöntemine benzer olarak kabul edilir. Bir zaman serisi, bağımlı değişken olarak satış hacmi veya satışlar gibi bazı miktarlara ve bağımsız değişken olarak zamana bağlı kronolojik bir veridir.
Kurulan organizasyonla birlikte sunulan bu zaman serileri, tahminde bulunmadan önce analiz edilir. Genellikle kullanılan ortak bir teknik vardır, “eğilimi yansıtmak”. Bu yöntemde, eğilim çizgisi en küçük kareler yöntemi ile yansıtılır.
Bağımlı değişkenin varyasyonları şu şekilde ayrılabilir:
(a) Uzun süreli değişiklikler.
(b) Kısa süreli değişiklikler.
Verilerin uzun süreli değişmesi, yani artış veya azalış eğilimi, doğrusal veya doğrusal olmayan temel eğilim olarak adlandırılır.
Kısa dönem değişiklikleri iki tür olabilir:
(i) Düzenli
(ii) Düzensiz
Düzenli dalgalanmalar, düzenli zaman aralıklarında meydana gelenlerdir. Bunlar olabilir:
(a) Mevsimsel değişimler.
(b) Döngüsel varyasyonlar.
Mevsimsel Değişimler :
En sık görülen periyodik varyasyon, bir süre hava koşullarında, sosyal geleneklerde ve festivallerde vb. Bazı düzenliliklerle ortaya çıkan mevsimsel değişikliklerdir. Bunlar, çeşitli ürünlerin (normal olarak tüketici kullanımının) satışını etkiler.
Döngüsel Değişimler:
Bu değişiklikler periyodiklik göstermektedir ve daha kısa bir sürede gerçekleşir. Mevsimsel değişimler gibi döngüsel değişimler de düzenlidir. Ancak mevsimsel değişimler bir yıllık bir süre içinde meydana gelirken veya daha az döngüsel değişiklikler 5 ila 10 yıllık aralıklarla tekrarlanır.
Düzensiz Değişimler:
Tez değişimi, herhangi bir ritim olmadan gerçekleşir. Rahat ve düzensiz biçimde çalışan nedenlerden kaynaklanabilir. Sebepler kuraklık, sel, savaş, grev ve deprem gibi olabilir.
Zaman serisi serisi satış analizi tekniği bir kuruluşun geçmiş satışlarını analiz ederek bir eğilim olup olmadığını tespit eder. Bu eğilim daha sonra geleceğe yansıtılır ve elde edilen satışlar satış tahminleri için temel olarak kullanılır. Bu yöntem aşağıdaki resimler yardımı ile netleşecektir.
Bir boyama ekipmanı üreticisinin (boya silindiri çerçeveleri olabilir), ürününün gelecek yıl satışlarını tahmin etmeye karar verdiğini varsayalım. Son dört / beş yıl boyunca veri toplayarak başlıyor.
Üretici, geçmiş deneyimlerden, ürün satışlarının mevsimsel değişimler nedeniyle dalgalandığını bilmektedir. Aslında, geçmiş verilerden, ürünün piyasa talebinin yılın ilk çeyreğinde minimum düzeyde olduğunu tespit etti, hava koşullarının iyileşmesi nedeniyle satışlarda artışa yol açtı.
Benzer şekilde, hava koşullarında ve festival sezonunda daha da iyileşme olması nedeniyle yılın üçüncü çeyreğinde satışlarda daha büyük bir artış yaşanmaktadır. Ancak açık hava koşullarının daha az olması durumunda, ürün talebinin dördüncü çeyrekte azalmasıyla siliniyor.
Bu üç aylık değişimler sonucunda, şirket üretim planlama amacıyla çeyrek dönem için bir tahmin geliştirmeye karar verir.
Satış tahminlerinin zaman serisi analiz tekniği ile uygulanması, aşağıdaki çizim yardımı ile anlaşılacaktır:
Sınırlı miktarda veri olmasına rağmen. Trend çizgisinin denklemini belirleyin. Denklem ile, dördüncü yıl için üç aylık satışların trend değerlerini hesaplayın. Ardından, beklenen mevsimsel değişimleri sağlamak için bu değerleri ayarlayın. (KUK (Bölüm Dışı). Mayıs, 1995, B. Tech, Mayıs 1998)
Çözüm:
Diğer bir deyişle, ilk çeyrekte gerçekleşen satışlar hesaplanan satışların% 77'siydi.
Diğer çeyrekler için benzer şekilde hesaplanan satışlar aşağıdaki gibidir:
Trend değerlerini beklenen mevsimsel değişimleri sağlayacak şekilde ayarlamak için, bu sezon dışı ayarlama faktörünün büyüklüğünü, her yılın ilk çeyreğinde geçmişteki değişimin ortalamasını yani 1, 5 ve 9. çeyreklerde belirleyerek belirleriz.
Gerçekleşen satışlar dört çeyreklik için hesaplanan satış değerlerinin yüzdesidir.
Bu tablonun son sütunu, yılın dördüncü çeyreğine ilişkin mevsimsel düzeltme faktörü değerlerini 0, 7097, 0, 8663, 1, 120, 1, 30, yani 1, 2, 3, 4 ve 4 için hesaplar ve dördüncü için hesaplanan satışların çarpımını verir. Düzeltme faktörleriyle birlikte 4. yılın çeyreğinde, incelenen yıl için düzeltilmiş satış tahminleri verilir.
Zaman Serisi Analizinin Avantajları:
1. Bu teknik kolektif görüş yönteminden ve ekonomik göstergelerin yönteminden daha az özneldir, çünkü uygulaması kuruluşun uygun göstergeyi bulamamasına bağlı değildir.
2. Yalnızca kısa sürelere bölünmesi gereken yıllık bir tahmin verebilecek olan toplu görüş yöntemi ve ekonomik göstergelerin yöntemi ile karşılaştırıldığında, kuruluş geçmiş yıl satışlarını analiz ederek aylara göre geçmiş ayları analiz ederek yıllık satış tahmininde bulunabilir. geçen haftaki satışları inceleyerek satışları ve hatta hafta içi.
Zaman Serileri Analizinin Sınırlandırılması:
1. Bu teknik, geçmiş veya yeterli geçmiş veriler mevcut olmadığından, yeni veya nispeten yeni bir ürünün satışını tahmin etmek için kullanılamaz.
2. Talep düzeyindeki önemli dalgalanma, mevsimsel değişikliklerden dolayı bir yılda aydan aya ortaya çıkarsa veya öngörüyü ayarlamak için bir yılda 12 ayarlama faktörü gerekebilir.
3. Satış fiyatlarındaki, ürün kalitesindeki, ekonomik şartlardaki, pazarlama yöntemindeki ve kuruluşların satış promosyonundaki değişikliklerin etkisi, bu yönteme tatmin edici bir şekilde dahil edilemez.
Yöntem # 5. Ortalama Hareketli Satış Tahmini Yöntemi:
Bu yöntemde satış tahmini, istenilen sayıda geçmiş dönemdeki geçmiş satışların ortalaması alınarak elde edilir (yıllar, aylar veya haftalar olabilir). Hareketli ortalamanın daha fazla periyod içerecek şekilde genişletilmesi, pürüzsüzleştirme etkisini artırabilir ancak tahminin hassasiyetini azaltır.
Uzun süreler, talep modelinde önemli değişikliklerin gerçekleşmesi için çok fazla fırsat sağlar. Bu riski azaltmak için kuruluşlar, tahminlerini üç ay gibi kısa sürelerdeki ortalama talebe dayandırabilirler. Bu tekniğin uygulanması aşağıdaki çizim ile netlik kazanacaktır.
Müşteri sayısının ağırlıklı olmayan hareketli ortalamalarına dayanan bir tahmin:
Bu tahmin, iki haftalık ortalama müşteri sayısını temel almaktadır.
Bu nedenle, 9. hafta için yapılan düzeltilmemiş tahmin 512'dir. 9 hafta sonunda, 10. haftaya ilişkin tahmin, 7, 8 ve 9'lu yıllardaki gerçekte ziyaret eden ortalama müşteri sayısına bağlı olacaktır. Sonuç, yukarıdaki tabloda listelenen bir dizi hareketli ortalamadır.
Ağırlıklı Hareketli Ortalamalar:
Önceki kısımda hesaplanan hareketli ortalamalar ağırlıksız olarak bilinir çünkü ortalamaları tespit edilen sayıların her birine aynı ağırlık verilir. Bazı işletmeler, tahminlerini ağırlıklı bir hareketli ortalamaya dayandırır.
İki hafta boyunca ziyaret eden müşteri sayısının üçüncü hafta tahmini için sağlam bir temel oluşturduğunu ve ilk haftanın ikinci saatten daha az önemli olduğunu ve sonuç olarak 0, 4 ila birinci hafta ve 0, 6 ila ikinci hafta ağırlıkları atadığımızı varsayalım. . 9. hafta için ağırlıklı ortalama
0, 4 x 549 + 0, 6 (474) = 220 + 284 = 504
Benzer şekilde, diğer haftalara ait ağırlıklı hareketli ortalamalar aşağıdaki tabloda listelenmiştir:
Müşteri sayısı ağırlıklı hareketli ortalamalara dayanan bir tahmin.
Hareketli Ortalama Yönteminin Avantajları:
1. Bu teknik, en küçük kareler yönteminden daha basittir.
2. Bu yöntem, kullanan kişilerin kişisel önyargılarından etkilenmez.
3. Hareketli ortalama periyodu, çevrim periyoduna eşittir. Döngüsel değişimler ortadan kalkar.
4. Eğer verideki trend eğer varsa doğrusal ise, hareketli ortalama, verilerdeki uzun vadeli hareketi iyi bir şekilde gösterir.
5. Hareketli ortalama tekniğinin esnekliği vardır, yani birkaç yıl eklenirse, yeni koşulların benimsenmesi nedeniyle tüm hesaplamalar değişmez.
Hareketli Ortalama Metodunun Sınırlamaları:
Aşağıda bu tahmin yönteminin sakıncaları vardır:
1. Satış tahmini için kullanılabilecek matematiksel ilişkilerle sonuçlanmaz.
2. Uçlardaki veri kaybına neden olan köşeleri kesme eğilimi vardır.
3. Hareketli ortalama periyodunun seçilmesi için büyük bir özen gösterilmesi gerekmektedir, çünkü seçilen yanlış dönemler trendin doğru görüntüsünü vermeyecektir.
4. Orijinal grafikte keskin dönüşler olması durumunda, hareketli ortalama eğriliği azaltacaktır.
5. Verilerdeki küçük hareketlere bile çok duyarlıdır.
Yöntem # 6. Üstel Pürüzsüzleştirme ve Hareketli Ortalama Yöntem:
Bu satış tahmini yöntemi, hareketli ortalama yönteminin bir modifikasyonudur veya daha iyi bir deyişle, hareketli ortalama tahmin yöntemine göre bir gelişmedir. Bu yöntem, hareketli ortalamaların sınırlamalarını ortadan kaldırmaya çalışır ve geniş kapsamlı geçmiş verilerin tutulması gerekliliğini ortadan kaldırır, aynı zamanda talep modelindeki düzensizlikleri gidermeye çalışır.
Bu yöntem geçmiş gözlemlerin ağırlık ortalamasını temsil eder. Bu durumda, en yeni gözlemlere, eski gözlemlere doğru ilerledikçe geometrik ilerlemede azalan en yüksek ağırlık atanır.
Daha güncel bilgileri veya serinin ortalamasını yansıtması muhtemel olan en son gözlemlere daha fazla ağırlık verildiğinden, satış tahmininde en doğru istatistiksel yöntemlerden biri haline gelir. Bu yöntem, talebin hareketli ortalamasını korur ve her dönem için, en son gerçek talep rakamı ile ortalamanın en son değeri arasındaki farkla orantılı olarak ayarlanır.
Bir ürün veya hizmet talebinde bir eğilim olmadığında, ifadeyi kullanarak üssel düzeltme yöntemiyle satışların bir sonraki dönem için tahmin edilmesi gerekir.
Gelecek dönem için tahmin = a (en son gerçek talep) + (1 - α) en son gerçek talebin eski tahmini olup, burada bir yumuşatma faktörü olarak adlandırılan bir ağırlıklandırma faktörünün değerini temsil eder.
Bu yöntem denklemi izler
Fn = Fn -1 + α ( Dn-1 - Fn -1 )
Fn = gelecek dönem için tahmin
F n-1 = önceki dönem için tahmin
D n-1 = önceki dönemde talep.
A 1'e eşitse, en son tahmin önceki döneme ait gerçek talebe eşit olacaktır Uygulamada, a'nın değeri genellikle 0, 1 ile 0, 3 arasında seçilir. Tekniğin uygulaması, hareketli ortalamalar satış tahmini yönteminin verileri sayfa 78'de gösterilmektedir. Yöntemin uygulanmasında, 0.10 olarak kullanacağız.
Denklem (7) kullanılarak, 3. haftadaki gerçek talep 487 ise, 4. hafta için öngörü
0, 10 (487) + (1, 00 - 0, 10) 550 = 544
Benzer şekilde, 4. haftaya olan gerçek talep 528 müşteri ise, 5. haftaya ilişkin tahmin
0.10 (528) + (1.00 - 0.10) (544) = 542
Bu prosedür 8 haftalık sürenin tamamı boyunca uygulanmışsa, sonuçlar aşağıdaki tabloda gösterilmiştir. Düzeltilmemiş tahmin hatası ayrıca D = B - C sütununda da belirtilir. Eğer a'nın değeri belirtilmezse; a'nın yaklaşık bir ilişkisi ile belirlenebilir.
α = 2 / Hareketli ortalamada 1 sayısı
Eşitlik (7) 'de, ağırlık faktörleri a söz konusu olduğunda, minimum değer 0 ve maksimum değer 1 olabilir. A değeri ne kadar büyükse, son veriler üzerine yerleştirilen ağırlık o kadar büyük olur. A'nın değeri 1 olduğunda, tahmin son dönemde yaşanan talebe eşit olacaktır.
Ürünün değeri üründen ürüne değişmekle birlikte, çoğu organizasyon 0 06 ile 0, 20 arasında bir değerin genellikle tatmin edici olduğunu kanıtlamıştır.
Bir ürün veya hizmet için hangi değerin kullanılması gerektiğini bulmaya çalışırken, kurum / kuruluş çeşitli değerleri seçebilir, bu değerleri kullanarak geçmiş tahminlerini inceleyin ve gelecekte tahmin için tahmin hatalarını en aza indirecek olanı benimseyin. geçmiş.
Bu şekilde, satış / servis eğilimi mevcut olduğunda uygulanan üssel yumuşatma tanımına yaklaşıyoruz. Eğilimin mevcut olması durumunda, bu teknikle bir eğilim ayarı yapılabilir, ancak uygulaması biraz zorlaşır.
