Topp 6 Metoder for salgsprognoser
Denne artikkelen kaster lys over de seks beste metodene for salgsprognose som brukes i en organisasjon. Metodene er: 1. Samleutsiktsmetode 2 . Økonomiske indikatorer 3. Metode for minste kvadrater 4. Tidsserieanalyse 5. Flytende gjennomsnitt Fremgangsmåte for salgsprognose 6. Eksponensiell utjevning og flytende gjennomsnittsmetode.
Metode # 1. Kollektiv mening Metode:
I denne teknikken avhenger prognosen av selgerens oppfatning av produktet og estimater for etterspørselen etter det neste året for deres respektive områder. I lys av at selgere er nærmest forbrukerne, kan de estimere mer riktig om kundens reaksjon med hensyn til produktet.
Disse estimatene mottas av filialens salgsforvaltere, og de vil gjennomgå disse tallene og gjøre visse tilpasninger for å reflektere deres kunnskap om de enkelte selgerne.
Noen av de senere har tidligere vist at de er konsekvent optimistiske og deres estimater kan revideres nedover, andre kan være kjent for å være litt pessimistiske og deres estimater kan kreve oppjustering, resten av selgerne kan ha vist seg å være realistiske og deres estimater kan forbli uendret.
Disse justerte estimatene blir deretter gjort tilgjengelig for en komité som er ansvarlig for å gjøre sluttprognosen. Medlemmene i denne komiteen kan inkludere firmaets salgsansvarlig, sjefingeniør, produksjonsleder, markedsføringsleder og økonom. De ville vurdere estimatene i lys av visse faktorer som salgsmenn og filialforvaltere ikke ville være kjent med.
Disse kan omfatte ting som forventede endringer i produktdesign, en plan for økt annonsering, en foreslått økning eller reduksjon i salgspriser, ny produksjonsteknikk som vil forbedre produktets kvalitet, endringer i konkurransen, endringer i økonomiske forhold som kjøpekraft av forbruker, inntektsfordeling, kreditter, befolknings- og ansettelsesforhold mv.
Således tar kollektive oppfatningsmetode fordelene med kollektive visdom til selgere og ledende ansatte innen ulike områder knyttet til salgsstyring.
Fordeler:
1. Metoden er enkel fordi den er basert på den kollektive visdom som selgere og ledende ansatte har kompetanse på ulike felt og krever ingen statistisk teknikk.
2. Etterspørselsestimatene er basert på kjennskap til selgere som er direkte ansvarlige for å oppfylle salgsmålene, og dermed er korrekte.
3. For lanseringen av de nye produktene er metoden ganske nyttig.
Ulempe:
1. Siden ingen tidligere data og statistisk teknikk er brukt, er metoden bare nyttig for kortsiktig prognose.
2. Salgsmennene kan estimere fremtidig salg dersom salgskvoter er fastsatt for dem.
3. Estimatene fra denne metoden kan ikke være realistiske siden selgerne ikke har noen kjennskap til de økonomiske endringene.
Metode # 2. Økonomiske indikatorer:
Denne metoden for salgsprognoser er basert på bruk av indikatorer som tjener til å beskrive de økonomiske forhold som råder over en gitt tidsperiode.
Noen av disse økonomiske indikatorene er følgende:
1. Byggekontrakter tildelt etterspørsel etter byggematerialer.
2. Farm inntekt for etterspørselen av landbruksredskaper og andre innganger.
3 Personlig inntekt for etterspørsel etter forbruksvarer.
4. Bilproduksjon / Registrering av biler for etterspørsel av tilbehør og petroleumsprodukter.
5. Sysselsettingsposisjon.
6. Bruttonasjonalinntekt.
7. Forbrukerpriser.
8. Engros råvarepriser.
9. Bankinnskudd.
10. Industriell produksjon.
11. Stålproduksjon.
12. Forretningsfortegnelser.
Data av denne typen er utarbeidet og publisert av ulike myndigheter som sentral statistisk organisasjon og av privat gruppe som fagforeninger og bedriftsforskningsorganisasjoner.
Hvis bedriften eller organisasjonen finner at det er et forhold mellom en eller en kombinasjon av en slik økonomisk indikator og salg av noen av sine produkter, kan denne tilnærmingen til salgsforespørsler benyttes.
Videre kan den valgte eller relevante økonomiske indikatoren vise seg å være en ledende, forsinkende eller sammenfallende.
En ledende indikator er en hvis verdi for en gitt periode vil påvirke salget i en senere periode. For eksempel kan en produsent av skolevesker finne ut at salget hans i et gitt år påvirkes av antall barn født tre eller fire år tidligere. Dette er mest ønskelig type økonomisk indikator fordi verdien sin vil bli kjent på det tidspunktet prognosen for fremtidig salg blir gjort.
En forsinkende indikator er en hvis verdi for en gitt periode vil gjenspeile salget i en foregående periode. For eksempel kan produsenten av ørkenkjølerlegemer finne ut at data på lager av legemene i en gitt periode er relatert til hans salg i en tidligere periode.
En sammenfallende indikator er en hvis verdi for en gitt periode vil påvirke salget i den perioden. For eksempel kan produsenten av babymelkmatere finne ut at volumet av produksjon av matere i en gitt periode påvirkes av populasjonsvekst i samme periode. Dette er mindre ønskelig type indikator fordi verdien sin må estimeres for den fremtidige perioden for hvilken salgsforutsetningen blir gjort.
Salgsforutsetningen er utført ved hjelp av minst kvadratisk likning.
begrensning:
1. Behov for å finne en passende indikator. I enkelte tilfeller kan en gitt indikator være riktig, men i andre tilfeller vil ingen indikator være åpenbart anvendelig, og det kan være krevende og tidkrevende prøvefeil tilnærming.
2. Egnet indikator kan variere med produkt eller produktgruppe som vurderes.
3. Etter å ha undersøkt alle mulige alternativer kan selskapet finne ut at ingen enkelt eller sammensatt indikator er egnet. I slike tilfeller kan denne prognosen ikke brukes. Men firmaet kan finne at selv om salget ikke er korrelert med noen økonomisk indikator, eksisterer organisasjonene.
Dette vil være tilfelle når selskapets andel av markedet svinger meget. Kollektiv oppfatning kan brukes.
4. En annen vanskelighet stammer fra det faktum at den aktuelle indikatoren kan si en årlig indeks, mens selskapet kanskje vil prognose salget på månedlig basis.
5. En ytterligere begrensning av denne metoden er at den ikke gir seg en prognose for salg til et nytt produkt, fordi det ikke foreligger tidligere data som korrelasjonsanalyse kan baseres på.
Forholdet mellom to variabler:
Anta at en bransjens rekord av de siste tre årene produksjon og produksjonskostnad er:
Hvis vi plotter utgangen som er uavhengig variabel v / s produksjonskostnad som er en avhengig variabel for hvert av de tre årene.
Grafen avslører at alle tre poengene faller på en linje som passer best. Siden linjen er en rett linje, er det derfor en sterk lineær korrelasjon mellom produksjonsutgang og produksjonskostnad.
Anta nå at produksjonsprisen varierer som angitt i følgende tabell:
Grafen for dette forholdet vises som angitt med stiplede linjer. Naturen til disse punktene er slik at de ikke faller på linjen som passer best. Imidlertid er de nærliggende, og vi kan si at det eksisterer en nesten lineær korrelasjon mellom de to variablene som ikke er like sterke som vist ved første sett med data.
Derfor kan vi mindre presisere produksjonsprisen for noe gitt produksjonsnivå eller produksjon. På samme måte i praksis kan det være en krøllet korrelasjon mellom de to variablene.
En relativt enkel metode for montering av linjen er metoden for minste firkanter.
Denne metoden med minste firkanter gir en ligning som beskriver og lokaliserer linjen med best passform.
Metode nr. 3. Metode for minste firkanter:
Metoden for minste firkanter gir en ligning som gir to karakteristikker av linjen med best passform. En rett linje kan beskrives med tanke på to ting, dvs. skråningen og Y-avskjæringen. Y-avskjæringen er punktet på Y-aksen i grafen mellom to variabler hvor linjen krysser Y-aksen.
Hvis vi kjenner linjen Y-avstand og helling, kan linjens ligning bestemmes ut fra det generelle uttrykket for ligningen til en hvilken som helst linje som er som følger:
Y '= mx + a
hvor Y 'er den beregnede verdien av den avhengige variabelen som skal forventes.
a = Y fange av linjen med best passform.
m = helling av linjen med best passform.
x = gitt verdi av uavhengig variabel i forhold til hvilken verdi av avhengig variabel skal prognose.
På denne måten tjener alt dette til å beskrive bare hva ligningens ligning er og likning kan bestemmes hvis vi allerede har funnet linjen.
Men vanligvis faller ikke punktene på en rett linje, derfor må vi bestemme hvor linjen skal ligge. Dette krever først å bestemme ligningen for linjen med best passform og deretter finne posisjonen til linjen ved å bruke denne ligningen.
Metoden for minste kvadrater kan hjelpe oss med å finne ut ligningen av linjen ved å arbeide direkte med de opprinnelige dataene for avhengige og uavhengige variabler ved å foreta passende substitusjoner i de følgende uttrykkene.
ΣY = na + mΣx
ΣxY = aΣx + mΣx 2
hvor x = gitt verdier av den uavhengige variabelen, som kan være den økonomiske indikatoren.
Y - Gitt verdi av den avhengige variabelen som kan være salg av produktet i dette tilfellet.
n = antall gitte parede observasjoner.
Igjen: Ved å bruke det foregående datasettet i tre år har vi:
Bytter verdier av Σx, ΣY, ΣxY
Σx og n = 3 i ligninger (1) og (2)
Vi har 18 = 3a + 12m
80 = 12a + 56m
Løse disse to ligningene for en & m
Vi får a = 2m = 1
Ligningen av linjen fordi
Y = 1 * × + 2
Med det andre settet av data der korrelasjonen ikke er så liner vi har
Ved å erstatte verdien i ligningene (1) og (2) har vi
20 = 3a + 12m
92 = 12a + 56m
Løsning av disse to likninger for a og m vi får
a = 2/3 m = 2/3
Linjens likning blir
Y jeg c = [3 / 2x + 2/3]
Ligningen av denne linjen kan trekkes i riktig posisjon ved å finne minimum to punkter og koble dem.
Egenskaper for minste kvadrater Linje:
Hvis alle våre poeng ikke faller på linjen, og en krøllete korrelasjon er indikert som vi har sett med andre sett av data, vil substitusjon av våre givne verdier av x i ligningen av linjen vi oppnår ved hjelp av minste kvadrater, ikke gi beregnet verdier av Yc lik vår faktiske verdier.
Hvis vi erstatter våre givne verdier av produksjon som 2, 6, 4 i ligning (4), vil vi ikke få de tilsvarende faktiske verdiene av produksjonsprisen på 4, 10, 6 som følger:
For x = 2 Y c = 3/2 x 2 + 2/3 = 3⅔
For x = 6 Y c = 3/2 x 6 + 2/3 = 9/3
For x = 4 Y c = 3/2 x 4 + 2/3 = 6⅔
Som vist fra denne tabellen er følgende egenskapene til de minste rutene Linje:
1. Sum av avvikene, dvs. forskjellen mellom faktiske og beregnede verdier av avhengig variabel vil alltid være null.
2. Den andre karakteristikken for den minste firkantlinjen er at summen av avvikene som er kvadrert, er minimum.
Dette indikerer at hvis det er trukket i en annen posisjon, vil summen av kvadrater av de resulterende avvikene ha vært større enn summen oppnådd med minst kvadratlinjen.
I tilfelle ligninger (1) og (2) løses for a og m, oppnås følgende uttrykk.
Korrelasjonskoeffisient:
Det er det kvantitative målet for styrkeforholdet som er beskrevet av den minste kvadraterlinjen. Størrelsen på korrelasjonskoeffisienten vil variere med grad av korrelasjon som eksisterer mellom variablene under vurdering.
Ekspresjonet fra hvilken denne koeffisienten av korrelasjon bestemmes, er som følger:
hvor Y a = brukes til faktiske verdier av den avhengige variabelen som produksjonskostnad.
Yc = de tilsvarende beregnede verdiene av den avhengige variabelen som er funnet fra den minste kvadratlinjen.
Y⋅ = gjennomsnitt av de faktiske verdiene av de avhengige variablene.
I ligning (5) kan verdien av telleren (Y a - Y c ) 2 aldri være mindre enn null siden den er en kvadrert sum. Dette kan maksimalt bli null når de faktiske verdiene av den avhengige variabelen er lik beregnede verdier. I så fall ligger alle punktene på den beste passformen. I slike tilfeller er telleren null og korrelasjonskoeffisienten når sin maksimale verdi, dvs. 1. Dette vil bare skje når de to variablene er perfekt korrelerte.
Minsteverdien av korrelasjonskoeffisienten kan være null som indikerer fraværet av korrelasjon mellom de to variablene.
Forskjellen mellom en høy og lav grad av korrelasjon er vanskelig å lage, men de følgende tabellene gir de allment aksepterte verdiene av korrelasjonskoeffisient r.
I praksis brukes en annen form for ligning (6) for å finne verdien av r.
Denne ligningen tillater oss å skildre verdien av korrelasjonskoeffisient ved å arbeide direkte med de opprinnelige dataene, og det er derfor en enkel metode for å beregne verdien av r.
Anvendelse av den minste kvadratmetoden:
Eksempel 1:
Et firma finner at forholdet eksisterer mellom rupeesalg av en av produktgruppene og en gitt økonomisk indikator. Spesifikt viser en sammenligning mellom det siste salg og de tilsvarende verdiene til den økonomiske indikatoren følgende:
(a) Bestem forholdets styrke ved å beregne verdien av korrelasjonskoeffisienten for de to variablene.
(b) Bestem likningen av linjen med best passform ved hjelp av metoden for minste firkanter.
(c) Hvis verdien av den økonomiske indeksen for en fremtidig periode forventes å være 112, hvilket salg kan forventes i den perioden. (Industriell ingeniørfag, RU, 1980)
Løsning:
Anta en lineær forecaster av formen Y '- mx + a hvor m & a er konstanter for at dette skal være best egnet
ΣY a = na + mΣx ... (i)
Σx Y a = aΣx + mΣx 2 ... (ii)
Sette verdiene fra tabell i ligningene (i) og (ii)
19, 6 = 10a + 1025m
2067, 1 = 1023a + 105673m
Løse disse ligningene vi får
a = -7, 78
m = 0, 0951
Derfor er likningen av linjen best egnet
Y = -7, 78 + 0, 0951x Ans.
For fremtidig periode når den økonomiske indeksen er 112, erstatter x = 112
Y = -7, 78 + .0951 x 112
= 2.8712 Forventet salg = Rs. 28712 | Ans.
Bruk relasjonen.
Flere regresjoner:
I det forrige eksemplet har det blitt antatt at salget av en produktgruppe er avhengig av verdien av en økonomisk indikator, men i mange tilfeller kan salg av et produkt eller en produktgruppe imidlertid være en funksjon av en kombinasjon av indikatorer.
Hvis forholdet mellom salget og disse økonomiske indikatorene eller noen andre indikatorer er lineært, kan det beskrives ved hjelp av en ligning av følgende generelle form:
Y '- a + m 1 + m 1 x 1 + m 2 x 2 + m 3 x 3
der a, m 1, m 2 er konstanter og x 1, x 2, x 3., er variabler / indikatorer som salgsforutsetningen skal baseres på. De ukjente konstanter kan bestemmes ved å løse samtidige ligninger. Prosedyren involvert er multiple regresjonsanalyser.
Metode # 4. Tidsserieanalyse:
Denne metoden for salgsprognose anses å være lik økonomisk indikatormetode, siden det også krever regresjonsanalyse. En tidsserie er en kronologisk data som har noe kvantum som salgsvolum eller salg i rupees som den avhengige variabelen og tiden som uavhengig variabel.
Disse tidsseriene som er tilgjengelige med etablert organisasjon, analyseres før prognosen gjøres. Det er en vanlig teknikk som vanligvis er ansatt kalles som "prosjektet trenden." I denne metoden er trenderlinjen projisert med minste kvadratmetode.
Variasjonene av den avhengige variabelen kan være segregert som:
(a) Lang periodeendringer.
(b) Kort periode endres.
Den lange perioden tendensen til data for å endre, dvs. øke eller redusere kalles grunnleggende trend som kan være lineær eller ikke-lineær.
Den korte perioden endringer kan være av to typer:
(i) Vanlig
(ii) Uregelmessig
Regelmessige svingninger er de som forekommer med jevne mellomrom. Disse kan være:
(a) sesongvariasjoner
(b) Cycliske variasjoner.
Sesongvariasjoner :
Den vanligste periodiske variasjonen er sesongvariasjonen som forekommer med en viss regelmessighet i et tidsrom av værforhold, sosiale skikker og festivaler etc. Disse effektsalgene av ulike produkter (normalt av forbrukerutnyttelse).
Sykliske Variasjoner:
Disse endringene viser periodicitet og forekommer over en kortere periode. I likhet med sesongvariasjoner er sykliske variasjoner også vanlige. Men mens sesongvariasjoner oppstår innen en periode på ett år eller mindre, gjentar sykliske variasjoner med intervaller på 5 til 10 år.
Uregelmessige Variasjoner:
Tissevariasjon oppstår uten noen spesiell rytme. De kan skyldes årsaker som opererer på en uformell og uregelmessig måte. Årsaker kan være som tørke, flom, kriger, streiker og jordskjelv etc.
I tidsserieanalyseteknikk for salgsprognoser analyserer en organisasjon sitt tidligere salg for å finne ut om det er noen trend. Denne trenden blir deretter projisert inn i fremtiden, og det resulterende indikerte salget blir brukt som grunnlag for en salgsforespørsel. Denne metoden vil være tydelig ved hjelp av følgende illustrasjoner.
Anta at en produsent av maleriutstyr (kan være malerullrammer) bestemmer seg for å prognose neste år salg av sitt produkt. Han begynner med å samle inn dataene de siste fire / fem årene.
Produsenten vet fra tidligere erfaring at salget av produktet varierer på grunn av sesongvariasjoner. Faktisk har han funnet ut fra tidligere data at markedets etterspørsel etter produktet er på sitt minste i løpet av første kvartal, resulterer i en økning i salget på grunn av bedre værforhold.
Tilsvarende finner en større økning i omsetningen sted i tredje kvartal på grunn av ytterligere forbedringer i værforhold og sesongfestivaler. Men med den på sett mindre gunstige værforhold slett etterspørselen etter produktet går ned i fjerde kvartal.
Som et resultat av disse kvartalsvise variasjonene bestemmer selskapet å utvikle en prognose for kvartalet for produksjonsplanleggingsformål.
Anvendelsen av salgsprognose etter tidsserieanalyse teknikk vil være klar ved hjelp av følgende illustrasjon:
Til tross for begrenset mengde data tilgjengelig. Bestem likningen av trendlinjen. Med ligningen beregner du trendverdiene for kvartalsalg for det fjerde året. Juster deretter disse verdiene for å gi forventede sesongvariasjoner. (KUK (ikke-avdelings). Mai 1995, B.Tech, mai 1998)
Løsning:
Med andre ord var det faktiske salget i første kvartal 77% av beregnet salg.
Tilsvarende beregnes salget for andre kvartaler som følger:
For å justere trendverdiene for å gi forventede sesongvariasjoner, bestemmer vi størrelsen på denne off season-justeringsfaktoren ved å finne gjennomsnittet av den siste variasjonen i første kvartal hvert år, dvs. i 1., 5. og 9. kvartal.
Faktisk salg i prosent av beregnede salgsverdier for fire kvartaler.
Den siste kolonnen i denne tabellen gir verdiene for sesongjusteringsfaktoren for fire kvartaler som 0, 7097, 0, 8663, 1, 120, 1, 30 dvs. for 1 st, 2 nd, 3 rd og 4 th og multiplikasjon av beregnet salg for de fire kvartaler av det fjerde året med justeringsfaktorene skal gi justerte salgsforventninger for det aktuelle året.
Fordeler med Time Series Analysis:
1. Denne teknikken er mindre subjektiv enn kollektive oppfatningsmetode og metode for økonomiske indikatorer, siden applikasjonen ikke er avhengig av organisasjonens evne til å finne passende indikator.
2. Sammenlignet med kollektive oppfatningsmetoder og metode for økonomiske indikatorer som kun kan gi en årlig prognose som må brytes ned i kortere perioder, kan organisasjonen prognose omsetningen etter år ved å analysere tidligere årlig omsetning per måned ved å analysere tidligere månedlige salg eller til og med i uken ved å analysere tidligere ukentlig salg.
Begrensning av tidsserieanalyse:
1. Denne teknikken kan ikke brukes til å prognostisere salget av et nytt eller relativt nytt produkt siden ingen tidligere data eller i tilstrekkelige tidligere data er tilgjengelige.
2. Hvis den betydelige svingningen i etterspørselen skjer måned til måned i et år på grunn av sesongvariasjoner, eller det kan være nødvendig med 12 justeringsfaktorer for å justere prognosen på et år.
3. Virkningen av endringer i salgspriser, produktkvalitet, økonomiske forhold, markedsføringsmetoder og salgsfremmende innsats fra organisasjonene kan ikke innarbeides i metoden på en tilfredsstillende måte.
Metode # 5. Flytte gjennomsnitt Gjennomsnitt for salgsprognose:
I denne metoden er salgsforespørselen oppnådd ved å ta gjennomsnitt av tidligere salg over et ønsket antall tidligere perioder (kan være år, måneder eller uker). Utvide glidende gjennomsnitt for å inkludere flere perioder kan øke glattende effekt, men reduserer følsomheten av prognosen.
Lang perioder gir for mange muligheter for betydelige endringer i etterspørselsmønsteret. For å redusere denne risikoen kan organisasjonene basere sin prognose på gjennomsnittlig etterspørsel i korte perioder, si tre måneder. Bruken av denne teknikken vil være klar med følgende illustrasjon.
En prognose basert på uveide glidende gjennomsnitt for antall kunder:
Denne prognosen er basert på gjennomsnittlig antall kunder i to uker.
Derfor er den ujusterte prognosen for 9. uke 512. Ved utgangen av uke 9 var prognosen for den første uken basert på gjennomsnittlig antall kunder som faktisk besøkte i løpet av 7 uker, 8 og 9 og så videre. Resultatet er en rekke bevegelige gjennomsnitt som er oppført i tabellen ovenfor.
Veidede bevegelige gjennomsnitt:
De bevegelige gjennomsnittene som beregnet i den foregående delen kalles uvektet fordi den samme vekten er tildelt hver av tallene hvis gjennomsnitt er fastslått. Noen bedrifter baserer sin prognose på et vektet glidende gjennomsnitt.
La oss anta at antall kunder som besøker i løpet av to uker, gir et godt grunnlag for tredje ukes prognose, og la oss videre anta at første uke er mindre viktig enn andre og dermed tildeler vi vekt 0, 4 til første uke og 0, 6 til andre uke . Det vektede gjennomsnittet for 9. uke ville være
0, 4 x 549 + 0, 6 (474) = 220 + 284 = 504
På samme måte er de veide glidende gjennomsnittene i andre uker hentet i følgende tabell:
En prognose basert på vektet glidende gjennomsnitt for antall kunder.
Fordeler med den flytende gjennomsnittlige metoden:
1. Denne teknikken er enklere enn metoden for minste firkanter.
2. Denne metoden påvirkes ikke av personlige fordommer på folk som bruker den.
3. Den periode med glidende gjennomsnitt er ekvivalent med syklusperioden. De sykliske variasjonene er eliminert.
4. Hvis trenden i dataene hvis noen er lineære, gir det glidende gjennomsnitt et godt bilde av langsiktig bevegelse i data.
5. Den bevegelige gjennomsnittsteknikken har mer fleksibilitet, dvs. hvis flere år legges til, blir ikke alle beregninger endret på grunn av vedtak av nye forhold.
Begrensninger av den bevegelige gjennomsnittsmetoden:
Følgende er ulempene ved denne metoden for prognoser:
1. Det resulterer ikke i matematiske relasjoner som kan brukes til salgsprognoser.
2. Det er en tendens til å kutte hjørner som resulterer i tap av data i endene
3. Det er behov for stor forsiktighet for valg av perioden med glidende gjennomsnitt siden feil tidspunkter valgt ikke ville gi riktig bilde av trenden.
4. I tilfelle de skarpe svingene i den opprinnelige grafen, ville det glidende gjennomsnittet redusere krumningen.
5. Det er veldig følsomt, selv til liten bevegelse i dataene.
Metode # 6. Eksponensiell utjevning og flytende gjennomsnittlig metode:
Denne metoden for salgsprognose er en modifisering av den bevegelige gjennomsnittlige metoden eller i bedre ord er det en forbedring i forhold til den bevegelige gjennomsnittlige metoden for prognoser. Denne metoden forsøker å eliminere begrensningene i bevegelige gjennomsnitt og fjerner nødvendigheten av å holde omfattende tidligere data, det prøver også å fjerne uregelmessighetene i etterspørselsmønsteret.
Denne metoden representerer et vekt-gjennomsnitt av de tidligere observasjonene. I dette tilfellet er de siste observasjonene tildelt den høyeste vekten som avtar i geometrisk progresjon når vi beveger oss mot de eldre observasjonene.
Siden de siste observasjonene som sannsynligvis vil gjenspeile mer oppdatert informasjon eller gjennomsnitt av serien, blir gitt mer vekt, så det blir en av de mest nøyaktige statistiske metodene for salgsprognoser. Denne metoden holder et løpende gjennomsnitt av etterspørsel og justerer det for hver periode i forhold til forskjellen mellom den siste faktiske etterspørselsfigur og den siste verdien av gjennomsnittet.
Når det ikke er noen trend i etterspørselen etter et produkt eller en tjeneste, forventes salget for neste periode ved hjelp av eksponensiell utjevningsmetode ved å bruke uttrykket
Prognose for neste periode = a (siste faktiske etterspørsel) + (1 - α) gammelt estimat av siste faktiske etterspørsel hvor a representerer verdien av en vektningsfaktor som kalles en utjevningsfaktor.
Denne metoden følger ligningen
Fn = Fn- 1 + a ( Dn-1 - Fn -1 )
hvor F n = prognose for neste periode
F n-1 = prognose for foregående periode
D n-1 = etterspørsel i forrige periode.
Hvis a er lik 1. så vil den siste prognosen være lik tidligere periodeens faktiske etterspørsel. I praksis er verdien av a generelt valgt mellom 0, 1 og 0, 3. Anvendelsen av teknikk er demonstrert ved bruk av data for gjennomsnittlig metode for salgsprognose på side 78. Ved anvendelsen av metoden vil vi bruke verdien av a som 0, 10.
Ved å bruke ligning (7), hvis den faktiske etterspørselen etter 3. uke er 487, vil prognosen for fjerde uke være
0, 10 (487) + (1, 00 - 0, 10) 550 = 544
Tilsvarende, hvis den faktiske etterspørselen etter fjerde uke er 528 kunder, vil prognosen for 5. uke bli
0, 10 (528) + (1, 00 - 0, 10) (544) = 542
Hvis denne prosedyren hadde blitt brukt i løpet av hele 8 ukers perioden, vises resultatene i følgende tabell. Den ujusterte prognosefeilen er også angitt under kolonne D = B - C. Hvis verdien av a ikke er gitt; det kan bestemmes av et omtrentlig forhold til a.
a = 2 / Antall perioder i glidende gjennomsnitt + 1
I ligning (7) i så stor grad som vektfaktorene a, kan den anta en minimumsverdi 0 og en maksimumsverdi på 1. Jo større verdien av a, desto større er vekten plassert på nyere data. Når verdien av a er 1, vil prognosen være lik etterspørselen opplevd i den siste perioden.
Selv om verdien av en varierer fra produkt til produkt, men mest organisasjon har funnet ut at en verdi mellom 0 06 og 0, 20 vanligvis viser seg å være tilfredsstillende.
Når du prøver å finne ut hvilken verdi av en skal brukes til et produkt eller en tjeneste, kan organisasjonen / bedriften velge ulike verdier, undersøke de tidligere prognosene ved bruk av disse verdiene og vedta for fremtidig bruk den som ville ha minimert prognosefeil i fortiden.
På denne måten går vi nærmere på beskrivelsen av eksponensiell utjevning som den brukes når en trend i salg / service er tilgjengelig. I tilfelle trenden eksisterer, kan en trendjustering gjøres med denne teknikken, men søknaden blir litt vanskelig.
