Statistiske Fremskrivningsmetoder

Forskellige statistiske prognosemetoder findes designet til brug med langsomme produkter, nye produkt introduktioner, stabile modne produkter og produkter med uregelmæssig efterspørgsel. Fastlæggelse af hvilken statistisk prognose metode fungerer bedst for et produkt koger ofte ned til forsøg og fejl. På grund af forvirringen omkring den eller de metoder, der skal anvendes, bringer nogle virksomheder ind i prognosticeringseksperter for at hjælpe med at analysere data og bestemme, hvor de skal starte prognoseprocessen.

Grundlæggende

Når et firma anvender statistiske salgsforudsigelsesteknikker, bruger den sine historiske salgs- eller efterspørgselsdata til at forsøge at forudsige fremtidige salg. På grund af de komplekse matematiske formler, der bruges til at oprette prognosen, er de fleste virksomheder afhængige af avanceret software til at udføre denne opgave. Hver type efterspørgsel kræver en anden statistisk metode, der bedst forudsiger den fremtidige prognose.

Sæsonmodeller

Der findes en række sæsonbestemte prognosemetoder. Sæsonbestemte prognosemetoder, f.eks. Box Jenkins, Census X-11, Decomposition og Holt Winters eksponentielle udjævningsmodeller, bruger alle sæsonbestanddele i en efterspørgselsprofil for produkter som et vigtigt input til bestemmelse af fremtidige prognoser. Sæsonbestemmelse repræsenterer en tendens, der gentages i bestemte perioder. For eksempel viser spisebordene høj sæsonbestemt efterspørgsel i månederne frem til Thanksgiving og jul.

Enkle modeller

Virksomheder, der ikke har avanceret prognose-software, er ofte afhængige af simple prognosemodeller, der forvaltes i et regneark. Nogle af disse metoder omfatter Holts dobbelte eksponentielle udjævning; adaptiv eksponentiel udjævning, vægtet glidende gennemsnit og den meget almindelige glidende gennemsnitlige metode. Selvom en nem at bruge model, undlader den glidende gennemsnitlige metode at advare en virksomhed til fremtidige trends i en produkts data. Det glidende gennemsnit viser kun de allerede dannede tendenser. Hver gang en ny periode tilføjes til den glidende gennemsnitsformel, fjernes den sidste periode, så hele tidsserien "bevæger" frem i en periode.

Nye produktmodeller

Forudsigelse af nye produkter er fortsat en af ​​de hårdeste prognoseopgaver, der er til rådighed. Ny produktforudsigelse kræver input fra menneskelige og computergenererede kilder. Nye produktprognosemetoder, som Gompertz-kurve og Probit-kurve, søger at klare den høje rampe-periode i forbindelse med en ny produktindledning. Disse metoder arbejder også for modne produkter, der nærmer sig slutningen af ​​deres livscyklus.

Langsomt bevægende modeller

Produkter, der udviser langsom efterspørgsel eller sporadisk efterspørgsel kræver en bestemt type statistisk prognosemodel. Crostons Intermitterende model arbejder for produkter med uregelmæssig efterspørgsel. Produkter med uregelmæssig efterspørgsel udviser ikke en sæsonbestemt komponent; i stedet viser en graf trukket af de produkter, der efterspørger attributter toppe og flade perioder på intermitterende punkter langs tidsserien. Målet med Crostons model er at levere en værdipapirlager i stedet for en prognoseværdi. Sikkerhedsbeholdningsværdien giver mulighed for lige nok varebeholdninger til at dække behovene.