Exemple De Prévisions Moyennes Pondérées

Moyennes mobiles pondérées: les bases Au fil des ans, les techniciens ont trouvé deux problèmes avec la moyenne mobile simple. Le premier problème réside dans le laps de temps de la moyenne mobile (MA). La plupart des analystes techniques croient que l'action prix. Le prix d'ouverture ou de clôture de l'action, ne suffit pas à dépendre de prédire correctement les signaux d'achat ou de vente de l'action de crossover MA. Pour résoudre ce problème, les analystes attribuent désormais plus de poids aux données de prix les plus récentes en utilisant la moyenne mobile exponentiellement lissée (EMA). Un exemple Par exemple, en utilisant un MA de 10 jours, un analyste prendrait le cours de clôture du 10e jour et multiplier ce nombre par 10, le neuvième jour par neuf, le huitième Jour par huit et ainsi de suite à la première de la MA. Une fois que le total a été déterminé, l'analyste divise ensuite le nombre par l'addition des multiplicateurs. Si vous ajoutez les multiplicateurs de l'exemple MA de 10 jours, le nombre est 55. Cet indicateur est connu comme la moyenne mobile pondérée linéairement. De nombreux techniciens sont convaincus de la moyenne mobile exponentiellement lissée (EMA). Cet indicateur a été expliqué de tant de manières différentes qu'il confond les étudiants et les investisseurs. Peut-être la meilleure explication vient de John J. Murphys Analyse technique des marchés financiers, (publié par le New York Institute of Finance, 1999): La moyenne mobile exponentiellement lissée répond aux deux problèmes associés à la moyenne mobile simple. Tout d'abord, la moyenne exponentiellement lissée attribue un poids plus important aux données les plus récentes. Par conséquent, il s'agit d'une moyenne mobile pondérée. Mais si elle attribue moins d'importance aux données sur les prix passés, elle inclut dans son calcul toutes les données de la vie de l'instrument. En outre, l'utilisateur peut ajuster la pondération pour donner plus ou moins de poids au prix des jours les plus récents, qui est ajouté à un pourcentage de la valeur des jours précédents. La somme des deux valeurs en pourcentage s'élève à 100. Par exemple, le prix des derniers jours pourrait être attribué à un poids de 10 (0,10), qui est ajouté au poids des jours précédents de 90 (0,90). Cela donne le dernier jour 10 de la pondération totale. Ce serait l'équivalent d'une moyenne de 20 jours, en donnant le prix des derniers jours une valeur plus petite de 5 (0,05). Figure 1: Moyenne mobile lissée exponentiellement Le graphique ci-dessus montre l'indice composé Nasdaq de la première semaine d'août 2000 au 1er juin 2001. Comme vous pouvez le voir clairement, l'EMA qui utilise les données de clôture sur un Période de neuf jours, a des signaux de vente définis le 8 septembre (marqué par une flèche vers le bas noire). C'était le jour où l'indice est passé au-dessous du niveau de 4.000. La deuxième flèche noire montre une autre jambe que les techniciens attendaient. Le Nasdaq ne pouvait pas générer assez de volume et d'intérêt des investisseurs de détail pour briser la marque de 3000. Il a ensuite plongé vers le bas de nouveau à fond à 1619,58 le 4 avril. La tendance haussière du 12 avril est marquée par une flèche. Ici, l'indice a fermé à 1,961.46, et les techniciens ont commencé à voir les gestionnaires de fonds institutionnels commencent à ramasser quelques bonnes affaires comme Cisco, Microsoft et certaines des questions liées à l'énergie. (Lisez nos articles connexes: Enveloppes moyennes mobiles: raffinage d'un outil de négociation populaire et rebond de moyenne mobile.) Exemples de calcul des prévisions A.1 Méthodes de calcul des prévisions Douze méthodes de calcul des prévisions sont disponibles. La plupart de ces méthodes permettent un contrôle limité de l'utilisateur. Par exemple, on peut spécifier le poids des données historiques récentes ou la période des données historiques utilisées dans les calculs. Les exemples suivants montrent la procédure de calcul pour chacune des méthodes de prévision disponibles, compte tenu d'un ensemble de données historiques identiques. Les exemples suivants utilisent les mêmes données de ventes pour 2004 et 2005 pour produire une prévision de ventes pour 2006. En plus du calcul de la prévision, chaque exemple inclut une prévision simulée de 2005 pour une période de retenue de trois mois (option de traitement 19 3) qui est ensuite utilisée pour le pourcentage de précision et les calculs d'écart absolu moyen (ventes réelles par rapport aux prévisions simulées). A.2 Critères d'évaluation de la performance des prévisions En fonction de votre sélection des options de traitement et des tendances et modèles existant dans les données de vente, certaines méthodes de prévision auront un meilleur rendement que d'autres pour un ensemble de données historiques donné. Une méthode de prévision appropriée pour un produit peut ne pas convenir à un autre produit. Il est également peu probable qu'une méthode de prévision fournissant de bons résultats à un stade du cycle de vie d'un produit reste appropriée tout au long du cycle de vie. Vous pouvez choisir entre deux méthodes pour évaluer les performances actuelles des méthodes de prévision. Il s'agit de l'écart absolu moyen (MAD) et du pourcentage d'exactitude (POA). Ces deux méthodes d'évaluation des performances requièrent des données de ventes historiques pour une période spécifiée par l'utilisateur. Cette période de temps est appelée période de blocage ou période de meilleur ajustement (PBF). Les données de cette période servent de base à la recommandation des méthodes de prévision à utiliser pour la projection suivante. Cette recommandation est spécifique à chaque produit et peut changer d'une génération de prévision à l'autre. Les deux méthodes d'évaluation des performances des prévisions sont illustrées dans les pages qui suivent les exemples des douze méthodes de prévision. A.3 Méthode 1 - Pourcentage spécifié au cours de l'année dernière Cette méthode multiplie les données sur les ventes de l'année précédente par un facteur spécifié par l'utilisateur, par exemple, 1,10 pour une augmentation de 10 ou 0,97 pour une diminution de 3. Historique des ventes requis: Un an pour calculer la prévision plus le nombre spécifié par l'utilisateur de périodes d'évaluation des performances de prévision (option de traitement 19). A.4.1 Calcul de prévision Gamme des historiques de ventes à utiliser pour calculer le facteur de croissance (option de traitement 2a) 3 dans cet exemple. Somme des trois derniers mois de 2005: 114 119 137 370 Somme des mêmes trois mois pour l'année précédente: 123 139 133 395 Le facteur calculé 370395 0,9367 Calculez les prévisions: Ventes de janvier 2005 128 0,9367 119,8036 ou environ 120 février 2005 ventes 117 0,9367 109,5939 ou environ 110 mars 2005 ventes 115 0,9367 107,7205 ou environ 108 A.4.2 Calcul prévisionnel simulé Somme des trois mois de 2005 avant la période d'indisponibilité (juillet, aou, sept): 129 140 131 400 Somme des mêmes trois mois pour le Année précédente: 141 128 118 387 Le facteur calculé 400387 1.033591731 Calculer la prévision simulée: Ventes d'octobre 2004 123 1.033591731 127.13178 Ventes de novembre 2004 2004 1.033591731 143.66925 Ventes de décembre 2004 133 1.033591731 137.4677 A.4.3 Pourcentage de calcul de précision POA (127.13178 143.66925 137.4677) (114 119 137) 100 408,26873 370 100 110,3429 A.4.4 Calcul de l'écart absolu moyen MAD (127,13178 - 114 143,66925 - 119 137,4677- 137) 3 (13,13178 24,66925 0,4677) 3 12,75624 A.5 Méthode 3 - Année passée à cette année Cette méthode Copie les données de ventes de l'année précédente à l'année suivante. Historique des ventes requis: Un an pour le calcul de la prévision plus le nombre de périodes spécifiées pour l'évaluation des performances de prévision (option de traitement 19). A.6.1 Calcul de prévision Nombre de périodes à inclure dans la moyenne (option de traitement 4a) 3 dans cet exemple Pour chaque mois de la prévision, moyenne des données des trois mois précédents. Prévisions de janvier: 114 119 137 370, 370 3 123.333 ou 123 Prévisions de février: 119 137 123 379, 379 3 126.333 ou 126 Prévisions de mars: 137 123 126 379, 386 3 128.667 ou 129 A.6.2 Calcul des prévisions simulées 140 131) 3 133,3333 Chiffre d'affaires en novembre 2005 (140 131 114) 3 128,3333 Chiffre d'affaires de décembre 2005 (131 114 119) 3 121,3333 A.6.3 Pourcentage de précision Calcul POA (133.3333 128.3333 121.3333) (114 119 137) 100 103.513 A.6.4 Moyenne absolue Calcul de l'écart MAD (133.3333 - 114 128.3333 - 119 121.3333 - 137) 3 14.7777 A.7 Méthode 5 - Approximation linéaire L'approximation linéaire calcule une tendance basée sur deux points de données d'historique des ventes. Ces deux points définissent une ligne de tendance droite qui est projetée dans l'avenir. Utilisez cette méthode avec prudence, car les prévisions à long terme sont exploitées par de petits changements en seulement deux points de données. Historique des ventes requis: nombre de périodes à inclure dans la régression (option de traitement 5a), plus 1 plus le nombre de périodes d'évaluation des performances de prévision (option de traitement 19). A.8.1 Calcul de la prévision Nombre de périodes à inclure dans la régression (option de traitement 6a) 3 dans cet exemple Pour chaque mois de la prévision, ajoutez l'augmentation ou la diminution pendant les périodes spécifiées avant la période de blocage de la période précédente. Moyenne des trois mois précédents (114 119 137) 3 123,333 Sommaire des trois mois précédents avec poids considéré (114 1) (119 2) (137 3) 763 Différence entre les valeurs 763 - 123.3333 (1 2 3) 23 Ratio ( 12 22 32) - 2 3 14 - 12 2 Valeur1 DifférenceRatio 232 11,5 Valeur2 Rapport moyen-valeur1 123,3333 - 11,5 2 100,3333 Prévision (1 n) valeur1 valeur2 4 11,5 100,333 146,333 ou 146 Prévision 5 11,5 100,333 157,8333 ou 158 Prévision 6 11,5 100,333 169,3333 Ou 169 A.8.2 Calcul des prévisions simulées Ventes d'octobre 2004: Moyenne des trois mois précédents (129 140 131) 3 133.3333 Sommaire des trois mois précédents avec pondération considérée (129 1) (140 2) (131 3) 802 Différence entre Valeurs1 Valeur1 DifférenceRatio 22 1 Valeur2 Ratio moyen - valeur1 133.3333 - 1 2 131.3333 Prévision (1 n) valeur1 valeur2 4 1 131.3333 135.3333 Novembre 2004 (1 2 3) 2 Ratio (12 22 32) - 2 3 14 - Moyenne des trois mois précédents (140 131 114) 3 128,3333 Sommaire des trois mois précédents avec poids considéré (140 1) (131 2) (114 3) 744 Différence entre les valeurs 744 - 128.3333 (1 2 3) -25.9999 Valeur1 DifférenceRatio -25,99992 -12,9999 Valeur2 Rapport moyen-valeur1 128,3333 - (-12,9999) 2 154,3333 Prévision 4 -12,9999 154,3333 102,3333 Chiffre d'affaires de décembre 2004 Moyenne des trois mois précédents (131 114 119) 3 121,3333 Sommaire des trois mois précédents, (131 1) (114 2) (119 3) 716 Différence entre les valeurs 716 - 121.3333 (1 2 3) -11.9999 Valeur1 DifférenceRatio -11.99992 -5.9999 Valeur2 Ratio moyen-valeur1 121.3333 - (-5.9999) 2 133.3333 Prévision 4 (- 5.9999) 133.3333 109.3333 A.8.3 Pourcentage de précision Calcul POA (135.33 102.33 109.33) (114 119 137) 100 93.78 A.8.4 Calcul de l'écart absolu moyen MAD (135.33 - 114 102.33 - 119 109.33 - 137) 3 21.88 A.9 Méthode 7 - Approximation du deuxième degré La régression linéaire détermine les valeurs de a et b dans la formule de prévision Y a bX dans le but d'ajuster une droite aux données de l'historique des ventes. Approximation du deuxième degré est similaire. Cependant, cette méthode détermine les valeurs de a, b et c dans la formule de prévision Y a bX cX2 dans le but d'ajuster une courbe aux données de l'historique des ventes. Cette méthode peut être utile lorsqu'un produit est en transition entre les étapes d'un cycle de vie. Par exemple, lorsqu'un nouveau produit passe de l'introduction aux étapes de croissance, la tendance des ventes peut s'accélérer. En raison du terme du second ordre, la prévision peut rapidement approcher l'infini ou tomber à zéro (selon que le coefficient c est positif ou négatif). Par conséquent, cette méthode n'est utile qu'à court terme. Spécifications de prévision: Les formules trouvent a, b et c pour adapter une courbe à exactement trois points. Vous spécifiez n dans l'option de traitement 7a, le nombre de périodes de données à accumuler dans chacun des trois points. Dans cet exemple n 3. Par conséquent, les données réelles sur les ventes d'avril à juin sont combinées dans le premier point, Q1. Juillet à Septembre sont ajoutés pour créer Q2, et d'Octobre à Décembre somme à Q3. La courbe sera ajustée aux trois valeurs Q1, Q2 et Q3. Historique des ventes requis: 3 n périodes de calcul de la prévision plus le nombre de périodes nécessaires pour évaluer le rendement prévu (PBF). Nombre de périodes à inclure (option de traitement 7a) 3 dans cet exemple Utiliser les mois précédents (3 n) en blocs de trois mois: T1 (avril - juin) 125 122 137 384 T2 (juillet à septembre) 129 140 131 400 Q3 (1) Q1 a bX cX2 (où X 1) abc (2) Q2 (1) Q1 a bX cX2 (où X 1) abc (2) Q2 A b b c c X 2 (où X 3) a 3b 9c Résoudre les trois équations simultanément pour trouver b, a et c: Soustraire l'équation (1) de l'équation (2) Et de résoudre pour b (2) - (1) Q2 - Q1 b 3c Remplacer cette équation pour b dans l'équation (3) (3) Q3 a 3 (Q2 - Q1) - 3c c Enfin, substituer ces équations pour a et b dans (Q1 - Q2) (Q1 - Q2) 2 La méthode d'approximation du second degré calcule a, b et c comme suit: a Q3 (Q3 - Q2) 2 (370 - 400) (384 - 400) 2 -23 b (Q2 - Q1) - 3c (Q2 - Q1) 370 - 400 - 384) - (3 -23) 85 Y a bX cX2 322 85X (-23) X2 Prévisions de janvier à mars (X4): (322 340 - 368) 3 2943 98 par période Prévision d'avril à juin (X5): (322 510 - 828) 3 1,33 ou 1 par période Octobre à décembre (X7) (322 595 - 11273 -70) A.9.2 Calcul simulé des prévisions Chiffre d 'affaires Octobre, Novembre et Décembre 2004: T1 (Jan - Mar) 360 T2 (Avril - Juin) 384 T3 (Juil - Sept) 400 a 400 - 3 (384 - 360) 328 c (400 - 384) ) -44 (384 - 360) - 3 (-4) 36 328 36 4 (-4) 163 136 A.9.3 Pourcentage de précision Calcul POA (136 136 136) (114 119 137) 100 110,27 A.9.4 Moyenne Calcul de l'écart absolu MAD (136 - 114 136 - 119 136 - 137) 3 13.33 A.10 Méthode 8 - Méthode flexible La méthode flexible (pourcentage sur n mois avant) est semblable à la méthode 1, pourcentage par rapport à l'année dernière. Les deux méthodes multiplient les données de ventes d'une période précédente par un facteur spécifié par l'utilisateur, puis projetent ce résultat dans le futur. Dans la méthode Pourcentage sur l'année dernière, la projection est basée sur les données de la même période de l'année précédente. La méthode flexible ajoute la possibilité de spécifier une période autre que la même période de l'année dernière à utiliser comme base pour les calculs. Facteur de multiplication. Par exemple, spécifiez 1.15 dans l'option de traitement 8b pour augmenter les données d'historique des ventes précédentes avant 15. Période de base. Par exemple, n 3 fera en sorte que la première prévision soit basée sur les données de vente en octobre 2005. Historique de ventes minimum: L'utilisateur a spécifié le nombre de périodes de retour à la période de base, plus le nombre de périodes nécessaires pour évaluer les performances de prévision PBF). A.10.4 Calcul moyen de l'écart absolu MAD (148 - 114 161 - 119 151 - 137) 3 30 A.11 Méthode 9 - Moyenne mobile pondérée La méthode de la moyenne mobile pondérée (WMA) est semblable à la méthode 4, Moyenne mobile (MA). Cependant, avec la moyenne mobile pondérée, vous pouvez affecter des pondérations inégales aux données historiques. La méthode calcule une moyenne pondérée de l'historique des ventes récentes pour arriver à une projection à court terme. Les données plus récentes sont habituellement attribuées à un poids plus important que les données plus anciennes, ce qui rend WMA plus sensible aux changements dans le niveau des ventes. Cependant, le biais de prévision et les erreurs systématiques se produisent toujours lorsque l'historique des ventes de produits montre une forte tendance ou des modèles saisonniers. Cette méthode fonctionne mieux pour les prévisions à court terme de produits matures plutôt que pour les produits en phase de croissance ou d'obsolescence du cycle de vie. N le nombre de périodes d'historique des ventes à utiliser dans le calcul des prévisions. Par exemple, spécifiez n 3 dans l'option de traitement 9a pour utiliser les trois périodes les plus récentes comme base pour la projection dans la période suivante. Une grande valeur pour n (telle que 12) nécessite plus d'historique des ventes. Il en résulte une prévision stable, mais sera lent à reconnaître les changements dans le niveau des ventes. D'autre part, une petite valeur pour n (comme 3) répondra plus rapidement aux variations du niveau des ventes, mais la prévision peut fluctuer si largement que la production ne peut pas répondre aux variations. Le poids attribué à chacune des périodes de données historiques. Les poids attribués doivent totaliser 1,00. Par exemple, lorsque n 3, assigner des poids de 0,6, 0,3 et 0,1, les données les plus récentes recevant le plus grand poids. Historique des ventes minimum requis: n plus le nombre de périodes nécessaires pour évaluer le rendement prévu (PBF). MAD (133,5 - 114 121,7 - 119 118,7 - 137) 3 13,5 A.12 Méthode 10 - Lissage linéaire Cette méthode est similaire à la Méthode 9, Moyenne mobile pondérée (AMM). Cependant, au lieu d'attribuer arbitrairement des pondérations aux données historiques, une formule est utilisée pour attribuer des poids qui diminuent de façon linéaire et forment une somme de 1,00. La méthode calcule ensuite une moyenne pondérée des historiques de ventes récents pour arriver à une projection à court terme. Comme c'est le cas pour toutes les techniques de prévision linéaire des moyennes mobiles, les biais de prévision et les erreurs systématiques se produisent lorsque l'historique des ventes du produit présente une forte tendance ou des modèles saisonniers. Cette méthode fonctionne mieux pour les prévisions à court terme de produits matures plutôt que pour les produits en phase de croissance ou d'obsolescence du cycle de vie. N le nombre de périodes d'historique des ventes à utiliser dans le calcul des prévisions. Ceci est spécifié dans l'option de traitement 10a. Par exemple, spécifiez n 3 dans l'option de traitement 10b pour utiliser les trois périodes les plus récentes comme base pour la projection dans la période suivante. Le système attribue automatiquement les pondérations aux données historiques qui diminuent de façon linéaire et totalisent à 1,00. Par exemple, lorsque n 3, le système attribuera des poids de 0,5, 0,3333 et 0,1, les données les plus récentes recevant le poids le plus élevé. Historique des ventes minimum requis: n plus le nombre de périodes nécessaires pour évaluer le rendement prévu (PBF). A.12.1 Calcul de prévision Nombre de périodes à inclure dans la moyenne de lissage (option de traitement 10a) 3 dans cet exemple Ratio pour une période antérieure 3 (n2 n) 2 3 (32 3) 2 36 0,5 Ratio pour deux périodes antérieures 2 (n2 n ) 2 2 (32 3) 2 26 0,3333 .. Rapport pour trois périodes antérieures 1 (n2 n) 2 1 (32 3) 2 16 0,1666 .. Prévisions de janvier: 137 0,5 119 13 114 16 127,16 ou 127 Prévision de février: 127 0,5 137 13 119 16 129 Prévisions de mars: 129 0,5 127 13 137 16 129,666 ou 130 A.12.2 Calcul simulé des prévisions Ventes d'octobre 2004 129 16 140 26 131 36 133,6666 Ventes de novembre 2004 140 16 131 26 114 36 124 Chiffre d'affaires de décembre 2004 131 16 114 26 119 36 119.3333 A.12.3 Calcul de l'écart absolu moyen MAD (133.6666 - 114 124 - 119 119.3333 - 137) Calcul de la précision APA (133.6666 124 119.3333) (114 119 137) 100 101.891 A.13 Méthode 11 - Lissage exponentiel Cette méthode est similaire à la méthode 10, Lissage linéaire. Dans Linear Smoothing, le système attribue des poids aux données historiques qui diminuent linéairement. Dans le lissage exponentiel, le système attribue des poids qui décroissent exponentiellement. L'équation de prévision de lissage exponentiel est la suivante: Prévision a (Ventes réelles antérieures) (1 - a) Prévision précédente La prévision est une moyenne pondérée des ventes réelles de la période précédente et des prévisions de la période précédente. A est le poids appliqué aux ventes réelles de la période précédente. (1-a) est le poids appliqué à la prévision pour la période précédente. Valeurs valides pour une plage de 0 à 1, et tombent généralement entre 0,1 et 0,4. La somme des poids est de 1,00. A (1-a) 1 Vous devez affecter une valeur pour la constante de lissage, a. Si vous n'attribuez pas de valeurs pour la constante de lissage, le système calcule une valeur supposée basée sur le nombre de périodes de l'historique de vente spécifié dans l'option de traitement 11a. A la constante de lissage utilisée dans le calcul de la moyenne lissée pour le niveau général ou l'ampleur des ventes. Valeurs valides pour une plage de 0 à 1. n la plage des données d'historique des ventes à inclure dans les calculs. Généralement, une année de données sur les ventes est suffisante pour estimer le niveau général des ventes. Pour cet exemple, une petite valeur pour n (n 3) a été choisie afin de réduire les calculs manuels requis pour vérifier les résultats. Le lissage exponentiel peut générer une prévision basée sur un point de données historiques. Historique des ventes minimum requis: n plus le nombre de périodes nécessaires pour évaluer le rendement prévu (PBF). A.13.1 Calcul de prévision Nombre de périodes à inclure dans la moyenne de lissage (option de traitement 11a) 3 et facteur alpha (option de traitement 11b) vide dans cet exemple un facteur pour les données de vente les plus anciennes 2 (11) ou 1 lorsque alpha est spécifié Un facteur pour les 2es données de ventes les plus anciennes 2 (12), ou alpha lorsque alpha est spécifié un facteur pour les 3es données de vente les plus anciennes 2 (13), ou alpha lorsque alpha est spécifié un facteur pour les données de ventes les plus récentes 2 (1n) , Ou alpha lorsque alpha est spécifié Novembre Sm. Moy. A (Octobre Réel) (1 - a) Octobre Sm. Moy. 1 114 0 0 114 décembre Sm. Moy. A (Novembre Actualités) (1 - a) Novembre Sm. Moy. 23 119 13 114 117.3333 Janvier Prévisions a (Décembre Actual) (1 - a) Décembre Sm. Moy. 24 137 24 117.3333 127.16665 ou 127 Février Prévisions Janvier Prévisions 127 Mars Prévisions Janvier Prévisions 127 A.13.2 Calcul simulé des prévisions Juillet 2004 Sm. Moy. 22 129 129 août Sm. Moy. 23 140 13 129 136,333 Septembre Sm. Moy. 24 131 24 136.3333 133.6666 Octobre, 2004 ventes Sep Sm. Moy. 133,6666 Août 2004 Sm. Moy. 22 140 140 septembre Sm. Moy. 23 131 13 140 134 Octobre Sm. Moy. 24 114 24 134 124 Novembre, 2004 ventes Sep Sm. Moy. 124 septembre 2004 Sm. Moy. 22 131 131 octobre Sm. Moy. 23 114 13 131 119,6666 Novembre Sm. Moy. 24 119 24 119,6666 119,333 Décembre 2004 ventes Sep Sm. Moy. 119.3333 A.13.3 Calcul du pourcentage de précision APA (133.6666 124 119.3333) (114 119 137) 100 101.891 A.13.4 Calcul de l'écart absolu moyen MAD (133.6666 - 114 124 - 119 119.3333 - 137) 3 14.1111 A.14 Méthode 12 - Lissage exponentiel Avec Tendance et Saisonnalité Cette méthode est similaire à la Méthode 11, Lissage Exponentiel en ce qu'une moyenne lissée est calculée. Cependant, la Méthode 12 comprend également un terme dans l'équation de prévision pour calculer une tendance lissée. La prévision se compose d'une moyenne lissée ajustée pour une tendance linéaire. Lorsque spécifié dans l'option de traitement, la prévision est également ajustée en fonction de la saisonnalité. A la constante de lissage utilisée dans le calcul de la moyenne lissée pour le niveau général ou l'ampleur des ventes. Les valeurs valides pour alpha varient de 0 à 1. b la constante de lissage utilisée pour calculer la moyenne lissée pour la composante de tendance de la prévision. Les valeurs valides pour la plage bêta vont de 0 à 1. Si un indice saisonnier est appliqué à la prévision a et b sont indépendants l'un de l'autre. Ils n'ont pas à ajouter à 1,0. Historique des ventes minimum requis: deux ans plus le nombre de périodes nécessaires pour évaluer le rendement prévu (PBF). La méthode 12 utilise deux équations de lissage exponentielles et une moyenne simple pour calculer une moyenne lissée, une tendance lissée et un facteur saisonnier moyen simple. A.14.1 Calcul des prévisions A) Moyenne exponentiellement lissée MAD (122.81 - 114 133.14 - 119 135.33 - 137) 3 8.2 A.15 Évaluation des prévisions Vous pouvez sélectionner des méthodes de prévision pour générer jusqu'à 12 prévisions pour chaque produit. Chaque méthode de prévision créera probablement une projection légèrement différente. Lorsque des milliers de produits sont prévus, il est peu pratique de prendre une décision subjective sur laquelle des prévisions à utiliser dans vos plans pour chacun des produits. Le système évalue automatiquement les performances pour chacune des méthodes de prévision que vous sélectionnez et pour chacun des produits prévus. Vous pouvez choisir entre deux critères de performance, l'écart absolu moyen (MAD) et le pourcentage d'exactitude (POA). MAD est une mesure de l'erreur de prévision. Le POA est une mesure du biais de prévision. Ces deux techniques d'évaluation de performance requièrent des données d'historique de ventes réelles pour une période de temps spécifiée par l'utilisateur. Cette période de l'histoire récente est appelée une période de blocage ou une période de meilleur ajustement (PBF). Pour mesurer la performance d'une méthode de prévision, utilisez les formules de prévision pour simuler une prévision pour la période de retenue historique. Il y aura généralement des différences entre les données réelles sur les ventes et les prévisions simulées pour la période d'attente. Lorsque plusieurs méthodes de prévision sont sélectionnées, ce même processus se produit pour chaque méthode. De multiples prévisions sont calculées pour la période de blocage et comparées à l'historique des ventes connu pour la même période. La méthode de prévision la plus adéquate entre les prévisions et les ventes réelles durant la période d'indisponibilité est recommandée pour vos plans. Cette recommandation est spécifique à chaque produit et peut changer d'une génération de prévision à l'autre. A.16 Ecart absolu moyen (MAD) MAD est la moyenne (ou moyenne) des valeurs absolues (ou magnitude) des écarts (ou erreurs) entre les données réelles et les prévisions. MAD est une mesure de l'ampleur moyenne des erreurs à attendre, compte tenu d'une méthode de prévision et de l'historique des données. Comme les valeurs absolues sont utilisées dans le calcul, les erreurs positives n'annulent pas les erreurs négatives. Lors de la comparaison de plusieurs méthodes de prévision, celle qui a le plus petit MAD s'est avérée la plus fiable pour ce produit pour cette période de blocage. Lorsque la prévision est impartiale et que les erreurs sont normalement distribuées, il existe une relation mathématique simple entre MAD et deux autres mesures communes de distribution, d'écart type et d'erreur quadratique moyenne: A.16.1 Pourcentage d'exactitude (POA) Une mesure du biais de prévision. Lorsque les prévisions sont constamment trop élevées, les stocks s'accumulent et les coûts d'inventaire augmentent. Lorsque les prévisions sont constamment deux faibles, les stocks sont consommés et le service à la clientèle décline. Une prévision qui est de 10 unités trop faible, puis 8 unités trop élevé, puis 2 unités trop élevées, serait une prévision impartiale. L'erreur positive de 10 est annulée par des erreurs négatives de 8 et 2. Erreur Réelle - Prévision Quand un produit peut être stocké en inventaire, et quand la prévision est impartiale, une petite quantité de stock de sécurité peut être utilisée pour amortir les erreurs. Dans cette situation, il n'est pas si important d'éliminer les erreurs de prévision que de générer des prévisions impartiales. Toutefois, dans les industries de services, la situation ci-dessus serait considérée comme trois erreurs. Le service ne disposerait pas de suffisamment de personnel au cours de la première période, puis de sursous pour les deux prochaines périodes. Dans les services, l'ampleur des erreurs de prévision est généralement plus importante que le biais prévu. La somme sur la période de blocage permet aux erreurs positives d'annuler les erreurs négatives. Lorsque le total des ventes réelles dépasse le total des ventes prévues, le ratio est supérieur à 100. Bien sûr, il est impossible d'être plus de 100 précise. Lorsqu'une prévision est impartiale, le rapport POA sera de 100. Par conséquent, il est plus souhaitable d'être précis que d'être précis. Les critères POA sélectionnent la méthode de prévision qui a un rapport POA le plus proche de 100. Le script de cette page améliore la navigation sur le contenu, mais ne modifie en rien le contenu. FORÇAGE La prévision implique la génération d'un nombre, d'un ensemble de numéros ou d'un scénario qui Correspond à un événement futur. Elle est absolument essentielle à la planification à courte et à longue portée. Par définition, une prévision est basée sur des données passées, par opposition à une prédiction, qui est plus subjective et basée sur l'instinct, l'intuition ou la conjecture. Par exemple, les nouvelles du soir donne le temps x0022forecastx0022 pas le temps x0022prediction. x0022 Peu importe, les termes de prévision et de prévision sont souvent utilisés inter-changeable. Par exemple, les définitions de la technique regressionx2014a parfois utilisée dans la prévisionx2014 stipulent généralement que son but est d'expliquer ou x0022predict. x0022 La prévision est basée sur un certain nombre d'hypothèses: Le passé se répétera. En d'autres termes, ce qui s'est passé dans le passé se reproduira à l'avenir. À mesure que l'horizon de prévisions diminue, l'exactitude des prévisions augmente. Par exemple, une prévision pour demain sera plus précise qu'une prévision pour le mois prochain une prévision pour le mois prochain sera plus précise qu'une prévision pour l'année prochaine et une prévision pour l'année prochaine sera plus précise qu'une prévision pour dix ans dans le avenir. La prévision dans l'ensemble est plus précise que la prévision des éléments individuels. Cela signifie qu'une entreprise sera en mesure de prévoir la demande totale sur l'ensemble de son spectre de produits plus précisément qu'elle ne pourra prévoir les unités de stock individuelles (SKU). Par exemple, General Motors peut prévoir plus précisément le nombre total de voitures nécessaires pour l'année prochaine que le nombre total de Chevrolet Impalas blanc avec un certain paquet option. Les prévisions sont rarement exactes. En outre, les prévisions ne sont presque jamais totalement exactes. Alors que certains sont très proches, peu sont x0022right sur l'argent. x0022 Par conséquent, il est sage d'offrir une prévision x0022range. x0022 Si l'on devait prévoir une demande de 100.000 unités pour le mois prochain, il est extrêmement peu probable que la demande serait égal à 100.000 exactement. Toutefois, une prévision de 90 000 à 110 000 fournirait une cible beaucoup plus importante pour la planification. William J. Stevenson énumère un certain nombre de caractéristiques qui sont communes à une bonne prévision: un certain degré d'exactitude doit être déterminé et déclaré de sorte que la comparaison peut être faite à d'autres prévisions. Reliablex2014La méthode de prévision devrait toujours fournir une bonne prévision si l'utilisateur doit établir un certain degré de confiance. Timelyx2014a un certain temps est nécessaire pour répondre à la prévision de sorte que l'horizon de prévision doit permettre le temps nécessaire pour apporter des changements. Facile à utiliser et comprendrex2014Les utilisateurs de la prévision doivent être confiants et à l'aise de travailler avec elle. Coût-efficace x2014le coût de la prévision ne devrait pas l'emporter sur les bénéfices tirés de la prévision. Les techniques de prévision vont du simple au très complexe. Ces techniques sont habituellement classées comme qualitatives ou quantitatives. TECHNIQUES QUALITATIVES Les techniques de prévision qualitative sont généralement plus subjectives que leurs homologues quantitatives. Les techniques qualitatives sont plus utiles aux stades antérieurs du cycle de vie du produit, alors qu'il existe moins de données passées pour être utilisées dans des méthodes quantitatives. Les méthodes qualitatives incluent la technique Delphi, la technique du groupe nominal (NGT), les avis des forces de vente, les opinions des dirigeants et les études de marché. LA TECHNIQUE DELPHI. La technique Delphi utilise un panel d'experts pour produire une prévision. Chaque expert est invité à fournir une prévision spécifique à la nécessité à portée de main. Après les prévisions initiales sont faites, chaque expert lit ce que chaque autre expert a écrit et est, bien sûr, influencé par leurs points de vue. Une prévision ultérieure est ensuite faite par chaque expert. Chaque expert lit ensuite ce que chaque autre expert a écrit et est de nouveau influencé par les perceptions des autres. Ce processus se répète jusqu'à ce que chaque expert se rapproche de l'accord sur le scénario ou les chiffres nécessaires. TECHNIQUE DU GROUPE NOMINAL. Nominal Group Technique est similaire à la technique Delphi en ce qu'elle utilise un groupe de participants, généralement des experts. Une fois que les participants ont répondu aux questions liées aux prévisions, ils classent leurs réponses par ordre d'importance relative. Ensuite, les classements sont collectés et agrégés. Finalement, le groupe devrait parvenir à un consensus sur les priorités des questions classées. OPTIONS DE FORCE DE VENTE. Le personnel de vente est souvent une bonne source d'information sur la demande future. Le directeur des ventes peut demander des commentaires de chaque vendeur et regrouper ses réponses dans une prévision composite des forces de vente. Il faut faire preuve de prudence lors de l'utilisation de cette technique car les membres de la force de vente peuvent ne pas être en mesure de distinguer ce que les clients disent et ce qu'ils font réellement. De plus, si les prévisions servent à établir des quotas de vente, la force de vente peut être tentée de fournir des estimations moins élevées. OPINIONS EXECUTIFS. Parfois, les cadres supérieurs se rencontrent et élaborent des prévisions basées sur leur connaissance de leurs domaines de responsabilité. C'est ce que l'on appelle parfois un jury d'opinion exécutive. ÉTUDE DE MARCHÉ. Dans les études de marché, des enquêtes auprès des consommateurs sont utilisées pour établir la demande potentielle. Cette recherche marketing implique habituellement la construction d'un questionnaire qui sollicite des renseignements personnels, démographiques, économiques et de marketing. À l'occasion, les chercheurs de marché recueillent ces informations en personne dans les points de vente au détail et les centres commerciaux, où le consommateur peut expérimenter, sentir, sentir et voir un produit particulier. Le chercheur doit veiller à ce que l'échantillon des personnes interrogées soit représentatif de la cible de consommation souhaitée. TECHNIQUES QUANTITATIVES Les techniques de prévision quantitative sont généralement plus objectives que leurs homologues qualitatifs. Les prévisions quantitatives peuvent être des prévisions de séries temporelles (c'est-à-dire une projection du passé dans le futur) ou des prévisions fondées sur des modèles associatifs (c'est-à-dire sur une ou plusieurs variables explicatives). Les données de séries chronologiques peuvent avoir des comportements sous-jacents qui doivent être identifiés par le prévisionniste. En outre, les prévisions peuvent avoir besoin d'identifier les causes du comportement. Certains de ces comportements peuvent être des modèles ou des variations simplement aléatoires. Parmi les modèles sont: Tendances, qui sont des mouvements à long terme (vers le haut ou vers le bas) dans les données. La saisonnalité, qui produit des variations à court terme qui sont habituellement liées à la période de l'année, du mois ou même un jour particulier, comme en témoignent les ventes au détail à Noël ou les hausses de l'activité bancaire le premier du mois et le vendredi. Cycles, qui sont des variations ondulatoires qui durent plus d'un an qui sont généralement liés à des conditions économiques ou politiques. Des variations irrégulières qui ne reflètent pas un comportement typique, comme une période de temps extrême ou une grève syndicale. Variations aléatoires, qui englobent tous les comportements non typiques non pris en compte par les autres classifications. Parmi les modèles de séries chronologiques, la plus simple est la prévision naxEFve. Une prévision naxEFve utilise simplement la demande réelle pour la période passée comme la demande prévue pour la période suivante. Ceci, bien sûr, fait l'hypothèse que le passé se répètera. Il suppose également que les tendances, la saisonnalité ou les cycles sont soit reflétés dans la demande de la période précédente ou n'existent pas. Un exemple de prévision naxEFve est présenté dans le Tableau 1. Tableau 1 Prévision NaxEFve Une autre technique simple est l'utilisation de la moyenne. Pour faire une prévision en utilisant la moyenne, on prend simplement la moyenne d'un certain nombre de périodes de données passées en additionnant chaque période et en divisant le résultat par le nombre de périodes. Cette technique s'est avérée très efficace pour les prévisions à courte portée. Les variations de la moyenne comprennent la moyenne mobile, la moyenne pondérée et la moyenne mobile pondérée. Une moyenne mobile prend un nombre prédéterminé de périodes, additionne leur demande réelle et divise par le nombre de périodes pour atteindre une prévision. Pour chaque période subséquente, la période la plus ancienne de données diminue et la période la plus récente est ajoutée. En supposant une moyenne mobile de trois mois et en utilisant les données du tableau 1, on ajouterait simplement 45 (janvier), 60 (février) et 72 (mars) et diviser par trois pour arriver à une prévision pour avril: 45 60 72 177 X00F7 3 59 Pour arriver à une prévision pour mai, on diminue la demande de janvier de l'équation et ajoute la demande à partir d'avril. Le tableau 2 présente un exemple de prévision moyenne mobile sur trois mois. Tableau 2 Moyenne mobile de trois mois Prévision de la demande réelle (000x0027s) Une moyenne pondérée applique un poids prédéterminé à chaque mois de données antérieures, additionne les données passées de chaque période et les divise par le total des pondérations. Si le prévisionniste ajuste les poids de sorte que leur somme soit égale à 1, les poids sont multipliés par la demande réelle de chaque période applicable. Les résultats sont ensuite additionnés pour obtenir une prévision pondérée. Généralement, plus les données sont récentes, plus le poids est élevé et plus les données sont longues, plus le poids est faible. En utilisant l'exemple de la demande, une moyenne pondérée utilisant des poids de 0,4. 3. 2 et .1 donneraient la prévision pour juin: 60 (.1) 72 (.2) 58 (.3) 40 (.4) 53.8 Les prévisionnistes peuvent également utiliser une combinaison des prévisions moyennes pondérées et des moyennes mobiles . Une prévision moyenne mobile pondérée attribue des pondérations à un nombre prédéterminé de périodes de données réelles et calcule la prévision de la même manière que décrit ci-dessus. Comme pour toutes les prévisions mobiles, à mesure que chaque nouvelle période est ajoutée, les données de la période la plus ancienne sont rejetées. Le tableau 3 présente une moyenne mobile pondérée de trois mois en utilisant les pondérations .5. 3 et .2. Une forme plus complexe de moyenne mobile pondérée est lissage exponentiel, ainsi nommé parce que le poids diminue exponentiellement à mesure que les données vieillissent. Le lissage exponentiel prend la prévision précédente de la période x0027 et la règle par une constante de lissage prédéterminée, x03AC (appelée alpha la valeur pour alpha est inférieure à un) multipliée par la différence dans la prévision précédente et la demande effectivement survenue au cours de la période prévisionnelle Erreur de prévision). Le lissage exponentiel est exprimé comme suit: Prévision précédente prévision précédente alpha (demande réelle x2212 prévision précédente) FF x03AC (A x 2212 F) Le lissage exponentiel nécessite que le prévisionniste commence la prévision dans une période passée et travaille à la période pour laquelle un courant Prévision est nécessaire. Une quantité importante de données passées et une prévision initiale ou initiale sont également nécessaires. La prévision initiale peut être une prévision réelle d'une période précédente, la demande réelle d'une période précédente, ou elle peut être estimée en faisant la moyenne de tout ou partie des données passées. Certaines heuristiques existent pour calculer une prévision initiale. Par exemple, l'heuristique N (2xF7 x03AC) x2212 1 et un alpha de 0,5 produiraient un N de 3, indiquant que l'utilisateur serait en moyenne les trois premières périodes de données pour obtenir une prévision initiale. Cependant, la précision de la prévision initiale n'est pas critique si on utilise de grandes quantités de données, puisque le lissage exponentiel est x0022 self-correcting. x0022 Étant donné suffisamment de périodes de données passées, le lissage exponentiel finira par apporter des corrections suffisantes pour compenser une initialisation raisonnablement inexacte prévoir. En utilisant les données utilisées dans d'autres exemples, une prévision initiale de 50 et un alpha de .7, une prévision pour février est calculée comme suit: Nouvelle prévision (février) 50 .7 (45 x2212 50) 41.5 Ensuite, la prévision pour mars : Nouvelle prévision (mars) 41.5 .7 (60 x2212 41.5) 54.45 Ce processus se poursuit jusqu'à ce que le prévisionniste atteigne la période désirée. Dans le tableau 4, ce serait pour le mois de juin, puisque la demande réelle de juin n'est pas connue. Demande réelle (000x0027s) Une extension de lissage exponentiel peut être utilisée lorsque les données de séries chronologiques présentent une tendance linéaire. Cette méthode est connue sous plusieurs noms: lissage doux tendanciel ajusté exponentielle lissage prévision, y compris la tendance (FIT) et Holtx0027s modèle. Sans ajustement, les résultats de lissage exponentiel simple retardent la tendance, c'est-à-dire que la prévision sera toujours faible si la tendance augmente, ou élevée si la tendance est en baisse. Avec ce modèle, il existe deux constantes de lissage, x03AC et x03B2 avec x03B2 représentant la composante de tendance. Une extension du modèle Holtx0027s, appelée méthode Holt-Winterx0027s, tient compte à la fois de la tendance et de la saisonnalité. Il existe deux versions, multiplicative et additive, avec le multiplicatif étant le plus largement utilisé. Dans le modèle additif, la saisonnalité est exprimée en quantité à ajouter ou à soustraire de la moyenne de la série. Le modèle multiplicatif exprime la saisonnalité en tant que pourcentage x2014 connu sous le nom de parenté saisonnière ou d'indice saisonnier x2014 de la moyenne (ou de la tendance). Ceux-ci sont multipliés multiplié par les valeurs afin d'intégrer la saisonnalité. Un parent de 0,8 indiquerait une demande qui est de 80 pour cent de la moyenne, alors que 1,10 indique une demande qui est de 10 pour cent au-dessus de la moyenne. Des informations détaillées sur cette méthode peuvent être trouvées dans la plupart des manuels de gestion des opérations ou dans un certain nombre de livres sur les prévisions. Les techniques associatives ou causales impliquent l'identification de variables qui peuvent être utilisées pour prédire une autre variable d'intérêt. Par exemple, les taux d'intérêt peuvent être utilisés pour prévoir la demande de refinancement à domicile. Typiquement, cela implique l'utilisation d'une régression linéaire, où l'objectif est de développer une équation qui résume les effets des variables prédictives (indépendantes) sur la variable (dépendante) prévue. Si la variable prédictive était tracée, l'objet serait d'obtenir une équation de droite qui minimise la somme des écarts carrés de la droite (avec écart étant la distance de chaque point à la droite). L'équation se présente comme: ya bx, où y est la variable prédite (dépendante), x est la variable prédictive (indépendante), b est la pente de la droite et a est égale à la hauteur de la droite à l'axe y - intercepter. Une fois l'équation déterminée, l'utilisateur peut insérer des valeurs courantes pour que la variable prédictive (indépendante) arrive à une prévision (variable dépendante). S'il existe plus d'une variable prédictive ou si la relation entre le prédicteur et la prévision n'est pas linéaire, la régression linéaire simple sera insuffisante. Pour les situations à prédicteurs multiples, une régression multiple doit être employée, tandis que les relations non linéaires appellent à l'utilisation de la régression curviligne. PRÉVISION ÉCONOMÉTRIQUE Les méthodes économétriques, comme le modèle de la moyenne mobile autorégressive (ARIMA), utilisent des équations mathématiques complexes pour montrer les relations passées entre la demande et les variables qui influencent la demande. Une équation est dérivée, puis testée et affinée pour s'assurer qu'elle est aussi fiable qu'une représentation de la relation passée que possible. Une fois cela fait, les valeurs projetées des variables d'influence (revenu, prix, etc.) sont insérées dans l'équation pour faire une prévision. EVALUATION DES PREVISIONS La précision des prévisions peut être déterminée en calculant le biais, l'écart absolu moyen (MAD), l'erreur quadratique moyenne (MSE) ou l'erreur de pourcentage absolue moyenne (MAPE) pour la prévision en utilisant différentes valeurs pour alpha. Bias est la somme des erreurs de prévision x2211 (FE). Pour l'exemple de lissage exponentiel ci-dessus, le biais calculé serait: (60x2212 41.5) (72x2212 54.45) (58x2212 66.74) (40 x2212 60.62) 6.69 Si l'on suppose qu'un faible biais indique une erreur globale de prévision basse, on pourrait Calculer le biais pour un certain nombre de valeurs potentielles d'alpha et supposer que celui avec le plus faible biais serait le plus précis. Il faut cependant faire preuve de prudence en ce sens que les prévisions faussement inexactes risquent de donner un faible biais si elles sont à la fois supérieures aux prévisions et aux prévisions (négatives et positives). Par exemple, sur une période de trois périodes, une entreprise peut utiliser une valeur particulière de alpha pour dépasser les prévisions de 75.000 unités (x221275.000), sous prévisions de 100.000 unités (100.000), puis sur les prévisions de 25.000 unités (x221225.000), ce qui donne Un biais de zéro (x221275000 100 000 x 2212 25 000 0). Par comparaison, un autre alpha produisant plus de 2 000 unités, 1 000 unités et 3 000 unités entraînerait un biais de 5 000 unités. Si la demande normale était de 100 000 unités par période, la première alpha donnerait des prévisions qui étaient en baisse de 100% alors que la seconde alpha serait désactivée d'un maximum de seulement 3%, même si le biais dans la première prévision était nul. Une mesure plus sûre de l'exactitude des prévisions est l'écart absolu moyen (MAD). Pour calculer le MAD, le prévisionniste additionne la valeur absolue des erreurs de prévision puis divise par le nombre de prévisions (x2211 FE x00F7 N). En prenant la valeur absolue des erreurs de prévision, la compensation des valeurs positives et négatives est évitée. Cela signifie que la surestimation de 50 et la sous-estimation de 50 sont désactivées de 50. En utilisant les données de l'exemple de lissage exponentiel, MAD peut être calculé comme suit: (60 x 2212 41,5 72 x2212 54,45 58 x2212 66,74 40 x2212 60,62) X00F7 4 16.35 Par conséquent, le prévisionniste est en moyenne de 16,35 unités par prévision. Comparé au résultat d'autres alphas, le prévisionniste saura que l'alpha avec le plus faible MAD donne les prévisions les plus précises. L'erreur quadratique moyenne (MSE) peut également être utilisée de la même manière. MSE est la somme des erreurs de prévision au carré divisée par N-1 (x2211 (FE)) x00F7 (N-1). La quadrature des erreurs de prévision élimine la possibilité de compenser des nombres négatifs, car aucun des résultats ne peut être négatif. En utilisant les mêmes données que ci-dessus, le MSE serait: (18.5) (17.55) (x22128.74) (x221220.62) x00F7 3 383.94 Comme avec MAD, le prévisionniste peut comparer les MSE des prévisions dérivées en utilisant différentes valeurs de alpha et Supposons que l'alpha avec le plus faible MSE donne les prévisions les plus précises. L'erreur moyenne en pourcentage absolue (MAPE) est l'erreur moyenne en pourcentage absolue. Pour arriver à la MAPE, il faut prendre la somme des rapports entre l'erreur de prévision et les temps réels de demande 100 (pour obtenir le pourcentage) et diviser par N (x2211 Demande réelle x2212 prévision x00F7 Demande réelle) xD7 100 x00F7 N. En utilisant les données de L'exemple de lissage exponentiel, MAPE peut être calculé comme suit: (18.560 17.5572 8.7458 20.6248) xD7 100 x00F7 4 28.33 Comme pour MAD et MSE, plus l'erreur relative est faible, plus la prévision est précise. Il convient de noter que dans certains cas, la capacité de la prévision à changer rapidement pour répondre aux changements dans les modèles de données est considérée comme plus importante que la précision. Par conséquent, onex0027s choix de la méthode de prévision devrait refléter l'équilibre relatif de l'importance entre l'exactitude et la réactivité, tel que déterminé par le prévisionniste. FAIRE DES PREVISIONS William J. Stevenson énumère les étapes suivantes dans le processus de prévision: Déterminez le but de forecastx0027s. Les facteurs tels que la façon dont et quand la prévision sera utilisée, le degré de précision requis et le niveau de détail souhaité déterminent le coût (temps, argent, employés) qui peut être consacré à la prévision et le type de méthode de prévision à utiliser . Établir un horizon temporel. Cela se produit après que l'on ait déterminé le but de la prévision. Les prévisions à plus long terme exigent des horizons plus longs et vice versa. La précision est à nouveau une considération. Sélectionnez une technique de prévision. La technique choisie dépend du but de la prévision, de l'horizon temporel souhaité et du coût autorisé. Rassembler et analyser des données. La quantité et le type de données nécessaires sont régis par le but de la prévision, la technique de prévision choisie et toute considération de coût. Faire la prévision. Surveiller les prévisions. Évaluer la performance de la prévision et la modifier si nécessaire. LECTURE COMPLÉMENTAIRE: Finch, Byron J. Opérations maintenant: Rentabilité, Processus, Performance. 2 ed. Boston: McGraw-Hill Irwin, 2006. Green, William H. Analyse économétrique. 5 ed. Upper Saddle River, NJ: Prentice Hall, 2003. Joppe, Dr Marion. X0022La technique du groupe nominal. x0022 Le processus de recherche. Disponible chez x003C ryerson. ca Stevenson, William J. Gestion des opérations. 8 ed. Boston: McGraw-Hill Irwin, 2005. Lire aussi l'article sur la prévision de Wikipedia