analys excel 2007 prognoslagernivåer med glidande medelvärde

Använda FORECAST-funktionen i Excel (och Open Office Calc) kopiera upphovsrätt. Innehållet på InventoryOps är upphovsrättsskyddat och är inte tillgängligt för republicering. Låt mig börja med att säga att Excels Forecast Function är inte ett komplett inventeringssystem. Prognoser i lagerhantering innebär i allmänhet att avlägsna ljud från efterfrågan, sedan beräkna och införliva trender, säsongsmässighet och händelser. Prognosfunktionen kommer inte att göra alla dessa saker för dig (tekniskt kan det, men det finns bättre sätt att uppnå några av dessa). Men det är en snygg liten funktion som är lätt att använda, och det kan säkert vara en del av ditt prognossystem. Enligt Microsoft Hjälp på prognosfunktionen. Funktionen FORECAST (x, knownys, knownxs) returnerar det förutspådda värdet av den beroende variabeln (representerad i data av knownys) för det specifika värdet x av den oberoende variabeln (representerad i data enligt knownxs) genom att använda en bästa passform (minsta kvadrater) linjär regression för att förutsäga y-värden från x-värden. Så vad betyder detta linjärt regression är en form av regressionsanalys och kan användas för att beräkna ett matematiskt förhållande mellan två (eller flera) datasatser. I prognoser skulle du använda detta om du trodde att en uppsättning data skulle kunna användas för att förutsäga en annan uppsättning data. Om du till exempel säljer byggmaterial kan du konstatera att räntesatserna kan användas för att förutsäga försäljningen av dina produkter. Detta är ett klassiskt exempel på att använda regression för att beräkna ett förhållande mellan en extern variabel (räntor) och en intern variabel (din försäljning). Men som vi kommer se senare kan du också använda regression för att beräkna ett förhållande inom samma uppsättning data. En typisk inställning till regressionsanalys innebär att man använder regression för att bestämma det matematiska förhållandet, men också för att ge dig en uppfattning om hur giltigt det förhållandet är (det vill säga analysdelen). Prognosfunktionen hoppar över analysen, och beräknar bara ett förhållande och applicerar det automatiskt på din produktion. Detta gör det lättare för användaren, men det förutsätter att ditt förhållande är giltigt. Såsom väsentligen använder prognosfunktionen linjär regression för att förutsäga ett värde baserat på en relation mellan två uppsättningar data. Låt oss se några exempel. I Figur 1A har vi ett kalkylblad som innehåller den genomsnittliga räntan under de föregående 4 åren och enhetsförsäljningen under samma 4-åriga period. Vi visar också en beräknad räntesats för det femte året. Vi kan se i exemplet att försäljningen av våra enheter går upp i takt med att räntorna kommer ner och sänks när räntorna går upp. Om vi ​​bara tittar på exemplet kan vi förmodligen gissa att vår försäljning för år 5 skulle vara någonstans mellan 5000 och 6000 baserat på det observerade sambandet mellan räntor och försäljning under tidigare perioder. Vi kan använda prognosfunktionen för att exakt kvantifiera detta förhållande och tillämpa det på 5: e året. I figur 1B kan du se prognosfunktionen appliceras. I detta fall är formeln i cell F4 FORECAST (F2, B3: E3, B2: E2). Vad vi har inom parentes är känt som ett argument. Ett argument är egentligen bara ett sätt att överföra parametrar till den funktion som används (i detta fall prognosfunktionen). Varje parameter är åtskild med ett komma. För att Prognosfunktionen ska kunna fungera måste den veta det värde vi använder för att förutsäga vår produktion (vår 5 års försäljning). I vårt fall är parametern (vårårsräntan) i cell F2, så det första elementet i vårt argument är F2. Därefter måste den veta var den kan hitta de befintliga värden som den kommer att använda för att bestämma förhållandet som ska tillämpas på F2. Först måste vi ange cellerna som representerar värdena för vår beroende variabel. I vårt fall skulle detta vara våra enheter som sålts under de senaste 4 åren, därför går vi in ​​i B3: E3. Då måste vi ange cellerna som representerar värdena för vår prediktorvariabel. I vårt fall skulle detta vara räntorna under de föregående 4 åren, därför går vi in ​​i B2: E2). Prognosfunktionen kan nu jämföra de enheter som såldes under åren 1 till 4 till räntorna under samma år och sedan tillämpa det förhållandet till vår beräknade år 5 räntesats för att få vår prognostiserade försäljning för år 5 av 5 654 enheter. I det föregående exemplet kan vi titta på graferna för att försöka visualisera förhållandet. Vid första anblicken kanske det inte ser så uppenbart ut eftersom vi har ett inverterat förhållande (försäljningen går UP när räntorna går ner), men om du mentalt vred en av graferna ser du ett mycket tydligt förhållande. Det är en av de coola sakerna om prognosfunktionen (och regressionsanalys). Det kan enkelt hantera ett omvänd förhållande. kopiera upphovsrätt. Innehållet på InventoryOps är upphovsrättsskyddat och är inte tillgängligt för republicering. Nu kan vi titta på ett annat exempel. I Figur 2A ser vi en ny uppsättning data. I det här exemplet har våra räntor stigit upp och ned under de föregående 4 åren, men vår enhetssalget uppvisade en konsekvent uppåtgående trend. Även om det är möjligt att räntorna hade någon inverkan på vår försäljning i det här exemplet är det uppenbart att det finns mycket mer betydande faktorer att spela här. Genom att använda vår prognosfunktion med dessa data returnerar vi en prognos på 7 118 enheter för år 5. Jag tror att de flesta av oss skulle titta på vår försäljningsutveckling och är överens om att det är mycket mer troligt att vår försäljning för år 5 skulle vara 9 000 enheter. Som jag tidigare nämnde förutsätter prognosfunktionen att förhållandet är giltigt, därför producerar det produktionen baserat på den bästa passformen som den kan utgå från data som ges till den. Med andra ord, om vi säger det finns ett förhållande, tror vi på oss och producerar produktionen i enlighet därmed utan att ge oss ett felmeddelande eller någon signal som skulle innebära att förhållandet är mycket dåligt. Så var försiktig med vad du ber om. De tidigare exemplen omfattade den klassiska tillämpningen av regression till prognoser. Medan allt detta låter ganska smidigt, är denna klassiska tillämpning av regression inte lika användbar som du kanske tror (du kan kolla in min bok för mer information om regression och varför det kanske inte är ett bra val för dina prognosbehov). Men nu kan vi använda prognosfunktionen för att enkelt identifiera trenden inom en viss uppsättning data. Låt oss börja med att se på Figur 3A. Här har vi efterfrågan med en mycket uppenbar trend. De flesta av oss borde kunna titta på dessa data och känna sig bekväma och förutsäga att efterfrågan i period 7 sannolikt kommer att bli 60 enheter. Men om du körde dessa data genom de typiska prognostiseringsberäkningarna som används i lagerhanteringen kan du bli förvånad över hur dåliga många av dessa beräkningar är för redovisning av trenden. Eftersom prognosfunktionen kräver att vi matar in en beroende variabel och en prediktorvariabel, hur går vi med att använda prognosfunktionen om vi bara har en uppsättning data, men det är tekniskt sant att vi har en enda uppsättning data (vår efterfrågan historia), vi faktiskt har en relation som händer inom denna uppsättning data. I det här fallet är vårt förhållande tidsbaserat. Därför kan vi använda varje perioder efterfrågan som en prediktorvariabel för följande perioder efterfrågan. Så vi behöver bara berätta prognosfunktionen för att använda efterfrågan i period 1 till 5 som existerande data för prediktorvariabeln och använda efterfrågan i period 2 till 6 som existerande data för den beroende variabeln. Berätta sedan för att tillämpa detta förhållande på efterfrågan i period 6 för att beräkna vår prognos för period 7. Du kan se i Figur 3B, vår formel i Cell I3 är FORECAST (H2, C2: H2, B2: G2). och det ger en prognos på 60 enheter. Självklart är detta exempel inte realistiskt eftersom efterfrågan är alltför snygg (inget ljud). Så vi kan se på Figur 3C där vi tillämpar samma beräkning till några mer realistiska data. Jag vill bara återställa, att medan prognosfunktionen är användbar, är det inte ett prognossystem. Jag föredrar oftast att ha lite mer kontroll över exakt hur jag tillämpar och utökar trender till min prognos. Dessutom vill du först ta bort alla andra delar av din efterfrågan som inte är relaterade till din basbehov och trend. Du skulle till exempel vilja ta bort eventuella effekter av säsongsmässiga händelser (t. ex. kampanjer) från din efterfrågan innan du tillämpar prognosfunktionen. Du skulle då tillämpa ditt säsongsindex och eventuella händelseindex till outputen av prognosfunktionen. Du kan också spela runt med dina ingångar för att få ett visst önskat resultat. Du kan till exempel försöka först utjämna din efterfrågest History (genom ett glidande medelvärde, viktat glidande medelvärde eller exponentiell utjämning), och med hjälp av det är prediktorvariabeln istället för den råa efterfrågan. För mer information om prognoser, kolla in min bok Inventory Management Explained. Använda prognosfunktionen i Open Office Calc. För användare av Openoffice. org Calc. Prognosfunktionen fungerar i stort sett densamma som i Excel. Det finns emellertid en liten skillnad i den syntak som används i Calc. Varhelst du skulle använda ett komma i ett argument i en Excel-funktion, skulle du istället använda en semikolon i Calc. Så istället för Excel-formuläret skulle du gå till Gå till artikelsidan för fler artiklar av Dave Piasecki. kopiera upphovsrätt. Innehållet på InventoryOps är upphovsrättsskyddat och är inte tillgängligt för republicering. Dave Piasecki. är ägare av Inventory Operations Consulting LLC. ett konsultföretag som tillhandahåller tjänster relaterade till lagerhantering, materialhantering och lagerverksamhet. Han har över 25 års erfarenhet av verksamhetshantering och kan nås via sin hemsida (inventarier), där han behåller ytterligare relevant information. My Business Inventory Operations Consulting LLC ger snabb, prisvärd, expertassistent med lagerhantering och lageroperationer. My BooksSmall Business Hur man flyttar medeltal i Excel 2010 Flytta genomsnittsvärden förutsäger framtida värden. Hemera TechnologiesAbleStockGetty Images Microsoft Excel 2010s AVERAGE-funktionen beräknar ett seriöst aritmetiskt medelvärde, vilket är summan dividerat med antalet poster i serien. När varje nummer i serien är annorlunda ändras genomsnittet med varje nytt dataobjekt. Detta utgör en sekundär serie som spårar det ursprungliga seriess glidande medlet. Det rörliga genomsnittet avslöjar trender inom data. Om ett kalkylblad exempelvis spårar dina affärer, ändrar behållaren, kan det rörliga försäljningsgenomsnittet hjälpa dig att bestämma dina ideala inventeringsnivåer i slutet av varje månad. 1. Klicka på quotFilequot på Excels Ribbon. 2. Klicka på quotOptionsquot till vänster på skärmen för att öppna fönstret Excel-alternativ. 3. Klicka på quotAdd-Insquot i Windows-rutan. 4. Klicka på knappen labeled quotGoquot bredvid listrutan märkt quotExcel Add-insquot för att öppna Add-Ins-fönstret. 5. Markera rutan märkt quotAnalysis ToolPak. quot Klicka på quotOK. quot 6. Klicka på quotDataquot på Excels Ribbon. 7. Klicka på quotData Analysisquot i analysgruppen för att öppna dataanalysfönstret. 8. Välj quotMoving Averagequot i fönstret Data Analysis. Klicka på quotOKquot för att öppna fönstret quotMoving Averagequot. 9. Klicka på knappen i textrutan med etiketten quotInput Range. quot Klicka och välj de data vars rörliga medelvärde du vill ha Excel att hitta. 10. Klicka på knappen i textrutan med etiketten quotOutput Range. quot Klicka och välj de celler där du vill att de glidande medelvärdena ska visas. 11. Ange ett värde i textrutan märkt quotInterval. quot Detta värde beskriver antalet siffror som varje genomsnitt måste överväga. Om till exempel, om varje genomsnitt måste beräkna de föregående tre siffrorna, anger du quot3.quot 12. Klicka på quotOK. quot Excel kommer att infoga seriess moving average. Om författaren Ryan Menezes är en professionell författare och bloggare. Han har en kandidatexamen i journalistik från Boston University och har skrivit för American Civil Liberties Union, marknadsföringsföretaget InSegment och Project Management Service Assembla. Han är också medlem i Mensa och den amerikanska parlamentariska debattföreningen. Foto krediter Hemera TechnologiesAbleStockGetty Images Relaterade sökningar Fler artiklar Grafik Hur man gör en graf på Excel med ett kumulativt medelvärde kalkylblad Så här skapar du ett kalkylblad med datum över den översta y-axen Hur man lägger till en andra y-axel på Excel Gör en andra serie på Slutet på diagramgrafen Hur gör du en tvåsidig graf i Excel Se också Lokal US-amp World Sports Business Underhållning Livsstil Jobb Bilar Fastigheter Annonsera med oss ​​Köpannonser för webb, sociala medier och skriv ut via Hearst Media Services Placera en klassificering annons i papperet eller på nätet Placera en riktade annons i en specialitet som en veckovis eller grannskapspublikation Abonnenttjänster Kontakta oss Utgåvor amp Apps Följ Chronkopia Copyright 2017 Hearst Newspapers, LLCExcel Försäljningsprognoser för Dummies Cheat Sheet När du börjar lära dig prognoser, it8217s är ofta en bra idé att luta sig på Excel-verktygen i additionsdatan Data Analysis. Men deras räckvidd är ganska begränsad och för länge kommer du sannolikt att hitta dig själv att utnyttja Excel8217s arbetsbladsfunktioner direkt. När du hittar dig själv med all inferensiell statistik som följer med LINEST-funktionen, vet du att it8217s är dags att lägga ut din baslinje för en formell prognos. 6 Inmatningsverktyg för Excel-data Analysverktyget Data Analysis-tillägget, tidigare kallat Analysis ToolPak, matar in formulär för dina räkenskaper så att du kan koncentrera dig på what8217s pågår med dina data. Den har tre olika verktyg som är direkt användbara vid prognoser rörande medelvärde, exponentiell utjämning och regression samt flera andra som kan vara till hjälp. Här är en lista över några av de verktyg som ingår i tillägget Data Analysis. Det finns faktiskt tre olika ANOVA-verktyg. Ingen är särskilt användbar för prognoser, men varje verktyg kan hjälpa dig att förstå dataset som ligger till grund för din prognos. ANOVA-verktygen hjälper dig att skilja mellan exempel, till exempel, gör människor som bor i Tennessee som ett visst bilmärke bättre än dem som bor i Vermont. Det här verktyget är viktigt, oavsett vilken metod du använder för att skapa en prognos. Om du har mer än en variabel kan det berätta hur starkt de två variablerna är relaterade (plus eller minus 1,0 är stark, 0,0 betyder inget förhållande). Om du bara har en variabel kan det berätta hur stark en tidsperiod är relaterad till en annan. Använd verktyget Beskrivande statistik för att ta hand om saker som genomsnittet och standardavvikelsen för dina data. Att förstå dessa grundläggande statistik är viktigt så att du vet vad som händer med dina prognoser. Detta verktygsnamn låter obehagligt och skrämmande, vilket verktyget inte är. När du bara har en variabel något som försäljningsintäkter eller enhetsförsäljning, ser du till ett tidigare faktiskt värde för att förutsäga nästa (kanske föregående månad eller samma månad året innan). Allt detta verktyg gör är att justera nästa prognos genom att använda felet i föregående prognos. Ett glidande medelvärde visar genomsnittet av resultat över tiden. Den första kan vara genomsnittet för januari, februari och mars det andra skulle då vara medelvärdet för februari, mars och april och så vidare. Denna prognosmetod tenderar att fokusera på signalen (vad som verkligen händer i baslinjen) och för att minimera bruset (slumpmässiga fluktuationer i baslinjen). Regression är nära relaterad till korrelation. Använd det här verktyget för att prognostisera en variabel (t. ex. försäljning) från en annan (t. ex. datum eller annonsering). Det ger dig ett par tal att använda i en ekvation, som försäljning 50000 (10 datum). 4 Excel-prognosfunktioner Excel har många bra verktyg för försäljningsprognoser. Att veta följande funktioner är till hjälp för att få dina data i ordning. Kolla in följande praktiska prognosfunktioner. Arbetsbladets version av korrelationsverktyget för dataanalys. Skillnaden är att CORREL omberäknar när ingångsdata ändras, och korrelationsverktyget gör det inte. Exempel: CORREL (A1: A50, B1: B50). CORREL ger dig bara en korrelation, men korrelationsverktyget kan ge dig en hel matris av korrelationer. Du kan använda den här funktionen istället för regressionsverktyget för dataanalys. (Funktionsnamnet är en förkortning av linjär uppskattning.) För enkel regression, välj ett intervall av två kolumner och fem rader. Du behöver matris-skriv in den här funktionen. Skriv till exempel LINEST (A1: A50, B1: B50,, TRUE) och tryck sedan på CtrlShiftEnter. Denna funktion är praktisk eftersom den ger dig prognosvärden direkt, medan LINEST ger dig en ekvation som du måste använda för att få prognosen. Använd till exempel TREND (A1: A50, B1: B50, B51) där du förutspår ett nytt värde på grundval av vad som är i B51. FORECAST-funktionen liknar TREND-funktionen. Syntaxen är lite annorlunda. Använd till exempel FORECAST (B51, A1: A50, B1: B50) där du förutser ett nytt värde baserat på värdet i B51. Dessutom hanterar FORECAST endast en prediktor, men TREND kan hantera flera prediktorer. Vad du kommer ut i Excel LINEST Funktion för försäljning prognos Excel8217s LINEST funktion är ett praktiskt verktyg för försäljning prognoser. Att veta vad du kan göra med det kommer att göra dina prognoser ansträngningar enkelt arbete. Här är en snabb sammanfattning på Excel8217s LINEST-funktion, rad för rad: