चलती - औसत - भविष्यवाणी - तकनीक करते - निम्नलिखित

औसत पूर्वानुमान चलाना। परिचय जैसा कि आप अनुमान लगा सकते हैं हम भविष्यवाणी के कुछ सबसे प्राचीन तरीकों पर विचार कर रहे हैं लेकिन उम्मीद है कि ये स्प्रेडशीट में पूर्वानुमान लागू करने से संबंधित कुछ कंप्यूटिंग मुद्दों पर कम से कम एक सार्थक परिचय है। इस नस में हम जारी रहेंगे शुरुआत से शुरू करने और मुवक्किल औसत पूर्वानुमान के साथ काम करना शुरू करना। औसत पूर्वानुमान पूर्वानुमान चलाना हर कोई औसत मौके पर चलने से परिचित है, भले ही उनका मानना ​​है कि वे सभी कॉलेज के छात्रों को हर समय उनको अपने पाठ्यक्रम के परीक्षण के बारे में सोचें, जहां आप जा रहे हैं सेमेस्टर के दौरान चार परीक्षाएं हैं, मान लें कि आपको अपनी पहली परीक्षा में 85 मिले। आप अपने दूसरे टेस्ट स्कोर के लिए भविष्यवाणी करेंगे.तुम्हें क्या लगता है कि आपका शिक्षक आपके अगले टेस्ट स्कोर के लिए भविष्यवाणी करेगा.तुम्हें क्या लगता है कि आपके दोस्तों का अनुमान लगाया जा सकता है अपने अगले टेस्ट स्कोर के लिए. तुम्हें क्या लगता है कि आपके माता-पिता आपके अगले टेस्ट स्कोर के लिए अनुमान लगा सकते हैं। आईएंड्स और माता-पिता, वे और आपके शिक्षक आपसे मिलने वाले 85 के क्षेत्र में कुछ पाने की उम्मीद कर रहे हैं। ठीक है, अब यह मान लें कि अपने दोस्तों को अपने स्वयं के प्रचार के बावजूद, आप खुद को अनुमान लगाते हैं और आंकड़ा है कि आप दूसरे टेस्ट के लिए कम अध्ययन कर सकते हैं और आपको 73 मिल जाए। अब आप सभी को लेकर चिंतित और निराश होने की उम्मीद कर रहे हैं कि आप अपने तीसरे परीक्षण पर पहुंचेंगे। चाहे उनके अनुमान के विकास के लिए दो संभावित संभावनाएं हों चाहे वे इसे आपके साथ साझा करेंगे.वे खुद से कह सकते हैं, यह लड़का अपने स्मार्टफोन के बारे में हमेशा धुआं उड़ रहा है वह अगर वह भाग्यशाली हो तो 73 को मिलेगा.शायद माता-पिता इससे ज्यादा सहायक बनने की कोशिश करेंगे और कहते हैं, ठीक है, इसलिए अब तक आप 85 और 73 मिल चुके हैं, इसलिए शायद आप को 85 73 2 79 के बारे में जानने के बारे में पता होना चाहिए, शायद अगर आपने कम पार्टिसाइज़ किया हो और सभी जगह पर वीज़ल को सताते हुए और यदि आप बहुत अधिक पढ़ना आप उच्च अंक प्राप्त कर सकते हैं। इन अनुमानों में से दो वास्तविक हैं लिविंग औसत पूर्वानुमान। पहले अपने भविष्य के प्रदर्शन की भविष्यवाणी करने के लिए केवल आपके नवीनतम स्कोर का उपयोग कर रहा है यह डेटा के एक अवधि का उपयोग करते हुए चलती औसत पूर्वानुमान कहा जाता है। दूसरा भी चलती औसत पूर्वानुमान है, लेकिन डेटा के दो अवधियों का उपयोग करते हैं। कि आपके महान दिमाग को खत्म करने वाले ये सभी लोग आपको परेशान करते हैं और आप अपने स्वयं के कारणों के लिए तीसरी परीक्षा में अच्छी तरह से काम करने का फैसला करते हैं और अपने सहयोगियों के सामने उच्च अंक डालते हैं आप परीक्षा लेते हैं और आपका स्कोर वास्तव में एक है 89 प्रत्येक व्यक्ति को, खुद सहित, प्रभावित है। अब आप सेमेस्टर की अंतिम परीक्षा आ रही है और हमेशा की तरह आपको लगता है कि आप सभी को अपनी भविष्यवाणियां बनाने की आवश्यकता महसूस करते हैं कि आप आखिरी परीक्षा में कैसे करेंगे, अच्छा, उम्मीद है कि आप देखेंगे पैटर्न. अब, उम्मीद है कि आप पैटर्न देख सकते हैं जो आपको सबसे अधिक सटीक मानते हैं। हम जब भी काम करते हैं, हमले अब हम आपकी नई सफाई वाली कंपनी में लौट आए हैं जो आपकी बहिष्कार वाली बहन ने शुरू की थी, जब हम काम करते थे, तो आपके पास कुछ पिछले बिक्री डेटा एक स्प्रैडशीट से निम्न अनुभाग द्वारा प्रतिनिधित्व किया गया है हम पहले तीन दिनों की औसत पूर्वानुमान चलते समय डेटा प्रस्तुत करते हैं। सेल C6 के लिए प्रविष्टि होना चाहिए. अब आप इस सेल सूत्र को C11 के माध्यम से अन्य कक्षों C7 से कॉपी कर सकते हैं। नोट करें कि कैसे औसत चालें सबसे हाल के ऐतिहासिक आंकड़ों पर, लेकिन प्रत्येक भविष्यवाणी के लिए उपलब्ध तीन सबसे हाल की अवधि का उपयोग करता है आपको यह भी ध्यान देना चाहिए कि हमें वास्तव में पिछली अवधि के पूर्वानुमानों को बनाने की आवश्यकता है ताकि हमारी सबसे हाल की भविष्यवाणी विकसित हो सकें यह निश्चित रूप से अलग है घातीय चौरसाई मॉडल में मैंने पिछले भविष्यवाणियों को शामिल किया है क्योंकि हम भविष्य की वैधता को मापने के लिए अगले वेब पेज में उनका उपयोग करेंगे। अब मैं औसत अवधि के चलते दो अवधि के लिए समान परिणाम पेश करना चाहता हूं। सेल सी 5 के लिए प्रवेश होना चाहिए. अब आप इस सेल सूत्र को अन्य कोशिकाओं C6 से C11 तक कॉपी कर सकते हैं। नोटिस कैसे अब प्रत्येक भविष्यवाणी के लिए केवल दो सबसे हालिया टुकड़ों का उपयोग किया जाता है फिर मैं इसमें शामिल है उदाहरण के उद्देश्यों के लिए पिछले पूर्वानुमान और पूर्वानुमान सत्यापन में बाद में उपयोग के लिए। कुछ अन्य चीजें जो ध्यान देने योग्य हैं। मी-अवधि की औसत औसत पूर्वानुमान केवल मी के सबसे हाल के डेटा मानों को भविष्यवाणी करने के लिए उपयोग किया जाता है और कुछ नहीं आवश्यक है पिछली भविष्यवाणियां करते समय, एम-अवधि की औसत पूर्वानुमान के लिए, ध्यान दें कि पहली बार भविष्यवाणी की अवधि 1 एम में होती है। जब हम अपना कोड विकसित करते हैं तो इन दोनों मुद्दे बहुत महत्वपूर्ण होंगे.संभावना औसत समारोह का विकास अब हमें विकसित करने की आवश्यकता है चलती औसत पूर्वानुमान के लिए कोड जो अधिक लचीले ढंग से इस्तेमाल किया जा सकता है कोड निम्न सूचना देता है कि इनपुट अवधि में आप उपयोग करना चाहते हैं और ऐतिहासिक मूल्यों की सरणी के लिए हैं, आप इसे जो वही कार्यपुस्तिका में संग्रहीत कर सकते हैं। कार्य MovingAverage ऐतिहासिक, NumberOfPeriods एकल घोषित करने और चर को प्रारंभ करने के रूप में मंद आइटम के रूप में चर अंकीय काउंटर के रूप में पूर्णांक मंद संचय के रूप में एकल मंद ऐतिहासिक आकार पूर्णांक के रूप में। चर को शुरू करना काउंटर 1 संचय 0. ऐतिहासिक सरणी के आकार का निर्धारण ऐतिहासिक सिमित। काउंटर 1 के लिए संख्या - अभियान अवधि। सबसे हाल ही में देखे गए मूल्यों की उचित संख्या को संचित करना। आकलन संचय ऐतिहासिक ऐतिहासिक सिज़िज़ - संख्याऑफ़परोड्स काउंटर। मैव्वेज एवेन्यूशन नंबरऑफपेरियोड। कोड को क्लास में समझाया जाएगा आप स्प्रेडशीट पर फ़ंक्शन की स्थिति बनाना चाहते हैं, ताकि गणना के परिणाम दिखाई दें, जहां यह होना चाहिए समय सारिणी पद्धतियां। टाइम श्रृंखला पद्धतियाँ सांख्यिकीय तकनीकें हैं जो समय की अवधि में संचित ऐतिहासिक डेटा का उपयोग करती हैं समय श्रृंखला के तरीकों का मानना ​​है कि अतीत में जो कुछ हुआ है भविष्य में जारी रहेगा नाम के समय श्रृंखला के अनुसार , ये विधियां केवल एक कारक के पूर्वानुमान को संबोधित करती हैं - समय वे चलती औसत, घातीय चिकनाई, और रैखिक प्रवृत्ति रेखा को शामिल करते हैं और वे सेवा और विनिर्माण कंपनियों के बीच अल्पकालिक पूर्वानुमान के लिए सबसे लोकप्रिय तरीकों में से हैं ये विधियां मानते हैं कि पहचान योग्य ऐतिहासिक समय के साथ मांग के लिए पैटर्न या रुझान खुद को दोहराना होगा औसत चल रहा है। एक समय श्रृंखला का पूर्वानुमान अगली अवधि में मांग की भविष्यवाणी करने के लिए चालू अवधि में मांग का उपयोग करना जितना आसान हो सकता है, इसे कभी-कभी एक भोला या सहज ज्ञान युक्त पूर्वानुमान कहा जाता है 4 उदाहरण के लिए, यदि मांग इस हफ्ते 100 इकाइयां है, तो अगले के लिए पूर्वानुमान हफ्ते की मांग 100 इकाइयां है अगर मांग 90 इकाइयों के बदले जाती है, तो अगले हफ्ते की मांग 90 इकाइयां होती है, और इसी प्रकार इस प्रकार की भविष्यवाणी पद्धति में ऐतिहासिक मांग व्यवहार को ध्यान में नहीं रखा जाता है, यह वर्तमान में मांग पर निर्भर करता है अवधि यह मांग में सामान्य, यादृच्छिक आंदोलनों के लिए सीधे प्रतिक्रिया करता है। सरल चलती औसत विधि हाल के समय के दौरान एक पूर्वानुमान विकसित करने के लिए कई मांग मानों का उपयोग करती है, यह केवल एक का उपयोग करने वाले पूर्वानुमान की यादृच्छिक बढ़ जाती है और घट जाती है। एक अवधि सरल चलती औसत भविष्यवाणी की मांग के लिए उपयोगी होती है जो स्थिर होती है और किसी भी स्पष्ट मांग व्यवहार को प्रदर्शित नहीं करती है, जैसे कि प्रवृत्ति या मौसमी पैटर्न। मॉविंग औसत का मूल्यांकन विशिष्ट के लिए किया जाता है अवधि, जैसे कि तीन महीने या पांच महीने, कितने भविष्यकक्षक मांग डेटा को चिकना करना चाहते हैं, अब चलती औसत अवधि, चिकनी यह सरल चलती औसत की गणना करने का सूत्र है जो सरल मूविंग औसत होता है। झटपट पेपर क्लिप ऑफिस सप्लाई कंपनी अपने गोदाम के 50 मील के दायरे के भीतर कंपनियों, स्कूलों और एजेंसियों को बेचती है और कार्यालय की आपूर्ति बेचती है। कार्यालय की आपूर्ति व्यापार प्रतिस्पर्धी है, और आदेश तुरंत देने की क्षमता नए ग्राहकों को प्राप्त करने और पुराने रखने में एक कारक है वे कार्यालय आमतौर पर आदेश नहीं देते हैं जब वे आपूर्ति पर कम चलाते हैं, लेकिन जब वे पूरी तरह से भागते हैं, परिणामस्वरूप, उन्हें तत्काल अपने आदेश की आवश्यकता होती है, कंपनी के प्रबंधक को कुछ पर्याप्त ड्राइवर बनाना चाहते हैं और वाहन तुरंत आदेश देने के लिए उपलब्ध हैं और उनके पास पर्याप्त है स्टॉक में इन्वेंट्री इसलिए, प्रबंधक अगले महीने के दौरान होने वाले आदेशों की संख्या की भविष्यवाणी करने में सक्षम होना चाहता है, अर्थात मांग की भविष्यवाणी करना। डिलीवरी के लिए। वितरण आदेशों के रिकॉर्ड से, प्रबंधन ने पिछले 10 महीनों के लिए निम्न डेटा जमा कर लिए हैं, जिसमें से वह 3- और 5 महीने की मूविंग एवरेज की गणना करना चाहता है। हमें मान लें कि यह अक्टूबर का अंत है या तो 3- या 5 महीने की चलती औसत क्रम में अगले महीने के लिए आम तौर पर है, जो इस मामले में नवंबर है चलती औसत निम्न क्रम के अनुसार अनुक्रम में पहले 3 महीनों के लिए आदेश की मांग से गणना की जाती है 5 महीनों की चलती औसत की गणना मांग डेटा के पहले 5 महीनों से की जाती है, जैसे निम्नानुसार। 3- और 5 महीने की मांग के सभी महीनों के औसत औसत पूर्वानुमान के लिए निम्न तालिका में दिखाया गया है वास्तव में, केवल नवंबर के लिए पूर्वानुमान सबसे हाल ही में मासिक मांग के आधार पर प्रबंधक द्वारा उपयोग किया जाएगा हालांकि, पूर्व महीनों के लिए पूर्व पूर्वानुमान हमें वास्तविक मांग के साथ भविष्यवाणी की तुलना करने के लिए भविष्यवाणी की पद्धति कितनी सटीक देखने की अनुमति देती है - ये है कि यह कितनी अच्छी तरह से करता है। ए एनडी पांच महीने का औसत। ऊपर दी गई तालिका में चलने वाले औसत पूर्वानुमानों में वास्तविक डेटा में होने वाली परिवर्तनशीलता को सुचारू रूप से देखा जाता है। यह चौरसाई प्रभाव निम्न आंकड़े में देखा जा सकता है जिसमें 3 महीने और 5 महीने की औसत पर अधिसूचित किया गया है मूल आंकड़ों का एक ग्राफ। पिछला आंकड़ा में 5 महीने की चलती औसत 3-महीने की चलती औसत की तुलना में अधिक से अधिक उतार-चढ़ाव को सुगम बनाता है हालांकि, 3 महीने की औसत अधिक निकटतम कार्यालय की आपूर्ति के लिए उपलब्ध नवीनतम डेटा को प्रतिबिंबित करती है प्रबंधक सामान्य तौर पर, लंबी-अवधि की चलती औसत का उपयोग करने वाले अनुमानों की तुलना में मांग में हाल के परिवर्तनों पर प्रतिक्रिया करने के लिए धीमी गति होती है, जो कि छोटी अवधि की चलती औसत का उपयोग करने वालों की तुलना में अधिक होती है डेटा की अतिरिक्त अवधियां गति को कम करती हैं जिसके साथ पूर्वानुमान का जवाब होता है उचित अवधि की स्थापना चलती औसत पूर्वानुमान में इस्तेमाल करने के लिए अक्सर कुछ परीक्षण और त्रुटि प्रयोग की आवश्यकता होती है। चलती औसत विधि का नुकसान यह है कि यह var पर प्रतिक्रिया नहीं देता है कारणों, जो कि चक्र और मौसमी प्रभावों के कारण होते हैं, वे कारकों को आम तौर पर अनदेखा कर दिया जाता है यह मूल रूप से एक यांत्रिक पद्धति है, जो ऐतिहासिक डेटा को एक सुसंगत तरीके से दर्शाता है हालांकि, चलती औसत विधि का उपयोग करना आसान है , जल्दी और अपेक्षाकृत सस्ती सामान्य रूप में, यह विधि छोटी अवधि के लिए एक अच्छी भविष्यवाणी प्रदान कर सकती है, लेकिन इसे भविष्य में बहुत अधिक दूर नहीं किया जाना चाहिए। समेकित मूविंग औसत। चलती औसत विधि में अधिक उतार-चढ़ाव को अधिक बारीकी से प्रतिबिंबित करने के लिए समायोजित किया जा सकता है डेटा भारित चलती औसत विधि में, निम्न फार्मूले के अनुसार सबसे हाल के आंकड़ों को वजन सौंपा गया है। उदाहरण 10 3 के लिए तालिका में दिखाए गए पीएम कंप्यूटर सेवाओं की मांग डेटा बढ़ती रेखीय प्रवृत्ति का पालन करने के लिए प्रतीत होता है कंपनी को गणना करना चाहता है एक रेखीय प्रवृत्ति रेखा, यह देखने के लिए कि क्या एक्सपेंनेशन चिकनाई और समायोजित घातीय चिकनाई पूर्वानुमानों में उदाहरण 10 3 और 10 में विकसित की तुलना में अधिक सटीक है। मान कम से कम चौकों की गणना के लिए जरूरी है। इन मूल्यों का उपयोग करते हुए, रैखिक प्रवृत्ति रेखा के पैरामीटर को निम्नानुसार गणना की जाती है। इसलिए, रैखिक प्रवृत्ति रेखा का समीकरण है। 13 अवधि के पूर्वानुमान के लिए, रैखिक में x 13 दें प्रवृत्ति लाइन। निम्न आलेख वास्तविक डेटा की तुलना में रैखिक प्रवृत्ति लाइन को दर्शाता है प्रवृत्ति लाइन को वास्तविक डेटा को प्रतिबिंबित करने के लिए प्रतीत होता है - जो कि एक अच्छी फिट होने के लिए है - और इस समस्या के लिए एक अच्छा पूर्वानुमान मॉडल होगा , रैखिक प्रवृत्ति की रेखा का एक नुकसान यह है कि यह प्रवृत्ति में बदलाव को समायोजित नहीं करेगा, क्योंकि घातीय चिकनाई पूर्वानुमान विधियों के रूप में यह माना जाता है कि भविष्य में सभी भविष्यवाणियां एक सीधी रेखा का पालन करेगी यह इस पद्धति का उपयोग सीमित करता है एक छोटी अवधि के लिए जिसमें आप अपेक्षाकृत निश्चित हो सकते हैं कि प्रवृत्ति में परिवर्तन नहीं होगा। मौसमी समायोजन। एक मौसमी पैटर्न एक दोहराए जाने की वृद्धि है और मांग में कमी कई मांग वस्तुओं मौसमी व्यवहार दर्शाती हैं वस्त्र बिक्री का पालन करें शरद ऋतु और सर्दियों में गर्म कपड़े बढ़ने और वसंत और गर्मी में गिरावट के कारण कूलर कपड़ों की बढ़ती मांग के कारण खिलौनों, खेल के सामान, कपड़े, इलेक्ट्रॉनिक उपकरणों, कूल्हे, टर्की, शराब और फल, छुट्टियों के मौसम में वृद्धि, वेलेंटाइन दिवस और मातृ दिवस के मौसमी पैटर्न जैसे विशेष दिन के साथ ग्रीटिंग कार्ड की मांग में बढ़ोतरी भी मासिक, साप्ताहिक या दैनिक आधार पर भी हो सकती है। कुछ रेस्तरां में उच्चतर मांग है दोपहर या शाम को सप्ताहांत के विरोध में शाम की तुलना में शाम यातायात - इसलिए बिक्री - शॉपिंग मॉल में शुक्रवार और शनिवार तक चलता है। समय श्रृंखला के पूर्वानुमान में मौसमी पैटर्न को प्रतिबिंबित करने के कई तरीके हैं हम एक सरल तरीके से वर्णन करेंगे मौसमी कारक एक मौसमी कारक एक संख्यात्मक मूल्य होता है जिसे सामान्य पूर्वानुमान से गुणा किया जाता है ताकि मौसम में समायोजित पूर्वानुमान प्राप्त हो। एक मांग के विकास के लिए मौसमी कारक, प्रत्येक मौसमी अवधि की मांग को विभाजित करने के लिए कुल वार्षिक मांग के अनुसार, निम्न सूत्र के अनुसार है। परिणामस्वरूप 0 और 1 0 के बीच होने वाले मौसमी कारक प्रभावी रूप से, प्रत्येक सीजन को दी गई कुल वार्षिक मांग के हिस्से हैं ये मौसमी कारक हैं सालाना अनुमानित मांग से गुणा किया जाता है जिसमें मौसम के समायोजन के साथ पूर्वानुमानित प्रत्येक मौसम के लिए समायोजित पूर्वानुमानों की पूर्ति होती है। पूरे साल में मांस प्रसंस्करण वाली कंपनी को बेचने के लिए मशहूर फार्म टर्की से बढ़ता है, हालांकि, इसका पीक सीजन वर्ष की चौथी तिमाही के दौरान स्पष्ट रूप से है अक्तूबर से दिसंबर विस्बोन फार्मों ने पिछले तीन वर्षों में टर्की के लिए निम्न तालिका में दिखाया है। क्योंकि हमारे पास तीन साल की मांग आंकड़े हैं, हम मौसमी कारकों की कुल तिमाही मांग को कुल मांग के आधार पर तीन साल से विभाजित करके गणना कर सकते हैं सभी तीन साल। अगला, हम अगले वर्ष के लिए पूर्वानुमानित मांग को बढ़ाना चाहते हैं, 2000, प्रत्येक मौसमी कारकों द्वारा forecas प्राप्त करने के लिए प्रत्येक तिमाही के लिए टेड की मांग यह पूरा करने के लिए, हमें 2000 के लिए मांग पूर्वानुमान की आवश्यकता है इस मामले में, तालिका में मांग डेटा आम तौर पर बढ़ती प्रवृत्ति को प्रदर्शित करने के बाद से, हम तालिका में तीन साल के डेटा के लिए एक रैखिक प्रवृत्ति लाइन की गणना करते हैं किसी न किसी अनुमान अनुमान को प्राप्त करने के लिए। इस प्रकार, 2000 के पूर्वानुमान के लिए 58 17 या 58,170 टर्की हैं। मांग के इस वार्षिक अनुमान के अनुसार, 2000 के लिए मौसम संबंधी समायोजित पूर्वानुमान एसएफ़ I, तालिका में वास्तविक मांग मानों के साथ इन त्रैमासिक पूर्वानुमानों को पूरा कर रहे हैं , वे आंकड़ों में मौसमी विविधताओं और सामान्य वृद्धि की प्रवृत्ति दोनों को दर्शाती है, जो अपेक्षाकृत अच्छा पूर्वानुमान अनुमान लगते हैं। 10-12 चलती औसत विधि घातीय चिकनाई के समान है। 10-13 घाटेदार चौरसाई मॉडल पर क्या असर होगा चौरसाई लगातार बढ़ रही है। 10-14 घाटेदार चौरसाई समायोजित कैसे घातीय चिकनाई से भिन्न होता है। 10-15 क्या एक समायोजित घातीय smoothin में प्रवृत्ति के लिए चौरसाई स्थिर की पसंद निर्धारित करता है जी मॉडल .10-16 समय श्रृंखला के तरीकों के लिए अध्याय के उदाहरणों में, शुरुआती पूर्वानुमान हमेशा पहले की अवधि में वास्तविक मांग के समान मान लिया गया था कि अन्य तरीकों से सुझाव दें कि आरंभिक अनुमान वास्तविक उपयोग में लाया जा सकता है। 10-17 कैसे रैखिक प्रवृत्ति लाइन पूर्वानुमान मॉडल भविष्यवाणी के लिए एक रेखीय प्रतिगमन मॉडल से भिन्न होता है। 10-18 चलती औसत और भारित चलती औसत, घातीय चिकनाई और समायोजित घातीय चिकनाई, और रैखिक प्रवृत्ति लाइन सहित इस अध्याय में प्रस्तुत समय श्रृंखला के मॉडल में से, जो आप सबसे अच्छा क्यों मानते हैं। 10-19 क्या फायदे घाटेदार चौरसाई समायोजित करता है एक प्रवृत्ति दर्शाती पूर्वानुमानित मांग के लिए एक रैखिक प्रवृत्ति लाइन पर है। 4 KB क्हान और जेटी मेंटेजर, उपभोक्ता और औद्योगिक बाजारों में पूर्वानुमान, व्यापार का जर्नल पूर्वानुमान 14, नं 2 ग्रीष्मकालीन 1 99 2 21-28। प्रमेयिंग मूविंग अराउंड फॉरकास्टिंग मेथड्स प्रो और कंस। हाय, अपनी पोस्ट से प्यार करें, क्या आप सोच रहे थे कि क्या आप आगे सविस्तार कर सकते हैं हम एसएपी का इस्तेमाल करते हैं। चुनाव आप अपने पूर्वानुमान को चलाने से पहले चुन सकते हैं जिसे आपने आरंभ किया था। यदि आप इस विकल्प की जांच करते हैं, तो आपको पूर्वानुमान परिणाम प्राप्त होता है, यदि आप भविष्य में दोबारा भविष्यवाणी करते हैं, और नतीजे बदलते हैं, तो मुझे यह पता नहीं चला है कि प्रारंभिक रूप क्या है मेरा मतलब है, मैथमैटिक रूप से उदाहरण के लिए सहेजने और उपयोग करने के लिए सबसे अच्छा कौन सा पूर्वानुमान परिणाम है, दोनों के बीच के पूर्वानुमान पूर्वानुमानित मात्रा में नहीं हैं लेकिन एमएडी और त्रुटि, सुरक्षा स्टॉक और आरओपी मात्रा में यह सुनिश्चित नहीं है कि आप एसएपी का उपयोग करते हैं। इसलिए बहुत फायदे से इसकी जीडी धन्यवाद फिर से जस्पिरत। एक उत्तर छोड़ दो उत्तर दें उत्तर दें। के बारे में Shmula. Pete Abilla Shmula के संस्थापक है और चरित्र, Kanban कॉड़ी वह अमेज़ॅन, Zappos, ईबे, Backcountry, और दूसरों की तरह कंपनियों की लागत में कमी और सुधार में मदद मिली है ग्राहक अनुभव वह ग्राहक और व्यवसाय को प्रभावित करने वाले दर्द बिंदुओं की पहचान करने के लिए एक व्यवस्थित पद्धति के माध्यम से करता है, और कंपनी सहयोगियों से व्यापक सहभागिता को प्रोत्साहन देने के लिए प्रोत्साहित करता है खुद की प्रक्रियाएं यह वेबसाइट अपने अनुभवों का एक संग्रह है जो वह आपके साथ साझा करना चाहता है मुफ्त डाउनलोड के साथ आरंभ करें