Cast Lagernivåene Med Moving Average Analyse Excel 2010

Hvordan Flytte Gjennomsnitt i Excel 2010. Gjennomsnittlig gjennomsnitt forutsi fremtidige verdier. Herrebilder. Sammenhengende artikler. Microsoft Excel 2010 s AVERAGE-funksjonen beregner en serie s aritmetisk gjennomsnitt, som er summen delt med antall elementer i serien Når hvert tall i serien er forskjellig, gjennomsnittsendringen endres med hver ny datapost Dette danner en sekundær serie som sporer den opprinnelige serien s glidende gjennomsnitt. Gjennomsnittlig glidende avslører trender innenfor dataene. Hvis et regneark sporer virksomheten din, endrer beholdningen, vil det flyttende salget gjennomsnitt kan hjelpe deg med å bestemme dine ideelle lagernivåer i slutten av hver måned.1 Klikk på File på Excel s Ribbon.2 Klikk Alternativer på venstre side av skjermen for å åpne Excel Options-vinduet.3 Klikk på Add-Ins i vinduet s venstre rute.4 Klikk på knappen merket Gå til ved siden av rullegardinlisten merket Excel-tillegg for å åpne tilleggsvinduet.5 Merk av i boksen merket Analysis ToolPak Klikk OK.6 Klikk Data på Excel s Ribbon.7 Klikk Data Analysis i Analysegruppe for å åpne Data Analysis-vinduet.8 Velg Flytt gjennomsnitt i vinduet Dataanalyse Klikk på OK for å åpne vinduet Moving Average.9 Klikk på knappen i tekstboksen merket Inngangsområde Klikk og velg dataene hvis glidende gjennomsnitt du vil ha Excel til find.10 Klikk på knappen i tekstboksen merket Utgangsområde Klikk og velg cellene du vil ha de bevegelige gjennomsnittene for å vises.11 Skriv inn en verdi i tekstboksen merket Intervall Denne verdien beskriver antall figurer som hvert gjennomsnitt må vurdere For For eksempel, hvis hvert gjennomsnitt må beregne de tre foregående tallene, må du skrive inn 3.12 Klikk på OK Excel vil sette inn seriens bevegelige gjennomsnitt. Om forfatteren. Ryan Menezes er en profesjonell forfatter og blogger. Han har en bachelor i vitenskap i journalistikk fra Boston University og har skrevet for American Civil Liberties Union, markedsføringsfirmaet InSegment og prosjektledelsen Service Assembla He er også medlem av Mensa og den amerikanske parlamentariske debatten Asso ciation. Photo Credits. Hemera Images. Related Searches. More Artikler. Beregn gjennomsnittlig Slik beregner du gjennomsnitt på Excel fra flere ark. Graf Hvordan lage en graf på Excel med en kumulativ gjennomsnitt. Regneark Hvordan lage et regneark med datoer over toppen. Y-akse Hvordan legge til en annen Y-akse på Excel Lag en andre serie på slutten av diagrammet. I denne leksjonen kan du lære hvordan du bruker prognosefunksjon og hvordan du kan forutsi fremtid. Takket være prognosefunksjonen kan Excel lese fremtiden Det er ikke en vits Excel kan forutsi noen verdier hvis du gir tidligere data. Du kan bruke Forecast-funksjonen til å forutsi enkle data og også lage avansert analyse for firmaet ditt. La oss se hvordan prognosefunksjonen fungerer og hvordan du bruker den. Definisjon av FREKVENS funksjon. Forecast funksjonen ser ut som this. x er argumentet som du leter etter noen value. known ys er historiske verdier, som du know. known xs er historiske argumenter, som du vet. Det kan se vanskelig ut, men det er ikke La oss se noen eksempler for å forklare mer. Eksempel 1 Hvor lang tid studerer studentene til testen. Du har noen historiske data om testen tilsvarer. Du vet også hvor lenge elevene har studert til testen. Du vil beregne hvor mange poeng vil få studenten, som har vært studyin g i 8 timer Du bruker prognosefunksjonen til å beregne at. x er 8, fordi du er på utkikk etter en verdi for 8 hors argument. known ys er testpoeng, som du allerede know. known xs er timer studyng, som du også vet. Formel i denne situasjonen er FORECAST B11, C3 C10, B3 B10 som på bildet nedenfor. Forutsatt verdi er 77.Value 77 betyr at den baserte på historiske verdier, vil studenten få 77 poeng. Håper prognose funtion er enkelt og klart. La oss gjøre en mer eksempel. Eksempel 2 Forventning nettoinntekter. Du har salg og netto inntekt for noen selskap. Du vil beregne nettoinntekt for 500 000 sales. known ys er historisk netto inntekt. kjent xs er historisk salg. Formula her er FORECAST B11, C3 C10, B3 B10 inntekt er 11921. Eksempel 3 Datoer prognoser. Du kan også prognostisere datoer Her er et eksempel. I denne tabellen har du salgsdata i slutten av hver måned. Du vil vite hvor du vil ha 1 000 000 av salget. known ys er historiske dates. known xs er historisk sales. Formula er FORECA ST B10C3 C9B3 B9.Formatering av celler er Generelt som standard slik at resultatet ditt ikke er en date. Change formatering av cellen Klikk høyre og neste Format Cells og endre formatering til Date. Result er 2011-11-03 Excel forutser at din bedrift vil har 1 million USD salg på den dagen. Det er noen grunnleggende eksempler Selvfølgelig er det også mange måter å bruke prognosefunksjon for virksomheten. Prognosen er enkel å bruke og virkelig kraftig. Tipp ved feil. Hvis x-argumentet er nonnumerisk, FORECAST-funksjonen returnerer VALUE-feilen. Hvis knowny s og knownx s er tomme eller inneholder et annet antall datapunkter, returnerer FORECAST-funksjonen NA-feilen. Hvis variansen av knownx-argumentet er null, returnerer funksjonen FORECAST DIV 0-feilen. Eksponensiell Smoothing Explained. Copyright Content on er beskyttet av copyright og er ikke tilgjengelig for republisering. Når folk først møter begrepet eksponentiell utjevning, tror de kanskje det høres ut som et helvete med en jevn utjevning, uansett utjevning er T hei så begynn å forestille en komplisert matematisk beregning som sannsynligvis krever en grad i matematikk å forstå, og håper det er en innebygd Excel-funksjon tilgjengelig hvis de noensinne trenger å gjøre det. Virkeligheten av eksponensiell utjevning er langt mindre dramatisk og langt mindre traumatisk Sannheten er at eksponensiell utjevning er en veldig enkel beregning som oppnår en ganske enkel oppgave. Det har bare et komplisert navn fordi det som teknisk skjer som følge av denne enkle beregningen, er faktisk litt komplisert. For å forstå eksponensiell utjevning hjelper det å starte med det generelle begrepet utjevning og et par andre vanlige metoder som brukes for å oppnå utjevning. Hva er utjevning. Utmattning er en svært vanlig statistisk prosess Faktisk støter vi jevnlig på jevne mellomrom i ulike former i våre daglige liv. Hver gang du bruker et gjennomsnitt for å beskrive noe, du bruker et glatt nummer Hvis du tenker på hvorfor du bruker et gjennomsnitt for å beskrive noe, vil du raskt forstå begrepet utjevning For eksempel har vi nettopp opplevd den varmeste vinteren på rekord Hvordan kan vi kvantifisere dette Vel, vi begynner med datasett av daglige høye og lave temperaturer for perioden vi kalder Vinter for hvert år i innspilt historie Men det går oss med en mengde tall som hopper rundt ganske mye det er ikke som hver dag i vinter var varmere enn tilsvarende dager fra alle tidligere år Vi trenger et nummer som fjerner alt dette hopper rundt fra dataene, slik at vi lettere kan sammenligne en vinter til neste Fjerning av hopping rundt i dataene kalles utjevning, og i dette tilfellet kan vi bare bruke et enkelt gjennomsnitt for å oppnå glatting. I etterspørselsforespørsel bruker vi utjevning for å fjerne tilfeldig variasjonslyd fra vår historiske etterspørsel. Dette tillater oss for bedre å identifisere etterspørselsmønstre primært trend og sesongmessighet og etterspørselsnivåer som kan brukes til å estimere fremtidig etterspørsel Støyen i etterspørselen er det samme konseptet som den daglige hoppearmen ound av temperaturdata Ikke overraskende er den vanligste måten folk fjerner støy fra etterspørselshistorien å bruke et enkelt gjennomsnitt eller mer spesifikt et glidende gjennomsnitt. Et glidende gjennomsnitt bruker bare et forhåndsdefinert antall perioder for å beregne gjennomsnittet, og disse periodene beveger seg når tiden går For eksempel, hvis jeg bruker et 4 måneders glidende gjennomsnitt, og i dag er 1. mai, bruker jeg gjennomsnittlig etterspørsel som skjedde i januar, februar, mars og april 1. juni vil jeg bruke etterspørsel fra februar, mars, april og mai. Vikket glidende gjennomsnitt. Når du bruker et gjennomsnitt, bruker vi samme vektvekt på hver verdi i datasettet. I 4 måneders glidende gjennomsnitt representerte hver måned 25 av glidende gjennomsnitt. Når du bruker etterspørsel historie for å projisere fremtidig etterspørsel og spesielt fremtidig trend, er det logisk å komme til den konklusjonen at du vil at nyere historie har større innvirkning på prognosen. Vi kan tilpasse vår gjennomsnittlige beregning for å bruke forskjellige vekter til eac h periode for å få våre ønskede resultater Vi uttrykker disse vektene som prosentandeler, og summen av alle vekter for alle perioder må legge opp til 100 Derfor, hvis vi bestemmer oss, vil vi søke 35 som vekten for nærmeste periode i vår 4 måned vektet glidende gjennomsnitt, kan vi trekke 35 fra 100 for å finne at vi har 65 igjen å splitte over de andre 3 periodene. For eksempel kan vi ende opp med en veiing på henholdsvis 15, 20, 30 og 35 for de 4 månedene 15 20 30 35 100. Eksponentiell utjevning. Hvis vi går tilbake til konseptet med å legge vekt på den siste perioden som 35 i det forrige eksemplet og spre den gjenværende vekten beregnet ved å subtrahere den siste tidsvekten på 35 fra 100 til 65, vi har de grunnleggende byggeblokkene for vår eksponentielle utjevningsberegning Den kontrollerende inngangen til eksponensiell utjevningsberegning er kjent som utjevningsfaktoren kalles også utjevningskonstanten. Det representerer i hovedsak vektingen som er brukt til den siste perioden s etterspørsel Så vi brukte 35 som vekten for den siste perioden i vektet glidende gjennomsnittlig beregning, og vi kunne også velge å bruke 35 som utjevningsfaktor i vår eksponensielle utjevningsberegning for å få en lignende effekt. Forskjellen med eksponensiell utjevning beregning er at i stedet for å måtte finne ut hvor mye vekt som skal gjelde for hver tidligere periode, brukes utjevningsfaktoren automatisk til å gjøre det. Så her kommer eksponentiell del. Hvis vi bruker 35 som utjevningsfaktor, vil vekten av siste periodes etterspørsel vil være 35 Vektingen av neste siste periode s kreve perioden før den siste vil være 65 av 35 65 kommer fra å trekke 35 fra 100 Dette tilsvarer 22 75 vekting for den perioden hvis du gjør matematikken Den neste siste periodens etterspørsel vil være 65 av 65 av 35, som tilsvarer 14 79. Perioden før den blir vektet som 65 av 65 av 65 av 35, som tilsvarer 9 61 osv. Og så fortsetter tilbake th grov alle dine tidligere perioder helt tilbake til begynnelsen av tiden eller det punktet du begynte å bruke eksponensiell utjevning for det aktuelle elementet. Du antar sannsynligvis at det ser ut som en masse matematikk, men skjønnheten i eksponensiell utjevningsberegning er det snarere enn å måtte beregne i forhold til hver tidligere periode hver gang du får en ny periodes etterspørsel, bruker du bare utgangen av eksponensiell utjevningsberegning fra forrige periode til å representere alle tidligere perioder. Er du forvirret ennå Dette vil gjøre mer fornuftig når vi ser på den faktiske beregningen. Typisk refererer vi til utgangen av eksponensiell utjevningsberegning som neste periodesprognose. I virkeligheten trenger den endelige prognosen litt mer arbeid, men i forbindelse med denne spesifikke beregningen vil vi referere til det som prognosen. Eksponensiell utjevningsberegning er som følger. Den siste periodens etterspørsel multiplisert med utjevningsfaktor PLUS Den siste peri od s prognose multiplisert med en minus utjevningsfaktor. D siste periode s etterspørsel S utjevningsfaktoren representert i desimalform slik at 35 ville bli representert som 0 35 F den siste perioden s projiserte utgangen av utjevningsberegningen fra foregående periode. OR antar en utjevningsfaktor på 0 35. Det blir ikke mye enklere enn det. Som vi kan se, er alt vi trenger for datainnganger her den siste perioden s etterspørsel og den siste perioden s prognose Vi bruker utjevningsfaktoren vekting til den siste perioden s etterspørsel på samme måte som vi ville i vektet glidende gjennomsnittlig beregning Vi bruker deretter den gjenværende vekten 1 minus utjevningsfaktoren til den siste perioden s prognose. Siden den siste perioden s prognose ble opprettet basert på forrige periode s etterspørsel og forrige periode s prognose, som var basert på etterspørselen etter perioden før det og prognosen for perioden før det, som var basert på etterspørselen etter perioden før det og prognosen for perioden før det, som var basert på perioden før det. vel, kan du se hvordan alle tidligere perioders etterspørsel er representert i beregningen uten å faktisk gå tilbake og omberegne noe. Og det er det som kjørte den første popularitet av eksponensiell utjevning Det var ikke fordi det gjorde en bedre jobb med utjevning enn vektet glidende gjennomsnitt, det var fordi det var enklere å regne ut i et dataprogram Og fordi du ikke behøvde å tenke på hvilken vekting å gi tidligere perioder eller hvordan mange tidligere perioder å bruke som du ville i vektet glidende gjennomsnitt og fordi det bare hørtes kjøligere enn vektet glidende gjennomsnitt. Faktisk kan det hevdes at vektet glidende gjennomsnitt gir større fleksibilitet siden du har mer kontroll over vektingen av tidligere perioder Virkeligheten er at noen av disse kan gi respektbare resultater, så hvorfor ikke gå med enklere og kjøligere lyding. Eksponentiell utjevning i Excel. Vi ser hvordan dette vil påvirke Du ser i et regneark med ekte data. Opphavsrettinnholdet er beskyttet av copyright og er ikke tilgjengelig for republisering. I figur 1A har vi et Excel-regneark med 11 uker etterspørsel og en eksponensielt jevn prognose beregnet ut fra den etterspørselen jeg har brukt en utjevningsfaktor på 25 0 25 i celle C1 Den nåværende aktive cellen er Cell M4 som inneholder prognosen for uke 12. Du kan se i formellinjen, formelen er L3 C1 L4 1- C1 Så er de eneste direkte inngangene til denne beregningen Den forrige perioden er etterspørsel Cell L3, den forrige perioden er prognosen Cell L4, og utjevningsfaktoren Cell C1, vist som absolutt cellereferanse C1.Når vi starter en eksponensiell utjevningsberegning, må vi manuelt koble verdien til den første prognosen Så i Cell B4, i stedet for en formel, har vi nettopp skrevet i etterspørselen fra samme periode som prognosen. I Cell C4 har vi vår første eksponensielle utjevningsberegning B3 C1 B4 1- C1 Vi kan da kopiere Cell C4 og lime den inn i Cells D4 gjennom M4 til fil Jeg har resten av våre prognose-celler. Du kan nå dobbeltklikke på en prognosecelle for å se at den er basert på forrige periode s prognose celle og forrige periode s etterspørselscelle. Så hver etterfølgende eksponensiell utjevningsberegning arver utgangen fra den forrige eksponentielle utjevningsberegning Det er hvordan hver forrige periode etterspørselen er representert i den siste periodens beregning, selv om denne beregningen ikke refererer direkte til de foregående periodene. Hvis du vil ha lyst, kan du bruke Excel s trace precedents funksjon For å gjøre dette, klikk på Cell M4, klikker du på verktøylinjen Excel 2007 eller 2010 på Formulas-fanen, og deretter klikker du Sporprecedenter. Det trekker tilkoblingslinjer til første nivå av presenter, men hvis du fortsetter å klikke Trace Precedents, vil det trekke kontaktlinjer til alle tidligere perioder for å vise deg det arvede forhold. Nå skal vi se hva eksponensiell utjevning gjorde for oss. Figur 1B viser et linjediagram over etterspørsel og prognose. Du ser hvordan eksponensielt jevn prognose fjerner det meste av den ujevnheten som hopper rundt fra den ukentlige etterspørselen, men klarer fortsatt å følge det som synes å være en oppadgående trend i etterspørselen. Du vil også merke at den glatte prognosen linje har en tendens til å være lavere enn etterspørselslinjen. Dette er kjent som trendslag og er en bivirkning av utjevningsprosessen. Hver gang du bruker utjevning når en trend er til stede, vil prognosen din ligge bak trenden. Dette gjelder for enhver utjevningsteknikk. Faktisk, hvis vi skulle fortsette dette regnearket og begynne å legge inn lavere etterspørselen tall som gjør en nedadgående trend du vil se etterspørselslinjen slippe, og trendlinjen beveger seg over den før du begynner å følge den nedadgående trenden. Det er derfor jeg tidligere nevnte produksjonen fra eksponensiell utjevningsberegning som vi kaller en prognose, fortsatt trenger litt mer arbeid Det er mye mer å prognose enn bare å utjevne støtene i etterspørsel. Vi må gjøre ytterligere justeringer for ting som trendlag, sesongmessighet, kjente hendelser som kan påvirke etterspørselen osv. Men alt som er utenfor omfanget av denne artikkelen. Du vil sannsynligvis også gå inn i begreper som dobbel eksponensiell utjevning og triple-eksponensiell utjevning. Disse begrepene er litt misvisende siden du ikke re-utjevner kreve flere ganger du kan hvis du vil, men det er ikke poenget her. Disse betingelsene representerer bruk av eksponensiell utjevning på ytterligere elementer i prognosen. Med enkel eksponensiell utjevning, utjevner du basen etterspørsel, men med dobbel eksponensiell utjevning er du utjevning basen etterspørsel pluss trenden og med tredoble eksponensiell utjevning du utjevner basen etterspørsel pluss trenden pluss sesongmessige forhold. Det andre vanligste spørsmålet om eksponensiell utjevning er hvor får jeg utjevningsfaktoren min? Det er ikke noe magisk svar her, du må teste ulike utjevningsfaktorer med dine etterspørseldata for å se hva som gir deg de beste resultatene. Det er beregninger som automatisk kan angi og endre utjevningsfaktor Disse faller under termen adaptiv utjevning, men du må være forsiktig med dem. Det er rett og slett ikke et perfekt svar, og du bør ikke blindt gjennomføre noen beregning uten grundig testing og utvikle en grundig forståelse av hva den beregningen gjør. Du bør også kjøre hva - if scenarier for å se hvordan disse beregningene reagerer på etterspørselsendringer som kanskje ikke eksisterer i etterspørseldataene du bruker til testing. Dataeksemplet jeg brukte tidligere er et veldig godt eksempel på en situasjon der du virkelig trenger å teste noen andre scenarier Det bestemte datautvalget viser en noe konsistent oppadgående trend Mange store selskaper med svært kostbar prognoseprogramvare fikk store problemer i den ikke så fjernt fortid da deres programvareinnstillinger som var tweaked for en voksende økonomi, ikke reagerte bra da økonomien begynte å stagnere eller krympe Ting som dette skjer når du ikke forstår hva dine beregninger programvare faktisk gjør hvis de under sto deres prognose system, de ville ha visst at de trengte å hoppe inn og endre noe når det var plutselige dramatiske endringer i virksomheten deres. Så der har du det grunnleggende eksponensiell utjevning forklart Vil du vite mer om bruk av eksponensiell utjevning i en faktisk prognose , sjekk ut boken Inventory Management Explained. Copyright Innhold på er beskyttet av copyright og er ikke tilgjengelig for republisering. Dave Piasecki er eieroperatør av Inventory Operations Consulting LLC, et konsulentfirma som tilbyr tjenester knyttet til lagerstyring, materialhåndtering og lageroperasjoner. Han har over 25 års erfaring i operasjonsledelse og kan nås gjennom sin nettside, der han opprettholder ytterligere relevant informasjon. My virksomhet.