Gleitender Durchschnitt Vorhersage Einleitung. Wie Sie vermutlich schauen, betrachten wir einige der primitivsten Ansätze zur Prognose. Aber hoffentlich sind diese zumindest eine lohnende Einführung in einige der Rechenprobleme im Zusammenhang mit der Umsetzung von Prognosen in Tabellenkalkulationen. In diesem Sinne werden wir von Anfang an beginnen und beginnen mit Moving Average Prognosen zu arbeiten. Gleitende durchschnittliche Prognosen. Jeder ist vertraut mit gleitenden durchschnittlichen Prognosen, unabhängig davon, ob sie glauben, sie sind. Alle Studenten tun sie die ganze Zeit. Denken Sie an Ihre Testergebnisse in einem Kurs, in dem Sie vier Tests während des Semesters haben werden. Angenommen, Sie haben eine 85 auf Ihrem ersten Test. Was würden Sie vorhersagen, für Ihre zweite Test-Score Was glauben Sie, Ihr Lehrer würde für Ihre nächste Test-Punkt vorhersagen Was denken Sie, Ihre Freunde könnten für Ihre nächste Test-Punkt vorherzusagen Was denken Sie, Ihre Eltern könnten für Ihre nächste Test-Score Unabhängig davon vorhersagen Alle die blabbing Sie tun könnten, um Ihre Freunde und Eltern, sie und Ihr Lehrer sind sehr wahrscheinlich zu erwarten, dass Sie etwas im Bereich der 85 erhalten Sie gerade bekommen. Nun, jetzt gehen wir davon aus, dass trotz Ihrer Selbst-Förderung an Ihre Freunde, Sie über-schätzen Sie sich und Figur, die Sie weniger für den zweiten Test lernen können und so erhalten Sie eine 73. Nun, was sind alle betroffenen und unbekümmerten gehen Erwarten Sie erhalten auf Ihrem dritten Test Es gibt zwei sehr wahrscheinlich Ansätze, damit sie eine Schätzung unabhängig davon entwickeln, ob sie es mit Ihnen teilen. Sie können zu sich selbst sagen, dieser Kerl ist immer bläst Rauch über seine smarts. Hes gehend, ein anderes 73 zu erhalten, wenn hes glücklich. Vielleicht werden die Eltern versuchen, mehr unterstützend und sagen, quotWell, so weit youve bekommen eine 85 und eine 73, so vielleicht sollten Sie auf eine über (85 73) 2 79. Ich weiß nicht, vielleicht, wenn Sie weniger feiern Und werent wedelte das Wiesel ganz über dem Platz und wenn Sie anfingen, viel mehr zu studieren, konnten Sie einen höheren score. quot erhalten. Beide dieser Schätzungen sind wirklich gleitende durchschnittliche Prognosen. Der erste verwendet nur Ihre jüngste Punktzahl, um Ihre zukünftige Leistung zu prognostizieren. Dies wird als gleitende Durchschnittsprognose mit einer Datenperiode bezeichnet. Die zweite ist auch eine gleitende durchschnittliche Prognose, aber mit zwei Perioden von Daten. Nehmen wir an, dass alle diese Leute, die auf deinem großen Verstand zerschmettern, Art von dich angepisst haben und du entscheidest, auf dem dritten Test aus deinen eigenen Gründen gut zu tun und eine höhere Kerbe vor deinen quotalliesquot zu setzen. Sie nehmen den Test und Ihre Gäste ist eigentlich ein 89 Jeder, einschließlich selbst, ist beeindruckt. So jetzt haben Sie die abschließende Prüfung des Semesters herauf und wie üblich spüren Sie die Notwendigkeit, alle in die Vorhersagen zu machen, wie youll auf dem letzten Test tun. Nun, hoffentlich sehen Sie das Muster. Nun, hoffentlich können Sie das Muster sehen. Was glauben Sie, ist die genaueste Pfeife, während wir arbeiten. Nun kehren wir zu unserer neuen Reinigungsfirma zurück, die von Ihrer entfremdeten Halbschwester namens Whistle While We Work begonnen wurde. Sie haben einige vergangene Verkaufsdaten, die durch den folgenden Abschnitt aus einer Kalkulationstabelle dargestellt werden. Zuerst präsentieren wir die Daten für eine dreidimensionale gleitende Durchschnittsprognose. Der Eintrag für Zelle C6 sollte jetzt sein Sie können diese Zellformel auf die anderen Zellen C7 bis C11 kopieren. Beachten Sie, wie der Durchschnitt bewegt sich über die jüngsten historischen Daten, sondern verwendet genau die drei letzten Perioden zur Verfügung für jede Vorhersage. Sie sollten auch bemerken, dass wir nicht wirklich brauchen, um die Vorhersagen für die vergangenen Perioden zu machen, um unsere jüngste Vorhersage zu entwickeln. Dies ist definitiv anders als das exponentielle Glättungsmodell. Ive eingeschlossen das quotpast predictionsquot, weil wir sie auf der folgenden Webseite verwenden, um Vorhersagegültigkeit zu messen. Nun möchte ich die analogen Ergebnisse für eine zwei-Periode gleitenden Durchschnitt Prognose zu präsentieren. Der Eintrag für Zelle C5 sollte jetzt sein Sie können diese Zellformel auf die anderen Zellen C6 bis C11 kopieren. Beachten Sie, wie jetzt nur die beiden letzten Stücke der historischen Daten für jede Vorhersage verwendet werden. Wieder habe ich die quotpast Vorhersagequot für illustrative Zwecke und für die spätere Verwendung in der Prognose Validierung enthalten. Einige andere Dinge, die wichtig zu beachten sind. Für eine m-Periode gleitende Durchschnittsprognose werden nur die m neuesten Datenwerte verwendet, um die Vorhersage durchzuführen. Nichts anderes ist notwendig. Für eine m-Periode gleitende durchschnittliche Prognose, wenn Sie Quotpast Vorhersagequot, beachten Sie, dass die erste Vorhersage tritt im Zeitraum m 1 auf. Diese beiden Fragen werden sehr wichtig sein, wenn wir unseren Code entwickeln. Entwicklung der Moving Average Funktion. Nun müssen wir den Code für die gleitende Durchschnittsprognose entwickeln, die flexibler genutzt werden kann. Der Code folgt. Beachten Sie, dass die Eingaben für die Anzahl der Perioden sind, die Sie in der Prognose und dem Array von historischen Werten verwenden möchten. Sie können es in beliebiger Arbeitsmappe speichern. Funktion MovingAverage (Historical, NumberOfPeriods) als einzelne Deklarations - und Initialisierungsvariablen Dim Item als Variant Dim Zähler als Integer Dim Summe als Single Dim HistoricalSize als Integer Initialisierung von Variablen Zähler 1 Akkumulation 0 Festlegung der Größe des Historical Arrays HistoricalSize Historical. Count For Counter 1 bis NumberOfPeriods Summieren der entsprechenden Anzahl der zuletzt beobachteten Werte Accumulation Accumulation Historical (HistoricalSize - NumberOfPeriods Counter) MovingAverage Accumulation NumberOfPeriods Der Code wird in der Klasse erklärt. Sie möchten die Funktion in der Tabellenkalkulation positionieren, so dass das Ergebnis der Berechnung dort erscheint, wo es wie folgt aussehen soll. Prognoseberechnungsbeispiele A.1 Prognoseberechnungsmethoden Es stehen zwölf Berechnungsmethoden zur Verfügung. Die meisten dieser Methoden bieten eine eingeschränkte Benutzerkontrolle. Beispielsweise könnte das Gewicht, das auf die jüngsten historischen Daten oder den Datumsbereich der in den Berechnungen verwendeten historischen Daten gesetzt wurde, spezifiziert werden. Die folgenden Beispiele zeigen das Berechnungsverfahren für jede der verfügbaren Prognosemethoden bei einem identischen Satz von historischen Daten. Die folgenden Beispiele verwenden dieselben Verkaufsdaten für 2004 und 2005, um eine Verkaufsprognose von 2006 zu erstellen. Zusätzlich zur Prognoserechnung enthält jedes Beispiel eine simulierte Prognose von 2005 für eine dreimonatige Halteperiode (Verarbeitungsoption 19 3), die dann für Prozentsätze der Genauigkeit und der mittleren Absolutabweichung (tatsächlicher Umsatz gegenüber simulierter Prognose) verwendet wird. A.2 Kriterien für die Bewertung der Prognoseleistung Abhängig von der Auswahl der Verarbeitungsoptionen und den in den Verkaufsdaten vorhandenen Trends und Mustern werden einige Prognosemethoden für einen gegebenen historischen Datensatz besser abschneiden als andere. Eine für ein Produkt geeignete Prognosemethode ist möglicherweise nicht für ein anderes Produkt geeignet. Es ist auch unwahrscheinlich, dass eine Prognosemethode, die in einem Stadium des Produktlebenszyklus gute Ergebnisse liefert, über den gesamten Lebenszyklus hinweg angemessen bleibt. Sie können zwischen zwei Methoden wählen, um die aktuelle Leistung der Prognosemethoden zu bewerten. Diese sind mittlere absolute Abweichung (MAD) und Prozent der Genauigkeit (POA). Beide dieser Leistungsbewertungsverfahren erfordern historische Verkaufsdaten für einen vom Benutzer angegebenen Zeitraum. Dieser Zeitraum wird als Halteperiode oder Perioden am besten geeignet (PBF) bezeichnet. Die Daten in diesem Zeitraum dienen als Grundlage für die Empfehlung, welche der Prognosemethoden für die nächste Prognoseprojektion verwendet werden sollen. Diese Empfehlung ist spezifisch für jedes Produkt und kann von einer Prognosegeneration zur nächsten wechseln. Die beiden prognostizierten Methoden der Leistungsbewertung werden in den Seiten nach den Beispielen der zwölf Prognosemethoden vorgestellt. A.3 Methode 1 - Festgelegter Prozentsatz über Letztes Jahr Diese Methode multipliziert Verkaufsdaten des Vorjahres mit einem vom Benutzer spezifizierten Faktor, zum Beispiel 1,10 für eine 10-Erhöhung oder 0,97 für eine 3-Abnahme. Erforderliche Verkaufsgeschichte: Ein Jahr für die Berechnung der Prognose plus die benutzerdefinierte Anzahl von Zeiträumen für die Bewertung der Prognoseperformance (Verarbeitungsoption 19). A.4.1 Prognoserechnung Berechnung des Umsatzverlaufs für die Berechnung des Wachstumsfaktors (Verarbeitungsoption 2a) 3 in diesem Beispiel. Summe den letzten drei Monaten des Jahres 2005: 114 119 137 370 Summe die gleichen drei Monate für das Vorjahr: 123 139 133 395 Der berechnete Faktor 370.395 0,9367 Berechnen Sie die Prognosen: Januar 2005 Umsatz 128 0,9367 119,8036 oder etwa 120 Februar 2005 Umsatz 117 0,9367 109,5939 oder etwa 110 März 2005 Umsatz 115 0,9367 107,7205 oder etwa 108 A.4.2 Simulierte Prognose Berechnung Summe die drei Monate des Jahres 2005 vor Periode holdout (Juli, August, September): 129 140 131 400 Summe die gleichen drei Monate für die Vorjahr: 141 128 118 387 der berechnete Faktor 400.387 1,033591731 berechnen simulierte Prognose: Oktober 2004 Umsatz 123 1,033591731 127,13178 November 2004 Umsatz 139 1,033591731 143,66925 Dezember 2004 Umsatz 133 1,033591731 137,4677 A.4.3 Prozent der Genauigkeit Berechnung POA (127,13178 143,66925 137,4677) (114 119 137) 100 370 100 408,26873 110,3429 A.4.4 Mittlere MAD absolute Abweichung Berechnung (127,13178-114 143,66925-119 137.4677- 137) 3 (13,13178 24,66925 0,4677) 3 12,75624 A.5 Methode 3 - Im vergangenen Jahr zu diesem Jahr Diese Methode Kopiert die Verkaufsdaten des Vorjahres auf das nächste Jahr. Erforderliche Verkaufsgeschichte: Ein Jahr für die Berechnung der Prognose plus die Anzahl der für die Bewertung der Prognoseperformance angegebenen Zeiträume (Verarbeitungsoption 19). A.6.1 Prognoseberechnung Anzahl der Perioden, die in den Durchschnitt einzubeziehen sind (Verarbeitungsoption 4a) 3 in diesem Beispiel Für jeden Monat der Prognose durchschnittlich die letzten drei Monate Daten. Januar Prognose: 114 119 137 370, 370 3 123.333 oder 123. Februar Prognose: 119 137 123 379, 379 3 126.333 oder 126 März Prognose: 137 123 126 379, 386 3 128.667 oder 129 A.6.2 Simulierte Prognose Berechnung Oktober 2005 Umsatz (129 140 131 114 3 128,333 Dezember 2005 Umsatz (131 114 119) 3 121,333 A.6,3 Prozent der Genauigkeitsberechnung (133,333 128,333 121,333) (114 119 137) 100 103,513 A.6.4 Mittelwert Absolut Abweichungsberechnung MAD (133.3333 - 114 128.3333 - 119 121.3333 - 137) 3 14.7777 A.7 Methode 5 - Lineare Approximation Lineare Approximation berechnet einen Trend basierend auf zwei Verkaufsverlaufsdatenpunkten. Diese beiden Punkte definieren eine gerade Linie, die in die Zukunft projiziert wird. Verwenden Sie diese Methode mit Vorsicht, da Langstreckenvorhersagen durch kleine Änderungen an nur zwei Datenpunkten genutzt werden. Erforderliche Verkaufsgeschichte: Anzahl der in die Regression einzubeziehenden Perioden (Verarbeitungsoption 5a) plus 1 plus Anzahl der Zeiträume für die Bewertung der Prognoseperformance (Verarbeitungsoption 19). A.8.1 Prognose Berechnung für jeden Monat der Prognose Anzahl der Perioden in Regression (Verarbeitungsoption 6a) in diesem Beispiel 3 enthalten, fügen Sie die Zunahme oder Abnahme während der angegebenen Zeiträume vor Periode holdout der Vorperiode. Durchschnitt der vorangegangenen drei Monate (114 119 137) 3 123.3333 Zusammenfassung der letzten drei Monate mit betrachtetem Gewicht (114 1) (119 2) (137 3) 763 Differenz zwischen den Werten 763 - 123.3333 (1 2 3) 23 Verhältnis ( (1 n) Wert1 Wert2 4 11,5 100,333 146,333 oder 146 Prognose 5 11,5 100,333 157,8333 oder 158 Prognose 6 11,5 100,333 169,333. Vorhersage (1 n) Wert1 Wert2 4 11,5 100,333 146,333 oder 146 Vorhersage 5 11,5 100,333 157,8333 oder 158 Vorhersage 6 11,5 100,333 169,333 Oder 169 A.8.2 Simulierte Prognoseberechnung Oktober 2004 Umsatz: Durchschnitt der vorangegangenen drei Monate (129 140 131) 3 133.3333 Zusammenfassung der letzten drei Monate mit betrachtetem Gewicht (129 1) (140 2) (131 3) 802 Differenz zwischen den (1 2 3) 2 Verhältnis (12 22 32) - 2 3 14 - 12 2 Wert1 DifferenzRatio 22 1 Wert2 Durchschnitt - Wert1 Verhältnis 133,333 - 1 2 131,333 Vorhersage (1 n) Wert1 Wert2 4 1 131,333 135,333 November 2004 Umsatz Durchschnitt der vorangegangenen drei Monate (140 131 114) 3 128,333 Zusammenfassung der letzten drei Monate mit Bezugsgewicht (140 1) (131 2) (114 3) 744 Differenz zwischen den Werten 744 - 128.3333 (1 2 3) -25.9999 Wert1 DifferenzRatio -25.99992 -12.9999 Wert2 Durchschnitt - Wert1 Verhältnis 128.3333 - (-12.9999) 2 154.3333 Prognose 4 -12.9999 154.3333 102.3333 Dezember 2004 Umsatz Durchschnitt der letzten drei Monate (131 114 119) 3 121.3333 Zusammenfassung der letzten drei Monate mit Gewichtung (119 3) 716 Differenz zwischen den Werten 716 - 121,3333 (1 2 3) -11,9999 Wert1 DifferenzRatio -11,99992 -5,9999 Wert2 Mittelwert-Wert1 Verhältnis 121,3333 - (-5,9999) 2 133,333 Prognose 4 (- (135,33 - 114 102,33 - 119 109,33 - 137) 3 21,88 A.9 Verfahren 7. Verfahren nach einem der Ansprüche 1 bis 5, dadurch gekennzeichnet, - Second Degree Approximation Die lineare Regression ermittelt Werte für a und b in der Prognoseformel Y a bX mit dem Ziel, eine Gerade an die Verkaufsgeschichtsdaten anzupassen. Zweite Grad Approximation ist ähnlich. Dieses Verfahren ermittelt jedoch Werte für a, b und c in der Prognoseformel Y a bX cX2 mit dem Ziel, eine Kurve an die Verkaufsverlaufsdaten anzupassen. Dieses Verfahren kann nützlich sein, wenn sich ein Produkt im Übergang zwischen den Stufen eines Lebenszyklus befindet. Wenn sich beispielsweise ein neues Produkt von der Einführung in die Wachstumsstadien bewegt, kann sich die Umsatzentwicklung beschleunigen. Wegen des Termes der zweiten Ordnung kann die Prognose schnell an die Unendlichkeit heranreichen oder auf Null fallen (abhängig davon, ob der Koeffizient c positiv oder negativ ist). Daher ist dieses Verfahren nur kurzfristig nutzbar. Prognosedaten: Die Formeln finden a, b und c, um eine Kurve auf genau drei Punkte zu platzieren. Sie geben n in der Verarbeitungsoption 7a an, die Anzahl der Zeitperioden der Daten, die sich in jedem der drei Punkte ansammeln. In diesem Beispiel n 3. Daher werden die tatsächlichen Verkaufsdaten für April bis Juni in den ersten Punkt Q1 zusammengefasst. Juli bis September werden addiert, um Q2 zu schaffen, und Oktober bis Dezember Summe zu Q3. Die Kurve wird an die drei Werte Q1, Q2 und Q3 angepasst. Erforderliche Verkaufsgeschichte: 3 n Perioden für die Berechnung der Prognose plus die Anzahl der Zeiträume, die für die Bewertung der Prognoseperformance (PBF) erforderlich sind. Anzahl der einzubeziehenden Perioden (Verarbeitungsoption 7a) 3 in diesem Beispiel Die vorherigen (3 n) Monate in dreimonatigen Blöcken verwenden: Q1 (Apr - Jun) 125 122 137 384 Q2 (Jul - Sep) 129 140 131 400 Q3 Der nächste Schritt besteht darin, die drei Koeffizienten a, b und c zu berechnen, die in der Prognoseformel Y a bX cX2 (1) Q1 a bX cX2 (mit X 1) abc (2) Q2 verwendet werden (1) aus Gleichung (2) subtrahieren Sie die Gleichung (1) aus der Gleichung (1) aus der Gleichung (2) (3) (3) Q3 a 3 (Q2 - Q1) - 3c c Setzen Sie diese Gleichungen für a und b in die Gleichung (3) ein Gleichung (1) Q3 - 3 (Q2 - Q1) (q2 - Q1) - 3c c Q1 c (Q3 - Q2) (Q1 - Q2) 2 Das Zweite-Grad-Approximationsverfahren berechnet a, b und c wie folgt: a Q3 - 3 (Q2 - Q1) 370 - 3 (400 - 384) 322 c (Q3 - Q2) (Q1 - Q2) 2 (370 - 400) 400 - 384) - (3 -23) 85 Y a bX cX2 322 85X (-23) X2 Januar bis März Prognose (X4): (322 340 - 368) 3 2943 98 pro Zeitraum April bis Juni Prognose (X5): 322 425 - 575) 3 57.333 oder 57 pro Zeitraum Juli bis September Prognose (X6): (322 510 - 828) 3 1,33 oder 1 pro Zeitraum Oktober bis Dezember (X7) (322 595 - 11273 -70 A.9.2 Simulierte Prognoseberechnung Oktober, November und Dezember 2004 Umsatz: Q1 (Jan - März) 360 Q2 (Apr - Jun) 384 Q3 (Jul - Sep) 400 a 400 - 3 (384 - 360) 328 c (400 - 384) (360 - 384) ) 2 -4 b (384 - 360) - 3 (-4) 36 328 36 4 (-4) 163 136 A.9.3 Prozent der Genauigkeitsberechnung POA (136 136 136) (114 119 137) 100 110,27 A.9.4 Mean Absolute Abweichungsberechnung MAD (136 - 114 136 - 119 136 - 137) 3 13.33 A.10 Methode 8 - Flexible Methode Die flexible Methode (Prozentsatz über n Monate vor) ähnelt der Methode 1, Prozent über dem letzten Jahr. Beide Verfahren multiplizieren Verkaufsdaten aus einer vorherigen Zeitspanne mit einem vom Benutzer spezifizierten Faktor und projizieren dieses Ergebnis dann in die Zukunft. In der Percent Over Last Year Methode basiert die Projektion auf Daten aus dem gleichen Zeitraum des Vorjahres. Das Flexible-Verfahren fügt die Möglichkeit hinzu, einen Zeitraum anzugeben, der nicht derselbe Zeitraum ist, der als Basis für die Berechnungen verwendet werden kann. Multiplikationsfaktor. Geben Sie z. B. 1.15 in der Verarbeitungsoption 8b an, um die vorherigen Verkaufsverlaufsdaten um 15. Basisperiode zu erhöhen. Zum Beispiel führt n 3 dazu, dass die erste Prognose im Oktober 2005 auf Verkaufsdaten basiert. Minimale Umsatzhistorie: Die vom Benutzer angegebene Anzahl von Perioden zurück zur Basisperiode plus die Anzahl der Zeitperioden, die für die Bewertung der Prognoseperformance erforderlich sind ( PBF). A.10.4 Mittlere Absolutabweichung MAD (148 - 114 161 - 119 151 - 137) 3 30 A.11 Methode 9 - Gewichteter gleitender Durchschnitt Die Methode des gewichteten gleitenden Durchschnitts (WMA) ist ähnlich wie bei Methode 4, Gleitender Durchschnitt (MA). Mit dem Weighted Moving Average können Sie jedoch den historischen Daten ungleiche Gewichte zuordnen. Die Methode berechnet einen gewichteten Durchschnitt der letzten Verkäufe Geschichte, um zu einer Projektion für die kurzfristige kommen. Neuere Daten sind in der Regel ein größeres Gewicht als ältere Daten zugeordnet, so dass dies WMA mehr reagiert auf Verschiebungen in der Ebene des Umsatzes. Prognosevorhersage und systematische Fehler treten jedoch immer noch auf, wenn die Produktverkäufe Geschichte starke Trend - oder saisonale Muster aufweisen. Diese Methode funktioniert besser für Kurzstreckenvorhersagen von reifen Produkten als für Produkte in den Wachstums - oder Veralterungsstadien des Lebenszyklus. N die Anzahl der Perioden der Verkaufsgeschichte, die in der Prognoserechnung verwendet werden sollen. Geben Sie z. B. n 3 in der Verarbeitungsoption 9a an, um die letzten drei Perioden als Grundlage für die Projektion in die nächste Zeitperiode zu verwenden. Ein großer Wert für n (wie 12) erfordert mehr Umsatz Geschichte. Es resultiert in einer stabilen Prognose, aber es wird nur langsam sein, Veränderungen im Umsatzniveau zu erkennen. Andererseits reagiert ein kleiner Wert für n (wie z. B. 3) schneller auf Verschiebungen des Umsatzniveaus, doch kann die Prognose so weit schwanken, dass die Produktion nicht auf die Variationen reagieren kann. Das Gewicht, das jeder der historischen Datenperioden zugewiesen ist. Die zugeordneten Gewichte müssen insgesamt 1,00 betragen. Zum Beispiel, wenn n 3, Gewichte von 0,6, 0,3 und 0,1 zuweisen, wobei die neuesten Daten das größte Gewicht empfangen. Mindestens erforderlicher Umsatzverlauf: n plus Anzahl der Zeiträume, die für die Bewertung der Prognoseperformance (PBF) erforderlich sind. MAD (133,5 - 114 121,7 - 119 118,7 - 137) 3 13,5 A.12 Methode 10 - Lineare Glättung Diese Methode ähnelt Methode 9, Weighted Moving Average (WMA). Jedoch wird anstelle der willkürlichen Zuweisung von Gewichten zu den historischen Daten eine Formel verwendet, um Gewichtungen zuzuweisen, die linear abnehmen und auf 1,00 summieren. Das Verfahren berechnet dann einen gewichteten Durchschnitt der letzten Verkaufsgeschichte, um zu einer Projektion für die kurze Zeit zu gelangen. Wie bei allen linearen gleitenden durchschnittlichen Prognosemethoden treten Prognosevorhersage und systematische Fehler auf, wenn die Produktverkaufsgeschichte starke Trend - oder saisonale Muster aufweist. Diese Methode funktioniert besser für Kurzstreckenvorhersagen von reifen Produkten als für Produkte in den Wachstums - oder Veralterungsstadien des Lebenszyklus. N die Anzahl der Perioden der Verkaufsgeschichte, die in der Prognoserechnung verwendet werden sollen. Dies ist in der Verarbeitungsoption 10a spezifiziert. Geben Sie beispielsweise n 3 in der Verarbeitungsoption 10b an, um die letzten drei Perioden als Grundlage für die Projektion in die nächste Zeitperiode zu verwenden. Das System vergibt automatisch die Gewichte der historischen Daten, die linear sinken und auf 1,00 sinken. Wenn beispielsweise n & sub3; wird das System Gewichte von 0,5, 0,3333 und 0,1 zuweisen, wobei die jüngsten Daten das größte Gewicht empfangen. Mindestens erforderlicher Umsatzverlauf: n plus Anzahl der Zeiträume, die für die Bewertung der Prognoseperformance (PBF) erforderlich sind. A.12.1 Prognoseberechnung Anzahl der Perioden, die in den Glättungsdurchschnitt einzubeziehen sind (Verarbeitungsoption 10a) 3 in diesem Beispiel Verhältnis für eine Periode vorher 3 (n2 n) 2 3 (32 3) 2 36 0.5 Verhältnis für zwei Perioden vor 2 (n2 n ) 2 2 (32 3) 2 26 0,333 .. Verhältnis für drei Perioden vorher 1 (n2 n) 2 1 (32 3) 2 16 0,1666 .. Januar Prognose: 137 0,5 119 13 114 16 127,16 oder 127 Februar Prognose: 127 0,5 137 13 119 16 129 März-Prognose: 129 0,5 127 13 137 16 129,666 oder 130 A.12.2 Simulierte Prognoseberechnung Oktober 2004 Umsatz 129 16 140 26 131 36 133,6666 November 2004 Umsatz 140 16 131 26 114 36 124 Dezember 2004 Umsatz 131 16 114 26 119 36 119,333 A.12.3 Prozentsatz der Genauigkeitsberechnung POA (133,6666 124 119,333) (114 119 137) 100 101,891 A.12.4 Mittlere Absolutabweichung MAD (133,6666 - 114 124 - 119 119,333 - 137) 3 14,1111 A.13 Methode 11 - Exponentielle Glättung Diese Methode ist ähnlich wie Methode 10, Lineare Glättung. In der Linearglättung vergibt das System Gewichte an die historischen Daten, die linear abnehmen. Bei exponentieller Glättung weist das System Gewichte auf, die exponentiell zerfallen. Die exponentielle Glättungsvorhersagegleichung lautet: Prognose a (Vorherige Ist-Verkäufe) (1 - a) Vorhergehende Prognose Die Prognose ist ein gewichteter Durchschnitt der tatsächlichen Umsätze der Vorperiode und der Prognose der Vorperiode. A ist das Gewicht auf den tatsächlichen Umsatz für die vorherige Periode angewendet. (1 - a) das auf die Prognose der Vorperiode angewandte Gewicht. Gültige Werte für einen Bereich von 0 bis 1 und üblicherweise zwischen 0,1 und 0,4 liegen. Die Summe der Gewichte beträgt 1,00. A (1 - a) 1 Sie sollten einen Wert für die Glättungskonstante zuweisen, a. Wenn Sie keine Werte für die Glättungskonstante zuordnen, berechnet das System einen angenommenen Wert auf der Grundlage der in der Verarbeitungsoption 11a angegebenen Anzahl von Perioden der Verkaufsgeschichte. Eine Glättungskonstante, die beim Berechnen des geglätteten Durchschnitts für das allgemeine Niveau oder die Grße der Verkäufe verwendet wird. Gültige Werte für einen Bereich von 0 bis 1. n der Bereich der Verkaufsgeschichtsdaten, der in die Berechnungen aufzunehmen ist. Generell reicht ein Jahr der Umsatzverlaufsdaten aus, um das allgemeine Umsatzniveau abzuschätzen. Für dieses Beispiel wurde ein kleiner Wert für n (n 3) gewählt, um die manuellen Berechnungen zur Verifizierung der Ergebnisse zu reduzieren. Eine exponentielle Glättung kann eine Prognose erzeugen, die auf nur einem historischen Datenpunkt basiert. Mindestens erforderlicher Umsatzverlauf: n plus Anzahl der Zeiträume, die für die Bewertung der Prognoseperformance (PBF) erforderlich sind. A.13.1 Prognoserechnung Die Anzahl der Perioden, die in den Glättungsdurchschnitt (Verarbeitungsoption 11a) 3 und alpha-Faktor (Verarbeitungsoption 11b) einzubeziehen sind, ist in diesem Beispiel ein Faktor für die ältesten Vertriebsdaten 2 (11) oder 1 bei der Angabe von alpha Ein Faktor für die zweitältesten Verkaufsdaten 2 (12) oder alpha, wenn alpha ein Faktor für die 3. ältesten Verkaufsdaten 2 (13) angegeben ist, oder alpha, wenn alpha ein Faktor für die letzten Verkaufsdaten 2 (1n) , Oder alpha, wenn alpha angegeben ist November Sm. Durchschn. A (Oktober-Ist) (1 - a) Oktober Sm. Durchschn. 1 114 0 0 114 Dezember Sm. Durchschn. A (November-Ist) (1 - a) November Sm. Durchschn. 23 119 13 114 117.3333 Januar Vorhersage a (Dezember Tatsächlich) (1 - a) Dezember Sm. Durchschn. 24 137 24 117.3333 127.16665 oder 127 Februar Prognose Januar Prognose 127 März Prognose Januar Prognose 127 A.13.2 Simulierte Prognoseberechnung Juli 2004 Sm. Durchschn. 22 129 129 August Sm. Durchschn. 23 140 13 129 136,333 September Sm. Durchschn. 24 131 24 136.3333 133.6666 Oktober 2004 Verkauf Sep Sm. Durchschn. 133.6666 August 2004. Sm. Durchschn. 22 140 140 September Sm. Durchschn. 23 131 13 140 134 Oktober Sm. Durchschn. 24 114 24 134 124 November 2004 Verkauf Sep Sm. Durchschn. 124 September 2004 Sm. Durchschn. 22 131 131 Oktober Sm. Durchschn. 23 114 13 131 119,6666 November Sm. Durchschn. 24 119 24 119,6666 119,333 Dezember 2004 Umsatz Sep Sm. Durchschn. 119.3333 A.13.3 Prozentsatz der Genauigkeitsberechnung POA (133,6666 124 119,333) (114 119 137) 100 101,891 A.13.4 Mittlere Absolutabweichung MAD (133,6666 - 114 124 - 119 119,333 - 137) 3 14,1111 A.14 Methode 12 - Exponentialglättung Mit Trend und Saisonalität Diese Methode ist ähnlich wie Methode 11, Exponentialglättung, indem ein geglätteter Durchschnitt berechnet wird. Das Verfahren 12 enthält jedoch auch einen Term in der Prognose-Gleichung, um einen geglätteten Trend zu berechnen. Die Prognose setzt sich aus einem geglätteten Durchschnitt und einem linearen Trend zusammen. Wenn in der Verarbeitungsoption angegeben, wird die Prognose auch saisonbedingt angepasst. Eine Glättungskonstante, die beim Berechnen des geglätteten Durchschnitts für das allgemeine Niveau oder die Grße der Verkäufe verwendet wird. Gültige Werte für den Alpha-Bereich von 0 bis 1. b die Glättungskonstante, die beim Berechnen des geglätteten Durchschnitts für die Trendkomponente der Prognose verwendet wird. Gültige Werte für Beta reichen von 0 bis 1. Ob ein saisonaler Index auf die Prognose a und b angewendet wird, sind unabhängig voneinander. Sie müssen nicht zu 1.0 hinzufügen. Mindestens erforderlicher Umsatzverlauf: zwei Jahre plus Anzahl der für die Bewertung der Prognoseperformance (PBF) erforderlichen Zeiträume. Methode 12 verwendet zwei exponentielle Glättungsgleichungen und einen einfachen Mittelwert, um einen geglätteten Durchschnitt, einen geglätteten Trend und einen einfachen durchschnittlichen saisonalen Faktor zu berechnen. A.14.1 Prognoseberechnung A) Ein exponentiell geglättetes durchschnittliches MAD (122.81 - 114 133.14 - 119 135.33 - 137) 3 8.2 A.15 Auswertung der Prognosen Sie können Prognosemethoden auswählen, um so viele wie zwölf Prognosen für jedes Produkt zu generieren. Jede Prognose-Methode wird wahrscheinlich eine etwas andere Projektion. Wenn Tausende von Produkten prognostiziert werden, ist es unpraktisch, eine subjektive Entscheidung zu treffen, welche der Prognosen in Ihren Plänen für jedes der Produkte verwendet werden. Das System wertet die Leistung automatisch für jede der von Ihnen ausgewählten Prognosemethoden und für jede der Prognoseprognosen aus. Sie können zwischen zwei Leistungskriterien, Mean Absolute Deviation (MAD) und Percent of Accuracy (POA) wählen. MAD ist ein Maß für den Prognosefehler. POA ist ein Maß für die Vorhersage. Beide dieser Leistungsbewertungsverfahren erfordern tatsächliche Verkaufsgeschichtsdaten für eine vom Benutzer angegebene Zeitspanne. Diese Periode der jüngsten Geschichte wird als Halteperiode oder Perioden am besten geeignet (PBF) bezeichnet. Um die Leistung einer Prognosemethode zu messen, verwenden Sie die Prognoseformeln, um eine Prognose für die historische Halteperiode zu simulieren. Normalerweise gibt es Unterschiede zwischen den tatsächlichen Verkaufsdaten und der simulierten Prognose für die Halteperiode. Wenn mehrere Prognosemethoden ausgewählt werden, erfolgt dieser Prozess für jede Methode. Mehrere Prognosen werden für die Halteperiode berechnet und mit dem bekannten Umsatzverlauf für denselben Zeitraum verglichen. Für die Verwendung in Ihren Plänen wird die Prognosemethode empfohlen, die die optimale Übereinstimmung zwischen der Prognose und dem tatsächlichen Umsatz während des Haltezeitraums liefert. Diese Empfehlung ist spezifisch für jedes Produkt und kann sich von einer Prognosegeneration zur nächsten ändern. A.16 Mittlere Absolutabweichung (MAD) MAD ist der Mittelwert (oder Mittelwert) der Absolutwerte (oder Größen) der Abweichungen (oder Fehler) zwischen Ist - und Prognosedaten. MAD ist ein Maß für die durchschnittliche Größe der zu erwartenden Fehler bei einer Prognosemethode und einem Datenverlauf. Da bei der Berechnung absolute Werte verwendet werden, werden positive Fehler nicht negativ ausgewertet. Beim Vergleich mehrerer Prognosemethoden hat sich diejenige mit dem kleinsten MAD als die zuverlässigste für dieses Produkt für diese Halteperiode erwiesen. Wenn die Prognose unvoreingenommen ist und Fehler normal verteilt sind, gibt es eine einfache mathematische Beziehung zwischen MAD und zwei anderen gemeinsamen Maßeinheiten für Verteilung, Standardabweichung und Mean Squared Error: A.16.1 Prozent der Genauigkeit (POA) Prozent der Genauigkeit (POA) Ein Maß für die Vorhersage Bias. Wenn die Prognosen konsequent zu hoch sind, sammeln sich die Vorräte an und die Lagerhaltungskosten steigen. Wenn die Prognosen konsequent zwei niedrig sind, werden die Vorräte verbraucht und der Kundendienst sinkt. Eine Prognose, die 10 Einheiten zu niedrig ist, dann 8 Einheiten zu hoch, dann 2 Einheiten zu hoch, wäre eine unvoreingenommene Prognose. Der positive Fehler von 10 wird durch negative Fehler von 8 und 2 gelöscht. Fehler Tatsächlich - Prognose Wenn ein Produkt im Inventar gespeichert werden kann und wenn die Prognose nicht vorhanden ist, kann eine kleine Menge an Sicherheitsbestand verwendet werden, um die Fehler zu puffern. In dieser Situation ist es nicht so wichtig, Prognosefehler zu eliminieren, da es sich um die Erzeugung von unvorhersehbaren Prognosen handelt. In der Dienstleistungsbranche wäre die obige Situation jedoch als drei Fehler zu betrachten. Der Dienst würde in der ersten Periode unterbesetzt sein, dann überbesetzt für die nächsten zwei Perioden. In Services ist die Größenordnung der Prognosefehler in der Regel wichtiger als die prognostizierte Bias. Die Summierung über die Halteperiode erlaubt positive Fehler, negative Fehler abzubrechen. Wenn die Summe der tatsächlichen Verkäufe die Summe der prognostizierten Verkäufe übersteigt, ist das Verhältnis größer als 100. Natürlich ist es unmöglich, mehr als 100 genau zu sein. Wenn eine Prognose nicht vorliegt, beträgt das POA-Verhältnis 100. Daher ist es wünschenswerter, genauer als 100 genau zu sein, als 110 genau zu sein. Die POA-Kriterien wählen Sie die Prognosemethode, die eine POA-Verhältnis am nächsten zu 100 hat. Scripting auf dieser Seite verbessert die Inhaltsnavigation, aber nicht den Inhalt in irgendeiner Weise zu ändern. Calculate Moving Average Gepostet am 28. April 2009 in Learn Excel - 191 Kommentare Moving Durchschnitt wird häufig verwendet, um zugrunde liegende Trends zu verstehen und hilft bei der Prognose. MACD oder gleitende durchschnittliche Konvergenzdivergenz ist wahrscheinlich die am meisten verwendete technische Analyse-Tools im Aktienhandel. Es ist ziemlich häufig in mehreren Unternehmen zu bewegen gleitenden Durchschnitt von 3 Monaten Umsatz zu verstehen, wie der Trend ist. Heute lernen wir, wie Sie den gleitenden Durchschnitt berechnen können und wie der Durchschnitt der letzten 3 Monate mit Excel-Formeln berechnet werden kann. Berechnen Sie den gleitenden Durchschnitt Um den gleitenden Durchschnitt zu berechnen, benötigen Sie nur die gute alte AVERAGE-Excel-Funktion. Angenommen, Ihre Daten befinden sich im Bereich B1: B12, geben Sie einfach diese Formel in die Zelle ein D3 DURCHSCHNITT (B1: B3) Und nun die Formel von D3 in den Bereich D4 bis D12 kopieren (denken Sie daran, dass Sie einen gleitenden Durchschnitt von 3 Monaten berechnen , Erhalten Sie nur 10 Werte 12-31) Das ist alles, was Sie benötigen, um gleitenden Durchschnitt zu berechnen. Berechnen Sie Moving Average der letzten 3 Monate allein Lets sagen, dass Sie den Durchschnitt der letzten 3 Monate zu jedem Zeitpunkt berechnen müssen. Das heißt, wenn Sie den Wert für den nächsten Monat eingeben, sollte der Durchschnitt automatisch angepasst werden. Zuerst wollen wir einen Blick auf die Formel und dann werden wir verstehen, wie es funktioniert. Also, was das Heck der oben genannten Formel ist es sowieso Es zählt, wie viele Monate sind bereits eingegeben 8211 COUNT (B4: B33) Dann ist es offsetting count minus 3 Zellen von B4 und Abrufen von 3 Zellen von dort 8211 OFFSET (B4, COUNT (B4 : B33) -3,0,3,1). Dies sind nur die letzten 3 Monate. Schließlich übergibt dieser Bereich an die AVERAGE-Funktion, um den gleitenden Durchschnitt der letzten 3 Monate zu berechnen. Ihre Hausarbeit Nun, da Sie gelernt haben, wie zu berechnen gleitenden Durchschnitt mit Excel, hier ist Ihre Heimarbeit. Nehmen wir an, Sie möchten, dass die Anzahl der Monate, die verwendet werden, um den gleitenden Durchschnitt zu berechnen, in der Zelle E1 konfigurierbar ist. Dh wenn E1 von 3 auf 6 geändert wird, sollte die gleitende Durchschnittstabelle den gleitenden Durchschnitt für 6 Monate zu einem Zeitpunkt berechnen. Wie schreibst du die Formeln dann Don8217t Blick auf die Kommentare, gehen Sie und Abbildung dieses für sich selbst. Wenn Sie die Antwort nicht finden können, kommen Sie zurück und lesen Sie die Kommentare. Go Dieser Beitrag ist Teil unserer Spreadcheat-Serie. Ein 30 Tage Online-Excel-Trainingsprogramm für Bürogänger und Spreadsheet-Nutzer. Tritt heute bei . Teilen Sie diesen Tipp mit Ihren Freunden Hallo, vor kurzem fanden Sie Ihre Website und Im lieben alle Tipps. Vielen Dank für all Ihre Tutorials. Seine genau brauchte ich jedoch, lief ich in ein bisschen ein Problem, wie ich auch mit Vlookup mit Offset. Zum Beispiel, in Ihrem Beispiel würde ich Vlookup in meiner Vorlage, so dass, wie ich in neue Daten jeden Monat, würde es automatisch aktualisieren die Verkaufsdaten jeden Monat. Mein Problem ist in meiner OFFSET-Formel, ich habe COUNTA, die offensichtlich zählt alle Zellen mit Formeln, sogar. Irgendwelche Ideen, wie diese beiden Funktionen besser zu integrieren, vor allem, wenn ich versuche zu grafieren und durchschnittlich, dass letzten 12 Monate würde ich schätzen alle Ideen, die Sie oder Ihre Leser meine haben. Vielen Dank für die tolle Website Twee. Willkommen bei PHD und vielen Dank für die Frage. Ich bin nicht sicher, ob ich es richtig verstanden. Haben Sie versucht mit count anstelle von counta Sie havent gezeigt uns die Offset-Formel, ohne zu sehen, dass die Festsetzung wäre es schwierig sein. Ich muss einen Zwölfmonatsdurchschnitt berechnen, der einen 24-Monats-Zeitraum umfasst, wenn er abgeschlossen ist. Kannst du mir auch in die richtige Richtung zeigen, wie ich anfangen soll? Meine Daten sind Fahrzeugmeilen und startet auf B2 und endet auf B25. Hilfe Chandoo, das ist eine großartige Formel für das, was ich verwende, außer ich versuche erfolglos, um die Formel bedingte. Ich habe eine Tabelle, siehe Links unten, die alle Runden von Disc-Golf gespielt von Freunden und mir. Ive erhielt es bereits, um jeden unserer Gesamtdurchschnitte und jeden unserer Durchschnitte auf spezifischen Kursen zu berechnen. Was ich jetzt versuche, ist aber auch ein gleitender Durchschnitt basierend auf unseren 5 letzten Runden. Sobald mehr Daten eingegeben worden sind, werde ich es auf 10 ändern, aber für jetzt 5 ist gerade fein. Ich kann den gleitenden Durchschnitt zu arbeiten, aber ich kann nicht herausfinden, wie man bedingte Einschränkungen hinzufügen. IE Ich möchte zum Beispiel nur die letzten 5 Runden, die von Kevin gespielt wurden. Danach will ich nur die letzten 5 Runden von Kevin beim Oshtemo Kurs spielen. Der Code Im mit ist unten. Code für Cell C9 ist unten aufgelistet. WENN (B9lt6, AVERAGEIF (DiscRoundsA2: A20000, A9, DiscRoundsM2: M20000), DURCHSCHNITT (VON FUSSBETRIEB (DiscRoundsM2, IF (DiscRoundsA2: A20000A9, COUNT (DiscRoundsM2: M20000), quotquot) -5,0,5 , 1)))) Im Wesentlichen, wenn es 0 Runden verlässt es die Zelle leer. Wenn es 5 oder weniger Runden gibt es nur den Durchschnitt aller Runden. Schließlich, wenn es 6 oder mehr Runden der Code verwendet dann Ihre Funktion AVERAGE aus diesem Beitrag. Nach dem Versuch viele Dinge, aber ich bin unsicher, wie man bedingt ziehen die letzten 5 Runden, so dass es nur zieht die letzten 5 Runden der einzelnen in Zelle A9 benannt. Die Formel, die ich verweise, ist NICHT jetzt in Zelle C9 auf meiner Kalkulationstabelle, die verlinkt ist. Ich habe es nur getestet. DND: Verwenden Sie die folgende Formel in Zelle C13 über AVERAGE (B2: B13) und ziehen Sie nach unten. Hallo, Ich bin sicher, es gibt etwas oben aufgeführt, die vermutlich helfen, aber Im immer noch neu zu übertreffen und fühle mich überwältigt. Ich habe gerade einen neuen Job und Im tryin, um einen guten Eindruck zu machen, so jede Hilfe woud groß sein Ich habe Daten für jeden Monat in 2009, 2010 und 2011 gehen über und mehrere Zeilen dieser. Jeden Monat zu Beginn des Monats muss ich die Umsätze des Vorjahres berechnen. Derzeit ist meine Formel SUM (AG4: AR4) SUM (U4: AF4). Beispiel: Der aktuelle Monat ist März. Info Ich brauche ist Umsatz von März 2010-Februar 2011 geteilt durch März 2009-Februar 2010 und es funktioniert super, aber sein zu zeitaufwändig, um es jeden Monat ändern müssen. Gibt es eine Weise, die ich die Formel erhalten kann, um automatisch am Anfang des Monats zu ändern, das ich nicht weiß, wenn ich einen sehr guten Job erklärte dieses oder nicht tat. Glückwunsch zu deinem neuen Job. Sie können Ihre Formel seitwärts ziehen (nach rechts für zB) und es zeigt die s für den nächsten Monat automatisch. Nein, was ich brauche, ist für die Formel ändern jeden Monat. Ich habe Januar 2009 bis Dezember 2011 Boxen gehen mit Daten in ihnen. IFNERROR (SUM (AG4: AR4) SUM (U4: AF4), 0) Nächsten Monat benötige ich für sie gehen von der Berechnung der Summe von 0310 Daten zu 0211 Daten geteilt durch 0309 Daten zu 0210 Daten und Änderung zu 0410 bis 0311 Daten geteilt durch 0409 Daten zu 0311 Daten. IFERROR (SUM (A4: AS4) SUM (V4: AG4), 0) Was ich brauche, ist eine Formel, die sich auf das aktuelle Datum beziehen kann und weiß, dass am 1. eines jeden Monats, es die Formeln für den nächsten wechseln muss Vorherige 1-12 Monate geteilt durch die vorherigen 13-24 Monate. Ich bin nicht sicher, ob das Sinn macht. Grundsätzlich verwende ich diese Formel etwa 8 mal auf einem Blatt und ich habe ca. 200 Blatt. Sorry für die doppelte Buchung und vielen Dank an die congrats Was ich brauche: Wenn das aktuelle Datum größer ist als das 1. des Monats dann die gesamte Zelle referenziert, um die Verkäufe des vorigen Jahres zu berechnen, um nach rechts um eine Spalte zu bewegen Dies ist Was Ive kommen mit. IF (P1gtN1, SUM (A4: AS4) SUM (V4: AG4))) p1 ist aktuelles Datum n1 ist 1. Tag des Monats AH4: AS4 ist Daten von 0310-0211 V4: AG4 sind Daten von 0309-0210 Teil Im mit Probleme mit: Wie mache ich es so, dass die Formel genau weiß, was 12 Abschnitte zu greifen und wie man automatisch am ersten des Monats zu ändern. Julie Sie können die OFFSET-Formel verwenden, um dies zu beheben. Angenommen, jede Spalte hat einen Monat und der erste Monat ist in C4 und das aktuelle Datum ist in P1. Die obige Formel geht davon aus, dass jede Spalte Monate im Excel-Datumsformat hat. Sie können es zwicken, bis es das richtige Ergebnis erzeugt. Dies ist wahrscheinlich extrem einfach und ich mache es komplizierter, als ich brauche, aber Sie schrieb, Die obige Formel geht davon aus, dass jede Spalte Monate im Excel-Datumsformat hat. Ich habe gekämpft, dies zu tun, ohne dass es meine Daten in Daten. Julie Was ich damit meinte, ist die Zeilennummer 4, wo man Monatsnamen hat, sollte diese Daten enthalten - 1-jan-2009 1-feb-2009 1-mar-2009 Auch ich bemerke nur wenige Fehler in meiner Formel. Die richtige Formel lautet: SUM (Offset (C5, datedif (C4, P1, m) 1-12,1,12)) SUM (Offset (C5, datedif (C4, P1, m) 1-24,1 , 12)) Die obige Formel geht davon aus, dass Daten in Zeile 4 und Werte in Zeile 5 sind. Ich denke, das ist genau das, was ich brauchte. Vielen Dank, dass ich danke Ihnen so sehr Mein Problem ist sehr ähnlich Jasmine (61) und Azrold (74). Ich habe abscheuliche Datenmengen von D: 2 bis D: 61400 (und entsprechend in E und F, Ill muss das gleiche auch für diese Spalten tun). Ich versuche, den Durchschnitt für Chargen zu finden, so dass D2: 19, D20: 37, D38: 55 und so weiter - verklumpen 18 Zeilen zusammen und dann den nächsten Durchschnitt ohne Wiederverwendung einer vorherigen Zeile. Id haben auch wahrscheinlich dies für alle 19 und 20 Klumpen als gut, aber ein Beispiel mit 18 ist in Ordnung. Könnten Sie annotieren die Formel, die Sie post Im ein wenig verwirrt, was die letzten 4 Zahlen im COUNTA Teil bedeuten. Vielen Dank, das wird mein Leben so viel einfacher Laura Dies ist leicht mit Average und Offset getan. Angenommen, Sie tun dies in Col J und sind durchschnittlich Col D J2: AVERAGE (OFFSET (D1, (ROW () - 2) J11,, J1)) Wo J1 wird die Zahl 18 für eine bewegte Summe von 18 Zahlen Kopieren Zeile 2 wird durchschnittlich Zeilen 2-19 Zeile 3 wird durchschnittlich Zeilen 20-37 usw. Sie können auch Etiketten hinzufügen, zB Col H H2: Zeilenverstärker (ROW () - 2) J12amp - amp (ROW () - 1) J11 Nach unten kopieren. Ich habe verspottet dies auf: rapidsharefiles1923874899Averages. xlsx Ich bin Anfänger versucht,: 1. Struktur einer Kalkulationstabelle, die dann verwendet werden, um 2. den optimalen Zeitraum für meine gleitenden Durchschnitt innerhalb der Reichweite von einem 5 Tage gleitenden Durchschnitt auf 60 zu bestimmen Tag gleitenden Durchschnitt. Jede Zelle repräsentiert die Anzahl der Verkäufe für diesen Tag, von 0 bis 100. Ich würde es vorziehen, dass jeder Monat des täglichen Verkaufs in einer neuen Spalte sein. Im Moment habe ich 3 Monate Daten, aber offensichtlich wird das wachsen. Also können Sie mir bitte sagen, wie die Kalkulationstabelle und dann die entsprechenden Formeln (und ihre Standorte) Vielen Dank, Hallo wieder Hui, kämpfe ich noch einmal mit der gleichen Tabelle, die Sie mir mit früher geholfen. Wie beore, habe ich die folgenden Zeilen der monatlich manuell eingegebenen Daten: Lautstärke der Anrufe Anrufe Beantwortet Alter der Anrufe aufgegeben Durchschnittliche Bearbeitungszeit Mein Line-Manager würde nun 2 Zeilen unter diesen zeigen (nach Formel): Durchschnittliche Geschwindigkeit der Antwort Durchschnittliche Abwesenheit Zeit Und als ob das nicht genug war, möchte sie, für beide Zeilen, eine Zusammenfassung Zelle am Ende der 12 Monate zeigt die jährliche Zahl: (Vielen Dank nochmals für jede Hilfe, die Sie geben können, bin ich mit der vertikalen Version für Berechnen eines gleitenden Durchschnitts Ich bin stumped, wenn ich einen 6-Perioden-gleitenden Durchschnitt berechnen müssen Meine Daten beginnen in Spalte c und die 6-Periode und 3-Periodendurchschnitte sind zwei Spalten rechts von der letzten Datenperiode (EC8: EH8) Mein letzter Versuch (der fehlgeschlagen) ist: AVERAGE (C6, COUNT (C6: EH6), - 6,6,1 ) Bitte geben Sie eine Erklärung, warum dies nicht funktioniert, wenn reagiert, so kann ich verstehen, wie Sie künftige Formeln zu erstellen. Vielen Dank, Kimber Kimber. Willkommen bei Chandoo. org und vielen Dank für die Kommentare. Ich denke, es ist keine gute Idee, Durchschnittswerte in der rechten Spalte zu platzieren, da es sich bewegt. Stattdessen können Sie Ihre Tabelle so ändern, dass gleitender Durchschnitt an der linken Spalte (und das bleibt auch wenn Sie zusätzliche Spalten rechts). Egal wo die durchschnittliche Zelle ist, können Sie diese Formel verwenden, um den gleitenden Durchschnitt zu berechnen. Afyter, der den ganzen Thread gelesen hat, den ich sehen kann Im, das ein Kombination Offset, Match, Zählimpuls und averageif aber Im nicht sure wo benötigt wird. Mein Problem ist, wie folgt: Jeden Monat gibt es über 100 Leute, die Tätigkeit melden - Spalte A ist ihr Name, Spalte B ist der Monat, Spalte C ist das Jahr und Spalten D durch M ist ihre Tätigkeit in mehreren Kategorien. Ich brauche, um ihre 3 Monate und 6 Monate Durchschnittswerte zu finden und zeigen, dass in einem anderen Arbeitsblatt obwohl ich sie in Spalten N und O angezeigt, wenn nötig. Ich verwende eine Pivot-Tabelle, um Summen und Gesamtdurchschnitte zu produzieren, aber es behandelt nicht gleitende Durchschnitte. Irgendwelche Hinweise würden sehr geschätzt. Danke, Ben Dies wird die letzte MovAvg Anzahl der Zeilen einschließlich sich selbst (nehmen Sie die -1, wenn Sie es nicht selbst enthalten wollen). D75 ist die Zelle, auf die sich diese Formel bezieht (meine Daten waren sehr lang) MovAvg ist, wie groß du den gleitenden Durchschnitt sein willst (Ich habe diesen als benannte Zelle zugewiesen (markiere die Zelle, Formeln --gt Defined Names --gt Define Name) Sie können Variablennamen in einer Tabelle erstellen, um zu vermeiden, dass immer die Zeilenspalte verwendet werden muss.) Dies startet von der aktuellen Zelle (D75 in diesem Fall), verschiebt MovAvg-1 Zeilen über 0 Spalten, wählt MovAvg nuber von Zeilen aus 1 Säule. Übergibt dies an die durchschnittliche Funktion. Hallo Ich las durch jeden Pfosten, aber havent in der Lage gewesen, diese Funktion richtig zu erhalten. Wie berechnen wir den gleitenden Durchschnitt eines Prozentsatzes Dieser wird wöchentlich berechnet. Spalte A - Spalte A Spalte B - Spalte A Spalte A Spalte A Spalte A Spalte A Spalte A Spalte A Spalte A Spalte A Spalte A Spalte A Spalte A Spalte A Spalte A Spalte A Spalte A Spalte A Spalte A Spalte A Spalte A Spalte A Spalte A Spalte A Spalte A Spalte A Spalte A Spalte A Und Zeile 8 ist 1 Spalte K, Zeile 7 Formel ist 125 (4) und Zeile 8 ist 11 (100) Spalte D - Die Formel in einem früheren Beitrag gibt mir eine Antwort von 52 2 Wochen Durchschnitt, aber das ist nicht korrekt. (K7, COUNT (K7: K26) -2), und zwar mit dem Wert 226 (7) IF (ISERROR (AVERAGE (OFFSET (K7, COUNT (K7: K26) -2,0,2,1)) , 0,2,1))) Was muss ich in dieser Formel ändern, um die Spalten verwenden A Ampere B anstelle der Spalte K Sie versuchen, durchschnittliche Mittelwerte, die nicht funktioniert. Versuchen Sie diese einfache Formel beginnend in D8: IF (ISBLANK (B8) ,, (B7B8) (A7A8)) Kopieren und fügen Sie die Formel auf D26. Dies sollte Ihnen eine bewegte 2 Wochen Durchschnitt. Denken Sie daran, Spalte D als Prozentsatz zu formatieren, wie immer viele Dezimalpunkte Sie möchten. Im so ziemlich ein excel neophyte. Ich stolperte über Ihre Website amp freue mich darauf, es in den kommenden Monaten ausführlich zu lesen. Ich versuche, einen 3-monatigen gleitenden Durchschnitt der Aufwendungen zu berechnen amp kann nicht herausfinden, was ich falsch mache. Auch nach der Lektüre dieses Artikels und die Post auf Offset Im nicht sicher, ich verstehe die Formel. In meinem Sandkasten habe ich: Spalte A - Monate A2: A17Sept 2012 - Dez 2013 Spalte B - Monatliche Gesamtausgaben B2: B8 (B8, weil März der letzte abgeschlossene Monat ist) - Diese Summen sind 362599,372800,427317,346660,359864 , 451183,469681 Kolum C - 3 Monate Gleitender Durchschnitt. Ich habe die folgende Formel in C4 (zu Beginn Berechnung im November des letzten Jahres, nur für Grins). Da es zu diesem Zeitpunkt nur drei Monate im Datensatz gibt, würde ich davon ausgehen, dass er den gleitenden Durchschnitt der ersten drei Monate berechnet. Die Formel kommt mit 469.681. Wenn ich die ersten drei Monate Durchschnitt bin, komme ich mit 387.572. Was mache ich falsch oder Missverständnis Vielen Dank für die Hilfe und für die Umsetzung dieser Website zusammen. Hallo Chandoo Sie haben ein wirklich nützliches Projekt hier, tonnenweise Danke Am Anfang dieses Thread Shamsuddin etwas gefragt, was ich brauche, Reverse Berechnung der Werte aus dem gleitenden Durchschnitt. Vielleicht ist seine dumm, aber ich kann nicht kommen mit Ideen, außer für Abbildung für Abbildung nachschlagen. Wenn möglich - wenden Sie sich bitte mit diesem Artikel Daten, um das Konzept zu erhalten. Eigentlich bin ich glücklich, alles zu bekommen, wie google war nutzlos) Noch einmal - ich danke Ihnen so sehr für diese Website Im nicht wirklich sicher, was Sie mit der Reverse-Berechnung einen gleitenden Durchschnitt Können Sie erklären, was Sie versuchen, doachieve Posting ein Beispiel Hallo Hui, ich meine, ich habe eine Spalte von Zahlen (zB monatliche Sendungen), die als gleitender Durchschnitt berechnet werden, basierend auf einem anderen Datensatz (zB monatliche Produktion) . Smith wie folgt: (A1) Jan Feb Mär Apr Mai Jun Mfg Schiff 100 500 450 600 600 700 Wo Schiff Durchschnitt (B2: C2) Ich kenne nur Sendungen Volumes, und müssen Sie entsprechende mfg Volumes. Allgemein gesprochen ist die Frage, wie wir Anfangsdaten mit nur MA auf der Hand finden Angenommen, dieser Thread kann nicht derjenige sein, der dies fragt (wenn Sie damit einverstanden sind - vielleicht wissen Sie, wo zu fragen). Seine nur, dass Shamsuddins Frage war das relevanteste Ergebnis von 10 Google-Seiten Mey Um die ursprünglichen Daten aus einem Moving Average (MA) zu berechnen, benötigen Sie zwei MAs zB eine 9 und eine 10 Tage MA oder 1 MA und 1 Stück von diesen Daten (B2: C2) MA (B2C2) 2 Wenn Sie eine Formel Durchschnitt (B2: C2) haben, sollten Sie Zugriff auf die Daten haben B2 C2 (2MA) - B2 Wenn Sie eine Reihe von Daten, die Sie teilen können, kann ich eine bessere Lösung geben Verweis: chandoo. orgforumstopicposting-a-sample-workbook Große Website. Verzeihen Sie diese Frage. Ich war ein Experte in Lotus vor 123 Jahrzehnten, aber ich finde Excel etwas rückwärts in seinen Progressionen zu Lotus 123, so fange ich über Excel 2010. Ich bin eine logische Person und ich versuche zu verstehen, was die Formeln tun, wenn ich benutze sie. Ich stelle fest, dass es in Spalte B nicht mehr als 14 Verkaufszahlen gibt, aber irgendwie zählen wir von B4 auf B33. Ich habe die Formel unter Verwendung von: AVERAGE (OFFSET (B4, COUNT (B4: B14) -3,0,3,1)) getestet und ich bekomme das gleiche Ergebnis, wenn ich AVERAGE (OFFSET (B4, COUNT (B4: B33 ) -3,0,3,1)). Meine erste Regel der alten Schülersprecherzeugung ist, niemals eine Datentabelle zu erstellen, die größer ist als die bereitgestellten Daten, wenn sie statisch ist (dh nicht in Daten expandiert). Als Ergebnis habe ich keine wirkliche Ahnung, wie OFFSET funktioniert. Gibt es eine klare Erklärung von OFFSET mit einem einzigartigen Beispiel dafür, dass es außerhalb des Durchschnitts und ganz von selbst verwendet wird Der Grund, warum ich hierher kam, ist ein Kalkulationstabellenmodell, das iterative Berechnungen verwenden würde, um die am besten passen für Profit-Daten zu finden (das heißt Gewinnmaximierung), wenn ein kurzer gleitender Durchschnitt der kumulierten Gewinnkurve (oder Eigenkapitalkurve) über den längerfristigen bewegten Durchschnitt der Eigenkapitalkurve hinausgeht. Ich finde nichts, was die Erweiterung der gleitenden Durchschnitte von 3 Perioden zu sagen, 100 Perioden (für beide Mittelwerte). Durch die Verwendung des MA-Crossover, um festzustellen, welche Trades zu nehmen, kann man ein optimales Gewinnniveau finden, um das Modell ausführen zu können (was beim Neupoptieren des Modells optimiert werden kann). Ich kann nichts finden, in den meisten Excel-Bücher, die diese zu decken, und diese Art von Berechnungen sollte relativ einfach zu ziehen. Wo finde ich solche Informationen Danke nochmals für die wunderbare Website. Nur für den Fall, dass Sie havent es noch nicht gefunden, heres einen Link für die OFFSET-Funktion: Ich habe eine Frage. Ich habe bereits einen 3 Tage gleitenden Durchschnitt, dass ich in meinem Problem gegeben wurde. Ist es im Zusammenhang mit dem Durchschnitt der Bestände. Die Fragen sagen, dass Sie 1 Aktie, die Sie PLAN auf den Verkauf am Tag 10. Mein 3 Tage gleitenden Durchschnitt ist eine Integration von a, b, wo at und bt3 zu jeder Zeit. Wenn Sie den Preis finden möchten, den Sie erwarten, den Anteil für zu verkaufen, integrieren Sie von 6,9 9,11 7,10. Wollen Sie das fernen Ende des Tages 10, die Mitte des Tages 10, oder verlassen Tag 10 aus Ich bin nicht sicher, welche Zeitrahmen, um diese 3 Tage Durchschnitt zwischen setzen. Wieder stellt meine Funktion bis zu Tag 14, aber ich brauche den Preis am Tag 10. ivan Santos sagt: Im schauen, um den gleitenden Durchschnitt für ein Call-Center zu sehen. Ich versuche, den Index für jeden Monat für ein ganzes Jahr zu finden. Ich habe nur 2 Jahre im Wert von Daten und im wollen Vorhersage für 2014 in Quartalen. Kann ich diese Methode für diese verwenden Ich habe ein Problem im Durchschnitt, ich möchte den Durchschnitt der hervorgehobenen Zeilen nur in coloumn F auf colomn G, die auch leere Zellen hervorgehoben hat zu berechnen Hallo, Ich arbeite an einer Tabelle, die die letzten vier Jahre hat Der wöchentlichen Daten, aber die aktuellen Jahre Daten unvollständig ist, da es nur jede Woche eingegeben wird. Gibt es eine Möglichkeit der Einrichtung einer Formel, die einen Durchschnitt auf der Grundlage der Anzahl der Wochen, die Daten in ihnen zu berechnen. In der Mitte des Jahres wird es einen Durchschnitt basierend auf Zellen 2-27 26, aber die nächste Woche würde es Zellen 2-28 27. Sein tut mein Kopf in und ich möchte nicht, dass manuell den Durchschnitt jede Woche. Tolle Seite übrigens Sehr hilfreich. ) Rosie Ja das kann getan werden Kannst du bitte die Frage an die Foren stellen und eine Beispieldatei anhängen chandoo. orgforum Ok hier ist meine Frage, die mich für die letzten 2 12 Monate geplagt hat und ich habe keine Lösung irgendwo im Web gefunden : Ich habe ein Vertriebsteam und ich brauche ein bewegliches avg, aber mit einem fixen Format und einem veränderlichen Datum Rage, die auch fixiert ist. Dh Verkäufe Person 1115 2115 3115 12114 11114 10114 ME 1 2 0 4 5 6 Was ich versuche, zu tun ist, das ist: Sagen wir heute Datum ist 3115 Ich brauche einen Weg zurück 3 (6 und 12 als auch) Monate aus der aktuellen gehen Datum und Anzahl der Verkaufszahlen. Der schwierige Teil ist, ich möchte nur das Jahr der Daten ändern, damit ich nicht mit dem Format messing oder wenn ich mieten (Feuer) jemand. Also im obigen Beispiel würde ich die Formel nehmen die 6 1 2 (9) 3 3 aber dann im Laufe der Zeit würde dies gehen würde aber sobald das neue Jahr begann im Januar 2016 würde es die Zahlen aus der Vergangenheit verwenden müssen 2015 Daten (3,6 und 12 Monate rollenden avgs). Ich hoffe, dass dies klar und ich würde gerne einige Hilfe mit diesem bekommen. Vielen Dank im Voraus. Können Sie bitte fragen Sie die Frage in der Chandoo. org Foren unter: forum. chandoo. org Fügen Sie eine Beispieldatei, um den Prozess zu vereinfachen OK Ich habe in den Foren gepostet und eine Beispieldatei hochgeladen. 8230 Berechnen Gleitender Durchschnitt Chandoo. org 8211 Learn Gleitender Durchschnitt wird häufig verwendet, um zugrunde liegende Trends zu verstehen und hilft bei der Prognose. MACD oder gleitende durchschnittliche Konvergenzdivergenz ist vermutlich der 8230 Amelia McCabe sagt: Suchen nach einer kleinen Hilfe. Ich habe versucht, was ich denke, ist eine modifizierte Version dieser Formel, die nicht wirklich funktioniert. Ich habe eine Reihe von Daten (eine Anzahl pro Monat), dass ich einen kontinuierlichen Durchschnitt für basierend auf der Anzahl der Monate der eingegebenen Daten nicht auf 12 Monate benötigen. Die Daten sind in den Zellen b53 bis m53. Also habe ich versucht, diese Formel wie folgt zu ändern (es hat nicht funktioniert) und ich frage mich, ob ich diese Formel auf diese Weise überhaupt verwenden kann, da meine Daten in einer Reihe nicht eine Spalte sind. DURCHSCHNITT (OFFSET (B53COUNT (B53: M53) -12,0,1,12)). Haben auch die Argumente als 0,0,1,12 und -1,0,1,12 versucht. Bitte helfen Sie mir zu verstehen, wenn ich den völlig falschen Baum oder nur auf dem falschen Zweig. Amelia Ohne die Daten-ID zu sehen, schlagen Sie vor, dass AVERAGE (OFFSET (B53, COUNT (B53: M53) -12,0,1,12)): AVERAGE (OFFSET (B53.1, COUNT (B53: M53))) Eins ist Problem mit der ursprünglichen Formel ist, dass es 12 Zellen zwischen B53: M53, wenn nur 5 haben Daten in ihnen, dann nehmen Sie 12 weg, versucht der Offset B53, eine negative 7 Spalten versetzen, die einen Fehler erzwingen werden Sie können (B53: M53, B53: M53,0) Sind Sie in der Lage, eine Beispieldatei im Chandoo. org Foren forum. andoo. org zu posten
No comments:
Post a Comment