ขั้นตอน ของ การย้าย ค่าเฉลี่ย การขาย พยากรณ์ เทคนิค

การย้ายการคาดการณ์เชิงปริมาณเฉลี่ย ตามที่คุณอาจคาดเดาเรากำลังมองหาวิธีการดั้งเดิมบางอย่างที่คาดการณ์ไว้ แต่หวังว่าสิ่งเหล่านี้เป็นการนำเสนอที่คุ้มค่าสำหรับปัญหาด้านคอมพิวเตอร์บางส่วนที่เกี่ยวข้องกับการใช้การคาดการณ์ในสเปรดชีต ในหลอดเลือดดำนี้เราจะดำเนินการต่อโดยการเริ่มต้นตั้งแต่เริ่มต้นและเริ่มทำงานกับการคาดการณ์ Moving Average การย้ายการคาดการณ์เฉลี่ย ทุกคนคุ้นเคยกับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่โดยไม่คำนึงถึงว่าพวกเขาเชื่อหรือไม่ว่า นักศึกษาทุกคนทำแบบฝึกหัดตลอดเวลา ลองนึกถึงคะแนนการทดสอบของคุณในหลักสูตรที่คุณจะมีการทดสอบสี่ครั้งระหว่างภาคการศึกษา ให้สมมติว่าคุณมี 85 คนในการทดสอบครั้งแรกของคุณ คุณคาดหวังอะไรสำหรับคะแนนการทดสอบที่สองของคุณคุณคิดอย่างไรว่าครูของคุณจะคาดการณ์คะแนนทดสอบต่อไปคุณคิดอย่างไรว่าเพื่อนของคุณอาจคาดเดาคะแนนการทดสอบครั้งต่อไปคุณคิดว่าพ่อแม่ของคุณคาดการณ์คะแนนการทดสอบต่อไปได้ไม่ว่า การทำร้ายทั้งหมดที่คุณอาจทำกับเพื่อนและผู้ปกครองของคุณพวกเขาและครูของคุณมีแนวโน้มที่จะคาดหวังว่าคุณจะได้รับบางสิ่งบางอย่างในพื้นที่ของ 85 ที่คุณเพิ่งได้ ดีตอนนี้ให้สมมติว่าแม้จะมีการโปรโมตด้วยตัวคุณเองกับเพื่อน ๆ ของคุณคุณสามารถประเมินตัวเองและคิดว่าคุณสามารถเรียนได้น้อยกว่าสำหรับการทดสอบที่สองและเพื่อให้คุณได้รับ 73. ตอนนี้สิ่งที่ทุกอย่างที่เกี่ยวข้องและไม่แยแสไป คาดว่าคุณจะได้รับการทดสอบครั้งที่สามมีสองแนวทางที่น่าจะเป็นไปได้สำหรับพวกเขาในการพัฒนาประมาณการโดยไม่คำนึงว่าพวกเขาจะแบ่งปันกับคุณหรือไม่ พวกเขาอาจพูดกับตัวเองว่าผู้ชายคนนี้มักจะเป่าควันเกี่ยวกับความฉลาดของเขา เขาจะได้รับอีก 73 ถ้าเขาโชคดี บางทีพ่อแม่จะพยายามสนับสนุนและพูด quotWell เพื่อให้ห่างไกลได้รับ 85 และ 73 ดังนั้นคุณควรคิดเกี่ยวกับการเกี่ยวกับ (85 73) 2 79 ฉันไม่รู้ว่าบางทีถ้าคุณไม่ปาร์ตี้ และเหวี่ยงพังพอนไปทั่วสถานที่และถ้าคุณเริ่มต้นทำมากขึ้นการศึกษาที่คุณจะได้รับคะแนนสูงขึ้นทั้งสองประมาณการเหล่านี้เป็นจริงการคาดการณ์เฉลี่ยย้าย อันดับแรกใช้คะแนนล่าสุดของคุณเพื่อคาดการณ์ประสิทธิภาพในอนาคตของคุณเท่านั้น นี่เรียกว่าการคาดการณ์ค่าเฉลี่ยเคลื่อนที่โดยใช้ข้อมูลระยะเวลาหนึ่ง ข้อที่สองเป็นค่าพยากรณ์เฉลี่ยเคลื่อนที่ แต่ใช้ข้อมูลสองช่วง ให้สมมติว่าคนเหล่านี้ทั้งหมด busting ในจิตใจที่ดีของคุณมีการแบ่งประเภทของคุณออกและคุณตัดสินใจที่จะทำดีในการทดสอบที่สามด้วยเหตุผลของคุณเองและจะนำคะแนนที่สูงขึ้นในด้านหน้าของ quotalliesquot ของคุณ คุณใช้การทดสอบและคะแนนของคุณเป็นจริง 89 ทุกคนรวมทั้งตัวคุณเองเป็นที่ประทับใจ ดังนั้นตอนนี้คุณมีการทดสอบครั้งสุดท้ายของภาคการศึกษาที่กำลังจะมาถึงและตามปกติแล้วคุณรู้สึกว่าจำเป็นที่จะต้องกระตุ้นให้ทุกคนคาดการณ์เกี่ยวกับวิธีที่คุณจะทำในการทดสอบครั้งล่าสุด ดีหวังว่าคุณจะเห็นรูปแบบ ตอนนี้หวังว่าคุณจะเห็นรูปแบบนี้ คุณเชื่อว่าเป็นนกหวีดที่ถูกต้องที่สุดในขณะที่เราทำงาน ตอนนี้เรากลับไปที่ บริษัท ทำความสะอาดแห่งใหม่ของเราซึ่งเริ่มต้นโดยพี่สาวที่แยกกันอยู่ของคุณชื่อ Whistle While We Work คุณมีข้อมูลการขายในอดีตที่แสดงโดยส่วนต่อไปนี้จากสเปรดชีต ก่อนอื่นเราจะนำเสนอข้อมูลสำหรับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ 3 ช่วง รายการสำหรับเซลล์ C6 ควรเป็นตอนนี้คุณสามารถคัดลอกสูตรเซลล์นี้ลงไปที่เซลล์อื่น ๆ C7 ถึง C11 แจ้งให้ทราบว่าค่าเฉลี่ยย้ายผ่านข้อมูลทางประวัติศาสตร์ล่าสุด แต่ใช้เวลาสามช่วงล่าสุดสำหรับการคาดการณ์แต่ละครั้ง นอกจากนี้คุณควรสังเกตด้วยว่าเราไม่จำเป็นต้องทำการคาดการณ์ในช่วงที่ผ่านมาเพื่อพัฒนาการคาดการณ์ล่าสุดของเรา นี้แน่นอนแตกต่างจากแบบจำลองการเรียบเรียงชี้แจง Ive รวมการคาดคะเนของคำพูดราคาตลาดเนื่องจากเราจะใช้คำเหล่านี้ในหน้าเว็บถัดไปเพื่อวัดความถูกต้องในการคาดการณ์ ตอนนี้ฉันต้องการนำเสนอผลที่คล้ายคลึงกันสำหรับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ 2 ช่วง รายการสำหรับเซลล์ C5 ควรเป็นตอนนี้คุณสามารถคัดลอกสูตรเซลล์นี้ลงไปที่เซลล์อื่น ๆ C6 ถึง C11 แจ้งให้ทราบว่าขณะนี้มีเพียงข้อมูลล่าสุดสองชิ้นที่ใช้ล่าสุดในการคาดการณ์เท่านั้น อีกครั้งฉันได้รวมการคาดคะเน quotpost เพื่อวัตถุประสงค์ในการอธิบายและเพื่อใช้ในภายหลังในการตรวจสอบการคาดการณ์ บางสิ่งบางอย่างอื่นที่มีความสำคัญที่จะแจ้งให้ทราบล่วงหน้า สำหรับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ m-period เฉพาะค่าข้อมูลล่าสุดของ m ที่ใช้ในการคาดคะเนเท่านั้น ไม่มีอะไรอื่นที่จำเป็น สำหรับการคาดการณ์ค่าเฉลี่ยของระยะเวลา m-period เมื่อทำนายการคาดการณ์ของ quotpast ให้สังเกตว่าการทำนายครั้งแรกเกิดขึ้นในช่วง m 1 ทั้งสองประเด็นนี้จะมีความสำคัญมากเมื่อเราพัฒนาโค้ดของเรา การพัฒนาฟังก์ชัน Average Moving Average ตอนนี้เราจำเป็นต้องพัฒนาโค้ดสำหรับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ที่สามารถใช้ความยืดหยุ่นได้มากขึ้น รหัสดังต่อไปนี้ โปรดทราบว่าปัจจัยการผลิตเป็นจำนวนงวดที่คุณต้องการใช้ในการคาดการณ์และอาร์เรย์ของค่าทางประวัติศาสตร์ คุณสามารถเก็บไว้ในสมุดงานที่คุณต้องการ Function MovingAverage (Historical, NumberOfPeriods) ในฐานะ Single Declaring และ Initializing ตัวแปร Dim Item As Variant Dim Counter เป็นจำนวนเต็ม Integer Dim Single Dim HistoricalSize As Integer ตัวแปรที่ Initializing ตัวแปร Counter 1 สะสม 0 การกำหนดขนาดของอาร์เรย์ Historical HistoricalSize Historical. Count สำหรับ Counter 1 ถึง NumberOfPeriods สะสมจำนวนที่เหมาะสมของค่าที่สังเกตก่อนหน้านี้ล่าสุด Accumulation Accumulation Historical (HistoricalSize - NumberOfPeriods Counter) MovingAverage การสะสม NumberOfPeriods รหัสจะอธิบายในคลาส คุณต้องการวางตำแหน่งฟังก์ชันในสเปรดชีตเพื่อให้ผลการคำนวณปรากฎขึ้นในตำแหน่งที่ควรทำดังนี้ forecasting - บทที่ 4 ศิลปะและวิทยาศาสตร์ในการทำนายเหตุการณ์ในอนาคตที่ทำให้ประมาณการที่ดี อาจเกี่ยวข้องกับข้อมูลที่ผ่านมา (เช่นการขายในอดีต) และนำไปสู่อนาคตด้วยแบบจำลองทางคณิตศาสตร์ การคาดคะเนแบบอัตนัยหรือใช้งานง่าย ขึ้นอยู่กับข้อมูลที่ขับเคลื่อนด้วยความต้องการ (ลูกค้ามีแผนจะซื้อและคาดการณ์ในอนาคต) หรือคำสั่งผสมเหล่านี้เป็นแบบจำลองทางคณิตศาสตร์ที่ปรับตามการตัดสินที่ดีของผู้จัดการ การคาดการณ์ที่ดีเป็นส่วนสำคัญของการให้บริการและประสิทธิภาพการผลิตที่มีประสิทธิภาพอิทธิพลของการคาดการณ์ตำแหน่งผลิตภัณฑ์ในวงจรชีวิตของยอดขายอยู่ในช่วงเริ่มต้นการเติบโตวุฒิภาวะหรือขั้นตอนการลดลง ความต้องการผลิตภัณฑ์ที่เกี่ยวข้องโฟกัสอยู่ในการระบุและติดตามความต้องการของลูกค้าอย่างรวดเร็ว - ใช้ข้อมูล POS, รายงานที่ผู้ค้าปลีกสร้างขึ้นตามความต้องการของลูกค้าและข้อมูลอื่น ๆ ที่จะช่วยในการคาดการณ์ข้อมูลที่เป็นไปได้ในปัจจุบันมากที่สุด - มีการผลิตของ บริษัท กำลังการผลิตและระบบกำหนดเวลาและเป็นปัจจัยการผลิตด้านการเงินการตลาดและการวางแผนส่วนบุคคลความเป็นจริงของระบบการคาดการณ์ปัจจัยภายนอกที่เราไม่สามารถคาดเดาหรือควบคุมมักส่งผลกระทบต่อการคาดการณ์เทคนิคการพยากรณ์อากาศส่วนใหญ่ถือว่ามีต้นกำเนิดอยู่บ้าง ความมั่นคงในระบบบาง บริษัท คาดการณ์โดยอัตโนมัติโดยใช้ซอฟต์แวร์พยากรณ์อากาศแบบอัตโนมัติและตรวจสอบผลิตภัณฑ์อย่างใกล้ชิดซึ่งมีความต้องการที่ไม่แน่นอนผลิตภัณฑ์ตระกูลผลิตภัณฑ์และการคาดการณ์รวมมีความแม่นยำมากกว่าการคาดการณ์ผลิตภัณฑ์แต่ละรายการช่วยให้สมดุลและ underpredictions เทคนิคการคาดการณ์โดยใช้กระบวนการกลุ่มที่ทำให้ผู้เชี่ยวชาญสามารถทำ ผู้เข้าร่วมประชุม: ผู้มีอำนาจตัดสินใจ - ผู้เชี่ยวชาญ 5 ถึง 10 คนที่คาดการณ์จริงบุคลากรของบุคลากร - ผู้ช่วยตัดสินใจโดยจัดเตรียมแจกจ่ายรวบรวมและสรุปชุดแบบสอบถามและผลการสำรวจผู้ตอบ - กลุ่มคนในสถานที่ต่างๆที่มีการตัดสินว่ามีปัญหา ค่าเฉลี่ยเคลื่อนที่ 1 นิ้ว creasing ขนาดของ n (จำนวนรอบระยะเวลาเฉลี่ย) ไม่เรียบออกความผันผวนดีขึ้น แต่มันทำให้วิธีการที่ไม่สำคัญกับการเปลี่ยนแปลงข้อมูล 2. ค่าเฉลี่ยเคลื่อนที่ไม่สามารถปรับตัวได้เป็นอย่างดี เนื่องจากเป็นค่าเฉลี่ยพวกเขาจะอยู่ในระดับที่ผ่านมาและจะไม่คาดการณ์การเปลี่ยนแปลงในระดับที่สูงขึ้นหรือต่ำลง ค่าจริงที่ล่าช้า 3. การย้ายค่าเฉลี่ยต้องใช้ข้อมูลที่ผ่านมาอย่างกว้างขวาง วิธีที่น้อยที่สุดหมายถึงความต้องการเหล่านี้: 1) เรามักจะพล็อตข้อมูล bc อย่างน้อยสี่เหลี่ยมสมมติความสัมพันธ์เชิงเส้น ถ้าเส้นโค้งปรากฏว่ามีอยู่การวิเคราะห์แบบโค้งอาจเป็นที่ต้องการ 2) เราไม่ได้คาดการณ์ช่วงเวลาเกินฐานข้อมูลที่กำหนด 3) การเบี่ยงเบนไปรอบ ๆ เส้นที่น้อยที่สุดจะถือว่าเป็นแบบสุ่มและมีการแจกแจงแบบปกติ w สังเกตการณ์มากที่สุดใกล้กับเส้นและมีเพียงจำนวนน้อยออกไปไกลกว่าเทคนิคการพยากรณ์ข้อมูล: การขยับ Exponential Smoothing เฉลี่ยบทเรียนนี้จะกล่าวถึงการพยากรณ์ความต้องการด้วยการโฟกัส จากการขายสินค้าและบริการที่จัดตั้งขึ้น จะนำเทคนิคเชิงปริมาณของการเคลื่อนย้ายค่าเฉลี่ยและการเพิ่มความเป็นเอกลัษณ์เพื่อช่วยในการกำหนดความต้องการในการขาย การพยากรณ์ความต้องการคืออะไรอีกครั้งในช่วงเทศกาลวันหยุด เด็ก ๆ ต่างก็พร้อมสำหรับการมาเยือนของซานตาและพ่อแม่ต่างก็เน้นเรื่องการช็อปปิ้งและการเงินมากขึ้น ธุรกิจกำลังดำเนินการเสร็จสิ้นในปีปฏิทินและเตรียมพร้อมที่จะก้าวไปข้างหน้า ABC Inc. ผลิตสายโทรศัพท์ ช่วงเวลาการบัญชีและการดำเนินงานของพวกเขาดำเนินไปในปีปฏิทินดังนั้นช่วงสิ้นปีจึงทำให้พวกเขาสามารถสรุปผลการดำเนินงานได้ก่อนวันหยุดพักผ่อนและวางแผนสำหรับการเริ่มต้นปีใหม่ เวลาสำหรับผู้บริหารในการจัดทำและส่งแผนการดำเนินงานของแผนกไปยังผู้บริหารระดับสูงเพื่อให้พวกเขาสามารถสร้างแผนการดำเนินงานขององค์กรสำหรับปีใหม่ได้ แผนกขายถูกเน้นออกจากจิตใจของพวกเขา ความต้องการสายโทรศัพท์ลดลงในปีพ. ศ. 2558 และข้อมูลทางเศรษฐกิจโดยทั่วไปบ่งชี้ว่าการก่อสร้างในโครงการก่อสร้างต้องใช้สายโทรศัพท์อย่างต่อเนื่อง บ๊อบผู้จัดการฝ่ายขายรู้ดีว่าผู้บริหารอาวุโสคณะกรรมการและผู้มีส่วนได้ส่วนเสียต่างหวังว่ายอดขายจะได้รับการคาดการณ์ในแง่ดี แต่เขารู้สึกว่าภาวะถดถอยในอุตสาหกรรมของประเทศกำลังถดถอยขึ้นมาข้างหลังเพื่อจัดการกับเขา การพยากรณ์ความต้องการเป็นวิธีการในการคาดการณ์ความต้องการของลูกค้าสำหรับสิ่งที่ดีหรือบริการ กระบวนการนี้เป็นแบบต่อเนื่องที่ผู้จัดการใช้ข้อมูลที่ผ่านมาในการคำนวณสิ่งที่พวกเขาคาดหวังว่ายอดขายต้องการสินค้าหรือบริการที่ดี บ๊อบใช้ข้อมูลจากอดีตของ บริษัท และเพิ่มข้อมูลทางเศรษฐกิจจากตลาดเพื่อดูว่ายอดขายจะเติบโตหรือลดลงหรือไม่ บ๊อบใช้ผลลัพธ์ของการพยากรณ์ความต้องการเพื่อกำหนดเป้าหมายสำหรับฝ่ายขายขณะที่พยายามรักษาให้สอดคล้องกับเป้าหมายของ บริษัท บ๊อบจะสามารถประเมินผลของฝ่ายขายในปีหน้าเพื่อพิจารณาว่าการคาดการณ์ของเขาจะออกมาอย่างไร บ๊อบสามารถใช้เทคนิคต่างๆที่มีทั้งเชิงปริมาณและเชิงปริมาณเพื่อพิจารณาการเติบโตหรือการลดลงของยอดขาย ตัวอย่างของเทคนิคเชิงคุณภาพ ได้แก่ การคาดการณ์เกี่ยวกับการศึกษาทฤษฎีการทำนายของเกมทฤษฎีเกม Delphi เทคนิคตัวอย่างเทคนิคการใช้ข้อมูลเชิงปริมาณ ได้แก่ การทำเหมืองแร่ข้อมูลการทำเหมืองแบบจำลองสาเหตุโมเดล Box-Jenkins ตัวอย่างด้านบนของเทคนิคการคาดการณ์ความต้องการเป็นเพียงรายชื่อสั้น ๆ ของความเป็นไปได้ที่ Bob สามารถใช้ได้ ปฏิบัติตามการพยากรณ์ความต้องการ บทเรียนนี้จะเน้นสองเทคนิคเชิงปริมาณเพิ่มเติมที่ง่ายต่อการใช้งานและให้วัตถุประสงค์การคาดการณ์ที่ถูกต้อง Moving Average Formula ค่าเฉลี่ยเคลื่อนที่เป็นเทคนิคที่คำนวณแนวโน้มโดยรวมในชุดข้อมูล ในการจัดการการดำเนินงานชุดข้อมูลคือยอดขายจากข้อมูลทางประวัติศาสตร์ของ บริษัท เทคนิคนี้มีประโยชน์มากสำหรับการคาดการณ์แนวโน้มระยะสั้น เป็นค่าเฉลี่ยของช่วงเวลาที่เลือก เรียกว่าย้ายเนื่องจากเป็นหมายเลขความต้องการใหม่มีการคำนวณสำหรับช่วงเวลาที่กำลังจะมาหมายเลขที่เก่าแก่ที่สุดในชุดตกปิดการรักษาช่วงเวลาที่ถูกล็อค ให้ดูตัวอย่างของวิธีการที่ผู้จัดการฝ่ายขายของ ABC Inc. คาดการณ์ความต้องการโดยใช้สูตรเฉลี่ยเคลื่อนที่ สูตรดังต่อไปนี้: Moving Average (n1 n2 n3.) n โดยที่ n จำนวนช่วงเวลาในชุดข้อมูล ผลรวมของช่วงเวลาแรกและช่วงเวลาเพิ่มเติมทั้งหมดที่เลือกจะหารด้วยจำนวนช่วงเวลา Bob ตัดสินใจที่จะสร้างการคาดการณ์ความต้องการของเขาขึ้นอยู่กับค่าเฉลี่ยเคลื่อนที่ 5 ปี ซึ่งหมายความว่าเขาจะใช้ข้อมูลยอดขายจาก 5 ปีที่ผ่านมาเป็นข้อมูลสำหรับการคำนวณ การเรียบแบบเสียดสี (Exponential Smoothing) การเพิ่มความลื่นไหลเป็นเทคนิคที่ใช้ค่าคงที่ที่ราบเรียบเป็นตัวพยากรณ์ความคาดการณ์ในอนาคต เมื่อใดก็ตามที่คุณใช้ตัวเลขในการคาดการณ์ซึ่งเป็นค่าเฉลี่ยจะได้รับการปรับให้เรียบ เทคนิคนี้ใช้ข้อมูลที่ผ่านมาจากช่วงเวลาก่อน ๆ และใช้การคำนวณเพื่อให้ได้ผลลัพธ์ที่เป็นไปอย่างมีนัยสำคัญเพื่อคาดการณ์ข้อมูลในอนาคต ในกรณีนี้ Bob จะใช้การทำให้เรียบแบบเสวนาเพื่อเปรียบเทียบกับการคำนวณค่าเฉลี่ยเคลื่อนที่ก่อนหน้านี้เพื่อให้ได้ความเห็นที่สอง สูตรสำหรับการเรียบขึ้นชี้แจงมีดังนี้ F (t) forecast for 2016 F (t-1) forecast for ปีก่อนหน้า alpha smoothing constant คงที่ A (t-1) ยอดขายจริงจากปีก่อนค่าคงที่ที่ราบเรียบเป็นน้ำหนักที่ใช้กับสมการตามความสำคัญของ บริษัท วางข้อมูลล่าสุด ค่าคงที่ที่ราบเรียบเป็นตัวเลขระหว่าง 0 ถึง 1 ค่าคงที่การให้ราบเรียบเท่ากับ 0.9 จะส่งสัญญาณว่าผู้บริหารให้ความสำคัญกับข้อมูลการขายที่ผ่านมามากที่สุดในช่วงเวลาก่อน ๆ ค่าคงที่ที่ราบเรียบเท่ากับ 0.1 จะส่งสัญญาณว่าผู้บริหารให้ความสำคัญกับช่วงเวลาก่อนหน้าเล็กน้อยมาก ทางเลือกของค่าคงที่ที่ราบเรียบจะถูกตีหรือพลาดและสามารถปรับเปลี่ยนได้เมื่อมีข้อมูลมากขึ้น เราจะใช้แผนภูมิจากด้านบนพร้อมกับปริมาณขายในอดีตเพื่อคำนวณการคาดการณ์การทำให้ราบเรียบเป็นตัวเลขในปี 2016 มีคอลัมน์พิเศษที่จะรวมปริมาณยอดขายที่คาดการณ์ไว้ การคำนวณนี้เป็นสูตรที่ค่อนข้างมีประสิทธิภาพและมีความถูกต้องมากเมื่อเทียบกับเทคนิคการพยากรณ์ความต้องการอื่น ๆ บทคัดย่อการพยากรณ์ความต้องการเป็นส่วนสำคัญของแผนงานที่ บริษัท คาดการณ์ไว้สำหรับช่วงเวลาในอนาคต สามารถใช้เทคนิคต่างๆกันทั้งเชิงคุณภาพและเชิงปริมาณและให้ข้อมูลชุดต่างๆแก่ผู้จัดการตามความต้องการโดยเฉพาะปริมาณการขาย เทคนิคการปรับค่าเฉลี่ยเคลื่อนที่และการอธิบายความเร่งด่วนเป็นทั้งตัวอย่างที่เป็นธรรมของวิธีการที่จะใช้เพื่อช่วยในการคาดการณ์ความต้องการ หากต้องการปลดล็อกบทเรียนนี้คุณต้องเป็นสมาชิกการศึกษา สร้างรายได้ของคุณ Earning College Credit คุณรู้ไหมคะว่าเรามีหลักสูตรวิทยาลัยมากกว่า 79 หลักสูตรที่พร้อมให้คุณได้รับเครดิตจากการสอบซึ่งได้รับการยอมรับจากวิทยาลัยและมหาวิทยาลัยมากกว่า 2,000 แห่ง คุณสามารถทดสอบจากสองปีแรกของวิทยาลัยและบันทึกหลายพันปิดการศึกษาระดับปริญญาของคุณ ทุกคนสามารถได้รับเครดิตโดยการสอบโดยไม่คำนึงถึงอายุหรือระดับการศึกษา การโอนเงินไปยังโรงเรียนที่คุณเลือกไม่แน่ใจว่าคุณต้องการเข้าเรียนที่ใด แต่ Study มีบทความมากมายเกี่ยวกับการศึกษาระดับปริญญาทุกด้านพื้นที่การศึกษาและเส้นทางอาชีพที่สามารถช่วยคุณหาโรงเรียนที่เหมาะกับคุณได้ Research Schools, Degrees amp Careers รับข้อมูลที่เป็นกลางที่คุณต้องการเพื่อค้นหาโรงเรียนที่เหมาะสม ดูบทความตามหมวดหมู่วิธีการเลือกเทคนิคการคาดการณ์ที่ถูกต้องในการตัดสินใจที่พวกเขาทำทุกวันผู้บริหารในปัจจุบันพิจารณาการคาดการณ์บางอย่าง การคาดการณ์ด้านเสียงของความต้องการและแนวโน้มไม่ใช่สิ่งที่หรูหรา แต่เป็นเรื่องจำเป็นหากผู้บริหารจัดการกับฤดูกาลการเปลี่ยนแปลงอย่างฉับพลันในระดับความต้องการการประลองยุทธ์ด้านราคาของการแข่งขันการประท้วงและการแกว่งตัวของเศรษฐกิจขนาดใหญ่ การคาดการณ์สามารถช่วยจัดการกับปัญหาเหล่านี้ได้ แต่สามารถช่วยให้พวกเขาได้มากขึ้นยิ่งพวกเขารู้เกี่ยวกับหลักการทั่วไปของการคาดการณ์สิ่งที่สามารถทำได้และไม่สามารถทำได้สำหรับพวกเขาในปัจจุบันและเทคนิคใดที่เหมาะกับความต้องการของพวกเขาในขณะนี้ ที่นี่ผู้เขียนพยายามที่จะอธิบายศักยภาพของการคาดการณ์ให้กับผู้จัดการโดยให้ความสำคัญเป็นพิเศษกับการคาดการณ์ยอดขายผลิตภัณฑ์ของ Corning Glass Works เนื่องจากผลิตภัณฑ์เหล่านี้ได้รับการครบอายุในวงจรชีวิตผลิตภัณฑ์ รวมทั้งเป็นเทคนิคการพยากรณ์ เพื่อจัดการความหลากหลายและความซับซ้อนของปัญหาการคาดการณ์การบริหารงานเทคนิคการพยากรณ์จำนวนมากได้รับการพัฒนาขึ้นในช่วงหลายปีที่ผ่านมา แต่ละคนมีการใช้งานเป็นพิเศษและต้องระมัดระวังเพื่อเลือกเทคนิคที่ถูกต้องสำหรับแอพพลิเคชันเฉพาะ ผู้จัดการและนักพยากรณ์มีบทบาทในการเลือกใช้เทคนิคและยิ่งทำให้เข้าใจถึงช่วงของความเป็นไปได้ที่คาดการณ์ไว้ได้มากเท่าไหร่ก็ยิ่งมีความเป็นไปได้สูงที่ความพยายามในการคาดการณ์ของ บริษัท จะได้ผล การเลือกวิธีขึ้นอยู่กับบริบทของการคาดการณ์ความเกี่ยวข้องและความพร้อมของข้อมูลทางประวัติศาสตร์ระดับความถูกต้องที่ต้องการช่วงเวลาที่จะคาดการณ์ผลประโยชน์ (หรือมูลค่า) ของประมาณการต่อ บริษัท และ เวลาที่ใช้ในการวิเคราะห์ ปัจจัยเหล่านี้ต้องได้รับการชั่งน้ำหนักอย่างต่อเนื่องและในหลายระดับ โดยทั่วไปแล้วนักพยากรณ์ควรเลือกเทคนิคที่ใช้ประโยชน์ได้ดีที่สุดของข้อมูลที่มีอยู่ ถ้านักพยากรณ์สามารถใช้เทคนิคที่ยอมรับได้อย่างถูกต้องเพียงวิธีเดียวเขาหรือเธอไม่ควรลองใช้แผ่นทองคำโดยใช้เทคนิคขั้นสูงที่มีความแม่นยำมากกว่า แต่จะต้องใช้ข้อมูลหรือข้อมูลที่หาได้ยากซึ่งหาได้ยาก การค้าขายประเภทนี้ค่อนข้างง่ายที่จะทำ แต่คนอื่น ๆ ตามที่เราเห็นจะต้องใช้ความคิดอย่างมาก นอกจากนี้เมื่อ บริษัท ต้องการคาดการณ์เกี่ยวกับผลิตภัณฑ์ใดผลิตภัณฑ์หนึ่งจะต้องพิจารณาขั้นตอนของวัฏจักรผลิตภัณฑ์ของผลิตภัณฑ์ซึ่งคาดการณ์ไว้ ความพร้อมของข้อมูลและความเป็นไปได้ในการสร้างความสัมพันธ์ระหว่างปัจจัยต่างๆขึ้นอยู่กับความสมบูรณ์ของผลิตภัณฑ์และด้วยเหตุนี้วงจรชีวิตจึงเป็นปัจจัยสำคัญในการใช้วิธีการคาดการณ์ จุดประสงค์ของเราคือการนำเสนอภาพรวมของสาขานี้โดยกล่าวถึงวิธีที่ บริษัท ควรจะหาแนวทางในการคาดการณ์อธิบายถึงวิธีการที่ใช้ได้และอธิบายวิธีการจับคู่วิธีการในการแก้ไขปัญหา เราจะแสดงให้เห็นถึงการใช้เทคนิคต่างๆจากประสบการณ์ของเรากับพวกเขาที่ Corning แล้วปิดด้วยการคาดการณ์ของเราเองสำหรับอนาคตของการคาดการณ์ แม้ว่าเราเชื่อว่าการพยากรณ์เป็นศิลปะ แต่เราคิดว่าหลักเกณฑ์บางประการที่เราได้เรียนรู้จากประสบการณ์อาจเป็นประโยชน์ต่อผู้อื่น Manager, Forecaster amp การเลือกวิธีการผู้จัดการโดยทั่วไปสมมติว่าเมื่อถามผู้พยากรณ์เพื่อเตรียมการฉายที่เฉพาะเจาะจงคำขอจะมีข้อมูลที่เพียงพอสำหรับผู้พยากรณ์ก่อนที่จะไปทำงานและทำงานได้ เกือบจะไม่เป็นความจริง การคาดการณ์ที่ประสบความสำเร็จเริ่มต้นด้วยการทำงานร่วมกันระหว่างผู้จัดการและผู้พยากรณ์ก่อนซึ่งในการตอบคำถามต่อไปนี้ 1. วัตถุประสงค์ของการคาดการณ์คืออะไรที่จะใช้ข้อกำหนดนี้กำหนดความถูกต้องและอำนาจที่จำเป็นสำหรับเทคนิคและด้วยเหตุนี้จึงมีผลต่อการเลือก การตัดสินใจว่าจะเข้าสู่ธุรกิจอาจต้องมีการประมาณขนาดของตลาดโดยประมาณในขณะที่การคาดการณ์ที่กำหนดไว้สำหรับวัตถุประสงค์ในการจัดทำงบประมาณควรมีความถูกต้องมาก เทคนิคที่เหมาะสมแตกต่างกันไป อีกครั้งถ้าการคาดการณ์คือการกำหนดมาตรฐานเพื่อประเมินประสิทธิภาพวิธีการคาดการณ์ไม่ควรคำนึงถึงการดำเนินการพิเศษเช่นการส่งเสริมการขายและอุปกรณ์ทางการตลาดอื่น ๆ เนื่องจากเป็นการเปลี่ยนแปลงรูปแบบและความสัมพันธ์ในอดีตและด้วยเหตุนี้จึงเป็นส่วนหนึ่งของ ประสิทธิภาพที่จะได้รับการประเมิน การคาดการณ์ที่เพียงแค่ร่างสิ่งที่ในอนาคตจะเป็นเช่นถ้า บริษัท ไม่มีการเปลี่ยนแปลงอย่างมีนัยสำคัญในกลยุทธ์และกลยุทธ์มักจะไม่ดีพอสำหรับวัตถุประสงค์ในการวางแผน ในทางกลับกันหากผู้บริหารต้องการคาดการณ์ว่ากลยุทธ์ทางการตลาดบางอย่างที่อยู่ระหว่างการอภิปรายจะมีผลต่อการเติบโตของยอดขายเทคนิคนี้ต้องมีความซับซ้อนพอที่จะอธิบายถึงการกระทำและเหตุการณ์พิเศษที่เกิดขึ้นได้ เทคนิคแตกต่างกันไปในค่าใช้จ่ายรวมถึงขอบเขตและความถูกต้อง ผู้จัดการต้องกำหนดระดับความไม่ถูกต้องที่เขาหรือเธอสามารถทนต่อคำอื่น ๆ ตัดสินใจว่าการตัดสินใจของตนจะแตกต่างกันไปขึ้นอยู่กับช่วงความถูกต้องของการคาดการณ์ ซึ่งจะช่วยให้ผู้พยากรณ์สามารถลดค่าใช้จ่ายได้กับค่าความแม่นยำในการเลือกใช้เทคนิค ตัวอย่างเช่นในด้านการผลิตและการควบคุมสินค้าคงคลังความถูกต้องที่เพิ่มขึ้นน่าจะนำไปสู่หุ้นด้านความปลอดภัยที่ลดลง ที่นี่ผู้จัดการและนักพยากรณ์ต้องชั่งน้ำหนักค่าใช้จ่ายของเทคนิคที่มีความซับซ้อนและมีราคาแพงกว่าเพื่อประหยัดค่าใช้จ่ายในสินค้าคงคลัง การจัดแสดง I แสดงให้เห็นว่าค่าใช้จ่ายและความถูกต้องเพิ่มขึ้นอย่างไรกับความซับซ้อนและแผนภูมิเปรียบเทียบกับค่าใช้จ่ายที่คาดว่าจะเกิดขึ้นจากข้อผิดพลาดในการคาดการณ์ด้วยสมมติฐานทั่วไปบางประการ เทคนิคที่มีความซับซ้อนมากที่สุดที่สามารถพิสูจน์ได้ว่าเป็นเหตุผลทางเศรษฐกิจคือสิ่งหนึ่งที่ตกอยู่ในพื้นที่ซึ่งผลรวมของค่าใช้จ่ายทั้งสองมีค่าน้อยที่สุด การจัดแสดงฉันค่าใช้จ่ายของการคาดการณ์กับค่าใช้จ่ายที่ไม่ถูกต้องสำหรับการคาดการณ์ในระดับปานกลางให้ความพร้อมใช้งานข้อมูลเมื่อผู้จัดการทราบถึงวัตถุประสงค์ของการพยากรณ์ผู้พยากรณ์สามารถให้คำแนะนำแก่ผู้จัดการเกี่ยวกับความถี่ในการผลิตที่เป็นประโยชน์ จากมุมมองเชิงกลยุทธ์พวกเขาควรจะหารือว่าการตัดสินใจที่จะทำบนพื้นฐานของการคาดการณ์สามารถเปลี่ยนแปลงได้ในภายหลังหากพวกเขาพบว่าการคาดการณ์ไม่ถูกต้อง หากสามารถเปลี่ยนแปลงได้ควรพูดถึงประโยชน์ของการติดตั้งระบบเพื่อติดตามความถูกต้องของการคาดการณ์และชนิดของระบบการติดตามที่เหมาะสม 2. สิ่งที่เป็นพลวัตและส่วนประกอบของระบบที่จะมีการคาดคะเนสิ่งนี้จะชี้แจงความสัมพันธ์ระหว่างตัวแปรที่มีปฏิสัมพันธ์ โดยทั่วไปผู้จัดการและนักพยากรณ์ต้องทบทวนแผนภูมิการไหลที่แสดงตำแหน่งสัมพัทธ์ขององค์ประกอบต่างๆของระบบการจัดจำหน่ายระบบการขายระบบการผลิตหรือสิ่งที่กำลังได้รับการศึกษา Exhibit II แสดงองค์ประกอบเหล่านี้สำหรับระบบซึ่ง CGWs เป็นองค์ประกอบหลักสำหรับโทรทัศน์สีที่กำหนดให้หลอดไฟไหลสู่ผู้บริโภค หมายเหตุจุดที่ต้องมีการเก็บรักษาสินค้าหรือการบำรุงรักษาในระบบการผลิตและการจัดจำหน่ายนี้เป็นองค์ประกอบของท่อส่งผลกระทบที่สำคัญตลอดทั้งระบบการไหลเวียนอากาศและมีความสำคัญต่อนักพยากรณ์ องค์ประกอบของสีเทาเข้มมีผลกระทบโดยตรงกับขั้นตอนการคาดการณ์ในบางช่วงและคีย์สีบ่งบอกถึงลักษณะของข้อมูล CGWs ในแต่ละจุดอีกทั้งเป็นปัจจัยสำคัญในการเลือกเทคนิคเนื่องจากเทคนิคที่ต่างกันต้องมีลักษณะที่แตกต่างกัน ปัจจัยการผลิต หากข้อมูลไม่พร้อมใช้งานหรือมีค่าใช้จ่ายในการรับช่วงของตัวเลือกการคาดการณ์มีจำนวน จำกัด แผนภูมิการไหลควรแสดงว่าส่วนใดของระบบอยู่ภายใต้การควบคุมของ บริษัท ที่ทำการคาดการณ์ ในงานนิทรรศการ II นี่เป็นเพียงปริมาณของแผงกระจกและช่องทางที่ Corning จัดให้แก่ผู้ผลิตหลอด ในส่วนของระบบที่ บริษัท มีการควบคุมทั้งหมดการจัดการมีแนวโน้มที่จะได้รับการปรับให้เข้ากับความสัมพันธ์ของเหตุและผลต่าง ๆ และด้วยเหตุนี้จึงสามารถใช้เทคนิคการคาดการณ์ที่มีผลต่อปัจจัยที่กล่าวถึงได้อย่างชัดเจน แผนภูมิการไหลมีค่าพิเศษสำหรับตัวพยากรณ์ซึ่งจะเรียกวิธีการทำนายสาเหตุซึ่งจะช่วยให้เขาหรือเธอคาดเดาเกี่ยวกับความแปรผันของระดับการขายที่เกิดจากสินค้าคงเหลือและสิ่งที่คล้ายคลึงกันและเพื่อหาปัจจัยที่ต้องพิจารณาโดยใช้เทคนิค ให้ผู้บริหารมีการคาดการณ์ความถูกต้องที่ยอมรับได้ เมื่อปัจจัยเหล่านี้และความสัมพันธ์ของพวกเขาได้รับการชี้แจงผู้พยากรณ์สามารถสร้างแบบจำลองเชิงสาเหตุของระบบซึ่งจะรวบรวมทั้งข้อเท็จจริงและตรรกะของสถานการณ์ซึ่งก็คือพื้นฐานของการคาดการณ์ที่มีความซับซ้อน 3. ความสำคัญของอดีตในการประมาณอนาคตการเปลี่ยนแปลงที่สำคัญในผลิตภัณฑ์ระบบกลยุทธ์การแข่งขันใหม่ ๆ และเพื่อลดความคล้ายคลึงกันในอดีตและอนาคต ในระยะสั้นการเปลี่ยนแปลงล่าสุดไม่น่าจะทำให้รูปแบบโดยรวมเปลี่ยนแปลง แต่ในระยะยาวผลกระทบของพวกเขามีแนวโน้มที่จะเพิ่มขึ้น ผู้บริหารและนักพยากรณ์ต้องพูดคุยกันอย่างเต็มที่ สามประเภททั่วไปเมื่อผู้จัดการและผู้พยากรณ์ได้กำหนดปัญหาแล้วผู้พยากรณ์จะสามารถเลือกวิธีการได้ เทคนิคการวิเคราะห์เชิงคุณภาพมีอยู่ 3 ประเภท ได้แก่ การวิเคราะห์อนุกรมเวลาและการฉายภาพและแบบจำลองเชิงสาเหตุ การใช้ข้อมูลเชิงคุณภาพ (เช่นความคิดเห็นของผู้เชี่ยวชาญ) เป็นครั้งแรกและข้อมูลเกี่ยวกับกิจกรรมพิเศษที่กล่าวมาแล้วและอาจมีหรือไม่มีการพิจารณาในอดีต ประการที่สองในอีกด้านหนึ่งมุ่งเน้นไปที่รูปแบบและการเปลี่ยนแปลงรูปแบบและอาศัยข้อมูลทางประวัติศาสตร์ทั้งหมด ข้อมูลที่สามใช้ข้อมูลที่ละเอียดและเฉพาะเจาะจงเกี่ยวกับความสัมพันธ์ระหว่างองค์ประกอบของระบบและมีประสิทธิภาพเพียงพอที่จะมีการจัดกิจกรรมพิเศษอย่างเป็นทางการ เช่นเดียวกับการวิเคราะห์อนุกรมเวลาและเทคนิคการฉายภาพอดีตมีความสำคัญต่อโมเดลเชิงสาเหตุ ความแตกต่างเหล่านี้แสดงว่าเทคนิคการคาดการณ์ชนิดเดียวกันไม่เหมาะที่จะคาดการณ์ยอดขายกล่าวคือในทุกขั้นตอนของวงจรชีวิตของผลิตภัณฑ์ตัวอย่างเทคนิคที่ใช้ข้อมูลในอดีตจะไม่เป็นประโยชน์ในการคาดการณ์อนาคต ของผลิตภัณฑ์ใหม่ทั้งหมดที่ไม่มีประวัติ ส่วนสำคัญของความสมดุลของบทความนี้จะเกี่ยวข้องกับปัญหาของ suiting เทคนิคเพื่อขั้นตอนวงจรชีวิต เราหวังว่าจะให้ข้อมูลเชิงลึกแก่ผู้บริหารเกี่ยวกับศักยภาพของการคาดการณ์โดยแสดงให้เห็นว่าปัญหานี้ควรได้รับการแก้ไขอย่างไร แต่ก่อนที่เราจะพูดถึงวัฏจักรชีวิตเราจำเป็นต้องร่างฟังก์ชั่นทั่วไปของสามประเภทพื้นฐานของเทคนิคในรายละเอียดอีกเล็กน้อย เทคนิคเชิงคุณภาพส่วนใหญ่จะใช้เมื่อข้อมูลหายากตัวอย่างเช่นเมื่อผลิตภัณฑ์ถูกนำเข้าสู่ตลาดครั้งแรก พวกเขาใช้ระบบการประเมินและการให้คะแนนของมนุษย์เพื่อให้ข้อมูลเชิงคุณภาพเป็นข้อมูลเชิงปริมาณ วัตถุประสงค์ในที่นี้คือการนำข้อมูลและคำตัดสินทั้งหมดที่เกี่ยวข้องกับปัจจัยต่างๆมารวมกันในทางตรรกะเป็นกลางและเป็นระบบ เทคนิคดังกล่าวมักถูกนำมาใช้ในพื้นที่เทคโนโลยีใหม่ ๆ ซึ่งการพัฒนาความคิดผลิตภัณฑ์อาจต้องใช้สิ่งประดิษฐ์หลายอย่างเพื่อให้ความต้องการ RampD เป็นเรื่องยากที่จะคาดการณ์ได้และเมื่ออัตราการยอมรับและการยอมรับของตลาดมีความไม่แน่นอนสูง แผนภูมิหลายหน้าเทคนิคการพยากรณ์พื้นฐานแสดงตัวอย่างหลาย ๆ ประเภทนี้ (ดูส่วนแรก) รวมถึงการวิจัยตลาดและเทคนิค Delphi ที่คุ้นเคยตอนนี้ 1 ในแผนภูมินี้เราได้พยายามที่จะให้ข้อมูลพื้นฐานเกี่ยวกับเทคนิคการคาดการณ์ประเภทต่างๆ บางเทคนิคที่ระบุไม่ได้อยู่ในความเป็นจริงวิธีเดียวหรือรูปแบบ แต่ทั้งครอบครัว ดังนั้นคำแถลงของเราอาจไม่สามารถอธิบายถึงรูปแบบของเทคนิคทั้งหมดได้อย่างถูกต้องและควรถูกตีความว่าเป็นการอธิบายแนวคิดพื้นฐานของแต่ละข้อ เทคนิคการคาดการณ์พื้นฐานข้อจำกัดความรับผิดชอบเกี่ยวกับการประมาณการในแผนภูมิยังอยู่ในลำดับ ประมาณการค่าใช้จ่ายเป็นค่าประมาณเช่นเดียวกับเวลาในการคำนวณการให้คะแนนความถูกต้องและคะแนนสำหรับการระบุจุดเปลี่ยน ค่าใช้จ่ายของขั้นตอนบางอย่างขึ้นอยู่กับว่าพวกเขากำลังถูกนำมาใช้เป็นประจำหรือมีการตั้งค่าสำหรับการคาดการณ์เพียงครั้งเดียวถ้าน้ำหนักหรือฤดูกาลต้องกำหนดใหม่ในแต่ละครั้งที่มีการคาดการณ์ค่าใช้จ่ายจะเพิ่มขึ้นอย่างมาก ตัวเลขที่เรานำเสนออาจเป็นแนวทางทั่วไป ผู้อ่านอาจพบการอ้างอิงบ่อยครั้งที่ประตูพับนี้เป็นประโยชน์สำหรับส่วนที่เหลือของบทความ การวิเคราะห์อนุกรมเวลาเป็นเทคนิคทางสถิติที่ใช้เมื่อมีข้อมูลหลายปีสำหรับผลิตภัณฑ์หรือสายผลิตภัณฑ์และเมื่อความสัมพันธ์และแนวโน้มมีความชัดเจนและมีเสถียรภาพ หนึ่งในหลักการพื้นฐานของการประมาณการณ์ทางสถิติของการคาดการณ์ทั้งหมดเมื่อมีการเข้าถึงข้อมูลทางประวัติศาสตร์ว่านักพยากรณ์คาดว่าจะใช้ข้อมูลเกี่ยวกับประสิทธิภาพที่ผ่านมาเพื่อให้สามารถอ่านอัตราความเร็วปัจจุบันของอัตราการขายได้และอัตราการเพิ่มขึ้นของอัตรานี้เป็นอย่างไร หรือลดลง อัตราปัจจุบันและการเปลี่ยนแปลงของอัตราการเคมิคอลและการชะลอตัวของการพยากรณ์ เมื่อพวกเขาเป็นที่รู้จักเทคนิคทางคณิตศาสตร์ต่างๆสามารถพัฒนาประมาณการจากพวกเขา เรื่องไม่ง่ายอย่างที่คิด แต่ มักเป็นเรื่องยากที่จะประมาณการจากข้อมูลดิบเนื่องจากอัตราและแนวโน้มไม่ได้เห็นได้ชัดทันทีว่าเป็นไปตามความผันแปรตามฤดูกาลตัวอย่างเช่นอาจบิดเบือนไปด้วยปัจจัยต่างๆเช่นผลกระทบจากแคมเปญส่งเสริมการขายที่มีขนาดใหญ่ ข้อมูลดิบจะต้องมีการนวดก่อนที่จะใช้งานได้และนี่เป็นข้อมูลที่ทำบ่อยๆโดยการวิเคราะห์อนุกรมเวลา ตอนนี้ชุดข้อมูลในช่วงเวลาคือชุดของจุดที่สั่งซื้อตามลำดับเวลาตัวอย่างเช่นข้อมูลดิบการขายหน่วยของผลิตภัณฑ์หนึ่ง ๆ ตามเดือนเป็นเวลาหลายปี การวิเคราะห์อนุกรมเวลาจะช่วยในการระบุและอธิบาย: ความสม่ำเสมอหรือความแตกต่างอย่างเป็นระบบในชุดของข้อมูลซึ่งเป็นไปตามฤดูกาลของ seasonals รูปแบบวัฏจักรที่ทำซ้ำสองหรือสามปีหรือมากกว่า แนวโน้มในข้อมูล อัตราการเติบโตของแนวโน้มเหล่านี้ (แต่วิธีการที่มีอยู่ส่วนใหญ่ระบุเฉพาะ seasonals ผลรวมของแนวโน้มและรอบและไม่สม่ำเสมอหรือโอกาสองค์ประกอบนั่นคือพวกเขาไม่แยกแนวโน้มจากรอบเราจะกลับไปยังจุดนี้เมื่อเราหารือเกี่ยวกับชุดเวลา การวิเคราะห์ในขั้นตอนสุดท้ายของการครบกําหนดผลิตภัณฑ์) เมื่อการวิเคราะห์เสร็จสมบูรณ์แล้วการทำงานของการคาดการณ์ยอดขายในอนาคต (หรืออะไรก็ได้) จะเริ่มขึ้น เราควรทราบว่าในขณะที่เราแยกการวิเคราะห์ออกจากการประมาณการที่นี่เพื่อวัตถุประสงค์ในการอธิบายเทคนิคการประมาณการณ์ทางสถิติส่วนใหญ่จะรวมฟังก์ชันทั้งสองไว้ในการดำเนินการเพียงครั้งเดียว อนาคตเหมือนในอดีต: เห็นได้จากคำอธิบายนี้ว่าเทคนิคทางสถิติทั้งหมดใช้สมมติฐานว่ารูปแบบเดิมจะดำเนินต่อไปในอนาคต สมมติฐานนี้มีแนวโน้มที่จะถูกต้องในระยะสั้นมากกว่าที่จะเป็นไปในระยะยาวและด้วยเหตุนี้เทคนิคเหล่านี้จึงทำให้เรามีการคาดการณ์อย่างสมเหตุสมผลในอนาคตอันใกล้ แต่จะส่งผลให้เกิดอนาคตที่ไม่ดีขึ้นอีก เสถียรพิเศษ) ด้วยเหตุผลเดียวกันนี้เทคนิคเหล่านี้มักไม่สามารถคาดเดาได้เมื่ออัตราการเติบโตของแนวโน้มจะเปลี่ยนแปลงไปอย่างมากตัวอย่างเช่นเมื่อช่วงเวลาของการเติบโตที่ชะลอตัวของการขายก็จะเปลี่ยนไปเป็นช่วงการสลายตัวที่รวดเร็ว จุดดังกล่าวเรียกว่าจุดหักเห พวกเขามีความสำคัญอย่างยิ่งต่อผู้จัดการและในขณะที่เราจะได้เห็นนักพยากรณ์ต้องใช้เครื่องมือที่แตกต่างจากเทคนิคทางสถิติที่บริสุทธิ์เพื่อคาดการณ์ว่าจะเกิดขึ้นเมื่อใด โมเดลเชิงสาเหตุเมื่อข้อมูลทางประวัติศาสตร์พร้อมใช้งานและมีการวิเคราะห์ข้อมูลอย่างเพียงพอเพื่อสะกดความสัมพันธ์ระหว่างปัจจัยที่คาดการณ์ไว้และปัจจัยอื่น ๆ (เช่นธุรกิจที่เกี่ยวข้องแรงทางเศรษฐกิจและปัจจัยทางเศรษฐกิจและสังคม) ผู้พยากรณ์มักจะสร้างแบบจำลองเชิงสาเหตุ แบบจำลองเชิงสาเหตุคือเครื่องมือพยากรณ์อากาศที่มีความซับซ้อนมากที่สุด เป็นการแสดงออกถึงความสัมพันธ์เชิงสาเหตุที่เกี่ยวกับทางคณิตศาสตร์และอาจรวมถึงการพิจารณาเกี่ยวกับท่อ (เช่นสินค้าคงเหลือ) และข้อมูลการสำรวจตลาด นอกจากนี้ยังสามารถรวมผลการวิเคราะห์อนุกรมเวลาได้โดยตรง โมเดลเชิงสาเหตุใช้ทุกอย่างที่ทราบเกี่ยวกับพลวัตของระบบการไหลและใช้การคาดการณ์เหตุการณ์ที่เกี่ยวข้องเช่นการแข่งขันการนัดหยุดงานและการส่งเสริมการขาย หากข้อมูลมีอยู่โมเดลโดยทั่วไปจะรวมถึงปัจจัยต่างๆสำหรับแต่ละตำแหน่งในแผนภูมิการไหล (ดังที่แสดงในส่วนที่ 2) และเชื่อมต่อโดยสมการเพื่ออธิบายการไหลของผลิตภัณฑ์โดยรวม หากขาดข้อมูลบางประเภทขั้นแรกอาจมีความจำเป็นที่จะต้องตั้งสมมติฐานเกี่ยวกับความสัมพันธ์บางส่วนและติดตามสิ่งที่เกิดขึ้นเพื่อพิจารณาว่าข้อสมมติฐานเป็นจริงหรือไม่ โดยปกติแล้วโมเดลเชิงสาเหตุจะได้รับการแก้ไขอย่างต่อเนื่องเนื่องจากความรู้เพิ่มเติมเกี่ยวกับระบบจะพร้อมใช้งาน อีกครั้งให้ดู gatefold สำหรับการสรุปเกี่ยวกับประเภทที่พบมากที่สุดของเทคนิคเชิงสาเหตุ ตามแผนภูมิแสดงให้เห็นว่าโมเดลเชิงสาเหตุเป็นสิ่งที่ดีที่สุดในการทำนายจุดเปลี่ยนและเตรียมการคาดการณ์ในระยะยาว วิธีการผลิตภัณฑ์ช่วงวงจรชีวิตในแต่ละช่วงชีวิตของผลิตภัณฑ์จากความคิดไปจนถึงการขายที่มั่นคงการตัดสินใจที่ผู้บริหารต้องทำให้มีความแตกต่างกันโดยสิ้นเชิงและต้องใช้ข้อมูลประเภทต่างๆเป็นฐาน เทคนิคการคาดการณ์ที่ให้ข้อมูลชุดเหล่านี้แตกต่างกันออกไป ภาพประกอบ III สรุประยะชีวิตของผลิตภัณฑ์การตัดสินใจโดยทั่วไปของแต่ละคนและเทคนิคการพยากรณ์หลักที่เหมาะสมกับแต่ละข้อ การจัดประเภท III ประเภทของการตัดสินใจที่เกิดขึ้นจากวงจรชีวิตของผลิตภัณฑ์โดยใช้เทคนิคการพยากรณ์ที่เกี่ยวข้องผลิตภัณฑ์ที่แตกต่างกันอาจจำเป็นต้องมีการคาดการณ์ที่แตกต่างกัน ผลิตภัณฑ์ CGW สองชิ้นที่ได้รับการจัดการค่อนข้างแตกต่างกันคือส่วนประกอบของแก้วที่สำคัญสำหรับหลอด TV ซึ่ง Corning เป็นผู้จัดจำหน่ายชั้นนำและเครื่องครัว Corning Ware ซึ่งเป็นสายผลิตภัณฑ์ผู้บริโภคที่เป็นกรรมสิทธิ์ เราจะติดตามวิธีการคาดการณ์ที่ใช้ในแต่ละช่วงเวลาที่แตกต่างกันสี่ขั้นตอนของการกำหนดผลิตภัณฑ์เหล่านี้เพื่อให้ข้อมูลเชิงลึกโดยตรงในการเลือกและการประยุกต์ใช้เทคนิคที่สำคัญบางอย่างในปัจจุบัน ก่อนที่เราจะเริ่มต้นให้แจ้งให้เราทราบว่าสถานการณ์แตกต่างกันอย่างไรสำหรับผลิตภัณฑ์สองประเภท: สำหรับผลิตภัณฑ์เพื่อผู้บริโภคเช่นเครื่องครัวผู้ผลิตควบคุมท่อจ่ายอย่างน้อยผ่านระดับผู้จัดจำหน่าย ดังนั้นผู้ผลิตจึงสามารถควบคุมหรือควบคุมยอดขายสินค้าของผู้บริโภคได้ค่อนข้างตรงรวมทั้งสามารถควบคุมองค์ประกอบของท่อได้โดยตรง การเปลี่ยนแปลงอัตราค่าจัดส่งและความสามารถในการทำกำไรทั้งหมดเป็นผลมาจากการดำเนินการของผู้ผลิตเอง การตัดสินใจเชิงยุทธวิธีในการส่งเสริมการขายรายการพิเศษและราคามักขึ้นอยู่กับดุลยพินิจของพวกเขาด้วย เทคนิคที่ได้รับเลือกจากผู้พยากรณ์เพื่อคาดการณ์ยอดขายจึงควรอนุญาตให้มีการนำข้อมูลดังกล่าวมาใช้ หนึ่งอาจจะต้องเริ่มต้นด้วยเทคนิคง่ายๆและทำงานได้ถึงคนที่ซับซ้อนมากขึ้นที่ยอมรับความเป็นไปได้ดังกล่าว แต่เป้าหมายสุดท้ายคือมี ในกรณีที่ บริษัท ผู้จัดจำหน่ายจัดหาส่วนประกอบให้แก่ OEM เนื่องจาก Corning ไม่สำหรับผู้ผลิตหลอด บริษัท ไม่ได้มีอิทธิพลโดยตรงหรือควบคุมองค์ประกอบของท่อหรือยอดขายของผู้บริโภคขั้นสุดท้าย อาจเป็นไปไม่ได้ที่ บริษัท จะได้รับข้อมูลที่ดีเกี่ยวกับสิ่งที่เกิดขึ้นในจุดต่อไปในระบบการไหล (เช่นในส่วนบนของงานจัดแสดง II) และด้วยเหตุนี้นักพยากรณ์จึงจำเป็นต้องใช้ประเภทของการคาดการณ์ที่แตกต่างกัน จากสิ่งที่ใช้สำหรับผลิตภัณฑ์อุปโภคบริโภค ระหว่างสองตัวอย่างนี้การอภิปรายของเราจะครอบคลุมเกือบทุกช่วงของเทคนิคการคาดการณ์ อย่างไรก็ตามหากจำเป็นเราจะต้องสัมผัสกับผลิตภัณฑ์อื่น ๆ และวิธีการพยากรณ์อื่น ๆ 1. การพัฒนาผลิตภัณฑ์ในระยะแรกของการพัฒนาผลิตภัณฑ์ผู้จัดการต้องการคำตอบสำหรับคำถามต่างๆเช่นสิ่งที่เป็นโอกาสในการเติบโตทางเลือกในการใฝ่หาผลิตภัณฑ์ X มีการสร้างผลิตภัณฑ์ที่คล้ายคลึงกับ X fared เราควรเข้าสู่ธุรกิจนี้หรือไม่และถ้าเป็นเช่นนั้น วิธีการที่เราควรจัดสรรความพยายาม RampD และกองทุนวิธีการที่ประสบความสำเร็จจะแตกต่างกันผลิตภัณฑ์แนวคิดเป็นผลิตภัณฑ์ X จะพอดีกับตลาดห้าหรือสิบปีนับจากนี้การคาดการณ์ที่ช่วยในการตอบคำถามระยะยาวเหล่านี้จำเป็นต้องมีความยาวไกลเอง การคัดค้านอย่างหนึ่งต่อการคาดการณ์ในระยะยาวเป็นสิ่งที่แทบจะเป็นไปไม่ได้ที่จะคาดการณ์ได้อย่างแม่นยำว่าจะเกิดอะไรขึ้นอีกหลายปีในอนาคต เรายอมรับความไม่แน่นอนที่เพิ่มขึ้นเมื่อมีการคาดการณ์สำหรับระยะเวลามากกว่าสองปี อย่างไรก็ตามอย่างน้อยที่สุดการคาดการณ์และการวัดความถูกต้องช่วยให้ผู้จัดการทราบถึงความเสี่ยงในการเลือกกลยุทธ์ที่เลือกและในความรู้นี้เพื่อเลือกกลยุทธ์ที่เหมาะสมจากที่มีอยู่ การวิจัยตลาดอย่างเป็นระบบถือเป็นแกนนำในพื้นที่นี้ ตัวอย่างเช่นการวิเคราะห์รูปแบบลำดับความสำคัญสามารถอธิบายถึงความชอบของผู้บริโภคและความเป็นไปได้ที่พวกเขาจะซื้อผลิตภัณฑ์และมีมูลค่าสูงในการคาดการณ์ (และปรับปรุง) ระดับการเจาะและอัตรา แต่ยังมีเครื่องมืออื่น ๆ ขึ้นอยู่กับสถานะของตลาดและแนวคิดผลิตภัณฑ์ สำหรับตลาดที่กำหนดไว้ในขณะที่ไม่มีข้อมูลโดยตรงเกี่ยวกับผลิตภัณฑ์ที่ยังคงเป็นประกายอยู่ในตาข้อมูลเกี่ยวกับประสิทธิภาพที่คาดว่าจะสามารถรวบรวมได้หลายวิธีหากตลาดที่มีการขายเป็นที่รู้จัก เอกลักษณ์ ก่อนอื่นเราสามารถเปรียบเทียบผลิตภัณฑ์ที่นำเสนอกับคู่แข่งที่มีอยู่ในปัจจุบันและมีการวางแผนผลิตภัณฑ์จัดอันดับในเชิงปริมาณสำหรับปัจจัยต่าง ๆ เราเรียกว่าการวัดความแตกต่างของผลิตภัณฑ์นี้ 2 หากวิธีนี้ประสบความสำเร็จเป็นสิ่งสำคัญที่ผู้เชี่ยวชาญ (ในบ้าน) ที่ให้ข้อมูลพื้นฐานมาจากการตลาดที่แตกต่างกัน RampD การผลิตกฎหมายและอื่น ๆ และความเห็นของพวกเขาจะไม่เป็นธรรม ประการที่สองและเป็นทางการมากขึ้นสามารถสร้างแบบจำลองทางการตลาดแบบแยกส่วนโดยแยกส่วนต่างๆออกจากตลาดที่ซับซ้อนสำหรับการศึกษาและการพิจารณารายบุคคล โดยเฉพาะอย่างยิ่งมักเป็นประโยชน์ในการจัดทำเส้นโค้งการเติบโตของรูปตัว S สำหรับระดับรายได้ของภูมิภาคทางภูมิศาสตร์ที่แตกต่างกัน เมื่อนำเสนอผลิตภัณฑ์หลอดไฟสีเป็นผลิตภัณฑ์ CGW สามารถระบุปัจจัยที่จะส่งผลต่อการเติบโตของยอดขาย จากนั้นโดยการแยกความต้องการของผู้บริโภคและทำให้สมมติฐานบางประการเกี่ยวกับปัจจัยเหล่านี้เราสามารถพัฒนา S-curve สำหรับอัตราการเจาะตลาดในครัวเรือนซึ่งเป็นประโยชน์ต่อเรามากที่สุด ประการที่สามสามารถเปรียบเทียบผลิตภัณฑ์ที่คาดการณ์ไว้กับบรรพบุรุษที่มีลักษณะคล้ายกันได้ ในปีพศ. 2508 เราได้แยกแยะตลาดโทรทัศน์สีตามระดับรายได้และขอบเขตทางภูมิศาสตร์และเปรียบเทียบตลาดย่อยเหล่านี้กับรูปแบบการเติบโตของตลาดโทรทัศน์สีดำในอดีต เรายืนยันขั้นตอนนี้โดยการโต้เถียงว่าทีวีสีแสดงให้เห็นถึงความก้าวหน้าในแบบขาว - ดำที่คล้ายคลึงกับการที่โทรทัศน์สีดำและขาวเป็นตัวแทนผ่านทางวิทยุ การวิเคราะห์การเติบโตของตลาดโทรทัศน์สีดำและสีขาวยังช่วยให้เราสามารถคาดการณ์ความแปรปรวนได้อย่างแน่นอนซึ่งเป็นระดับที่ประมาณการของเราจะแตกต่างจากที่เป็นจริงอันเป็นผลมาจากปัจจัยทางเศรษฐกิจและปัจจัยอื่น ๆ ราคาของทีวีสีดำและเครื่องใช้ในครัวเรือนรายใหญ่อื่น ๆ ในปี 1949 รายได้ที่ผู้บริโภคทิ้งในปี 1949 ราคาของโทรทัศน์สีและอุปกรณ์อื่น ๆ ในปีพ. ศ. 2508 และรายได้ที่ผู้บริโภคทิ้งสำหรับปีพ. ศ. 2508 คาดการณ์การเจาะระบบโทรทัศน์สีบนพื้นฐานแห่งชาติ รูปแบบความสำเร็จของทีวีสีดำและจากนั้นให้ความเข้าใจเกี่ยวกับโอกาสในการประสบความสำเร็จและศักยภาพในการขายของโทรทัศน์สี การคาดการณ์ของเราเกี่ยวกับการยอมรับของผู้บริโภคเกี่ยวกับเครื่องครัวของ Corning Ware ในทางกลับกันได้มาจากแหล่งผู้เชี่ยวชาญรายหนึ่งซึ่งเป็นผู้จัดการที่เข้าใจความต้องการของผู้บริโภคและตลาดของใช้ในครัวเรือนอย่างละเอียด การคาดการณ์เหล่านี้ได้รับการยอมรับอย่างดี นี่เป็นการตอกย้ำความเชื่อมั่นของเราว่าการคาดการณ์ยอดขายสำหรับผลิตภัณฑ์ใหม่ที่จะเข้าแข่งขันในตลาดที่มีอยู่จะต้องไม่สมบูรณ์และไม่แน่นอนเว้นเสียแต่ว่าจะมีการตัดสินที่ดีที่สุดของบุคลากรที่มีประสบการณ์อย่างเต็มที่ สำหรับตลาดที่ไม่ได้รับการยอมรับบ่อยๆ แต่ตลาดผลิตภัณฑ์ใหม่ ๆ มีการกำหนดไว้เพียงเล็กน้อยหรือมีข้อมูลเพียงเล็กน้อยข้อมูลแนวคิดของผลิตภัณฑ์ยังคงอยู่ในสภาพที่ลื่นไหลและดูเหมือนว่าประวัติศาสตร์จะไม่เกี่ยวข้อง นี่คือกรณีของกังหันก๊าซรถยนต์ไฟฟ้าและไอน้ำที่อยู่อาศัยแบบแยกส่วนอุปกรณ์วัดมลพิษและเครื่องคอมพิวเตอร์ที่ใช้เวลาร่วมกัน หลายองค์กรได้ใช้วิธี Delphi ในการชักชวนและรวบรวมความคิดเห็นจากผู้เชี่ยวชาญในสถานการณ์ดังกล่าว ที่ CGW ในหลาย ๆ กรณีเราใช้มันเพื่อประมาณความต้องการสินค้าใหม่ ๆ เหล่านี้ด้วยความสำเร็จ การวิเคราะห์ข้อมูลเข้าและออกรวมกับเทคนิคอื่น ๆ สามารถเป็นประโยชน์อย่างยิ่งในการคาดการณ์เส้นทางในอนาคตของเทคโนโลยีในวงกว้างและการเปลี่ยนแปลงในวงกว้างในระบบเศรษฐกิจ เครื่องมือพื้นฐานที่นี่คือตาราง input-output ของอุตสาหกรรมในสหรัฐอเมริกาสำหรับปีพ. ศ. 2490, 2501 และ 2506 รวมถึงการปรับปรุงต่างๆของตาราง 1963 ที่เตรียมโดยกลุ่มผู้ที่ต้องการคาดการณ์ตัวเลขปีพ. ศ. 2506 หรือคาดการณ์ในปีต่อ ๆ ไป เนื่องจากธุรกิจหรือสายผลิตภัณฑ์อาจเป็นเพียงภาคอุตสาหกรรมขนาดเล็กอาจทำให้ยากที่จะใช้ตารางโดยตรง อย่างไรก็ตามหลาย บริษัท เป็นอุตสาหกรรมที่แยกกันเพื่อประเมินศักยภาพการขายของพวกเขาและเพื่อคาดการณ์การเปลี่ยนแปลงในการผสมผสานผลิตภัณฑ์ซึ่งจะช่วยลดขั้นตอนการผลิตออกจากสายเก่าและการแนะนำผลิตภัณฑ์อื่น ๆ ตัวอย่างเช่นควอนตัม - วิทยาศาสตร์คอร์ปอเรชั่น (MAPTEK) ได้มีการพัฒนาเทคนิคที่ทำให้การวิเคราะห์ข้อมูลเข้า - ออกมีประโยชน์มากยิ่งขึ้นสำหรับผู้ที่อยู่ในธุรกิจอิเล็กทรอนิกส์ในปัจจุบัน (เทคนิคอื่น ๆ เช่นมติของคณะกรรมการและการคาดการณ์ที่มีวิสัยทัศน์ดูเหมือนจะมีประสิทธิภาพน้อยสำหรับเราและเราไม่สามารถประเมินได้จากประสบการณ์ของเราเอง) 2. การทดสอบแอมป์ก่อนที่ผลิตภัณฑ์จะเข้าสู่ขั้นตอนการรุกล้ำอย่างรวดเร็ว ต้องมีการทดสอบและต้องมีการแนะนำผลิตภัณฑ์และอาจมีการแนะนำการทดสอบตลาดเพิ่มเติม ในขั้นตอนนี้ฝ่ายบริหารต้องการคำตอบสำหรับคำถามเหล่านี้: แผนการตลาดของเราควรเป็นอย่างไรเมื่อเราควรเข้าสู่ตลาดและปริมาณการผลิตเท่าใดความจุเท่าใดของการผลิตในระยะแรกจะต้องใช้เมื่อความต้องการเติบโตขึ้นเราควรจะจัดสรรที่ใด ทรัพยากร RampD ของเราตลอดเวลากำไรที่สำคัญขึ้นอยู่กับการหาคำตอบที่ถูกต้องและดังนั้นจึงเป็นไปได้ทางเศรษฐกิจที่จะใช้จ่ายจำนวนเงินที่ค่อนข้างมากและความพยายามในการได้รับการคาดการณ์ที่ดีในระยะสั้นปานกลางและระยะยาว การคาดการณ์ยอดขายในขั้นตอนนี้ควรให้ข้อมูลสามจุดคือวันที่ยอดขายจะเริ่มเร็วอัตราการเจาะตลาดในช่วงระยะเวลาการขายที่รวดเร็วและระดับการรุกหรืออัตราการขายที่ดีที่สุดในช่วงระยะเวลาที่มั่นคง . การใช้ข้อมูลเริ่มต้นวันที่ผลิตภัณฑ์จะเข้าสู่ขั้นตอนการขยายตัวอย่างรวดเร็วเป็นเรื่องยากที่จะคาดการณ์ล่วงหน้าสามหรือสี่ปี (ตามขอบฟ้าตามปกติ) การไล่เบี้ยเพียงอย่างเดียวของ บริษัท คือการใช้วิธีการติดตามสถิติเพื่อตรวจสอบความสำเร็จของผลิตภัณฑ์ที่มีการแนะนำพร้อมกับการศึกษาตลาดแบบเป็นกิจวัตรเพื่อกำหนดเมื่อมีการเพิ่มขึ้นอย่างมากในอัตราการขาย นอกจากนี้ควรระมัดระวังในการวิเคราะห์ข้อมูลการขายในช่วงต้นที่เริ่มมีการสะสมเมื่อผลิตภัณฑ์ได้รับการแนะนำเข้าสู่ตลาดแล้ว ตัวอย่างเช่นสิ่งสำคัญคือการแยกความแตกต่างระหว่างการขายให้กับนักประดิษฐ์ผู้ที่จะลองทำอะไรใหม่ ๆ และขายให้กับผู้เลียนแบบที่จะซื้อผลิตภัณฑ์หลังจากได้รับการยอมรับจากนักประดิษฐ์แล้วเนื่องจากเป็นกลุ่มหลังที่มีเสถียรภาพด้านความต้องการ ผลิตภัณฑ์ใหม่จำนวนมากได้ปรากฏตัวครั้งแรกประสบความสำเร็จเนื่องจากมีการซื้อโดยนักประดิษฐ์ แต่จะล้มเหลวในภายหลัง การติดตามทั้งสองกลุ่มหมายถึงการวิจัยตลาด แผงควบคุมควรมีทั้งนักประดิษฐ์และนักเลียนแบบเนื่องจากนักประดิษฐ์สามารถสอนเกี่ยวกับการปรับปรุงผลิตภัณฑ์ในขณะที่นักเลียนแบบหลายคนให้ข้อมูลเชิงลึกเกี่ยวกับความปรารถนาและความคาดหวังของตลาดทั้งมวล เครื่องรับโทรทัศน์สีตัวอย่างเช่นได้รับการแนะนำในปีพ. ศ. 2497 แต่ไม่ได้รับการยอมรับจากผู้บริโภคส่วนใหญ่จนถึงปลายปีพ. ศ. 2507 เพื่อให้แน่ใจว่าโทรทัศน์สีไม่สามารถออกจากขั้นตอนการแนะนำและเข้าสู่ขั้นตอนการเติบโตอย่างรวดเร็วจนกว่า networks had substantially increased their color programming. However, special flag signals like substantially increased network color programming are likely to come after the fact, from the planning viewpoint and in general, we find, scientifically designed consumer surveys conducted on a regular basis provide the earliest means of detecting turning points in the demand for a product. Similar-product technique Although statistical tracking is a useful tool during the early introduction stages, there are rarely sufficient data for statistical forecasting. Market research studies can naturally be useful, as we have indicated. But, more commonly, the forecaster tries to identify a similar, older product whose penetration pattern should be similar to that of the new product, since overall markets can and do exhibit consistent patterns. Again, lets consider color television and the forecasts we prepared in 1965. For the year 19471968, Exhibit IV shows total consumer expenditures, appliance expenditures, expenditures for radios and TVs, and relevant percentages. Column 4 shows that total expenditures for appliances are relatively stable over periods of several years hence, new appliances must compete with existing ones, especially during recessions (note the figures for 19481949, 19531954, 19571958, and 19601961). Exhibit IV Expenditures on Appliances Versus All Consumer Goods (In billions of dollars) Certain special fluctuations in these figures are of special significance here. When black-and-white TV was introduced as a new product in 19481951, the ratio of expenditures on radio and TV sets to total expenditures for consumer goods (see column 7) increased about 33 (from 1.23 to 1.63 ), as against a modest increase of only 13 (from 1.63 to 1.88 ) in the ratio for the next decade. (A similar increase of 33 occurred in 19621966 as color TV made its major penetration.) Probably the acceptance of black-and-white TV as a major appliance in 1950 caused the ratio of all major household appliances to total consumer goods (see column 5) to rise to 4.98 in other words, the innovation of TV caused the consumer to start spending more money on major appliances around 1950. Our expectation in mid-1965 was that the introduction of color TV would induce a similar increase. Thus, although this product comparison did not provide us with an accurate or detailed forecast, it did place an upper bound on the future total sales we could expect. The next step was to look at the cumulative penetration curve for black-and-white TVs in U. S. households, shown in Exhibit V. We assumed color-TV penetration would have a similar S - curve, but that it would take longer for color sets to penetrate the whole market (that is, reach steady-state sales). Whereas it took black-and-white TV 10 years to reach steady state, qualitative expert-opinion studies indicated that it would take color twice that longhence the more gradual slope of the color-TV curve. Exhibit V Long-term Household Penetration Curves for Color and Black-and-White TV At the same time, studies conducted in 1964 and 1965 showed significantly different penetration sales for color TV in various income groups, rates that were helpful to us in projecting the color-TV curve and tracking the accuracy of our projection. With these data and assumptions, we forecast retail sales for the remainder of 1965 through mid-1970 (see the dotted section of the lower curve in Exhibit V). The forecasts were accurate through 1966 but too high in the following three years, primarily because of declining general economic conditions and changing pricing policies We should note that when we developed these forecasts and techniques, we recognized that additional techniques would be necessary at later times to maintain the accuracy that would be needed in subsequent periods. These forecasts provided acceptable accuracy for the time they were made, however, since the major goal then was only to estimate the penetration rate and the ultimate, steady-state level of sales. Making refined estimates of how the manufacturing-distribution pipelines will behave is an activity that properly belongs to the next life-cycle stage. Other approaches: When it is not possible to identify a similar product, as was the case with CGWs self-cleaning oven and flat-top cooking range (Counterange), another approach must be used. For the purposes of initial introduction into the markets, it may only be necessary to determine the minimum sales rate required for a product venture to meet corporate objectives. Analyses like input-output, historical trend, and technological forecasting can be used to estimate this minimum. Also, the feasibility of not entering the market at all, or of continuing RampD right up to the rapid-growth stage, can best be determined by sensitivity analysis. Predicting rapid growth To estimate the date by which a product will enter the rapid-growth stage is another matter. As we have seen, this date is a function of many factors: the existence of a distribution system, customer acceptance of or familiarity with the product concept, the need met by the product, significant events (such as color network programming), and so on. As well as by reviewing the behavior of similar products, the date may be estimated through Delphi exercises or through rating and ranking schemes, whereby the factors important to customer acceptance are estimated, each competitor product is rated on each factor, and an overall score is tallied for the competitor against a score for the new product. As we have said, it is usually difficult to forecast precisely when the turning point will occur and, in our experience, the best accuracy that can be expected is within three months to two years of the actual time. It is occasionally true, of course, that one can be certain a new product will be enthusiastically accepted. Market tests and initial customer reaction made it clear there would be a large market for Corning Ware cookware. Since the distribution system was already in existence, the time required for the line to reach rapid growth depended primarily on our ability to manufacture it. Sometimes forecasting is merely a matter of calculating the companys capacitybut not ordinarily. 3. Rapid Growth When a product enters this stage, the most important decisions relate to facilities expansion. These decisions generally involve the largest expenditures in the cycle (excepting major RampD decisions), and commensurate forecasting and tracking efforts are justified. Forecasting and tracking must provide the executive with three kinds of data at this juncture: Firm verification of the rapid-growth rate forecast made previously. A hard date when sales will level to normal, steady-state growth . For component products, the deviation in the growth curve that may be caused by characteristic conditions along the pipeline for example, inventory blockages. Forecasting the growth rate Medium - and long-range forecasting of the market growth rate and of the attainment of steady-state sales requires the same measures as does the product introduction stagedetailed marketing studies (especially intention-to-buy surveys) and product comparisons. When a product has entered rapid growth, on the other hand, there are generally sufficient data available to construct statistical and possibly even causal growth models (although the latter will necessarily contain assumptions that must be verified later). We estimated the growth rate and steady-state rate of color TV by a crude econometric-marketing model from data available at the beginning of this stage. We conducted frequent marketing studies as well. The growth rate for Corning Ware Cookware, as we explained, was limited primarily by our production capabilities and hence the basic information to be predicted in that case was the date of leveling growth. Because substantial inventories buffered information on consumer sales all along the line, good field data were lacking, which made this date difficult to estimate. Eventually we found it necessary to establish a better (more direct) field information system. As well as merely buffering information, in the case of a component product, the pipeline exerts certain distorting effects on the manufacturers demand these effects, although highly important, are often illogically neglected in production or capacity planning. Simulating the pipeline While the ware-in-process demand in the pipeline has an S - curve like that of retail sales, it may lag or lead sales by several months, distorting the shape of the demand on the component supplier. Exhibit VI shows the long-term trend of demand on a component supplier other than Corning as a function of distributor sales and distributor inventories. As one can see from this curve, supplier sales may grow relatively sharply for several months and peak before retail sales have leveled off. The implications of these curves for facilities planning and allocation are obvious. Exhibit VI Patterns for Color-TV Distributor Sales, Distributor Inventories, and Component Sales Note: Scales are different for component sales, distributor inventories, and distributor sales, with the patterns put on the same graph for illustrative purposes. Here we have used components for color TV sets for our illustration because we know from our own experience the importance of the long flow time for color TVs that results from the many sequential steps in manufacturing and distribution (recall Exhibit II). There are more spectacular examples for instance, it is not uncommon for the flow time from component supplier to consumer to stretch out to two years in the case of truck engines. To estimate total demand on CGW production, we used a retail demand model and a pipeline simulation. The model incorporated penetration rates, mortality curves, and the like. We combined the data generated by the model with market-share data, data on glass losses, and other information to make up the corpus of inputs for the pipeline simulation. The simulation output allowed us to apply projected curves like the ones shown in Exhibit VI to our own component-manufacturing planning. Simulation is an excellent tool for these circumstances because it is essentially simpler than the alternativenamely, building a more formal, more mathematical model. That is, simulation bypasses the need for analytical solution techniques and for mathematical duplication of a complex environment and allows experimentation. Simulation also informs us how the pipeline elements will behave and interact over timeknowledge that is very useful in forecasting, especially in constructing formal causal models at a later date. Tracking amp warning This knowledge is not absolutely hard, of course, and pipeline dynamics must be carefully tracked to determine if the various estimates and assumptions made were indeed correct. Statistical methods provide a good short-term basis for estimating and checking the growth rate and signaling when turning points will occur. In late 1965 it appeared to us that the ware-in-process demand was increasing, since there was a consistent positive difference between actual TV bulb sales and forecasted bulb sales. Conversations with product managers and other personnel indicated there might have been a significant change in pipeline activity it appeared that rapid increases in retail demand were boosting glass requirements for ware-in-process, which could create a hump in the S - curve like the one illustrated in Exhibit VI. This humping provided additional profit for CGW in 1966 but had an adverse effect in 1967. We were able to predict this hump, but unfortunately we were unable to reduce or avoid it because the pipeline was not sufficiently under our control. The inventories all along the pipeline also follow an S - curve (as shown in Exhibit VI), a fact that creates and compounds two characteristic conditions in the pipeline as a whole: initial overfilling and subsequent shifts between too much and too little inventory at various pointsa sequence of feast-and-famine conditions. For example, the simpler distribution system for Corning Ware had an S - curve like the ones we have examined. When the retail sales slowed from rapid to normal growth, however, there were no early indications from shipment data that this crucial turning point had been reached. Data on distributor inventories gave us some warning that the pipeline was over filling, but the turning point at the retail level was still not identified quickly enough, as we have mentioned before, because of lack of good data at the level. We now monitor field information regularly to identify significant changes, and adjust our shipment forecasts accordingly. Main concerns One main activity during the rapid-growth stage, then, is to check earlier estimates and, if they appear incorrect, to compute as accurately as possible the error in the forecast and obtain a revised estimate. In some instances, models developed earlier will include only macroterms in such cases, market research can provide information needed to break these down into their components. For example, the color-TV forecasting model initially considered only total set penetrations at different income levels, without considering the way in which the sets were being used. Therefore, we conducted market surveys to determine set use more precisely. Equally, during the rapid-growth stage, submodels of pipeline segments should be expanded to incorporate more detailed information as it is received. In the case of color TV, we found we were able to estimate the overall pipeline requirements for glass bulbs, the CGW market-share factors, and glass losses, and to postulate a probability distribution around the most likely estimates. Over time, it was easy to check these forecasts against actual volume of sales, and hence to check on the procedures by which we were generating them. We also found we had to increase the number of factors in the simulation modelfor instance, we had to expand the model to consider different sizes of bulbsand this improved our overall accuracy and usefulness. The preceding is only one approach that can be used in forecasting sales of new products that are in a rapid growth. Others have discussed different ones. 3 4. Steady State The decisions the manager at this stage are quite different from those made earlier. Most of the facilities planning has been squared away, and trends and growth rates have become reasonably stable. It is possible that swings in demand and profit will occur because of changing economic conditions, new and competitive products, pipeline dynamics, and so on, and the manager will have to maintain the tracking activities and even introduce new ones. However, by and large, the manager will concentrate forecasting attention on these areas: Long - and short-term production planning. Setting standards to check the effectiveness of marketing strategies. Projections designed to aid profit planning. The manager will also need a good tracking and warning system to identify significantly declining demand for the product (but hopefully that is a long way off). To be sure, the manager will want margin and profit projection and long-range forecasts to assist planning at the corporate level. However, short - and medium-term sales forecasts are basic to these more elaborate undertakings, and we shall concentrate on sales forecasts. Adequate tools at hand In planning production and establishing marketing strategy for the short and medium term, the managers first considerations are usually an accurate estimate of the present sales level and an accurate estimate of the rate at which this level is changing. The forecaster thus is called on for two related contributions at this stage: To provide estimates of trends and seasonals, which obviously affect the sales level. Seasonals are particularly important for both overall production planning and inventory control. To do this, the forecaster needs to apply time series analysis and projection techniquesthat is, statistical techniques. To relate the future sales level to factors that are more easily predictable, or have a lead relationship with sales, or both. To do this the forecaster needs to build causal models . The type of product under scrutiny is very important in selecting the techniques to be used. For Corning Ware, where the levels of the distribution system are organized in a relatively straightforward way, we use statistical methods to forecast shipments and field information to forecast changes in shipment rates. We are now in the process of incorporating special informationmarketing strategies, economic forecasts, and so ondirectly into the shipment forecasts. This is leading us in the direction of a causal forecasting model. On the other hand, a component supplier may be able to forecast total sales with sufficient accuracy for broad-load production planning, but the pipeline environment may be so complex that the best recourse for short-term projections is to rely primarily on salespersons estimates. We find this true, for example, in estimating the demand for TV glass by size and customer. In such cases, the best role for statistical methods is providing guides and checks for salespersons forecasts. In general, however, at this point in the life cycle, sufficient time series data are available and enough causal relationships are known from direct experience and market studies so that the forecaster can indeed apply these two powerful sets of tools. Historical data for at least the last several years should be available. The forecaster will use all of it, one way or another. We might mention a common criticism at this point. People frequently object to using more than a few of the most recent data points (such as sales figures in the immediate past) for building projections, since, they say, the current situation is always so dynamic and conditions are changing so radically and quickly that historical data from further back in time have little or no value. We think this point of view had little validity. A graph of several years sales data, such as the one shown in Part A of Exhibit VII, gives an impression of a sales trend one could not possibly get if one were to look only at two or three of the latest data points. Exhibit VII Data Plots of Factory Sales of Color TV Sets In practice, we find, overall patterns tend to continue for a minimum of one or two quarters into the future, even when special conditions cause sales to fluctuate for one or two (monthly) periods in the immediate future. For short-term forecasting for one to three months ahead, the effects of such factors as general economic conditions are minimal, and do not cause radical shifts in demand patterns. And because trends tend to change gradually rather than suddenly, statistical and other quantitative methods are excellent for short-term forecasting. Using one or only a few of the most recent data points will result in giving insufficient consideration of the nature of trends, cycles, and seasonal fluctuations in sales. Some Additional Techniques for Finer Tuning Not directly related to product life-cycle forecasting, but still important to its success, are certain applications which we briefly mention here for those who are particularly interested. Inventory Control While the X-11 method and econometric or causal models are good for forecasting aggregated sales for a number of items, it is not economically feasible to use these techniques for controlling inventories of individual items. Some of the requirements that a forecasting technique for production and inventory control purposes must meet are these: It should not require maintenance of large histories of each item in the data bank, if this can be avoided. Computations should take as little computer time as possible. The technique should identify seasonal variations and take these into account when forecasting also, preferably, it will compute the statistical significance of the seasonals, deleting them if they are not significant. It should be able to fit a curve to the most recent data adequately and adapt to changes in trends and seasonals quickly. It should be applicable to data with a variety of characteristics. It also should be versatile enough so that when several hundred items or more are considered, it will do the best overall job, even though it may not do as good a job as other techniques for a particular item. One of the first techniques developed to meet these criteria is called exponential smoothing, where the most recent data points are given greater weight than previous data points, and where very little data storage is required. This technique is a considerable improvement over the moving average technique, which does not adapt quickly to changes in trends and which requires significantly more data storage. Adaptive forecasting also meets these criteria. An extension of exponential smoothing, it computes seasonals and thereby provides a more accurate forecast than can be obtained by exponential smoothing if there is a significant seasonal. There are a number of variations in the exponential smoothing and adaptive forecasting methods however, all have the common characteristic (at least in a descriptive sense) that the new forecast equals the old forecast plus some fraction of the latest forecast error. Virtually all the statistical techniques described in our discussion of the steady-state phase except the X-11 should be categorized as special cases of the recently developed Box-Jenkins technique. This technique requires considerably more computer time for each item and, at the present time, human attention as well. Until computational shortcuts can be developed, it will have limited use in the production and inventory control area. However, the Box-Jenkins has one very important feature not existing in the other statistical techniques: the ability to incorporate special information (for example, price changes and economic data) into the forecast. The reason the Box-Jenkins and the X-11 are more costly than other statistical techniques is that the user must select a particular version of the technique, or must estimate optimal values for the various parameters in the models, or must do both. For example, the type and length of moving average used is determined by the variability and other characteristics of the data at hand. We expect that better computer methods will be developed in the near future to significantly reduce these costs. Group-Item Forecasts In some instances where statistical methods do not provide acceptable accuracy for individual items, one can obtain the desired accuracy by grouping items together, where this reduces the relative amount of randomness in the data. Forecasters commonly use this approach to get acceptable accuracy in situations where it is virtually impossible to obtain accurate forecasts for individual items. Long-Term Demands Also, it is sometimes possible to accurately forecast long-term demands, even though the short-term swings may be so chaotic that they cannot be accurately forecasted. We found this to be the case in forecasting individual items in the line of color TV bulbs, where demands on CGW fluctuate widely with customer schedules. In this case, there is considerable difficulty in achieving desired profit levels if short-term scheduling does not take long-term objectives into consideration. Hence, two types of forecasts are needed: One that does a reasonably good job of forecasting demand for the next three to six periods for individual items. One that forecasts total bulb demand more accurately for three to thirteen periods into the future. For this reason, and because the low-cost forecasting techniques such as exponential smoothing and adaptive forecasting do not permit the incorporation of special information, it is advantageous to also use a more sophisticated technique such as the X-11 for groups of items. This technique is applied to analyze and forecast rates for total businesses, and also to identify any peculiarities and sudden changes in trends or patterns. This information is then incorporated into the item forecasts, with adjustments to the smoothing mechanisms, seasonals, and the like as necessary. Frequently one must develop a manual-override feature, which allows adjustments based on human judgment, in circumstances as fluid as these. Granting the applicability of the techniques, we must go on to explain how the forecaster identifies precisely what is happening when sales fluctuate from one period to the next and how such fluctuations can be forecast. Sorting trends amp seasonals A trend and a seasonal are obviously two quite different things, and they must be handled separately in forecasting. Consider what would happen, for example, if a forecaster were merely to take an average of the most recent data points along a curve, combine this with other, similar average points stretching backward into the immediate past, and use these as the basis for a projection. The forecaster might easily overreact to random changes, mistaking them for evidence of a prevailing trend, mistake a change in the growth rate for a seasonal, and so on. To avoid precisely this sort of error, the moving average technique, which is similar to the hypothetical one just described, uses data points in such a way that the effects of seasonals (and irregularities) are eliminated. Furthermore, the executive needs accurate estimates of trends and accurate estimates of seasonality to plan broad-load production, to determine marketing efforts and allocations, and to maintain proper inventoriesthat is, inventories that are adequate to customer demand but are not excessively costly. Before going any further, it might be well to illustrate what such sorting-out looks like. Parts A, B, and C of Exhibit VII show the initial decomposition of raw data for factory sales of color TV sets between 1965 and mid-1970. Part A presents the raw data curve. Part B shows the seasonal factors that are implicit in the raw dataquite a consistent pattern, although there is some variation from year to year. (In the next section we shall explain where this graph of the seasonals comes from.) Part C shows the result of discounting the raw data curve by the seasonals of Part B this is the so-called deseasonalized data curve. Next, in Part D, we have drawn the smoothest or best curve possible through the deseasonalized curve, thereby obtaining the trend cycle . (We might further note that the differences between this trend-cycle line and the deseasonalized data curve represent the irregular or nonsystematic component that the forecaster must always tolerate and attempt to explain by other methods.) In sum, then, the objective of the forecasting technique used here is to do the best possible job of sorting out trends and seasonalities. Unfortunately, most forecasting methods project by a smoothing process analogous to that of the moving average technique, or like that of the hypothetical technique we described at the beginning of this section, and separating trends and seasonals more precisely will require extra effort and cost. Still, sorting-out approaches have proved themselves in practice. We can best explain the reasons for their success by roughly outlining the way we construct a sales forecast on the basis of trends, seasonals, and data derived from them. This is the method: Graph the rate at which the trend is changing. For the illustration given in Exhibit VII, this graph is shown in Part E . This graph describes the successive ups and downs of the trend cycle shown in Part D . Project this growth rate forward over the interval to be forecasted. Assuming we were forecasting back in mid-1970, we should be projecting into the summer months and possible into the early fall. Add this growth rate (whether positive or negative) to the present sales rate. This might be called the unseasonalized sales rate. Project the seasonals of Part B for the period in question, and multiply the unseasonalized forecasted rate by these seasonals. The product will be the forecasted sales rate, which is what we desired. In special cases where there are no seasonals to be considered, of course, this process is much simplified, and fewer data and simpler techniques may be adequate. We have found that an analysis of the patterns of change in the growth rate gives us more accuracy in predicting turning points (and therefore changes from positive to negative growth, and vice versa) than when we use only the trend cycle. The main advantage of considering growth change, in fact, is that it is frequently possible to predict earlier when a no-growth situation will occur. The graph of change in growth thus provides an excellent visual base for forecasting and for identifying the turning point as well. X-11 technique The reader will be curious to know how one breaks the seasonals out of raw sales data and exactly how one derives the change-in-growth curve from the trend line. One of the best techniques we know for analyzing historical data in depth to determine seasonals, present sales rate, and growth is the X-11 Census Bureau Technique, which simultaneously removes seasonals from raw information and fits a trend-cycle line to the data. It is very comprehensive: at a cost of about 10, it provides detailed information on seasonals, trends, the accuracy of the seasonals and the trend cycle fit, and a number of other measures. The output includes plots of the trend cycle and the growth rate, which can concurrently be received on graphic displays on a time-shared terminal. Although the X-11 was not originally developed as a forecasting method, it does establish a base from which good forecasts can be made. One should note, however, that there is some instability in the trend line for the most recent data points, since the X-11, like virtually all statistical techniques, uses some form of moving average. It has therefore proved of value to study the changes in growth pattern as each new growth point is obtained. In particular, when recent data seem to reflect sharp growth or decline in sales or any other market anomaly, the forecaster should determine whether any special events occurred during the period under considerationpromotion, strikes, changes in the economy, and so on. The X-11 provides the basic instrumentation needed to evaluate the effects of such events. Generally, even when growth patterns can be associated with specific events, the X-11 technique and other statistical methods do not give good results when forecasting beyond six months, because of the uncertainty or unpredictable nature of the events. For short-term forecasts of one to three months, the X-11 technique has proved reasonably accurate. We have used it to provide sales estimates for each division for three periods into the future, as well as to determine changes in sales rates. We have compared our X-11 forecasts with forecasts developed by each of several divisions, where the divisions have used a variety of methods, some of which take into account salespersons estimates and other special knowledge. The forecasts using the X-11 technique were based on statistical methods alone, and did not consider any special information. The division forecasts had slightly less error than those provided by the X-11 method however, the division forecasts have been found to be slightly biased on the optimistic side, whereas those provided by the X-11 method are unbiased. This suggested to us that a better job of forecasting could be done by combining special knowledge, the techniques of the division, and the X-11 method. This is actually being done now by some of the divisions, and their forecasting accuracy has improved in consequence. The X-11 method has also been used to make sales projections for the immediate future to serve as a standard for evaluating various marketing strategies. This has been found to be especially effective for estimating the effects of price changes and promotions. As we have indicated earlier, trend analysis is frequently used to project annual data for several years to determine what sales will be if the current trend continues. Regression analysis and statistical forecasts are sometimes used in this waythat is, to estimate what will happen if no significant changes are made. Then, if the result is not acceptable with respect to corporate objectives, the company can change its strategy. Econometric models Over a long period of time, changes in general economic conditions will account for a significant part of the change in a products growth rate. Because economic forecasts are becoming more accurate and also because there are certain general leading economic forces that change before there are subsequent changes in specific industries, it is possible to improve the forecasts of businesses by including economic factors in the forecasting model. However, the development of such a model, usually called an econometric model, requires sufficient data so that the correct relationships can be established. During the rapid-growth state of color TV, we recognized that economic conditions would probably effect the sales rate significantly. However, the macroanalyses of black-and-white TV data we made in 1965 for the recessions in the late 1940s and early 1950s did not show any substantial economic effects at all hence we did not have sufficient data to establish good econometric relationships for a color TV model. (A later investigation did establish definite losses in color TV sales in 1967 due to economic conditions.) In 1969 Corning decided that a better method than the X-11 was definitely needed to predict turning points in retail sales for color TV six months to two years into the future. Statistical methods and salespersons estimates cannot spot these turning points far enough in advance to assist decision making for example, a production manager should have three to six months warning of such changes in order to maintain a stable work force. Adequate data seemed to be available to build an econometric model, and analyses were therefore begun to develop such a model for both black-and-white and color TV sales. Our knowledge of seasonals, trends, and growth for these products formed a natural base for constructing the equations of the models. The economic inputs for the model are primarily obtained from information generated by the Wharton Econometric Model, but other sources are also utilized. Using data extending through 1968, the model did reasonably well in predicting the downturn in the fourth quarter of 1969 and, when 1969 data were also incorporated into the model, accurately estimated the magnitude of the drop in the first two quarters of 1970. Because of lead-lag relationships and the ready availability of economic forecasts for the factors in the model, the effects of the economy on sales can be estimated for as far as two years into the future. In the steady-state phase, production and inventory control, group-item forecasts, and long-term demand estimates are particularly important. The interested reader will find a discussion of these topics on the reverse of the gatefold. Finally, through the steady-state phase, it is useful to set up quarterly reviews where statistical tracking and warning charts and new information are brought forward. At these meetings, the decision to revise or update a model or forecast is weighed against various costs and the amount of forecasting error. In a highly volatile area, the review should occur as frequently as every month or period. Forecasting in the Future In concluding an article on forecasting, it is appropriate that we make a prediction about the techniques that will be used in the short - and long-term future. As we have already said, it is not too difficult to forecast the immediate future, since long-term trends do not change overnight. Many of the techniques described are only in the early stages of application, but still we expect most of the techniques that will be used in the next five years to be the ones discussed here, perhaps in extended form. The costs of using these techniques will be reduced significantly this will enhance their implementation. We expect that computer timesharing companies will offer access, at nominal cost, to input-output data banks, broken down into more business segments than are available today. The continuing declining trend in computer cost per computation, along with computational simplifications, will make techniques such as the Box-Jenkins method economically feasible, even for some inventory-control applications. Computer software packages for the statistical techniques and some general models will also become available at a nominal cost. At the present time, most short-term forecasting uses only statistical methods, with little qualitative information. Where qualitative information is used, it is only used in an external way and is not directly incorporated into the computational routine. We predict a change to total forecasting systems, where several techniques are tied together, along with a systematic handling of qualitative information. Econometric models will be utilized more extensively in the next five years, with most large companies developing and refining econometric models of their major businesses. Marketing simulation models for new products will also be developed for the larger-volume products, with tracking systems for updating the models and their parameters. Heuristic programming will provide a means of refining forecasting models. While some companies have already developed their own input-output models in tandem with the government input-output data and statistical projections, it will be another five to ten years before input-output models are effectively used by most major corporations. Within five years, however, we shall see extensive use of person-machine systems, where statistical, causal, and econometric models are programmed on computers, and people interacting frequently. As we gain confidence in such systems, so that there is less exception reporting, human intervention will decrease. Basically, computerized models will do the sophisticated computations, and people will serve more as generators of ideas and developers of systems. For example, we will study market dynamics and establish more complex relationships between the factor being forecast and those of the forecasting system. Further out, consumer simulation models will become commonplace. The models will predict the behavior of consumers and forecast their reactions to various marketing strategies such as pricing, promotions, new product introductions, and competitive actions. Probabilistic models will be used frequently in the forecasting process. Finally, most computerized forecasting will relate to the analytical techniques described in this article. Computer applications will be mostly in established and stable product businesses. Although the forecasting techniques have thus far been used primarily for sales forecasting, they will be applied increasingly to forecasting margins, capital expenditures, and other important factors. This will free the forecaster to spend most of the time forecasting sales and profits of new products. Doubtless, new analytical techniques will be developed for new-product forecasting, but there will be a continuing problem, for at least 10 to 20 years and probably much longer, in accurately forecasting various new-product factors, such as sales, profitability, and length of life cycle. Final Word With an understanding of the basic features and limitations of the techniques, the decision maker can help the forecaster formulate the forecasting problem properly and can therefore have more confidence in the forecasts provided and use them more effectively. The forecaster, in turn, must blend the techniques with the knowledge and experience of the managers. The need today, we believe, is not for better forecasting methods, but for better application of the techniques at hand. 1. See Harper Q. North and Donald L. Pyke, Probes of the Technological Future, HBR MayJune 1969, p. 68. 2. See John C. Chambers, Satinder K. Mullick, and David A. Goodman, Catalytic Agent for Effective Planning, HBR JanuaryFebruary 1971, p. 110. 3. See Graham F. Pyatt, Priority Patterns and the Demand for Household Durable Goods (London, Cambridge University Press, 1964) Frank M. Bass, A New Product Growth Model for Consumer Durables, Management Science, January 1969 Gregory C. Chow, Technological Change and the Demand for Computers, The American Economic Review, December 1966 and J. R.N. Stone and R. A. Rowe, The Durability of Consumers Durable Goods, Econometrica, Vol. 28, No. 2, 1960. A version of this article appeared in the July 1971 issue of Harvard Business Review . Mr. Chambers is Director of Operations Research at Corning Glass Works. He has previously been affiliated with the Ford Motor Company, North American Aviation, and Ernst and Ernst. His current interests center on strategic planning for new products and development of improved forecasting methods. Mr. Mullick is Project Manager in the Operations Research Department at CGW. He has previously been affiliated with Larsen and Toubro Ltd. India Bohner and Koehle Maschinenfabrik, West Germany and Johns Hopkins University. He specializes in strategic and tactical planning for new products. Mr. Smith is a Senior Project Leader in Operations Research Department at CGW. His current interests are in the area of time series analysis and econometrics.