What is Demand Forecast Calculator?
▾
Prognóza poptávky je proces odhadování budoucí poptávky zákazníků po produktech nebo službách pomocí historických dat, informací o trhu a statistických modelů. Kalkulátor předpovědi poptávky implementuje nejběžnější metody předpovědi – klouzavý průměr, exponenciální vyhlazování, trendově upravené exponenciální vyhlazování (Holtova metoda) a sezónní rozklad – což umožňuje odborníkům v oblasti dodavatelského řetězce a plánovačům zásob vytvářet výhledové odhady poptávky bez složitého softwaru. Přesné předpovídání poptávky je základem efektivního řízení zásob: řídí objemy nákupu, výrobní plány, plánování kapacit a výpočty bezpečnostních zásob. Chyba prognózy (rozdíl mezi předpokládanou a skutečnou poptávkou) se měří střední absolutní odchylkou (MAD), střední absolutní procentní chybou (MAPE) a signálem sledování. MAPE pod 20 % je považováno za dobré pro většinu spotřebních produktů; pod 10% je vynikající. Kalkulačka prognózy poptávky pomáhá uživatelům použít různé metody na jejich historická data, porovnat jejich přesnost pomocí MAPE a vybrat nejvhodnější metodu pro každou SKU. Vypočítává také implicitní bezpečnostní zásoby na základě chyby prognózy. Mezi klíčové vstupy patří minimálně 13–52 týdnů historické poptávky, vyhlazovací parametry (alfa pro exponenciální vyhlazování) a sezónní indexy. Výběr metody prognózování závisí na vzoru poptávky: stabilní poptávka → klouzavý průměr; trendová poptávka → Holtova metoda; sezónní poptávka → Holt-Winters trojité exponenciální vyhlazování; přerušovaná poptávka → Crostonova metoda.
Calkulon makes complex calculations simple — built for students and everyday problem-solvers.
Vzorec
▾
Jednoduchý klouzavý průměr: F_t = (D_{t-1} + D_{t-2} + ... + D_{t-n}) / n
Exponenciální vyhlazení: F_t = α × D_{t-1} + (1−α) × F_{t-1}
Holtova metoda trendu: L_t = α × D_t + (1−α)(L_{t-1} + T_{t-1}); T_t = β(L_t − L_{t-1}) + (1−β)T_{t-1}; F_{t+m} = L_t + m × T_t
MAD = Σ|Skutečný − Předpověď| / n
MAPE = (1/n) × Σ|(Skutečný − Předpověď) / Skutečný| × 100Variable Legend
▾
| Symbol | Jméno | Jednotka | Popis |
|---|---|---|---|
| F_t | — | Hodnota f_t použitá jako vstupní parametr ve výpočtu výpočtu prognózy poptávky, představující měřitelnou veličinu, která ovlivňuje výstup | |
| D_t | — | Hodnota d_t použitá jako vstupní parametr ve výpočtu výpočtu prognózy poptávky, představující měřitelnou veličinu, která ovlivňuje výstup | |
| α | — | Hodnota α použitá jako vstupní parametr ve výpočtu výpočtu prognózy poptávky, představující měřitelnou veličinu, která ovlivňuje výstup | |
| β | — | Hodnota β použitá jako vstupní parametr při výpočtu předpovědi poptávky, představující měřitelnou veličinu, která ovlivňuje výstup | |
| n | — | Hodnota n použitá jako vstupní parametr ve výpočtu výpočtu prognózy poptávky, která představuje měřitelnou veličinu, která ovlivňuje výstup | |
| MAD | — | Šílená hodnota použitá jako vstupní parametr ve výpočtu výpočtu prognózy poptávky, představující měřitelnou veličinu, která ovlivňuje výstup | |
| MAPE | — | Hodnota mapy použitá jako vstupní parametr ve výpočtu výpočtu prognózy poptávky, představující měřitelnou veličinu, která ovlivňuje výstup | |
| L_t | — | Hodnota l_t použitá jako vstupní parametr ve výpočtu výpočtu prognózy poptávky, představující měřitelnou veličinu, která ovlivňuje výstup | |
| T_t | — | Hodnota t_t použitá jako vstupní parametr ve výpočtu výpočtu prognózy poptávky, představující měřitelnou veličinu, která ovlivňuje výstup |
How to Demand Forecast Calculator
▾
- 1Zadejte alespoň 13 týdnů (nejlépe 52) historických týdenních údajů o poptávce.
- 2Vyberte metodu prognózy: klouzavý průměr (nejlepší pro stabilní poptávku), exponenciální vyhlazování (přizpůsobuje se nedávným změnám) nebo Holt (pro trendovou poptávku).
- 3Pro klouzavý průměr: zadejte počet období n (běžně používané 3, 4 nebo 6 týdnů).
- 4Pro exponenciální vyhlazování: zadejte alfa (α) mezi 0,1 a 0,5 – vyšší alfa znamená větší váhu na aktuální data.
- 5Kalkulačka generuje hodnoty prognózy pro každé historické období a následujících n období.
- 6Zkontrolujte MAD a MAPE a zhodnoťte přesnost prognózy – vyzkoušejte různé hodnoty alfa, abyste minimalizovali MAPE.
- 7Prognózu použijte jako vstup pro výpočet bezpečnostní zásoby (SS = z × MAD × √ dodací lhůta).
Worked Examples
▾
4týdenní klouzavý průměr vyhlazuje hluk z týdne na týden. Funguje dobře pro stabilní produkty, ale zaostává, když poptávka stoupá nebo klesá.
Při α=0,3 má každé nové období skutečnou váhu 30 % a předchozí předpověď má 70 %. Zvýšení hodnoty α na 0,5 způsobí, že předpověď bude citlivější, ale bude kolísavější.
Sezónní indexy upravují základní předpověď podle měsíců. Index 1,4 v srpnu znamená, že poptávka je o 40 % vyšší než roční průměr – což vyžaduje odpovídající nahromadění zásob v červenci.
MAPE 6,4 % je hluboko pod 20% prahovou hodnotou, což ukazuje na dobrou kvalitu prognózy. Bezpečnostní zásoba SS = 1,65 × 7,8 × √2 = 18,2 jednotek (pro 95 % SL, dodací lhůta 2 týdny).
Real-World Applications
▾
Plánovači zásob generující týdenní doporučení pro doplňování pro nákup ERP. Tato aplikace je běžně používána profesionály, kteří potřebují přesnou kvantitativní analýzu pro podporu rozhodování, rozpočtování a strategického plánování ve svých příslušných oborech.
Týmy S&OP sladí plány nabídky a poptávky v měsíčních plánovacích cyklech. Odborníci v oboru spoléhají na tento výpočet, aby porovnali výkon, porovnali alternativy a zajistili soulad se zavedenými normami a regulačními požadavky.
Maloobchodníci nastavují sezónní nákupní množství módy nebo svátečního zboží. Akademičtí výzkumníci a studenti používají tento výpočet k ověření teoretických modelů, dokončení úkolů v kurzu a k hlubšímu pochopení základních matematických principů.
Plánovači výroby vytvářející hlavní plány výroby na základě prognóz poptávky. Finanční analytici a plánovači začleňují tento výpočet do svého pracovního postupu, aby vytvořili přesné prognózy, vyhodnotili rizikové scénáře a předložili zúčastněným stranám doporučení na základě dat.
Special Cases
▾
New Product Forecasting
Použití: analogická historie produktu, průzkum trhu (založený na průzkumu), model Bassovy difúze pro přijetí inovací nebo odborný posudek. Vytvořte široké intervaly spolehlivosti a naplánujte si vysokou počáteční chybu prognózy.'} Když se setkáte s tímto scénářem ve výpočtech prognózy poptávky, měli by uživatelé ověřit, že jejich vstupní hodnoty spadají do očekávaného rozsahu, aby vzorec produkoval smysluplné výsledky. Vstupy mimo rozsah mohou vést k matematicky platným, ale prakticky nesmyslným výstupům, které neodrážejí skutečné podmínky.
Produkty na konci životnosti
Poptávka obvykle sleduje S-křivku obráceně – plán pro zrychlení poklesu. Použijte kratší vyhlazovací okna (n=2 pro MA, α=0,5 pro ES), abyste mohli rychle reagovat na signály klesající poptávky a vyhnout se přeplnění zásob.
Externí příčinné faktory
Když poptávka koreluje s vnějšími proměnnými (počasí, ekonomické ukazatele, ceny konkurence), použijte k začlenění těchto prediktorů spíše regresní předpovědi (kauzální modely) než metody časových řad.
Referenční data Demand Forecast Calc
▾
| Metoda | Nejlepší pro | Údaje jsou vyžadovány | Typický MAPE |
|---|---|---|---|
| Jednoduchý klouzavý průměr | Stabilní poptávka, žádný trend | n historie období | 15–25 % |
| Exponenciální vyhlazování | Postupné změny poptávky | 20+ období | 12–22 % |
| Holt metoda | Trendová poptávka | 26+ období | 10–20 % |
| Holt-Winters | Sezónní + trend | 2+ let historie | 8–18 % |
| Crostonova metoda | Přerušovaná poptávka | 26+ období | 20–35 % |
| ML/AI modely | Složité vzory | 3+ roky | 7–15 % |
Frequently Asked Questions
▾
To se týká výpočtů prognózy poptávky. To je důležité při práci s výpočty předpovědi poptávky v praktických aplikacích. Odpověď závisí na konkrétních vstupních hodnotách a kontextu, ve kterém je výpočet aplikován. Pro dosažení nejlepších výsledků by uživatelé měli zvážit své specifické požadavky a ověřit výstup podle známých benchmarků nebo profesionálních standardů.
To se týká výpočtů prognózy poptávky. To je důležité při práci s výpočty předpovědi poptávky v praktických aplikacích. Odpověď závisí na konkrétních vstupních hodnotách a kontextu, ve kterém je výpočet aplikován. Pro dosažení nejlepších výsledků by uživatelé měli zvážit své specifické požadavky a ověřit výstup podle známých benchmarků nebo profesionálních standardů.
To se týká výpočtů prognózy poptávky. To je důležité při práci s výpočty předpovědi poptávky v praktických aplikacích. Odpověď závisí na konkrétních vstupních hodnotách a kontextu, ve kterém je výpočet aplikován. Pro dosažení nejlepších výsledků by uživatelé měli zvážit své specifické požadavky a ověřit výstup podle známých benchmarků nebo profesionálních standardů.
To se týká výpočtů prognózy poptávky. To je důležité při práci s výpočty předpovědi poptávky v praktických aplikacích. Odpověď závisí na konkrétních vstupních hodnotách a kontextu, ve kterém je výpočet aplikován. Pro dosažení nejlepších výsledků by uživatelé měli zvážit své specifické požadavky a ověřit výstup podle známých benchmarků nebo profesionálních standardů.
To se týká výpočtů prognózy poptávky. To je důležité při práci s výpočty předpovědi poptávky v praktických aplikacích. Odpověď závisí na konkrétních vstupních hodnotách a kontextu, ve kterém je výpočet aplikován. Pro dosažení nejlepších výsledků by uživatelé měli zvážit své specifické požadavky a ověřit výstup podle známých benchmarků nebo profesionálních standardů.
To se týká výpočtů prognózy poptávky. To je důležité při práci s výpočty předpovědi poptávky v praktických aplikacích. Odpověď závisí na konkrétních vstupních hodnotách a kontextu, ve kterém je výpočet aplikován. Pro dosažení nejlepších výsledků by uživatelé měli zvážit své specifické požadavky a ověřit výstup podle známých benchmarků nebo profesionálních standardů.
To se týká výpočtů prognózy poptávky. To je důležité při práci s výpočty předpovědi poptávky v praktických aplikacích. Odpověď závisí na konkrétních vstupních hodnotách a kontextu, ve kterém je výpočet aplikován. Pro dosažení nejlepších výsledků by uživatelé měli zvážit své specifické požadavky a ověřit výstup podle známých benchmarků nebo profesionálních standardů.
Pro Tip
Nejrychlejším způsobem, jak zlepšit přesnost prognózy, je snížit chybovost prognózy u 20 největších SKU s nejvyšším objemem – ty ovlivňují 80 % vašich plánovacích rozhodnutí. Vynaložte 80 % svého úsilí na zlepšení prognóz na tyto položky třídy A, i když položky C mají vyšší MAPE.
Did you know?
Amazon registruje více než 7 000 patentů na prognózování poptávky a zaměstnává stovky vědců zabývajících se optimalizací zásob. Jejich prognostické modely předpovídají poptávku na úrovni jednotlivých center plnění, což jim umožňuje předběžně umístit zásoby ještě předtím, než zákazníci zadají objednávky – tento postup se nazývá „předvídané odeslání“.
Regional Guides
▾
🇺🇸 US▾
🇬🇧 UK▾
🇪🇺 EU▾
References
Ratings & comments
Získejte týdenní matematické tipy
Připojte se k 12 000+ odběratelům, kteří každý týden dostávají tipy na kalkulačku.