उदाहरण के- चलती - औसत - पूर्वानुमान

ओआर-नोट्स उन विषयों पर परिचयात्मक नोट्स की एक श्रृंखला है जो ऑपरेशन रिसर्च के क्षेत्र में व्यापक शीर्षक के अंतर्गत आते हैं या वे मूल रूप से इंपीरियल कॉलेज में दिए गए परिचयात्मक या पाठ्यक्रम में मेरे द्वारा उपयोग किए गए थे, अब वे किसी भी छात्र और शिक्षकों में दिलचस्पी है या निम्नलिखित शर्तों के अधीन। OR - नोट्स में उपलब्ध विषयों की एक पूरी सूची यहां पायी जा सकती है। फोरकास्टिंग उदाहरण। 1 99 6 यूजी परीक्षा का उदाहरण। पिछले पांच महीनों में से प्रत्येक में एक उत्पाद की मांग नीचे दी गई है महीने में मांग की भविष्यवाणी के लिए दो महीने की औसत औसत का उपयोग करें। 6. महीने में मांग की मांग के पूर्वानुमान के लिए 9 9 के चौरसाई स्थिरता के साथ घातीय चौरसाई को लागू करें 6. इन दो पूर्वानुमानों में से कौन सा पसंद करते हैं और क्यों महीने के दो महीनों के लिए चलती औसत दो महीने तक की जाती है। महीने के छह महीनों के लिए पूर्वानुमान केवल महीने के चलते औसत औसत से बढ़कर औसत 5 मीटर 5 2350 के लिए चल रहा है। चौरसाई के साथ घातीय चौरसाई को लागू करना 9 9 के निरंतर हमें मिलता है। छह महीने के पूर्वानुमान के मुताबिक महीने के औसत औसत 5 एम 5 2386 है। दो अनुमानों की तुलना करने के लिए हम औसत वर्ग चुकान एमएसडी की गणना करते हैं यदि हम ऐसा करते हैं तो हम चल औसत औसत के लिए. MSD 15 - 1 9 18 - 23 21 - 24 3 16 67. और 9 9 डीएमडी की एक चिकनी स्थिरता के साथ तेजी से औसत औसत के लिए 13 - 17 16 60 - 1 9 18 76 - 23 22 58 - 24 4 10 44. फिर भी हम देखें कि घातीय चिकनाई का पूर्वानुमान सबसे अच्छा एक महीने के आगे पूर्वानुमान देना है क्योंकि इसके पास कम एमएसडी है इसलिए हम 2386 के अनुमान को पसंद करते हैं जो घातीय चिकनाई द्वारा उत्पन्न किया गया है। उदाहरण के लिए, उदाहरण के लिए, 1994 यूजी परीक्षा। तालिका नीचे एक नई आफ़्टरशेव की मांग दर्शाती है पिछले 7 महीनों में से प्रत्येक के लिए एक दुकान में। दो महीने की औसत चलती औसत दो से सात महीनों के लिए गणना करें। महीने में मांग के लिए आपका पूर्वानुमान क्या होगा। 0 के एक चौरसाई स्थिरता के साथ घातीय चौरसाई को लागू करने के लिए पूर्वानुमान प्राप्त करने के लिए मांग आठ महीने में। दो महीनों के लिए दो पूर्वानुमानों में से जो यो करते हैं आप पसंद करते हैं और क्यों। दुकान के रखरखाव का मानना ​​है कि ग्राहक इस नए आफ़्टरशेव को दूसरे ब्रांडों से स्विच कर रहे हैं, इस बारे में चर्चा करें कि आप इस स्विचिंग व्यवहार को कैसे मॉडल बना सकते हैं और उस डेटा को इंगित कर सकते हैं जिसे आप पुष्टि कर सकते हैं कि यह स्विचन हो रहा है या नहीं। महीने के लिए औसत दो से सात दिया जाता है। महीने के लिए पूर्वानुमान केवल महीने के चलते औसत महीने के चलते औसत 7 मी 7 46 के लिए चलती औसत है। 0 1 के चौरसाई स्थिरता के साथ घातीय चिकनाई का प्रयोग हम प्राप्त करते हैं। महीने के पहले पूर्वानुमान के मुताबिक महीने के औसत औसत 7 एम 7 31 11 31 है क्योंकि हमें अलग-अलग मांग नहीं मिल सकती है। दो पूर्वानुमानों की तुलना करने के लिए हम औसत वर्ग चुकान एमएसडी की गणना करते हैं यदि हम ऐसा करते हैं तो हमें चल औसत औसत के लिए लगता है। 0 के एक चौरसाई स्थिरता के साथ तेजी से चिकनाई औसत के लिए 1.Overall तो हम देखते हैं कि दो महीने की औसत औसत सबसे अच्छा एक महीने आगे पूर्वानुमान देने के लिए प्रकट होता है क्योंकि इसकी एक कम एमएसडी है इसलिए हम पूर्वानुमान को पसंद करते हैं एफ 46 जो दो महीने की औसत औसत से उत्पादित किया गया है। स्विचिंग की जांच करने के लिए हमें एक मार्कोव प्रक्रिया मॉडल का उपयोग करना होगा, जहां राज्यों के ब्रांड होंगे और हमें सर्वेक्षण से प्रारंभिक स्थिति की जानकारी और ग्राहक स्विचिंग संभावनाओं की आवश्यकता होगी हमें मॉडल को चलाने की आवश्यकता होगी यह देखने के लिए ऐतिहासिक डेटा है कि क्या हमारे पास मॉडल और ऐतिहासिक व्यवहार के बीच फिट है। उदाहरण 1992 के यूजी परीक्षा का उदाहरण दें। नीचे दी गई तालिका पिछले नौ महीनों में से प्रत्येक के लिए एक रेजर के एक ब्रांड की मांग को दर्शाती है। महीनों के लिए औसत तीन से नौ महीने में मांग के लिए आपका पूर्वानुमान क्या होगा। महीने में मांग के पूर्वानुमान के लिए 0 3 के चौरसाई स्थिरता के साथ घातीय चिकनाई लागू करें। दस महीनों के लिए दो पूर्वानुमानों में से जो आप पसंद करते हैं और क्यों। महीने के लिए तीन महीने की औसत औसत 3 से 9 तक दे दिया जाता है। 10 महीने के पूर्वानुमान के मुताबिक महीने के चलते औसत औसत से पहले 9 9 9 9 33 के लिए चलती औसत आंशिक मांग 10 महीने के लिए पूर्वानुमान 20 है। हम 3 0 के चौरसाई स्थिरता के साथ घातीय चौरसाई प्रदान करते हैं। जैसा कि 10 महीने के पूर्वानुमान के अनुसार सिर्फ 9 9 9 9 57 57 के लिए औसत है क्योंकि हमारे पास आंशिक मांग नहीं हो सकती है। दो अनुमानों की तुलना करें, हम औसत स्क्वायर विचलन एमएसडी की गणना करते हैं यदि हम ऐसा करते हैं तो हमें यह चल औसत औसत के लिए मिलते हैं। और 0 के सतत चौरसाई स्थिरता के साथ औसत 3.3 के लिए हम देखते हैं कि तीन महीने की औसत औसत सबसे अच्छा एक महीने के पूर्वानुमान के रूप में इसके पास कम एमएसडी है इसलिए हम अनुमान लगाते हैं कि 20 महीने के औसत से चलने वाले तीन महीनों से अनुमान लगाया गया है। उदाहरण के लिए 1991 यूजी परीक्षा का उदाहरण दें। नीचे दी गई तालिका में फ़ैक्स मशीन का एक विशेष ब्रांड की मांग दर्शाती है पिछले बारह महीनों में से प्रत्येक में एक डिपार्टमेंट स्टोर। चार महीने की चलती औसत 4 से 12 महीनों के लिए गणना करें। महीने में मांग के लिए आपका पूर्वानुमान क्या होगा 13. एक्सीप्ले एक्सपोलिशन स्कूटिंग के साथ चिकनाई स्थिरता के साथ 0 2 से डेरी महीने में मांग के लिए एक पूर्वानुमान है। 13 माह के लिए दो पूर्वानुमानों में से क्या आप पसंद करते हैं और क्यों। ऊपर की गणना में नहीं माना जाने वाला अन्य कारक, महीने में फैक्स मशीन की मांग को प्रभावित कर सकता है 13. चार महीने की चलती 4 से 12 महीनों के लिए औसत दिया गया है। मी 4 23 9 15 12 4 17 25 मी 5 27 23 19 15 4 21 मी 6 30 27 23 19 4 24 75 मी 7 32 30 27 23 4 28 मी 8 33 32 30 27 4 30 5 एम 9 37 33 32 30 4 33 एम 10 41 37 33 32 4 35 75 एम 11 49 41 37 33 4 40 एम 12 58 49 41 37 4 46 25. महीने के 13 पूर्वानुमान के लिए बस बढ़ औसत है महीने से पहले महीने की चलती औसत 12 मी 12 46 25. इसलिए, हम 13 से 46 महीने के पूर्वानुमान के लिए आंशिक मांग नहीं कर सकते हैं 46. हम मिलते हुए 0 2 की चिकनी स्थिरता के साथ घातीय चौरसाई को लागू करते हैं। सिर्फ महीना 12 एम 12 38 618 39 के औसत के रूप में है क्योंकि हम आंशिक मांग नहीं कर सकते हैं। दो पूर्वानुमानों की तुलना करने के लिए हम औसत स्क्वायर विचलन एमएसडी की गणना करते हैं यदि हम ऐसा करते हैं तो हमें लगता है कि चलती औसत. और तेजी से चिकनाई औसत के लिए 0 के एक चिकनाई के साथ औसत 2.Overall तो हम देखते हैं कि चार महीने की औसत औसत सबसे अच्छा एक महीने के आगे पूर्वानुमान देने के लिए प्रकट होता है क्योंकि इसके पास कम एमएसडी है इसलिए हम 46 के पूर्वानुमान को पसंद करते हैं चार महीने की औसत चलती है। मौसमी मांग। मूल्य में बदलाव, इस ब्रांड और अन्य ब्रांड दोनों। सामान्य आर्थिक स्थिति। नई तकनीक। 1989 का यूजी परीक्षा का उदाहरण दें। नीचे दी गई तालिका एक विभाग में माइक्रोवेव ओवन के एक विशेष ब्रांड की मांग को दर्शाती है पिछले बारह महीनों में से प्रत्येक में स्टोर करें। प्रत्येक माह के लिए छह महीने की चलती औसत गणना करें। महीने में मांग के लिए आपका पूर्वानुमान क्या होगा 13. महीने में मांग के पूर्वानुमान के लिए 0 7 के चौरसाई स्थिरता के साथ घातीय चिकनाई लागू करें महीने के लिए दो पूर्वानुमानों में से कौन सा पसंद है और क्यों। अब हम कम से कम 6 टिप्पणियों तक औसत छह महीने की औसत गणना नहीं कर सकते हैं - यानी हम केवल इस महीने की औसत गणना कर सकते हैं 6 आगे Henc ई हम हैं। एम 6 34 32 30 29 31 27 6 30 50. मी 7 36 34 32 30 29 31 6 32 00. एम 8 35 36 34 32 30 29 6 32 67. एम 9 37 35 36 34 32 30 6 34 00.एम 10 39 37 35 36 34 32 6 35 50.m 11 40 39 37 35 36 34 6 36 83. एम 12 42 40 39 37 35 36 6 38 17. महीने के 13 पूर्वानुमान के लिए बस बढ़ औसत है महीने से पहले महीने की चलती औसत 12 मी 12 38 17. इसलिए हम आंशिक मांग नहीं हो सकते क्योंकि माह के लिए पूर्वानुमान 13 है 38. हम 7 0 के चौरसाई स्थिरता के साथ घातीय चौरसाई को लागू करते हैं। अभ्यास में चलती औसत समय श्रृंखला का मतलब का एक अच्छा अनुमान अगर मतलब निरंतर या धीरे धीरे बदल रहा है एक निरंतर मतलब के मामले में, मी का सबसे बड़ा मान अंतर्निहित अर्थ का सबसे अच्छा अनुमान देगा एक लंबा अवलोकन अवधि के प्रभावों का औसत होगा परिवर्तनशीलता। एक छोटा मी प्रदान करने का उद्देश्य, अंतर्निहित प्रक्रिया में बदलाव का पूर्वानुमान देने के लिए पूर्वानुमान की अनुमति देना है, उदाहरण के लिए, हम एक डेटा सेट का प्रस्ताव देते हैं जो अंतर्निहित मी में परिवर्तन शामिल करता है समय श्रृंखला का ईमान यह आंकड़ा चित्रण के लिए उपयोग की गई समय श्रृंखला को एक साथ दिखाता है, जिसमें से श्रृंखला की उत्पत्ति उत्पन्न हुई थी, इसका मतलब 10 पर निरंतर के रूप में शुरू होता है, 21 समय से शुरू होता है, प्रत्येक अवधि में एक इकाई में यह बढ़ जाता है जब तक समय पर 20 का मान 30 फिर यह फिर से स्थिर हो जाता है, डेटा को जोड़कर सिम्युलेटेड किया जाता है, शून्य सामान्य और मानक विचलन के साथ सामान्य वितरण से यादृच्छिक आवाज़ 3 सिमुलेशन के परिणाम निकटतम पूर्णांक में गोल होते हैं। तालिका शो उदाहरण के लिए प्रयोग किए गए नकली अवलोकन, जब हम तालिका का उपयोग करते हैं, हमें याद रखना चाहिए कि किसी भी समय, केवल पिछले डेटा ज्ञात हैं। मॉडल पैरामीटर के अनुमान, मी के तीन अलग-अलग मानों के लिए, इनके माध्य के साथ दिखाए जाते हैं नीचे दिए गए आंकड़े में समय श्रृंखला आंकड़ा हर बार मतलब के चलती औसत अनुमान को दर्शाता है और भविष्यवाणी नहीं करता है भविष्यवाणी चलती औसत घटता को सही समय तक बदल देगी। एक निष्कर्ष तत्काल है आंकड़े से स्पष्ट रूप से स्पष्ट तीनों अनुमानों के लिए चलती औसत रेखीय प्रवृत्ति के पीछे पीछे है, मी के साथ अंतराल बढ़ने के साथ अंतराल मॉडल के बीच की दूरी और समय के आयाम में अनुमान के कारण अंतराल की वजह से चलती औसत टिप्पणियों को कम करके आंका जाता है जैसा कि मतलब बढ़ रहा है अनुमानक का पूर्वाग्रह मॉडल के माध्य मूल्य में एक विशिष्ट समय में अंतर है और चलती औसत से अनुमानित मूल्य का मतलब पूर्वाग्रह जब ऋणात्मक बढ़ रहा है नकारात्मक कम होने के लिए, पूर्वाग्रह सकारात्मक समय में अंतराल और अनुमान में पेश किया पूर्वाग्रह कार्य मी के कार्य हैं जो कि मील और पूर्वाग्रह के बड़े पैमाने पर बड़ा मान है। प्रवृत्ति के साथ लगातार बढ़ती श्रृंखला के लिए अनुमान के अनुमान और पूर्वाग्रह के मूल्यों इसका अर्थ नीचे समीकरणों में दिया गया है। उदाहरण के घटता इन समीकरणों से मेल नहीं खाते क्योंकि उदाहरण के मॉडल में लगातार वृद्धि नहीं हुई है, बल्कि यह एक निरंतर, एक प्रवृत्ति में परिवर्तन और फिर बीक ओमस निरंतर फिर भी उदाहरण के घटता शोर से प्रभावित होते हैं। भविष्य में अवधियों की औसत पूर्वानुमान चलती है, वक्र को दायीं ओर स्थानांतरित करके दर्शाया जाता है अंतराल और पूर्वाग्रह आनुपातिक रूप से बढ़ता है नीचे दिए गए समीकरणों में पूर्वानुमान अवधि के अंतराल और पूर्वाग्रह का संकेत मिलता है मॉडल मापदंडों की तुलना में भविष्य, फिर ये सूत्र एक निरंतर रैखिक प्रवृत्ति के साथ एक समय श्रृंखला के लिए हैं। हमें इस नतीजे पर आश्चर्य नहीं होना चाहिए चलती औसत अनुमानक निरंतर मतलब की धारणा पर आधारित है, और उदाहरण के लिए अध्ययन अवधि के दौरान मतलब में रैखिक प्रवृत्ति वास्तविक समय श्रृंखला शायद ही कभी बिल्कुल किसी भी मॉडल की मान्यताओं का पालन करेगी, इसलिए हमें ऐसे परिणामों के लिए तैयार रहना चाहिए। हम इस आंकड़े से भी निष्कर्ष निकाल सकते हैं कि शोर की परिवर्तनशीलता सबसे बड़ी है छोटे मी के लिए प्रभाव अनुमान के चलते औसत के मुकाबले 5 के औसत के लिए अनुमान के मुकाबले अधिक अस्थिर है 20 हमारे पास प्रभावों को कम करने के लिए मील बढ़ाने के लिए विवादित इच्छाएं हैं I शोर के कारण च परिवर्तनशीलता, और मतलब में परिवर्तनों के पूर्वानुमान को और अधिक उत्तरदायी बनाने के लिए मीटर को कम करने के लिए। त्रुटि में वास्तविक डेटा और पूर्वानुमानित मान के बीच का अंतर है यदि समय श्रृंखला वास्तव में एक स्थिर मूल्य है जो त्रुटि की अपेक्षित मान है शून्य है और त्रुटि का विचरण एक शब्द है जिसमें एक समारोह है और एक दूसरे शब्द है जो शोर का विचरण है। पहला शब्द एम अनुमानों के एक नमूने के साथ अनुमानित अनुमान का अंतर है, डेटा मानते हुए एक निरंतर अर्थ के साथ आबादी से आता है यह शब्द मी जितना बड़ा हो उतना बड़ा बनाकर कम किया जाता है एक बड़ा मी अंतर्निहित समय श्रृंखला में बदलाव के लिए अनुत्तरदायी पूर्वानुमान बनाता है, परिवर्तनों के पूर्वानुमान को पूर्वानुमान करने के लिए, हम चाहते हैं कि मी जितना संभव हो उतना छोटा हो , लेकिन इससे त्रुटि भिन्नता बढ़ जाती है व्यावहारिक पूर्वानुमान को एक मध्यवर्ती मूल्य की आवश्यकता होती है। एक्सेल के साथ कास्टिंग। पूर्वानुमान ऐड-इन चलती औसत सूत्रों को लागू करता है नीचे दिया गया उदाहरण ऐड-इन एफ या स्तंभ बी में नमूना डेटा पहले 10 टिप्पणियों अनुक्रमित हैं -9 से 0 ऊपर तालिका के मुकाबले, अवधि सूचकांकों द्वारा स्थानांतरित कर रहे हैं -10। पहले दस टिप्पणियों अनुमान के लिए स्टार्टअप मान प्रदान करते हैं और चलती गणना करने के लिए उपयोग किया जाता है अवधि के लिए औसत 0 एमए 10 कॉलम सी, गणना की गई चलती औसत दिखाती है चलती औसत पैरामीटर मी सेल C3 में होता है Fore 1 कॉलम डी भविष्य में एक अवधि के लिए पूर्वानुमान दिखाता है पूर्वानुमान अंतराल सेल D3 में है जब पूर्वानुमान अंतराल बदल जाता है बड़ी संख्या में फोर कॉलम में नंबर नीचे स्थानांतरित कर दिया जाता है। एर 1 कॉलम ई अवलोकन और पूर्वानुमान के बीच अंतर को दर्शाता है उदाहरण के लिए, समय 1 पर अवलोकन 6 है समय पर चलती औसत से बना अनुमानित मूल्य 0 है 11 1 त्रुटि तो है -5 1 मानक विचलन और मीन औसत विचलन एमएडी को क्रमशः कोशिकाओं E6 और E7 में गिना जाता है। फोरकास्टिंग में एक संख्या, संख्याओं का सेट, या फ़्यू के अनुरूप परिदृश्य शामिल है। परिश्रम की घटना संक्षिप्त परिभाषा के अनुसार यह बिल्कुल जरूरी है कि परिभाषा के अनुसार पूर्व पूर्वानुमान पर आधारित पूर्वानुमान है, जो भविष्यवाणी के विपरीत है, जो अधिक व्यक्तिपरक है और वृत्ति, आंत महसूस, या अनुमान के आधार पर, उदाहरण के लिए, शाम की खबर मौसम की भविष्यवाणी नहीं बताती है मौसम की भविष्यवाणी के बावजूद, पूर्वानुमान पूर्वानुमान और भविष्यवाणी अक्सर अंतर-परिवर्तनशील रूप से उपयोग किए जाते हैं उदाहरण के लिए, प्रतिगमन की परिभाषा कभी-कभी पूर्वानुमान में इस्तेमाल की जाने वाली एक तकनीक का प्रयोग करती है जो आमतौर पर बताती है कि इसके उद्देश्य को स्पष्ट करना है या अनुमान है। Forecasting पर आधारित है कई मान्यताओं। अतीत खुद को दोहराएगा दूसरे शब्दों में, जो भविष्य में हुआ है वह भविष्य में फिर से घटित होगा। भविष्यवाणी के क्षितिज के रूप में, सटीकता में बढ़ोतरी का अनुमान है, उदाहरण के लिए, कल के पूर्वानुमान के मुताबिक पूर्वानुमान के मुकाबले अधिक सटीक होगा अगले महीने के लिए अगले महीने के लिए एक पूर्वानुमान अगले साल के लिए एक पूर्वानुमान की तुलना में अधिक सटीक होगा और अगले वर्ष के लिए एक पूर्वानुमान में दस साल के लिए एक पूर्वानुमान से अधिक सटीक होगा भविष्य में व्यक्तिगत वस्तुओं की भविष्यवाणी के मुकाबले अधिक सटीक होना अधिक सटीक है इसका मतलब यह है कि एक कंपनी अपने पूरे स्पेक्ट्रम उत्पादों की कुल मांगों की तुलना में अधिक सटीकता से भविष्यवाणी करने में सक्षम होगी क्योंकि यह व्यक्तिगत स्टॉक रखने वाली यूनिट्स एसकेयूज का पूर्वानुमान करने में सक्षम होगा, उदाहरण के लिए, जनरल मोटर्स अगले वर्ष के लिए आवश्यक कुछ कारों की सटीक भविष्यवाणी कर सकते हैं, जो एक निश्चित विकल्प पैकेज के साथ सफेद शेवरलेट इंपलस की कुल संख्या से अधिक हैं। फ़ारेनस शायद ही कभी सही होते हैं इसके अलावा, पूर्वानुमान लगभग बिल्कुल सटीक नहीं होते हैं जबकि कुछ बहुत करीब हैं, कुछ सही हैं पैसे इसलिए, अगर भविष्य में अगले महीने के लिए 100,000 इकाइयों की मांग की जा रही है, तो पूर्वानुमानित श्रेणी की पेशकश करना बुद्धिमानी है, यह बहुत कम संभावना नहीं है कि मांग 100,000 के बराबर होगी, हालांकि, 90,000 से 110,000 के पूर्वानुमान के मुकाबले बहुत बड़ा नियोजन के लिए लक्ष्य। विलियम जे स्टीवेन्सन कई विशेषताओं को सूचीबद्ध करता है जो एक अच्छी भविष्यवाणी के लिए सामान्य होते हैं। सटीकता के कुछ डिग्री सटीक होना चाहिए निर्धारित और कहा गया है कि तुलनात्मक पूर्वानुमानों के लिए तुलना की जा सकती है। विश्वसनीय भविष्यवाणी विधि को लगातार अच्छा पूर्वानुमान प्रदान करना चाहिए यदि उपयोगकर्ता कुछ निश्चित आत्मविश्वास स्थापित कर लेता है। पूर्वानुमान के उत्तर देने के लिए निश्चित रूप से एक निश्चित राशि की आवश्यकता होती है ताकि पूर्वानुमान क्षितिज को परिवर्तन करने के लिए आवश्यक समय के लिए अनुमति देनी चाहिए। पूर्वानुमान का उपयोग करने के लिए आसान और समझने वाले उपयोगकर्ताओं को आत्मविश्वास और आराम से काम करना चाहिए। पूर्वानुमान बनाने की लागत प्रभावी रूप से भविष्यवाणी से प्राप्त लाभों से अधिक नहीं होनी चाहिए। सरल और जटिल से लेकर ये तकनीकें आमतौर पर गुणात्मक या मात्रात्मक होने के रूप में वर्गीकृत होती हैं। क्वालिटेटिव तकनीकें। क्वालिटेटिव पूर्वानुमान तकनीक आम तौर पर उनके मात्रात्मक समकक्षों की तुलना में अधिक व्यक्तिपरक होती हैं गुणात्मक तकनीक उत्पाद जीवन चक्र के पहले चरण में अधिक उपयोगी होती हैं, जब कम होती है पिछले डेटा मात्रात्मक तरीकों में उपयोग के लिए मौजूद है गुणात्मक तरीकों incl डेल्फी तकनीक, नामांकित समूह तकनीक एनजीटी, बिक्री बल राय, कार्यकारी राय और बाजार अनुसंधान। डीईएलटीई तकनीक। डेल्फी तकनीक एक पूर्वानुमान का निर्माण करने के लिए विशेषज्ञों के एक पैनल का उपयोग करता है। प्रत्येक विशेषज्ञ को इसकी आवश्यकता के अनुसार विशिष्ट पूर्वानुमान प्रदान करने के लिए कहा जाता है। हाथ प्रारंभिक पूर्वानुमान किए जाने के बाद, प्रत्येक विशेषज्ञ पढ़ता है कि हर दूसरे विशेषज्ञ ने क्या लिखा था और जाहिर है, उनके विचारों से प्रभावित एक बाद के पूर्वानुमान तो प्रत्येक विशेषज्ञ द्वारा किए जाते हैं प्रत्येक विशेषज्ञ फिर से पढ़ता है कि हर दूसरे विशेषज्ञ ने क्या लिखा और फिर से प्रभावित हुआ दूसरों की धारणाएं यह प्रक्रिया खुद को दोहराता है जब तक कि प्रत्येक विशेषज्ञ आवश्यक परिदृश्य या संख्याओं पर समझौते के पास न हो। NOMINAL GROUP TECHNIQUE. Nominal Group Technique डेल्फी तकनीक के समान है, इसमें प्रतिभागियों के एक समूह का इस्तेमाल होता है, आम तौर पर विशेषज्ञ प्रतिभागियों का जवाब देने के बाद पूर्वानुमान से संबंधित प्रश्न, वे कथित रिश्तेदार महत्व के क्रम में उनकी प्रतिक्रियाओं को रैंक करते हैं तो रैंकिंग एकत्र की जाती है और अंततः आंशिक रूप से उदाहरण के लिए, समूह को रैंकिंग वाले मुद्दों की प्राथमिकताओं के बारे में सर्वसम्मति पर पहुंचनी चाहिए। बिक्री फ़ॉरिसें। बिक्री स्टाफ अक्सर भविष्य की मांग के बारे में जानकारी का एक अच्छा स्रोत है बिक्री प्रबंधक प्रत्येक विक्रय-व्यक्ति से इनपुट के लिए पूछ सकता है और अपनी प्रतिक्रियाओं को कुल में एक बिक्री बल समग्र पूर्वानुमान सावधानी इस तकनीक का उपयोग करते समय प्रयोग किया जाना चाहिए क्योंकि बिक्री बल के सदस्यों के बीच अंतर करने में सक्षम नहीं हो सकते हैं कि ग्राहक क्या कहते हैं और क्या वे वास्तव में करते हैं, अगर पूर्वानुमान का उपयोग बिक्री के कोटा, बिक्री की स्थापना के लिए किया जाएगा बल कम अनुमान प्रदान करने के लिए प्रलोभित हो सकता है। निष्पादन संबंधी मकसद। कभी-कभी ऊपरी स्तर के प्रबंधकों को जिम्मेदारी के अपने क्षेत्रों के ज्ञान के आधार पर पूर्वानुमान और विकास करना होता है जिसे कभी-कभी कार्यकारी राय के एक जूरी के रूप में जाना जाता है। मार्केट रिसर्च। बाजार अनुसंधान, उपभोक्ता संभावित मांगों को स्थापित करने के लिए सर्वेक्षणों का उपयोग किया जाता है इस तरह के विपणन अनुसंधान में आमतौर पर एक प्रश्नावली का निर्माण होता है जो व्यक्तिगत, जनसांख्यिकी, आर्थिक और विपणन जानकारी अवसर पर, बाजार शोधकर्ता खुदरा दुकानों और मॉल में व्यक्तियों में ऐसी जानकारी एकत्र करते हैं, जहां उपभोक्ता स्वाद, अनुभव, गंध का अनुभव कर सकते हैं, और एक विशेष उत्पाद देख सकते हैं शोधकर्ता को सावधान रहना चाहिए कि सर्वेक्षण करने वाले लोगों का नमूना प्रतिनिधि है वांछित उपभोक्ता लक्ष्य की। सशर्त तकनीकें। मौखिक पूर्वानुमान तकनीकें आम तौर पर उनके गुणात्मक समकक्षों की तुलना में अधिक होती हैं। मात्रात्मक पूर्वानुमान समय-श्रृंखला के पूर्वानुमान हो सकते हैं या भविष्य में अतीत की प्रक्षेपण या साहचर्य मॉडल के आधार पर अनुमान लगाया जा सकता है यानी एक या अधिक व्याख्यात्मक चर पर आधारित टाइम-सीरीज़ डेटा में अंतर्निहित व्यवहार हो सकते हैं जिन्हें फोरक्स्टर द्वारा पहचाना जाना चाहिए इसके अतिरिक्त, पूर्वानुमान को व्यवहार के कारणों की पहचान करने की आवश्यकता हो सकती है इनमें से कुछ व्यवहार पैटर्न या बस यादृच्छिक भिन्नताएं हो सकते हैं। पैटर्न हैं, जो रुझान हैं लंबे समय तक आंदोलनों को डेटा में ऊपर या नीचे। सीज़न, जो अल्पकालिक var का उत्पादन करता है आमतौर पर वर्ष, महीना या किसी विशेष दिन के समय से संबंधित आयशन, जैसा कि क्रिसमस में खुदरा बिक्री या बैंकिंग गतिविधि में स्पाइक के माह के पहले और शुक्रवार को देखा जाता है। साइकिलें, जो लंबे समय तक चलने वाले विविधताएं हैं आमतौर पर आर्थिक या राजनीतिक परिस्थितियों से बंधे हुए एक वर्ष की तुलना में। अनियमित विविधताएं जो ठेठ व्यवहार को प्रतिबिंबित नहीं करती हैं, जैसे चरम मौसम या यूनियन की हड़ताल। रैंडम विविधता, जिसमें सभी गैर-विशिष्ट व्यवहार शामिल हैं, जो कि अन्य वर्गीकरण। समय-श्रृंखला के मॉडल के बीच, सबसे सरल है न ही भविष्यवाणी है एक नवे पूर्वानुमान में पिछली अवधि की वास्तविक मांग का उपयोग अगली अवधि की अनुमानित मांग के रूप में किया जाता है, निश्चित तौर पर यह धारणा है कि अतीत को दोहराया जाएगा यह भी मानता है कि किसी भी रुझान, मौसम, या चक्र या तो पिछली अवधि की मांग में प्रतिबिंबित होते हैं या अस्तित्व में नहीं होते हैं न ही भविष्यवाणी की एक उदाहरण तालिका 1 में प्रस्तुत किया जाता है। टेबल 1 ना वी पूर्वानुमान। औसत तकनीक का उपयोग औसतन उपयोग करने के लिए औसत का उपयोग करने के लिए पूर्वानुमान बनाने के लिए, प्रत्येक अवधि को संक्षेप में जोड़कर पिछले आंकड़ों की कुछ संख्याओं का औसत लेता है और परिणाम की संख्या को विभाजित करके इस तकनीक को बहुत प्रभावी माना जाता है लघु अवधि की भविष्यवाणी के लिए। औसत में चल रहे बदलावों में चलती औसत, भारित औसत और भारित चलती औसत शामिल हैं। चलती औसत एक पूर्व निर्धारित अवधि की अवधि लेती है, उनकी वास्तविक मांग बताती है, और पूर्वानुमानों तक पहुंचने के लिए अवधि की संख्या से विभाजित करता है प्रत्येक बाद की अवधि, आंकड़ों की सबसे पुरानी अवधि कम हो जाती है और नवीनतम अवधि को जोड़ दिया जाता है तीन महीने की चलती औसत को मानते हुए और तालिका 1 से डेटा का उपयोग करते हुए, एक बस 45 जनवरी, 60 फरवरी और 72 मार्च को जोड़ देगा और तीन से विभाजित होगा अप्रैल 45 60 72 177 3 59 के लिए एक पूर्वानुमान पर पहुंचें। मई के पूर्वानुमान के लिए आने के लिए, एक समीकरण से जनवरी की मांग को छोड़ देगा और अप्रैल से 2 अप्रैल की मांग को जोड़कर तीन माउंट का एक उदाहरण प्रस्तुत करेगा एच औसत औसत पूर्वानुमान चल रहा है। 2 महीने की औसत चलती औसत पूर्वानुमान। वास्तविक मांग 000 एसए भारित औसत पिछले डेटा के प्रत्येक महीने के लिए एक पूर्वनिर्धारित वजन लागू करता है, प्रत्येक अवधि से पिछले डेटा की सारणी करता है, और वजन के कुल द्वारा विभाजित अगर भविष्यवाणी समायोजित करता है वज़न इतना है कि उनकी राशि 1 के बराबर होती है, फिर प्रत्येक लागू अवधि की वास्तविक मांग के कारण वज़न गुणा किया जाता है, फिर परिणाम को भारित पूर्वानुमान प्राप्त करने के लिए संक्षेप में दिया जाता है आम तौर पर, जितना अधिक डेटा उतना अधिक होता है, उतना अधिक वजन, और पुराने मांग के आंकड़ों का उपयोग, वजन का औसत 4 3 2, और 1 के वजन का उपयोग करते हुए औसत के रूप में 60 1 72 2 58 3 40 4 53 8 के पूर्वानुमान का अनुमान लगाया जाएगा। फ़ेकास्टर्स भारित औसत के संयोजन का भी इस्तेमाल कर सकते हैं और औसत पूर्वानुमान चल रहा है एक भारित चलती औसत पूर्वानुमान वास्तविक डेटा की अवधि के पूर्वनिर्धारित संख्या के लिए वजन निर्धारित करता है और जैसा कि ऊपर वर्णित के अनुसार पूर्वानुमान की गणना करता है सभी चलती पूर्वानुमानों के साथ, प्रत्येक नई अवधि के अनुसार जोड़ा, सबसे पुराना अवधि के डेटा को खारिज किया जाता है तालिका 3 तीन महीने के भारित चलती औसत पूर्वानुमान को वजन 5 3, और 2.Table 3 तीन महीनों का वेटेड मूविंग औसत पूर्वानुमान दिखाती है। वास्तविक मांग 000 एसएए भारित चल औसत घाटेदार चौरसाई है, इसका नाम इसलिए है क्योंकि वजन तेजी से गिरता है क्योंकि डेटा की उम्र के मुकाबले घातीय चिकनाई पिछली अवधि के पूर्वानुमान को लेती है और इसे पूर्वनिर्धारित चौरसाई स्थिरांक द्वारा समायोजित कर देता है, जिसे अल्फा कहा जाता है अल्फा का मूल्य पिछले में अंतर से गुणा एक से कम है भविष्यवाणी और पूर्वानुमान जो पहले पूर्वानुमानित अवधि के दौरान हुआ था, पूर्वानुमान की अवधि के दौरान उत्पन्न हुआ है घातांकित चौरसाई व्यक्तित्व के रूप में व्यक्त किया गया है जैसे कि नई पूर्वानुमान पिछली पूर्वानुमान अल्फा वास्तविक मांग पिछले पूर्वानुमान एफएफए एफ। संभावित चिंगारी भविष्य की भविष्यवाणी की आवश्यकता है जो पिछली अवधि में पूर्वानुमान शुरू करने और आगे काम करने की आवश्यकता है उस अवधि के लिए जो एक वर्तमान पूर्वानुमान की आवश्यकता है पिछले दिनांक का एक महत्वपूर्ण राशि एक और शुरुआत या शुरुआती पूर्वानुमान भी जरूरी है प्रारंभिक पूर्वानुमान पिछली अवधि से वास्तविक पूर्वानुमान हो सकता है, पिछली अवधि से वास्तविक मांग हो सकती है, या यह पिछले या पिछले डेटा के सभी हिस्से का अनुमान लगाया जा सकता है कुछ अभियंत्रण कंप्यूटिंग के लिए मौजूद हैं एक प्रारंभिक पूर्वानुमान उदाहरण के तौर पर, अनुमानी एन 2 1 और 5 का एक अल्फा 3 का एनएक्स होगा, यह दर्शाता है कि उपयोगकर्ता प्रारंभिक पूर्वानुमान प्राप्त करने के लिए डेटा के पहले तीन अवधियों का औसत होगा, हालांकि प्रारंभिक पूर्वानुमान की सटीकता महत्वपूर्ण नहीं है अगर कोई बड़ी मात्रा में डेटा का उपयोग कर रहा है, क्योंकि घातीय चिकनाई आत्म-संशोधन है, पिछले डेटा की पर्याप्त अवधि दी गई है, घातीय लूटाई अंततः पर्याप्त सुधारों को उचित रूप से गलत प्रारंभिक पूर्वानुमान के लिए क्षतिपूर्ति करेगी अन्य उदाहरणों में उपयोग किए गए डेटा का उपयोग, एक प्रारंभिक पूर्वानुमान 50, और 7 का एक अल्फा, फरवरी के लिए एक पूर्वानुमान जैसे नए पूर्वानुमान के रूप में गणना की जाती है, फरवरी 50 7 45 50 41 5. अगला, मार्च के लिए पूर्वानुमान नई पूर्वानुमान मार्च 41 5 7 60 41 5 54 45 गु प्रक्रिया जारी रहती है जब तक भविष्यकक्षी वांछित अवधि तक नहीं पहुंचता है तालिका 4 में यह जून के महीने के लिए होगा क्योंकि जून की वास्तविक मांग ज्ञात नहीं है। वास्तविक मांग 000 एस। घातांकरीय चौरसाई का विस्तार, जब समय-श्रृंखला डेटा एक रैखिक प्रवृत्ति दर्शाती है यह विधि कई नामों से जानी जाती है, जिसमें ट्रांज़िल एफआईटी और हॉल्ट के मॉडल के समायोजन के बिना ट्रिप-एडजस्टेड एक्सपोजेंलिनी स्मुथिंग पूर्वानुमान का अनुमान लगाया जाता है, सरल घातीय चिकनाई के परिणाम प्रवृत्ति को कम करते हैं, यही वजह है कि प्रवृत्ति प्रवृत्ति में कमी हो रही है या बढ़ती है, तो इस मॉडल के साथ दो चौरसाई स्थिरियां हैं, और प्रवृत्ति के घटक का प्रतिनिधित्व करते हैं। हॉल्ट मॉडल का विस्तार, जिसे होल्ट-शीतकालीन पद्धति कहा जाता है, दोनों प्रवृत्ति और ऋतु दोनों को ध्यान में रखते हैं संस्करण, गुणनीय और योजक, बहुगुणिक रूप से सर्वाधिक व्यापक रूप से उपयोग किया जाता है additive मॉडल में, ऋतुता को मात्रा में जोड़ा जाता है या उससे घटाया जाता है श्रृंखला औसत बहुगुणित मॉडल मौसमी रिश्तेदारों या औसत या प्रवृत्ति के मौसमी इंडेक्स के रूप में जाना जाता प्रतिशत के रूप में व्यक्त करता है, फिर ये ऋणामान को शामिल करने के लिए समय गुणा किए जाते हैं, 0 से 8 के एक रिश्तेदार की औसत से 80 प्रतिशत की मांग होती है, जबकि 1 10 से संकेत मिलता है कि औसत से 10 प्रतिशत औसत से अधिक है इस पद्धति के बारे में विस्तृत जानकारी सबसे ऑपरेशन प्रबंधन पाठ्यपुस्तकों या पूर्वानुमान पर कई पुस्तकों में से एक में पाई जा सकती है। असाध्य या कारण तकनीक में चर की पहचान शामिल है जिसका अनुमान लगाया जा सकता है ब्याज का एक अन्य चर उदाहरण के लिए, घर पुनर्वित्त की मांग का पूर्वानुमान करने के लिए ब्याज दरों का इस्तेमाल आमतौर पर, रेखीय प्रतिगमन के उपयोग में शामिल होता है, जहां उद्देश्य एक समीकरण का विकास करना होता है जो भविष्यवाणी वाले आश्रित पर स्वतंत्र चर के प्रभाव को सारांशित करता है चर यदि भविष्यवक्ता चर का प्लॉट किया गया था, तो ऑब्जेक्ट प्राप्त करना होगा एक सीधी रेखा का एक समीकरण जो रेखा से चुकता विचलन के योग को कम करता है, विचलन के साथ प्रत्येक बिंदु से रेखा तक दूरी होती है समीकरण ya बीएक्स के रूप में प्रकट होगा, जहां y भविष्यवाचक आश्रित चर होता है, x एक प्रक्षेपक स्वतंत्र चर है , बी रेखा का ढलान है, और y - इंटरसेप्ट पर एक पंक्ति की ऊंचाई के बराबर है एक बार समीकरण निर्धारित किया जाता है, उपयोगकर्ता भविष्य के आश्रित चर पर पहुंचने के लिए पूर्वानुमानित स्वतंत्र चर के लिए वर्तमान मूल्यों को सम्मिलित कर सकता है। यदि एक से अधिक भविष्यवक्ता चर है या यदि भविष्यवाणियों और पूर्वानुमान के बीच का संबंध रैखिक नहीं है, तो साधारण रेखीय प्रतिगमन अपर्याप्त होगा कई परिस्थितियों के साथ स्थितियों के लिए कई प्रतिगमन कार्यरत रहना चाहिए, जबकि गैर-रेखीय रिश्तों को शिरापरक प्रतिगमन के उपयोग के लिए बुलाया जाना चाहिए। ईकोऑमेट्रिक फॉरकास्टिंग. आर्थिक आक्रामक चलती-औसत मॉडल एआरआईएआई जैसे आर्थिक पद्धतियां, पिछले गणितीय समीकरणों का इस्तेमाल करते हैं मांग और वेरिएबल्स के बीच जो मांग को प्रभावित करता है एक समीकरण व्युत्पन्न होता है और उसके बाद परीक्षण किया जाता है और यह सुनिश्चित करने के लिए ठीक-ठीक देखा जाता है कि यह संभव के रूप में पिछले संबंधों के रूप में विश्वसनीय है। यह एक बार किया जाता है, प्रभावित चर की आय, कीमतों आदि के अनुमानित मूल्य भविष्यवाणी करने के लिए समीकरण में डाला जाता है। एवल्यूटिंग फॉरकास्ट्स। फ़ोरकास्ट सटीकता पूर्वाग्रह की गणना के द्वारा निर्धारित की जा सकती है, पूर्ण विचलन एमएडी, मतलब वर्ग त्रुटि एमएसई, या अल्फा पूर्वाग्रह के लिए अलग-अलग मानों का उपयोग करते हुए पूर्वानुमान के लिए पूर्ण प्रतिशत त्रुटि मैप का मतलब है पूर्वानुमान त्रुटियों का योग FE उपरोक्त घातीय चौरसाई उदाहरण के लिए, गणना पूर्वाग्रह 60 41 5 72 54 45 58 66 74 40 60 62 6 69 होगा। यदि कोई मानता है कि कम पूर्वाग्रह एक समग्र कम पूर्वानुमान त्रुटि को इंगित करता है, तो कोई गणना कर सकता है अल्फा के कई संभावित मूल्यों के लिए पूर्वाग्रह और मानते हैं कि सबसे कम पूर्वाग्रह वाला एक सबसे सटीक होगा, हालांकि, उस बेतहाशा गलत पूर्वानुमान में सावधानी बरती जानी चाहिए कम पूर्वाग्रह यदि वे भविष्यवाणी और नकारात्मक और सकारात्मक पूर्वानुमान के साथ दोनों के पूर्वानुमान में हैं, तो उदाहरण के लिए, तीन से अधिक अवधि में फर्म 75,000 इकाइयों की 75,000 इकाइयों की पूर्वानुमान के अनुसार अल्फा के एक विशेष मूल्य का उपयोग कर सकते हैं, 100,000 इकाइयों की पूर्वानुमान के अनुसार 100,000, और फिर पूर्वानुमान के बाद 25,000 इकाइयों द्वारा 25,000, शून्य 75,000 100,000 25,000 0 के पूर्वाग्रह की तुलना करके, 2,000 इकाइयों, 1,000 इकाइयों, और 3,000 इकाइयों के पूर्वानुमान के मुकाबले एक और अल्फा से उत्पन्न होने पर 5000 इकाइयों का पक्षपात हो सकता है यदि सामान्य मांग 100,000 इकाइयों प्रति अवधि पहले अल्फ़ा अनुमान लगाएगा जो कि 100 प्रतिशत तक बंद हो गए थे जबकि दूसरा अल्फा केवल 3 प्रतिशत की अधिकतम सीमा से बंद हो जाएगा, भले ही पहले पूर्वानुमान में पूर्वाग्रह शून्य था। भविष्य की सटीकता का एक सुरक्षित उपाय मतलब निरपेक्ष है विचलन एमएडी, एमएडी की गणना करने के लिए, भविष्यवाणी पूर्वानुमान पूर्वानुमानों के पूर्ण मूल्य को बताता है और फिर भविष्य की त्रुटियों के पूर्ण मूल्य को लेकर भविष्यवाणी एफई एन की संख्या से विभाजित करता है, पी की ऑफसेटिंग अजीम और नकारात्मक मूल्यों से परहेज किया जाता है इसका मतलब है कि 50 से अधिक पूर्वानुमान और 50 के एक अनुमान के मुकाबले 50 गुणा कर रहे हैं घातीय चिकनाई उदाहरण से डेटा का उपयोग करते हुए, एमएडी को 60 41 5 72 54 45 58 66 74 40 60 62 4 16 35 इसलिए, भविष्यवाणी 1635 इकाइयों प्रति पूर्वानुमान के औसत से कम है अन्य अल्फा के परिणाम की तुलना में, भविष्यवाणी पता चलेगा कि न्यूनतम एमएडी के साथ अल्फा सबसे सही पूर्वानुमान पेश कर रहा है। मीन वर्ग त्रुटि एमएसई इसका इस्तेमाल उसी फैशन एमएसई में किया जा सकता है जो एनए -1 एफई एन-1 द्वारा विभाजित किए गए पूर्वानुमान त्रुटियों का योग है। पूर्वानुमान की त्रुटियों को नकारात्मक संख्याओं को ऑफसेट करने की संभावना को समाप्त करता है, क्योंकि परिणाम में से कोई भी नकारात्मक हो सकता है उसी डेटा का उपयोग जैसा ऊपर बताया गया है, एमएसई 18 5 17 55 8 74 20 62 3 383 94 एमएडी के साथ होगा, भविष्यकक्षक अल्फा के विभिन्न मूल्यों का उपयोग करके प्राप्त होने वाले पूर्वानुमानों के एमएसई की तुलना कर सकते हैं और न्यूनतम एमएसई के साथ अल्फा ग्रहण कर सकते हैं सबसे सटीक पूर्वानुमान देते हैं.माय एन निरपेक्ष प्रतिशत त्रुटि मैप औसत पूर्ण प्रतिशत त्रुटि है MAPE आने के लिए पूर्वानुमान त्रुटि और वास्तविक मांग के बीच अनुपात के योग को 100 प्रतिशत रखना और एन वास्तविक मांग पूर्वानुमान वास्तविक मांग 100 एन डेटा का उपयोग करना घातीय चौरसाई उदाहरण से, एमएपीई के रूप में निम्नानुसार गणना की जा सकती है 18 5 60 17 55 72 8 74 58 20 62 48 100 4 28 33 एमएडी और एमएसई के साथ, रिश्तेदार त्रुटि जितनी अधिक पूर्वानुमान सटीक होगी.यह ध्यान दिया जाना चाहिए कुछ मामलों में, पूर्वानुमान की क्षमता डेटा पैटर्न में परिवर्तनों का जवाब देने के लिए जल्दी से बदलने के लिए सटीकता से ज़्यादा महत्वपूर्ण माना जाता है इसलिए, भविष्यवाणी की विधि का एक विकल्प सटीकता और जवाबदेही के बीच के सापेक्ष संतुलन को प्रतिबिंबित करना चाहिए, जैसा कि निर्धारित होता है भविष्यवाणकर्ता.एक पूर्वानुमान बनाना। विलियम जे स्टीवेन्सन पूर्वानुमान प्रक्रिया में बुनियादी कदम के रूप में सूचीबद्ध करता है। पूर्वानुमान के प्रयोजन को निर्धारित करें जैसे कि पूर्वानुमान कैसे और कब उपयोग किया जाएगा , आवश्यक सटीकता की डिग्री, और इच्छित स्तर का अनुमान लागत समय, धन, कर्मचारियों को निर्धारित किया जा सकता है जो भविष्यवाणी के लिए समर्पित किया जा सकता है और भविष्यवाणी विधि का उपयोग किया जा सकता है। एक समय क्षितिज स्थापित करें इसके बाद एक उद्देश्य निर्धारित किया है पूर्वानुमान के दीर्घकालिक पूर्वानुमानों को लंबे समय तक क्षितिज की आवश्यकता होती है और इसके विपरीत सटीकता फिर से एक विचार है। एक पूर्वानुमान तकनीक का चयन करें चयनित तकनीक पूर्वानुमान के उद्देश्य पर निर्भर करता है, वांछित समय क्षितिज, और अनुमत लागत। गठरी और डेटा का विश्लेषण आवश्यक राशि और प्रकार के डेटा को भविष्य के उद्देश्य से, भविष्यवाणी तकनीक का चयन किया जाता है, और किसी भी कीमत पर विचार किया जाता है। पूर्वानुमान बनाएं। मॉनिटर पूर्वानुमान पूर्वानुमान के प्रदर्शन का मूल्यांकन करें और यदि आवश्यक हो तो संशोधित करें। आगे पढ़ें.फिंक, बायरन जे ऑपरेशन अब लाभप्रदता, प्रक्रियाएं, निष्पादन 2 एड बोस्टन मैकग्रा-हिल इरविन, 2006.ग्रीन, विलियम एच अर्थमेट्रिक एनालिसिस 5 एड ऊपरी सेडल रिवर, एनजे प्रेंटिस हॉल, 2003 । जेप्पे, डॉ। मैरियन नाममात्र समूह तकनीक, अनुसंधान प्रक्रिया से उपलब्ध है। स्टीवन्सन, विलियम जे ऑपरेशंस मैनेजमेंट 8 एड बोस्टन मैकग्रॉ-हिल इरविन, 2005. इसके अलावा विकिपीडिया से पूर्वानुमान के बारे में लेख पढ़ें।