Wednesday, 8 November 2017

Moving Average Cycle Evaluation


Cómo utilizar un promedio móvil para comprar acciones El promedio móvil (MA) es una herramienta de análisis técnico simple que suaviza los datos de precios mediante la creación de un precio promedio constantemente actualizado. El promedio se toma sobre un período de tiempo específico, como 10 días, 20 minutos, 30 semanas, o cualquier período de tiempo que el comerciante elija. Hay ventajas de usar una media móvil en su comercio, así como opciones sobre qué tipo de media móvil para su uso. Las estrategias de media móvil también son populares y se pueden adaptar a cualquier período de tiempo, satisfaciendo tanto a los inversores a largo plazo y los comerciantes a corto plazo. (Vea Los Cuatro Principales Indicadores Técnicos que los Comerciantes de Tendencias Necesitan Saber). ¿Por qué utilizar un promedio móvil? Un promedio móvil puede ayudar a reducir la cantidad de ruido en un gráfico de precios. Mira la dirección de la media móvil para obtener una idea básica de qué manera el precio se está moviendo. En ángulo hacia arriba y el precio se está moviendo hacia arriba (o fue recientemente) en general, en ángulo hacia abajo y el precio se está moviendo hacia abajo en general, moviéndose de lado y el precio es probable en un rango. Un promedio móvil también puede actuar como soporte o resistencia. En una tendencia alcista, un promedio móvil de 50 días, 100 días o 200 días puede actuar como un nivel de soporte, como se muestra en la siguiente figura. Esto se debe a que el promedio actúa como un piso (soporte), por lo que el precio rebota fuera de él. En una tendencia bajista un promedio móvil puede actuar como resistencia como un techo, el precio golpea y luego comienza a caer de nuevo. El precio no siempre respetará el promedio móvil de esta manera. El precio puede correr a través de él ligeramente o detener y retroceder antes de llegar a él. Como una pauta general, si el precio está por encima de una media móvil, la tendencia ha subido. Si el precio está por debajo de un promedio móvil, la tendencia es baja. Sin embargo, los promedios móviles pueden tener diferentes longitudes (discutidas en breve), por lo que uno puede indicar una tendencia alcista mientras que otro indica una tendencia a la baja. Tipos de promedios móviles Un promedio móvil puede ser calculado de diferentes maneras. Un promedio móvil simple de cinco días (SMA) simplemente suma los cinco precios de cierre diarios más recientes y lo divide por cinco para crear un nuevo promedio cada día. Cada media está conectada a la siguiente, creando la línea de flujo singular. Otro tipo popular de media móvil es el promedio móvil exponencial (EMA). El cálculo es más complejo pero básicamente aplica más ponderación a los precios más recientes. Trace una SMA de 50 días y una EMA de 50 días en el mismo gráfico, y notará que la EMA reacciona más rápidamente a los cambios de precios que la SMA, debido a la ponderación adicional sobre los datos de precios recientes. Software de gráficos y plataformas de negociación hacen los cálculos, por lo que no se requiere matemática manual para usar un MA. Un tipo de MA no es mejor que otro. Un EMA puede funcionar mejor en un mercado de acciones o financiero por un tiempo, y en otras ocasiones un SMA puede funcionar mejor. El marco de tiempo elegido para una media móvil también desempeñará un papel importante en la eficacia de la misma (independientemente del tipo). Longitud media móvil Las longitudes promedio móvil común son 10, 20, 50, 100 y 200. Estas longitudes se pueden aplicar a cualquier intervalo de tiempo de gráfico (un minuto, diario, semanal, etc.), dependiendo del horizonte de comercio de los comerciantes. El marco de tiempo o la longitud que usted elija para un promedio móvil, también llamado el período de la mirada detrás, puede jugar un papel grande en cómo es eficaz es. Un MA con un marco de tiempo corto reaccionará mucho más rápido a los cambios de precios que un MA con una larga mirada atrás período. En la siguiente figura, el promedio móvil de 20 días sigue más de cerca el precio real que el de 100 días. Los 20 días pueden ser de beneficio analítico para un comerciante a corto plazo, ya que sigue el precio más de cerca, y por lo tanto produce menos retraso que la media móvil a largo plazo. Lag es el tiempo que tarda una media móvil en señalar una inversión potencial. Recuerde, como una pauta general, cuando el precio está por encima de una media móvil se considera la tendencia. Por lo tanto, cuando el precio cae por debajo de ese promedio móvil, señala una reversión potencial basada en ese MA. Un promedio móvil de 20 días proporcionará muchas más señales de inversión que una media móvil de 100 días. Un promedio móvil puede ser cualquier longitud, 15, 28, 89, etc. Ajustar el promedio móvil para proporcionar señales más precisas en datos históricos puede ayudar a crear mejores señales futuras. Estrategias de negociación - Crossovers Crossovers es una de las principales estrategias de media móvil. El primer tipo es un crossover del precio. Esto fue discutido anteriormente, y es cuando el precio cruza por encima o por debajo de una media móvil para señalar un cambio potencial en la tendencia. Otra estrategia es aplicar dos promedios móviles a un gráfico, uno más largo y uno más corto. Cuando el MA más corto cruza por encima del MA a más largo plazo es una señal de compra, ya que indica que la tendencia está cambiando. Esto se conoce como una cruz de oro. Cuando el MA más corto cruza por debajo del MA a más largo plazo es una señal de venta, ya que indica que la tendencia está cambiando. Esto se conoce como cruz muerta / muerta. Los promedios móviles se calculan sobre la base de datos históricos, y nada sobre el cálculo es de naturaleza predictiva. Por lo tanto los resultados que usan medias móviles pueden ser al azar - a veces el mercado parece respetar la ayuda del mA / la resistencia y las señales comerciales. Y otras veces no muestra respeto. Un problema importante es que si la acción del precio se vuelve interrumpida el precio puede oscilar hacia adelante y hacia atrás generando múltiples señales de inversión / cambio de tendencia. Cuando esto ocurre es mejor dejar de lado o utilizar otro indicador para ayudar a aclarar la tendencia. Lo mismo puede ocurrir con los crossovers MA, donde las MA se enredan durante un período de tiempo que desencadena varios (gustando perder) oficios. Los promedios móviles funcionan bastante bien en condiciones de tendencia fuertes, pero a menudo mal en condiciones de agitación o de variación. Ajustar el marco de tiempo puede ayudar en esto temporalmente, aunque en algún momento estos problemas es probable que ocurra independientemente del marco de tiempo elegido para el MA (s). Un promedio móvil simplifica los datos de precios al suavizarlo y crear una línea fluida. Esto puede facilitar las tendencias de aislamiento. Los promedios móviles exponenciales reaccionan más rápido a los cambios de precios que un promedio móvil simple. En algunos casos esto puede ser bueno, y en otros puede causar señales falsas. Los promedios móviles con un período de retroceso más corto (20 días, por ejemplo) también responderán más rápido a los cambios de precios que un promedio con un período de vista más largo (200 días). Los cruces de media móvil son una estrategia popular tanto para entradas como para salidas. Las MA también pueden resaltar áreas de potencial soporte o resistencia. Aunque esto puede parecer predictivo, los promedios móviles se basan siempre en datos históricos y simplemente muestran el precio promedio durante un período de tiempo determinado. En el método de inventario promedio móvil, el costo promedio De cada artículo de inventario en stock se vuelve a calcular después de cada compra de inventario. Este método tiende a producir valoraciones de inventario y el costo de los bienes vendidos resultados que se encuentran entre los que se derivan en el método primero en entrar, primero en salir (FIFO) y el último en, primero en salir (LIFO). Se considera que este enfoque de promedios proporciona un enfoque seguro y conservador para reportar los resultados financieros. El cálculo es el costo total de los artículos comprados dividido por el número de artículos en stock. El costo de terminar el inventario y el costo de los bienes vendidos se fijan a este costo promedio. No se necesitan capas de coste, como se requiere para los métodos FIFO y LIFO. Dado que el costo promedio móvil cambia cada vez que hay una nueva compra, el método sólo puede usarse con un sistema de seguimiento de inventario perpetuo, un sistema que mantiene registros actualizados de los saldos de inventario. No puede utilizar el método de inventario de promedio móvil si sólo está utilizando un sistema de inventario periódico. Ya que dicho sistema sólo acumula información al final de cada período contable y no mantiene registros a nivel de unidad individual. Además, cuando las valoraciones de inventario se derivan utilizando un sistema informático, la computadora hace relativamente fácil ajustar continuamente las valoraciones de inventario con este método. A la inversa, puede ser muy difícil utilizar el método del promedio móvil cuando los registros de inventario se mantienen manualmente, ya que el personal de oficina se vería abrumado por el volumen de cálculos requeridos. Método de inventario promedio móvil Ejemplo Ejemplo 1. ABC International tiene 1.000 widgets verdes en stock a principios de abril, a un costo por unidad de 5. Así, el saldo inicial de inventario de los widgets verdes en abril es 5.000. ABC compra entonces 250 widgets adicionales el 10 de abril para 6 cada uno (compra total de 1.500) y otros 750 widgets verdes el 20 de abril para 7 cada uno (compra total de 5.250). En ausencia de ventas, esto significa que el costo promedio móvil por unidad al final de abril sería de 5.88, que se calcula como un costo total de 11.750 (5.000 inicial de 1.500 de compra de 5.250 de compra), dividido por el total de la compra on - Unidad de mano cuenta de 2.000 widgets verdes (1.000 principios de equilibrio 250 unidades compradas 750 unidades compradas). Así, el coste medio móvil de los widgets verdes fue de 5 por unidad al principio del mes y de 5.88 al final del mes. Vamos a repetir el ejemplo, pero ahora incluyen varias ventas. Recuerde que recalcular el promedio móvil después de cada transacción. Ejemplo 2. ABC International cuenta con 1.000 widgets verdes en stock a principios de abril, a un costo por unidad de 5. Vende 250 de estas unidades el 5 de abril y registra un cargo al costo de los bienes vendidos de 1.250 Se calcula como 250 unidades x 5 por unidad. Esto significa que ahora hay 750 unidades en stock, a un costo por unidad de 5 y un costo total de 3.750. ABC luego compra 250 widgets verdes adicionales el 10 de abril por 6 cada uno (compra total de 1.500). El costo promedio móvil es ahora de 5,25, que se calcula como un costo total de 5,250 dividido por las 1.000 unidades aún disponibles. ABC vende entonces 200 unidades el 12 de abril, y registra un cargo al costo de los bienes vendidos de 1.050, que se calcula como 200 unidades x 5,25 por unidad. Esto significa que ahora hay 800 unidades en stock, a un costo por unidad de 5,25 y un costo total de 4,200. Finalmente, ABC compra un adicional de 750 widgets verdes el 20 de abril para 7 cada uno (compra total de 5.250). Al final del mes, el costo promedio móvil por unidad es de 6.10, que se calcula como el costo total de 4.200 5.250, dividido por el total de unidades restantes de 800.700. Así, en el segundo ejemplo, ABC International comienza el mes con 5.000 Saldo inicial de widgets verdes a un costo de 5 cada uno, vende 250 unidades a un costo de 5 el 5 de abril, revisa su costo unitario a 5,25 después de una compra el 10 de abril, vende 200 unidades a un costo de 5,25 el 12 de abril y Finalmente revisa su costo unitario a 6.10 después de una compra el 20 de abril. Usted puede ver que el costo por unidad cambia después de una compra de inventario, pero no después de una venta de inventario. FORECIMIENTO Factor estacional - el porcentaje de la demanda trimestral promedio que ocurre en cada trimestre . Se pronostica que el pronóstico anual para el año 4 será de 400 unidades. La proyección media por trimestre es de 400/4 100 unidades. Pronóstico Trimestral Factor pronóstico estacional. Los métodos de predicción causal se basan en una relación conocida o percibida entre el factor a pronosticar y otros factores externos o internos. 1. regresión: la ecuación matemática relaciona una variable dependiente con una o más variables independientes que se cree que influyen en la variable dependiente 3. modelos econométricos: sistema de ecuaciones de regresión interdependientes que describen algún sector de la actividad económica. 3. modelos de insumo-producto: describe los flujos de un sector de la economía a otro, y así predice los insumos necesarios para producir productos en otro sector. Modelado de simulación MÉTODO DE PREVISIÓN DE ERRORES Hay dos aspectos de los errores de pronóstico que deben preocuparse: Bias y Precisión Bias - Un pronóstico es sesgado si se equivoca más en una dirección que en la otra. El método tiende a subestimes o sobreprevisiones. Precisión - La exactitud de pronóstico se refiere a la distancia de los pronósticos de la demanda real ignorar la dirección de ese error. Ejemplo: Durante seis períodos se han seguido los pronósticos y la demanda real. La siguiente tabla muestra la demanda real Dt y la demanda prevista Ft para seis períodos: suma acumulada de errores de pronóstico (CFE) -20 desviación absoluta media (MAD) 170/6 28,33 media (MAPE) 83.4 / 6 13.9 ¿Qué información proporciona cada pronóstico tiene una tendencia a sobreestimar el error promedio de la demanda por pronóstico fue de 28,33 unidades (MSE) 5150/6 858,33 desviación estándar de los errores de pronóstico 5150 / , O 13,9 de la demanda real distribución de muestreo de los errores de pronóstico tiene una desviación estándar de 29,3 unidades. CRITERIOS PARA SELECCIONAR UN MÉTODO DE PREVISIÓN Objetivos: 1. Maximizar la precisión y 2. Minimizar las reglas potenciales de sesgo para seleccionar un método de predicción de series temporales. Seleccione el método que dé el menor sesgo, medido por el error de pronóstico acumulado (CFE) o dé la menor desviación absoluta media (MAD) o dé la señal de seguimiento más pequeña o apoye las creencias sobre el patrón subyacente de demanda u otros. Parece obvio que una cierta medida de la exactitud y el sesgo deben ser utilizados juntos. ¿Qué pasa con el número de períodos a ser muestreados si la demanda es inherentemente estable, se sugieren valores bajos de y, y valores más altos de N, si la demanda es inherentemente inestable, se sugieren valores altos y bajos de N PRONÓSTICO DE FOCO quotfocus Un enfoque de predicción que desarrolla las predicciones por diversas técnicas, elige entonces el pronóstico que fue producido por el quotbestquot de estas técnicas, donde quotbestquot está determinada por alguna medida de error de pronóstico. PRUEBA DE ENFOQUE: EJEMPLO Para los primeros seis meses del año, la demanda de un artículo minorista ha sido de 15, 14, 15, 17, 19 y 18 unidades. Un minorista utiliza un sistema de predicción de focos basado en dos técnicas de pronóstico: una media móvil de dos periodos y un modelo de suavizado exponencial ajustado a la tendencia con 0,1 y 0,1. Con el modelo exponencial, la previsión para enero fue de 15 y el promedio de tendencia al final de diciembre fue de 1. El minorista utiliza la desviación absoluta media (MAD) de los últimos tres meses como criterio para elegir el modelo que se utilizará para pronosticar Para el próximo mes. a. ¿Cuál será el pronóstico para julio y qué modelo se utilizará b. ¿Podría responder a la Parte a. Puede ser diferente si la demanda de mayo hubiese sido de 14 en lugar de 193 Entender los niveles y métodos de pronóstico Puede generar pronósticos de detalle (elemento único) y pronósticos de resumen (línea de productos) que reflejen los patrones de demanda del producto. El sistema analiza las ventas pasadas para calcular los pronósticos usando 12 métodos de pronóstico. Los pronósticos incluyen información detallada a nivel de artículo e información de nivel superior sobre una sucursal o la empresa en su conjunto. 3.1 Criterios de evaluación del desempeño de pronóstico Dependiendo de la selección de las opciones de procesamiento y de las tendencias y patrones en los datos de ventas, algunos métodos de pronóstico tienen mejores resultados que otros para un conjunto de datos históricos dado. Un método de pronóstico apropiado para un producto puede no ser apropiado para otro producto. Es posible que encuentre que un método de pronóstico que proporcione buenos resultados en una etapa del ciclo de vida del producto permanezca adecuado durante todo el ciclo de vida. Puede seleccionar entre dos métodos para evaluar el rendimiento actual de los métodos de pronóstico: Porcentaje de precisión (POA). Desviación absoluta media (MAD). Ambos métodos de evaluación de rendimiento requieren datos históricos de ventas para un período que especifique. Este período se denomina período de retención o período de mejor ajuste. Los datos de este período se utilizan como base para recomendar qué método de pronóstico se utilizará para realizar la siguiente proyección de pronóstico. Esta recomendación es específica para cada producto y puede cambiar de una generación de pronóstico a otra. 3.1.1 Mejor ajuste El sistema recomienda la mejor previsión de ajuste aplicando los métodos de previsión seleccionados al historial de pedidos de ventas anteriores y comparando la simulación de pronóstico con el historial real. Cuando se genera un pronóstico de ajuste óptimo, el sistema compara los historiales reales de órdenes de venta con los pronósticos para un período de tiempo específico y calcula con qué precisión cada método de pronóstico predijo las ventas. A continuación, el sistema recomienda el pronóstico más preciso como el mejor ajuste. Este gráfico ilustra las mejores previsiones de ajuste: Figura 3-1 Pronóstico de mejor ajuste El sistema utiliza esta secuencia de pasos para determinar el mejor ajuste: Utilice cada método especificado para simular una previsión para el período de retención. Compare las ventas reales con las previsiones simuladas para el período de retención. Calcular el POA o el MAD para determinar qué método de pronóstico coincide más estrechamente con las ventas reales pasadas. El sistema utiliza POA o MAD, en función de las opciones de proceso que seleccione. Recomendar una mejor previsión de ajuste por el POA que es más cercano al 100 por ciento (más o menos) o el MAD que está más cerca de cero. 3.2 Métodos de pronóstico JD Edwards EnterpriseOne Forecast Management utiliza 12 métodos para la previsión cuantitativa e indica qué método proporciona el mejor ajuste para la situación de pronóstico. Esta sección discute: Método 1: Porcentaje sobre el año pasado. Método 2: Porcentaje calculado sobre el año pasado. Método 3: año pasado a este año. Método 4: Promedio móvil. Método 5: Aproximación lineal. Método 6: Regresión de mínimos cuadrados. Método 7: Aproximación de Segundo Grado. Método 8: Método flexible. Método 9: Promedio móvil ponderado. Método 10: Suavizado lineal. Método 11: suavizado exponencial. Método 12: suavizado exponencial con tendencia y estacionalidad. Especifique el método que desea utilizar en las opciones de proceso del programa Generación de pronósticos (R34650). La mayoría de estos métodos proporcionan un control limitado. Por ejemplo, puede especificar el peso asignado a los datos históricos recientes o el intervalo de fechas de los datos históricos que se utilizan en los cálculos. Los ejemplos de la guía indican el procedimiento de cálculo para cada uno de los métodos de pronóstico disponibles, dados un conjunto idéntico de datos históricos. Los ejemplos de métodos en la guía usan parte o todos estos conjuntos de datos, que son datos históricos de los últimos dos años. La previsión de proyección va en el próximo año. Estos datos del historial de ventas son estables con pequeños aumentos estacionales en julio y diciembre. Este patrón es característico de un producto maduro que podría estar acercándose a la obsolescencia. 3.2.1 Método 1: Porcentaje sobre el año pasado Este método utiliza la fórmula Porcentaje sobre el año pasado para multiplicar cada período de pronóstico por el incremento o disminución porcentual especificado. Para pronosticar la demanda, este método requiere el número de períodos para el mejor ajuste más un año del historial de ventas. Este método es útil para pronosticar la demanda de artículos estacionales con crecimiento o disminución. 3.2.1.1 Ejemplo: Método 1: Porcentaje sobre el año pasado La fórmula Porcentaje sobre el año pasado multiplica los datos de ventas del año anterior por un factor que especifique y luego los proyectos que resultan durante el año siguiente. Este método puede ser útil en el presupuesto para simular el efecto de una tasa de crecimiento especificada o cuando el historial de ventas tiene un componente estacional significativo. Especificaciones de pronóstico: Factor de multiplicación. Por ejemplo, especifique 110 en la opción de procesamiento para aumentar los datos de historial de ventas de años anteriores en un 10 por ciento. Historial de ventas requerido: Un año para calcular el pronóstico, más el número de períodos de tiempo que se requieren para evaluar el rendimiento de pronóstico (períodos de mejor ajuste) que especifique. Esta tabla es la historia utilizada en el cálculo de pronósticos: Pronóstico de febrero es igual a 117 veces 1,1 128,7 redondeado a 129. Pronóstico de marzo es igual a 115 veces 1,1 126,5 redondeado a 127. 3.2.2 Método 2: Porcentaje calculado sobre el año pasado Este método utiliza el porcentaje calculado más Fórmula del año pasado para comparar las ventas pasadas de períodos especificados a las ventas de los mismos períodos del año anterior. El sistema determina un porcentaje de aumento o disminución, y luego multiplica cada período por el porcentaje para determinar el pronóstico. Para predecir la demanda, este método requiere el número de períodos del historial de pedidos de ventas más un año de historial de ventas. Este método es útil para pronosticar la demanda a corto plazo de artículos estacionales con crecimiento o disminución. 3.2.2.1 Ejemplo: Método 2: Porcentaje calculado durante el año pasado La fórmula calculada sobre el año pasado multiplica los datos de ventas del año anterior por un factor calculado por el sistema y, a continuación, proyecta ese resultado para el año siguiente. Este método puede ser útil para proyectar el efecto de extender la tasa de crecimiento reciente de un producto al siguiente año, a la vez que se preserva un patrón estacional que está presente en el historial de ventas. Especificaciones de pronóstico: Rango de historial de ventas para utilizar en el cálculo de la tasa de crecimiento. Por ejemplo, especifique n igual a 4 en la opción de proceso para comparar el historial de ventas de los cuatro períodos más recientes a esos mismos cuatro períodos del año anterior. Utilice la relación calculada para hacer la proyección para el próximo año. Historial de ventas requerido: Un año para calcular el pronóstico más el número de periodos de tiempo que se requieren para evaluar el desempeño del pronóstico (períodos de mejor ajuste). Esta tabla es la historia utilizada en el cálculo del pronóstico, dado n 4: Pronóstico de febrero es igual a 117 veces 0,9766 114,26 redondeado a 114. Pronóstico de marzo es igual a 115 veces 0,9766 112,31 redondeado a 112. 3.2.3 Método 3: Año pasado a este año Este método utiliza Ventas de los últimos años para los próximos años. Para predecir la demanda, este método requiere el número de periodos que mejor se ajustan más un año del historial de pedidos de ventas. Este método es útil para pronosticar la demanda de productos maduros con demanda de nivel o demanda estacional sin una tendencia. 3.2.3.1 Ejemplo: Método 3: Año pasado a este año La fórmula Año pasado a este año copia los datos de ventas del año anterior al año siguiente. Este método puede ser útil en el presupuesto para simular ventas en el nivel actual. El producto es maduro y no tiene tendencia a largo plazo, pero puede haber un patrón de demanda estacional significativo. Especificaciones de pronóstico: Ninguna. Historial de ventas requerido: Un año para calcular el pronóstico más el número de periodos de tiempo que se requieren para evaluar el desempeño del pronóstico (períodos de mejor ajuste). Esta tabla es la historia utilizada en el cálculo de pronósticos: Pronóstico de enero es igual a enero del año pasado con un valor de pronóstico de 128. Pronóstico de febrero es igual a febrero del año pasado con un valor de pronóstico de 117. Pronóstico de marzo es igual a marzo del año pasado con un valor de previsión de 115. 3.2.4 Método 4: Promedio móvil Este método utiliza la fórmula Promedio móvil para promediar el número especificado de períodos para proyectar el siguiente período. Deberá recalcularlo con frecuencia (mensual o al menos trimestral) para reflejar el cambio en el nivel de demanda. Para predecir la demanda, este método requiere el número de periodos que mejor se ajustan más el número de períodos del historial de órdenes de venta. Este método es útil para pronosticar la demanda de productos maduros sin una tendencia. 3.2.4.1 Ejemplo: Método 4: Moving Average Moving Average (MA) es un método popular para promediar los resultados del historial de ventas reciente para determinar una proyección a corto plazo. El método de pronóstico de MA está a la zaga de las tendencias. El sesgo de pronóstico y los errores sistemáticos ocurren cuando el historial de ventas del producto muestra tendencias fuertes o patrones estacionales. Este método funciona mejor para los pronósticos a corto plazo de productos maduros que para productos que están en las etapas de crecimiento o obsolescencia del ciclo de vida. Especificaciones de pronóstico: n es igual al número de períodos del historial de ventas para usar en el cálculo de pronóstico. Por ejemplo, especifique n 4 en la opción de procesamiento para utilizar los cuatro períodos más recientes como base para la proyección en el siguiente período de tiempo. Un valor grande para n (como 12) requiere más historial de ventas. Esto resulta en un pronóstico estable, pero es lento para reconocer los cambios en el nivel de ventas. Por el contrario, un valor pequeño para n (como 3) es más rápido para responder a los cambios en el nivel de ventas, pero el pronóstico podría fluctuar tan ampliamente que la producción no puede responder a las variaciones. Historial de ventas requerido: n más el número de periodos de tiempo que se requieren para evaluar el rendimiento de la previsión (períodos de mejor ajuste). Esta tabla es la historia utilizada en el cálculo de la previsión: Pronóstico de febrero es igual a (114 119 137 125) / 4 123.75 redondeado a 124. Pronóstico de marzo es igual a 119 137 125 124/4 126,25 redondeado a 126. 3.2.5 Método 5: Aproximación lineal Este método utiliza la fórmula de aproximación lineal para calcular una tendencia a partir del número de períodos del historial de órdenes de venta y proyectar esta tendencia al pronóstico. Debe recalcular la tendencia mensualmente para detectar cambios en las tendencias. Este método requiere el número de períodos de mejor ajuste más el número de períodos especificados del historial de órdenes de venta. Este método es útil para predecir la demanda de nuevos productos o productos con tendencias positivas o negativas consistentes que no se deban a fluctuaciones estacionales. 3.2.5.1 Ejemplo: Método 5: Aproximación lineal La aproximación lineal calcula una tendencia que se basa en dos puntos de datos del historial de ventas. Estos dos puntos definen una línea de tendencia recta que se proyecta hacia el futuro. Utilice este método con precaución porque los pronósticos a largo plazo son aprovechados por pequeños cambios en sólo dos puntos de datos. Especificaciones de pronóstico: n es igual al punto de datos en el historial de ventas que se compara con el punto de datos más reciente para identificar una tendencia. Por ejemplo, especifique n 4 para utilizar la diferencia entre diciembre (datos más recientes) y agosto (cuatro períodos antes de diciembre) como base para calcular la tendencia. Historial de ventas mínimo requerido: n más 1 más el número de periodos de tiempo que se requieren para evaluar el rendimiento de la previsión (períodos de mejor ajuste). Esta tabla es la historia utilizada en el cálculo del pronóstico: Pronóstico de enero Diciembre del año pasado 1 (Tendencia) que es igual a 137 (1 vez 2) 139. Pronóstico de febrero Diciembre del año pasado 1 (Tendencia) que es igual a 137 (2 veces 2) 141. El método de regresión de mínimos cuadrados (LSR) deriva una ecuación que describe una relación de línea recta entre los datos de ventas históricas Y el paso del tiempo. LSR ajusta una línea al rango seleccionado de datos de modo que se minimiza la suma de los cuadrados de las diferencias entre los puntos de datos de ventas reales y la línea de regresión. El pronóstico es una proyección de esta línea recta hacia el futuro. Este método requiere el historial de datos de ventas para el período que se representa por el número de períodos mejor ajustados más el número especificado de períodos de datos históricos. El requisito mínimo es dos puntos de datos históricos. Este método es útil para pronosticar la demanda cuando existe una tendencia lineal en los datos. 3.2.6.1 Ejemplo: Método 6: Regresión lineal de regresión de mínimos cuadrados, o Regresión de mínimos cuadrados (LSR), es el método más popular para identificar una tendencia lineal en los datos históricos de ventas. El método calcula los valores para ayb que se utilizarán en la fórmula: Esta ecuación describe una línea recta, donde Y representa las ventas y X representa el tiempo. La regresión lineal es lenta para reconocer los puntos de giro y los cambios en la función escalonada de la demanda. La regresión lineal se ajusta en línea recta a los datos, incluso cuando los datos son estacionales o mejor descritos por una curva. Cuando los datos del historial de ventas siguen una curva o tienen un patrón estacional fuerte, se producen sesgos de previsión y errores sistemáticos. Especificaciones de pronóstico: n es igual a los períodos del historial de ventas que se utilizarán para calcular los valores de ayb. Por ejemplo, especifique n 4 para utilizar el historial de septiembre a diciembre como base para los cálculos. Cuando los datos están disponibles, un n más grande (como n 24) se utilizaría normalmente. LSR define una línea para tan sólo dos puntos de datos. Para este ejemplo, se escogió un pequeño valor para n (n 4) para reducir los cálculos manuales que se requieren para verificar los resultados. Historial de ventas mínimo requerido: n períodos más el número de periodos de tiempo que se requieren para evaluar el desempeño de la previsión (períodos de mejor ajuste). Esta tabla es la historia utilizada en el cálculo de pronóstico: pronóstico de marzo es igual a 119.5 (7 veces 2.3) 135.6 redondeado a 136. 3.2.7 Método 7: Aproximación de Segundo Grado Para proyectar el pronóstico, este método utiliza la fórmula de Aproximación de Segundo Grado para trazar una curva Que se basa en el número de períodos del historial de ventas. Este método requiere el número de periodos mejor ajustados más el número de períodos del historial de pedidos de ventas tres veces. Este método no es útil para pronosticar la demanda a largo plazo. 3.2.7.1 Ejemplo 7: Aproximación de Segundo Grado La Regresión Lineal determina los valores para ayb en la fórmula de pronóstico Y a b X con el objetivo de ajustar una línea recta a los datos del historial de ventas. La aproximación de segundo grado es similar, pero este método determina los valores de a, by c en la fórmula de pronóstico: Y a b X c X 2 El objetivo de este método es ajustar una curva a los datos del historial de ventas. Este método es útil cuando un producto está en la transición entre las etapas del ciclo de vida. Por ejemplo, cuando un nuevo producto pasa de la fase de introducción a la de crecimiento, la tendencia de ventas podría acelerarse. Debido al término de segundo orden, el pronóstico puede acercarse rápidamente al infinito o caer a cero (dependiendo de si el coeficiente c es positivo o negativo). Este método es útil sólo en el corto plazo. Especificaciones de pronóstico: la fórmula encuentra a, b yc para ajustar una curva a exactamente tres puntos. Especifique n, el número de períodos de tiempo de datos que se acumulan en cada uno de los tres puntos. En este ejemplo, n 3. Los datos reales de ventas de abril a junio se combinan en el primer punto, Q1. Julio a septiembre se suman para crear Q2, y octubre a diciembre suma a Q3. La curva se adapta a los tres valores Q1, Q2 y Q3. Historial de ventas requerido: 3 veces n períodos para calcular el pronóstico más el número de periodos de tiempo que se requieren para evaluar el desempeño de la previsión (períodos de mejor ajuste). Esta tabla es la historia usada en el cálculo de pronóstico: Q0 (Jan) (Feb) (Mar) Q1 (Abr) (Mayo) (Jun) que es igual a 125 129 137 384 Q2 (Jul) (Aug) (Sep) El siguiente paso consiste en calcular los tres coeficientes a, by c que se utilizarán en la fórmula de previsión Y ab X c X 2. Q1, Q2 y Q3 se presentan en el gráfico, donde el tiempo se representa en el eje horizontal. Q1 representa las ventas históricas totales para abril, mayo y junio y se representa en X 1 Q2 corresponde a julio a septiembre Q3 corresponde a octubre a diciembre y Q4 a enero a marzo. Este gráfico ilustra el trazado de Q1, Q2, Q3 y Q4 para la aproximación de segundo grado: Figura 3-2 Trazado Q1, Q2, Q3 y Q4 para la aproximación de segundo grado Tres ecuaciones describen los tres puntos del gráfico: (1) Q1 (3) Q3 a bX cX 2 donde X 3 (Q3 a 3b 9c) Resuelve las tres ecuaciones simultáneamente Para encontrar b, ay c: Reste la ecuación 1 (1) de la ecuación 2 (2) y resuelva para b: (2) ndash (1) Q2 ndash Q1 b 3c b (Q2 ndash Q1) ndash 3c Sustituya esta ecuación por B en la ecuación (3): (3) Q3 a 3 (Q2 ndash Q1) ndash 3c 9c a Q3 ndash 3 (Q2 ndash Q1) Finalmente, sustitúyase estas ecuaciones para ayb en la ecuación (1): (1) Q3 ndash El método de Aproximación de Segundo Grado calcula a, byc como sigue: a Q3 ndash 3 (Q2 ndash Q1) (Q2 ndash Q1) ndash 3c c Q1 c (Q3 ndash Q2) Q1) 370 ndash 3 (400 ndash 384) 370 ndash 3 (16) 322 b (Q2 ndash Q1) ndash3c (400 ndash 384) ndash (3 veces ndash23) 16 69 85 c (Q3 ndash Q2) 2 (370 ndash 400) (384 ndash 400) / 2 ndash23 Este es un cálculo de la predicción de aproximación de segundo grado: Y a bX cX 2 322 85X (ndash23) (X2) Cuando X4, Q4 322 340 ndash 368 294. La Pronóstico es igual a 294/3 98 por período. Cuando X 5, Q5 322 425 ndash 575 172. El pronóstico es igual a 172/3 58,33 redondeado a 57 por período. Cuando X 6, Q 6 322 510 ndash 828 4. El pronóstico es igual a 4/3 1,33 redondeado a 1 por período. Esta es la previsión para el próximo año, del año pasado a este año: 3.2.8 Método 8: Método flexible Este método le permite seleccionar el número de períodos de orden de ventas que se inicia n meses antes de la fecha de inicio prevista y Aplicar un aumento porcentual o disminuir el factor de multiplicación con el que modificar el pronóstico. Este método es similar al método 1, porcentaje sobre el año pasado, excepto que puede especificar el número de períodos que utiliza como base. Dependiendo de lo que selecciona como n, este método requiere períodos mejor ajustados más el número de períodos de datos de ventas que se indica. Este método es útil para pronosticar la demanda de una tendencia planificada. 3.2.8.1 Ejemplo: Método 8: Método Flexible El Método Flexible (Porcentaje sobre n Meses Previo) es similar al Método 1, Porcentaje Sobre el Año Pasado. Ambos métodos multiplican los datos de ventas de un período de tiempo anterior por un factor especificado por usted y luego proyectan ese resultado en el futuro. En el método Porcentaje sobre el año pasado, la proyección se basa en datos del mismo período del año anterior. También puede utilizar el método flexible para especificar un período de tiempo, que no sea el mismo período del último año, para utilizarlo como base para los cálculos. Factor de multiplicación. Por ejemplo, especifique 110 en la opción de procesamiento para aumentar los datos anteriores del historial de ventas en un 10 por ciento. Periodo base. Por ejemplo, n 4 hace que el primer pronóstico se base en datos de ventas en septiembre del año pasado. Historial de ventas mínimo requerido: el número de periodos al período base más el número de periodos de tiempo requeridos para evaluar el desempeño del pronóstico (períodos de mejor ajuste). 3.2.9 Método 9: Promedio móvil ponderado La fórmula Promedio móvil ponderado es similar al método 4, fórmula Moving Average, ya que promedia el historial de ventas de los meses anteriores para proyectar el siguiente historial de ventas. Sin embargo, con esta fórmula puede asignar pesos para cada uno de los períodos anteriores. Este método requiere el número de períodos ponderados seleccionados más el número de períodos que mejor se ajustan a los datos. Al igual que Moving Average, este método está a la zaga de las tendencias de la demanda, por lo que este método no es recomendable para productos con fuertes tendencias o estacionalidad. Este método es útil para pronosticar la demanda de productos maduros con una demanda relativamente nivelada. 3.2.9.1 Ejemplo: Método 9: Promedio móvil ponderado El método del promedio móvil ponderado (WMA) es similar al Método 4, Promedio móvil (MA). Sin embargo, puede asignar pesos desiguales a los datos históricos cuando se utiliza WMA. El método calcula un promedio ponderado del historial de ventas reciente para llegar a una proyección para el corto plazo. Los datos más recientes se asignan generalmente un peso mayor que los datos más antiguos, por lo que WMA es más sensible a los cambios en el nivel de ventas. Sin embargo, el sesgo de pronóstico y los errores sistemáticos ocurren cuando el historial de ventas del producto exhibe fuertes tendencias o patrones estacionales. Este método funciona mejor para pronósticos a corto plazo de productos maduros que para productos en las etapas de crecimiento o obsolescencia del ciclo de vida. El número de períodos del historial de ventas (n) para usar en el cálculo de pronóstico. Por ejemplo, especifique n 4 en la opción de procesamiento para utilizar los cuatro períodos más recientes como base para la proyección en el siguiente período de tiempo. Un valor grande para n (como 12) requiere más historial de ventas. Este valor da como resultado un pronóstico estable, pero es lento reconocer cambios en el nivel de ventas. Por el contrario, un valor pequeño para n (como 3) responde más rápidamente a los cambios en el nivel de ventas, pero el pronóstico puede fluctuar tan ampliamente que la producción no puede responder a las variaciones. El peso que se asigna a cada uno de los períodos de datos históricos. Los pesos asignados deben ser de 1,00. Por ejemplo, cuando n 4, asignar pesos de 0,50, 0,25, 0,15 y 0,10 con los datos más recientes que reciben el mayor peso. Historial de ventas mínimo requerido: n más el número de periodos de tiempo que se requieren para evaluar el rendimiento de la previsión (períodos de mejor ajuste). Esta tabla es la historia usada en el cálculo de pronósticos: Pronóstico de enero es igual a (128 veces 0.10) (119 veces 0,25) (137 veces 0,50) / (0,10 0,15 0,25 0,50) 128,45 redondeado a 128. Pronóstico de febrero igual a (114 Veces 0,10) (119 veces 0,15) (137 veces 0,25) (128 veces 0,50) / 1 127,5 redondeados a 128. El pronóstico de marzo es igual (119 veces 0,10) (137 veces 0,15) (128 veces 0,25) (128 veces 0,50) / 1 128.45 redondeado a 128. 3.2.10 Método 10: Suavizado lineal Este método calcula un promedio ponderado de datos de ventas anteriores. En el cálculo, este método utiliza el número de períodos del historial de pedidos de ventas (de 1 a 12) que se indica en la opción de proceso. El sistema utiliza una progresión matemática para sopesar los datos en el rango de la primera (menor peso) a la final (más peso). A continuación, el sistema proyecta esta información a cada período del pronóstico. Este método requiere el mejor ajuste de meses más el historial de pedidos de ventas para el número de períodos que se especifican en la opción de proceso. 3.2.10.1 Ejemplo: Método 10: Suavizado lineal Este método es similar al Método 9, WMA. Sin embargo, en lugar de asignar arbitrariamente pesos a los datos históricos, se utiliza una fórmula para asignar pesos que disminuyen linealmente y sumen a 1,00. El método entonces calcula un promedio ponderado del historial de ventas reciente para llegar a una proyección para el corto plazo. Al igual que todas las técnicas de predicción de media móvil lineal, el sesgo de pronóstico y los errores sistemáticos ocurren cuando el historial de ventas del producto muestra tendencias fuertes o patrones estacionales. Este método funciona mejor para pronósticos a corto plazo de productos maduros que para productos en las etapas de crecimiento o obsolescencia del ciclo de vida. N es igual al número de períodos del historial de ventas para usar en el cálculo de pronóstico. Por ejemplo, especifique n igual a 4 en la opción de proceso para utilizar los cuatro períodos más recientes como base para la proyección en el siguiente período de tiempo. El sistema asigna automáticamente los pesos a los datos históricos que disminuyen linealmente y suman a 1,00. Por ejemplo, cuando n es igual a 4, el sistema asigna pesos de 0,4, 0,3, 0,2 y 0,1, con los datos más recientes recibiendo el mayor peso. Historial de ventas mínimo requerido: n más el número de periodos de tiempo que se requieren para evaluar el rendimiento de la previsión (períodos de mejor ajuste). 3.2.11 Método 11: Suavizado exponencial Este método calcula un promedio suavizado, que se convierte en una estimación que representa el nivel general de ventas durante los períodos de datos históricos seleccionados. Este método requiere el historial de datos de ventas para el período de tiempo que se representa por el número de períodos mejor ajustados más el número de períodos de datos históricos que se especifican. El requisito mínimo es dos periodos de datos históricos. Este método es útil para pronosticar la demanda cuando no hay tendencia lineal en los datos. 3.2.11.1 Ejemplo: Método 11: suavizado exponencial Este método es similar al método 10, suavizado lineal. En Linear Suavizado, el sistema asigna pesos que disminuyen linealmente a los datos históricos. En Suavizado exponencial, el sistema asigna pesos que se deterioran exponencialmente. La predicción es un promedio ponderado de las ventas reales del período anterior y el pronóstico del período anterior. Alfa es el peso que se aplica a las ventas reales del período anterior. (1 ndash alfa) es el peso que se aplica a la previsión para el período anterior. Los valores de alfa varían de 0 a 1 y generalmente caen entre 0,1 y 0,4. La suma de los pesos es 1,00 (alfa (1 ndash alfa) 1). Debe asignar un valor para la constante de suavizado, alfa. Si no asigna un valor para la constante de suavizado, el sistema calcula un valor supuesto que se basa en el número de períodos del historial de ventas que se especifica en la opción de proceso. Alpha es igual a la constante de suavizado que se utiliza para calcular el promedio suavizado para el nivel general o la magnitud de las ventas. Los valores para el rango de alfa van de 0 a 1. n es igual al rango de datos del historial de ventas para incluir en los cálculos. Generalmente, un año de datos del historial de ventas es suficiente para estimar el nivel general de ventas. Para este ejemplo, se escogió un pequeño valor para n (n 4) para reducir los cálculos manuales que se requieren para verificar los resultados. El suavizado exponencial puede generar una previsión que se basa en tan poco como un punto de datos históricos. Historial de ventas mínimo requerido: n más el número de periodos de tiempo que se requieren para evaluar el rendimiento de la previsión (períodos de mejor ajuste). 3.2.12 Método 12: Suavizado exponencial con tendencia y estacionalidad Este método calcula una tendencia, un índice estacional y un promedio suavizado exponencialmente del historial de órdenes de venta. El sistema entonces aplica una proyección de la tendencia al pronóstico y se ajusta para el índice estacional. Este método requiere el número de periodos mejor ajustados más dos años de datos de ventas, y es útil para elementos que tienen tendencia y estacionalidad en el pronóstico. Puede introducir el factor alfa y beta o hacer que el sistema los calcule. Los factores alfa y beta son la constante de suavizado que el sistema utiliza para calcular el promedio suavizado del nivel general o la magnitud de las ventas (alfa) y el componente de tendencia del pronóstico (beta). 3.2.12.1 Ejemplo: Método 12: suavizado exponencial con tendencia y estacionalidad Este método es similar al método 11, suavizado exponencial, en el que se calcula un promedio suavizado. Sin embargo, el Método 12 también incluye un término en la ecuación de pronóstico para calcular una tendencia suavizada. El pronóstico se compone de un promedio suavizado que se ajusta para una tendencia lineal. Cuando se especifica en la opción de procesamiento, el pronóstico también se ajusta a la estacionalidad. Alfa es igual a la constante de suavizado que se utiliza para calcular el promedio suavizado para el nivel general o la magnitud de las ventas. Los valores para el rango de alfa varían de 0 a 1. Beta es igual a la constante de suavizado que se usa para calcular el promedio suavizado del componente de tendencia del pronóstico. Los valores para beta van de 0 a 1. Si se aplica un índice estacional al pronóstico. Alpha and beta are independent of one another. They do not have to sum to 1.0. Minimum required sales history: One year plus the number of time periods that are required to evaluate the forecast performance (periods of best fit). When two or more years of historical data is available, the system uses two years of data in the calculations. Method 12 uses two Exponential Smoothing equations and one simple average to calculate a smoothed average, a smoothed trend, and a simple average seasonal index. An exponentially smoothed average: An exponentially smoothed trend: A simple average seasonal index: Figure 3-3 Simple Average Seasonal Index The forecast is then calculated by using the results of the three equations: L is the length of seasonality (L equals 12 months or 52 weeks). t is the current time period. m is the number of time periods into the future of the forecast. S is the multiplicative seasonal adjustment factor that is indexed to the appropriate time period. This table lists history used in the forecast calculation: This section provides an overview of Forecast Evaluations and discusses: You can select forecasting methods to generate as many as 12 forecasts for each product. Each forecasting method might create a slightly different projection. When thousands of products are forecast, a subjective decision is impractical regarding which forecast to use in the plans for each product. The system automatically evaluates performance for each forecasting method that you select and for each product that you forecast. You can select between two performance criteria: MAD and POA. MAD is a measure of forecast error. POA is a measure of forecast bias. Both of these performance evaluation techniques require actual sales history data for a period specified by you. The period of recent history used for evaluation is called a holdout period or period of best fit. To measure the performance of a forecasting method, the system: Uses the forecast formulas to simulate a forecast for the historical holdout period. Makes a comparison between the actual sales data and the simulated forecast for the holdout period. When you select multiple forecast methods, this same process occurs for each method. Multiple forecasts are calculated for the holdout period and compared to the known sales history for that same period. The forecasting method that produces the best match (best fit) between the forecast and the actual sales during the holdout period is recommended for use in the plans. This recommendation is specific to each product and might change each time that you generate a forecast. 3.3.1 Mean Absolute Deviation Mean Absolute Deviation (MAD) is the mean (or average) of the absolute values (or magnitude) of the deviations (or errors) between actual and forecast data. MAD is a measure of the average magnitude of errors to expect, given a forecasting method and data history. Because absolute values are used in the calculation, positive errors do not cancel out negative errors. When comparing several forecasting methods, the one with the smallest MAD is the most reliable for that product for that holdout period. When the forecast is unbiased and errors are normally distributed, a simple mathematical relationship exists between MAD and two other common measures of distribution, which are standard deviation and Mean Squared Error. For example: MAD (Sigma (Actual) ndash (Forecast)) n Standard Deviation, (sigma) cong 1.25 MAD Mean Squared Error cong ndashsigma2 This example indicates the calculation of MAD for two of the forecasting methods. This example assumes that you have specified in the processing option that the holdout period length (periods of best fit) is equal to five periods. 3.3.1.1 Method 1: Last Year to This Year This table is history used in the calculation of MAD, given Periods of Best Fit 5: Mean Absolute Deviation equals (2 1 20 10 14) / 5 9.4. Based on these two choices, the Moving Average, n 4 method is recommended because it has the smaller MAD, 9.4, for the given holdout period. 3.3.2 Percent of Accuracy Percent of Accuracy (POA) is a measure of forecast bias. When forecasts are consistently too high, inventories accumulate and inventory costs rise. When forecasts are consistently too low, inventories are consumed and customer service declines. A forecast that is 10 units too low, then 8 units too high, then 2 units too high is an unbiased forecast. The positive error of 10 is canceled by negative errors of 8 and 2. (Error) (Actual) ndash (Forecast) When a product can be stored in inventory, and when the forecast is unbiased, a small amount of safety stock can be used to buffer the errors. In this situation, eliminating forecast errors is not as important as generating unbiased forecasts. However, in service industries, the previous situation is viewed as three errors. The service is understaffed in the first period, and then overstaffed for the next two periods. In services, the magnitude of forecast errors is usually more important than is forecast bias. POA (SigmaForecast sales during holdout period) / (SigmaActual sales during holdout period) times 100 percent The summation over the holdout period enables positive errors to cancel negative errors. When the total of forecast sales exceeds the total of actual sales, the ratio is greater than 100 percent. Of course, the forecast cannot be more than 100 percent accurate. When a forecast is unbiased, the POA ratio is 100 percent. A 95 percent accuracy rate is more desirable than a 110 percent accurate rate. The POA criterion selects the forecasting method that has a POA ratio that is closest to 100 percent. This example indicates the calculation of POA for two forecasting methods. This example assumes that you have specified in the processing option that the holdout period length (periods of best fit) is equal to five periods. 3.3.2.1 Method 1: Last Year to This Year This table is history used in the calculation of MAD, given Periods of Best Fit 5: 3.4.2 Forecast Accuracy These statistical laws govern forecast accuracy: A long term forecast is less accurate than a short term forecast because the further into the future you project the forecast, the more variables can affect the forecast. A forecast for a product family tends to be more accurate than a forecast for individual members of the product family. Some errors cancel each other as the forecasts for individual items summarize into the group, thus creating a more accurate forecast. 3.4.3 Forecast Considerations You should not rely exclusively on past data to forecast future demands. These circumstances might affect the business, and require you to review and modify the forecast: New products that have no past data. Plans for future sales promotion. Changes in national and international politics. New laws and government regulations. Weather changes and natural disasters. Innovations from competition. You can use long term trend analysis to influence the design of the forecasts: Leading economic indicators. 3.4.4 Forecasting Process You use the Refresh Actuals program (R3465) to copy data from the Sales Order History File table (F42119), the Sales Order Detail File table (F4211), or both, into either the Forecast File table (F3460) or the Forecast Summary File table (F3400), depending on the kind of forecast that you plan to generate. Scripting on this page enhances content navigation, but does not change the content in any way. About moving average AX 2012 With moving average, the products cost is determined by the purchase receipt. When the purchase invoice is posted, if there is a difference in cost between the purchase receipt and the purchase invoice, the difference is proportionally adjusted to the current products in stock, and any remaining amount is expensed. In this example, a purchase order is created and received at one cost, and the purchase invoice is posted with a different cost. Create a purchase order for a quantity of 2 and a unit price of 10.00. Create a purchase receipt of the product. Create a sales order for a quantity of 1 and a unit price of 10.00. Create a purchase invoice for a quantity of 2 and a unit price of 12.00. The difference in unit price, 2.00, is posted to the Price difference for moving average account when the purchase invoice is posted. The reason is that two products were purchased for a cost of 20.00. One of the products was sold for a unit price of 10.00. The purchase invoice was posted at a unit price of 12.00 with a quantity of 2. The unit price of the product cannot be posted at 14.00. If you need to adjust the moving average cost of a product, inventory adjustments are allowed as of todays date. You cannot backdate an inventory adjustment to correct the moving average cost of a product. You cannot have the cost flow through subsequent transactions. In this example, the moving average cost is adjusted for a product. Select the product you want to adjust the moving average cost for. The Revaluation for moving average form examines the inventory available for a product. The product selected has a posted quantity of 1, a posted a value of 12.00, a posted unit cost of 12.00, and a unit cost of 12.00. Now update the unit cost field to 16.00. The system calculates the remaining fields. The adjustment is posted.

No comments:

Post a Comment