Berechnen Sie Eine Gleitende Durchschnittsprognose

Gleitender Durchschnitt Vorhersage Einleitung. Wie Sie vermutlich schauen, betrachten wir einige der primitivsten Ansätze zur Prognose. Aber hoffentlich sind diese zumindest eine lohnende Einführung in einige der Rechenprobleme im Zusammenhang mit der Umsetzung von Prognosen in Tabellenkalkulationen. In diesem Sinne werden wir von Anfang an beginnen und beginnen mit Moving Average Prognosen zu arbeiten. Gleitende durchschnittliche Prognosen. Jeder ist vertraut mit gleitenden durchschnittlichen Prognosen, unabhängig davon, ob sie glauben, sie sind. Alle Studenten tun sie die ganze Zeit. Denken Sie an Ihre Testergebnisse in einem Kurs, in dem Sie vier Tests während des Semesters haben werden. Angenommen, Sie haben eine 85 auf Ihrem ersten Test. Was würden Sie vorhersagen, für Ihre zweite Test-Score Was glauben Sie, Ihr Lehrer würde für Ihre nächste Test-Punkt vorhersagen Was denken Sie, Ihre Freunde könnten für Ihre nächste Test-Punkt vorherzusagen Was denken Sie, Ihre Eltern könnten für Ihre nächste Test-Score Unabhängig davon vorhersagen Alle die blabbing Sie tun könnten, um Ihre Freunde und Eltern, sie und Ihr Lehrer sind sehr wahrscheinlich zu erwarten, dass Sie etwas im Bereich der 85 erhalten Sie gerade bekommen. Nun, jetzt gehen wir davon aus, dass trotz Ihrer Selbst-Förderung an Ihre Freunde, Sie über-schätzen Sie sich und Figur, die Sie weniger für den zweiten Test lernen können und so erhalten Sie eine 73. Nun, was sind alle betroffenen und unbekümmerten gehen Erwarten Sie erhalten auf Ihrem dritten Test Es gibt zwei sehr wahrscheinlich Ansätze, damit sie eine Schätzung unabhängig davon entwickeln, ob sie sie mit Ihnen teilen. Sie können zu sich selbst sagen, dieser Kerl ist immer bläst Rauch über seine smarts. Hes gehend, ein anderes 73 zu erhalten, wenn hes glücklich. Vielleicht werden die Eltern versuchen, mehr unterstützend und sagen, quotWell, so weit youve bekommen eine 85 und eine 73, so vielleicht sollten Sie auf eine über (85 73) 2 79. Ich weiß nicht, vielleicht, wenn Sie weniger feiern Und werent wedelte das Wiesel ganz über dem Platz und wenn Sie anfingen, viel mehr zu studieren, konnten Sie einen höheren score. quot erhalten. Beide dieser Schätzungen sind wirklich gleitende durchschnittliche Prognosen. Der erste verwendet nur Ihre jüngste Punktzahl, um Ihre zukünftige Leistung zu prognostizieren. Dies wird als gleitende Durchschnittsprognose mit einer Datenperiode bezeichnet. Die zweite ist auch eine gleitende durchschnittliche Prognose, aber mit zwei Perioden von Daten. Nehmen wir an, dass alle diese Leute, die auf deinem großen Verstand zerschmettern, Art von dich angepisst haben und du entscheidest, auf dem dritten Test aus deinen eigenen Gründen gut zu tun und eine höhere Kerbe vor deinen quotalliesquot zu setzen. Sie nehmen den Test und Ihre Gäste ist eigentlich ein 89 Jeder, einschließlich selbst, ist beeindruckt. So jetzt haben Sie die abschließende Prüfung des Semesters herauf und wie üblich spüren Sie die Notwendigkeit, alle in die Vorhersagen zu machen, wie youll auf dem letzten Test tun. Nun, hoffentlich sehen Sie das Muster. Nun, hoffentlich können Sie das Muster sehen. Was glauben Sie, ist die genaueste Pfeife, während wir arbeiten. Jetzt kehren wir zu unserer neuen Reinigungsfirma zurück, die von Ihrer entfremdeten Halbschwester namens Whistle While We Work begonnen wurde. Sie haben einige vergangene Verkaufsdaten, die durch den folgenden Abschnitt aus einer Kalkulationstabelle dargestellt werden. Zuerst präsentieren wir die Daten für eine dreidimensionale gleitende Durchschnittsprognose. Der Eintrag für Zelle C6 sollte jetzt sein Sie können diese Zellformel auf die anderen Zellen C7 bis C11 kopieren. Beachten Sie, wie der Durchschnitt bewegt sich über die jüngsten historischen Daten, sondern verwendet genau die drei letzten Perioden zur Verfügung für jede Vorhersage. Sie sollten auch feststellen, dass wir nicht wirklich brauchen, um die Vorhersagen für die vergangenen Perioden zu machen, um unsere jüngste Vorhersage zu entwickeln. Dies ist definitiv anders als das exponentielle Glättungsmodell. Ive eingeschlossen das quotpast predictionsquot, weil wir sie auf der folgenden Webseite verwenden, um Vorhersagegültigkeit zu messen. Nun möchte ich die analogen Ergebnisse für eine zwei-Periode gleitenden Durchschnitt Prognose zu präsentieren. Der Eintrag für Zelle C5 sollte jetzt sein Sie können diese Zellformel auf die anderen Zellen C6 bis C11 kopieren. Beachten Sie, wie jetzt nur die beiden letzten Stücke der historischen Daten für jede Vorhersage verwendet werden. Wieder habe ich die quotpast Vorhersagequot für illustrative Zwecke und für die spätere Verwendung in der Prognose Validierung enthalten. Einige andere Dinge, die wichtig zu beachten sind. Für eine m-Periode gleitende Durchschnittsprognose werden nur die m neuesten Datenwerte verwendet, um die Vorhersage durchzuführen. Nichts anderes ist notwendig. Für eine m-Periode gleitende durchschnittliche Prognose, wenn Sie Quotpast Vorhersagequot, beachten Sie, dass die erste Vorhersage tritt im Zeitraum m 1 auf. Diese beiden Fragen werden sehr wichtig sein, wenn wir unseren Code entwickeln. Entwicklung der Moving Average Funktion. Nun müssen wir den Code für die gleitende Durchschnittsprognose entwickeln, die flexibler genutzt werden kann. Der Code folgt. Beachten Sie, dass die Eingaben für die Anzahl der Perioden sind, die Sie in der Prognose und dem Array der historischen Werte verwenden möchten. Sie können es in beliebiger Arbeitsmappe speichern. Funktion MovingAverage (Historical, NumberOfPeriods) als einzelne Deklarations - und Initialisierungsvariablen Dim Item als Variant Dim Zähler als Integer Dim Summe als Single Dim HistoricalSize als Integer Initialisierung von Variablen Zähler 1 Akkumulation 0 Festlegung der Größe des Historical Arrays HistoricalSize Historical. Count For Counter 1 bis NumberOfPeriods Summieren der entsprechenden Anzahl der zuletzt beobachteten Werte Accumulation Accumulation Historical (HistoricalSize - NumberOfPeriods Counter) MovingAverage Accumulation NumberOfPeriods Der Code wird in der Klasse erklärt. Sie möchten die Funktion in der Tabellenkalkulation positionieren, so dass das Ergebnis der Berechnung dort erscheint, wo es wie folgt aussehen soll. Prognoseberechnungsbeispiele A.1 Prognoseberechnungsmethoden Es stehen zwölf Berechnungsmethoden zur Verfügung. Die meisten dieser Methoden bieten eine eingeschränkte Benutzerkontrolle. Beispielsweise könnte das Gewicht, das auf die jüngsten historischen Daten oder den Datumsbereich der in den Berechnungen verwendeten historischen Daten gesetzt wurde, spezifiziert werden. Die folgenden Beispiele zeigen das Berechnungsverfahren für jede der verfügbaren Prognosemethoden bei einem identischen Satz von historischen Daten. Die folgenden Beispiele verwenden dieselben Verkaufsdaten für 2004 und 2005, um eine Verkaufsprognose von 2006 zu erstellen. Zusätzlich zur Prognoserechnung enthält jedes Beispiel eine simulierte Prognose für eine dreimonatige Halteperiode (Verarbeitungsoption 19 3), die dann für Prozentsätze der Genauigkeit und der mittleren Absolutabweichung (tatsächlicher Umsatz gegenüber simulierter Prognose) verwendet wird. A.2 Kriterien für die Bewertung der Prognoseleistung Abhängig von der Auswahl der Verarbeitungsoptionen und den in den Verkaufsdaten vorhandenen Trends und Mustern werden einige Prognosemethoden für einen bestimmten historischen Datensatz besser abschneiden als andere. Eine für ein Produkt geeignete Prognosemethode ist möglicherweise nicht für ein anderes Produkt geeignet. Es ist auch unwahrscheinlich, dass eine Prognosemethode, die in einem Stadium des Produktlebenszyklus gute Ergebnisse liefert, über den gesamten Lebenszyklus hinweg angemessen bleibt. Sie können zwischen zwei Methoden wählen, um die aktuelle Leistung der Prognosemethoden zu bewerten. Diese sind mittlere absolute Abweichung (MAD) und Prozent der Genauigkeit (POA). Beide dieser Leistungsbewertungsverfahren erfordern historische Verkaufsdaten für einen vom Benutzer angegebenen Zeitraum. Dieser Zeitraum wird als Halteperiode oder Perioden am besten geeignet (PBF) bezeichnet. Die Daten in diesem Zeitraum dienen als Grundlage für die Empfehlung, welche der Prognosemethoden für die nächste Prognoseprojektion verwendet werden sollen. Diese Empfehlung ist spezifisch für jedes Produkt und kann von einer Prognosegeneration zur nächsten wechseln. Die beiden prognostizierten Methoden der Leistungsbewertung werden in den Seiten nach den Beispielen der zwölf Prognosemethoden vorgestellt. A.3 Methode 1 - Festgelegter Prozentsatz über Letztes Jahr Diese Methode multipliziert Verkaufsdaten des Vorjahres mit einem benutzerdefinierten Faktor, zum Beispiel 1,10 für eine 10-Erhöhung oder 0,97 für eine 3-Abnahme. Erforderliche Verkaufsgeschichte: Ein Jahr für die Berechnung der Prognose plus die benutzerdefinierte Anzahl von Zeiträumen für die Bewertung der Prognoseperformance (Verarbeitungsoption 19). A.4.1 Prognoserechnung Berechnung des Umsatzverlaufs für die Berechnung des Wachstumsfaktors (Verarbeitungsoption 2a) 3 in diesem Beispiel. Summe der letzten drei Monate 2005: 114 119 137 370 Summe die gleichen drei Monate für das Vorjahr: 123 139 133 395 Der berechnete Faktor 370395 0,9367 Berechnen Sie die Prognosen: Januar 2005 Umsatz 128 0,9367 119,8036 oder etwa 120 Februar 2005 Umsatz 117 0,9367 109,5939 oder etwa 110 März 2005 Umsatz 115 0,9367 107,7205 oder etwa 108 A.4.2 Simulierte Prognoseberechnung Summe der drei Monate 2005 vor der Halteperiode (Juli, Aug, Sept): 129 140 131 400 Summe die gleichen drei Monate für die Vorjahr: 141 128 118 387 Der berechnete Faktor 400387 1.033591731 Berechnung der simulierten Prognose: Oktober 2004 Umsatz 123 1.033591731 127.13178 November 2004 Umsatz 139 1.033591731 143.66925 Dezember 2004 Umsatz 133 1.033591731 137.4677 A.4.3 Prozentsatz der Genauigkeitsberechnung POA (127.13178 143.66925 137.4677) (127.13178 - 114 143.66925 - 119 137.4677 - 137) 3 (13.13178 24.66925 0.4677) 3 12.75624 A.5 Methode 3 - Letztes Jahr zu diesem Jahr Diese Methode Kopiert die Verkaufsdaten des Vorjahres auf das nächste Jahr. Erforderliche Verkaufsgeschichte: Ein Jahr für die Berechnung der Prognose plus die Anzahl der für die Bewertung der Prognoseperformance angegebenen Zeiträume (Verarbeitungsoption 19). A.6.1 Prognoseberechnung Anzahl der Perioden, die in den Durchschnitt einzubeziehen sind (Verarbeitungsoption 4a) 3 in diesem Beispiel Für jeden Monat der Prognose durchschnittlich die letzten drei Monate Daten. Januar Prognose: 114 119 137 370, 370 3 123.333 oder 123. Februar Prognose: 119 137 123 379, 379 3 126.333 oder 126 März Prognose: 137 123 126 379, 386 3 128.667 oder 129 A.6.2 Simulierte Prognoseberechnung Oktober 2005 Verkauf (129 140 131 114 3 128,333 Dezember 2005 Umsatz (131 114 119) 3 121,333 A.6,3 Prozent der Genauigkeitsberechnung (133,333 128,333 121,333) (114 119 137) 100 103,513 A.6.4 Mittelwert Absolut Abweichungsberechnung MAD (133.3333 - 114 128.3333 - 119 121.3333 - 137) 3 14.7777 A.7 Methode 5 - Lineare Approximation Lineare Approximation berechnet einen Trend basierend auf zwei Verkaufsverlaufsdatenpunkten. Diese beiden Punkte definieren eine gerade Linie, die in die Zukunft projiziert wird. Verwenden Sie diese Methode mit Vorsicht, da Langstreckenvorhersagen durch kleine Änderungen an nur zwei Datenpunkten genutzt werden. Erforderliche Verkaufsgeschichte: Anzahl der in die Regression einzubeziehenden Perioden (Verarbeitungsoption 5a) plus 1 plus Anzahl der Zeiträume für die Bewertung der Prognoseperformance (Verarbeitungsoption 19). A.8.1 Prognoserechnung Anzahl der Perioden, die in die Regression aufzunehmen sind (Verarbeitungsoption 6a) 3 in diesem Beispiel Für jeden Monat der Prognose addieren Sie den Anstieg oder Abfall während der angegebenen Perioden vor der Halteperiode der vorherigen Periode. Durchschnitt der vorangegangenen drei Monate (114 119 137) 3 123.3333 Zusammenfassung der letzten drei Monate mit betrachtetem Gewicht (114 1) (119 2) (137 3) 763 Differenz zwischen den Werten 763 - 123.3333 (1 2 3) 23 Verhältnis ( (1 n) Wert1 Wert2 4 11,5 100,333 146,333 oder 146 Prognose 5 11,5 100,333 157,8333 oder 158 Prognose 6 11,5 100,333 169,333. Vorhersage (1 n) Wert1 Wert2 4 11,5 100,333 146,333 oder 146 Vorhersage 5 11,5 100,333 157,8333 oder 158 Vorhersage 6 11,5 100,333 169,333 Oder 169 A.8.2 Simulierte Prognoseberechnung Oktober 2004 Umsatz: Durchschnitt der vorangegangenen drei Monate (129 140 131) 3 133.3333 Zusammenfassung der letzten drei Monate mit betrachtetem Gewicht (129 1) (140 2) (131 3) 802 Differenz zwischen den (1 2 3) 2 Verhältnis (12 22 32) - 2 3 14 - 12 2 Wert1 DifferenzRatio 22 1 Wert2 Durchschnitt - Wert1 Verhältnis 133,333 - 1 2 131,333 Vorhersage (1 n) Wert1 Wert2 4 1 131,333 135,333 November 2004 Umsatz Durchschnitt der vorangegangenen drei Monate (140 131 114) 3 128,333 Zusammenfassung der letzten drei Monate mit Bezugsgewicht (140 1) (131 2) (114 3) 744 Differenz zwischen den Werten 744 - 128.3333 (1 2 3) -25.9999 Wert1 DifferenzRatio -25.99992 -12.9999 Wert2 Durchschnitt - Wert1 Verhältnis 128.3333 - (-12.9999) 2 154.3333 Prognose 4 -12.9999 154.3333 102.3333 Dezember 2004 Umsatz Durchschnitt der letzten drei Monate (131 114 119) 3 121.3333 Zusammenfassung der letzten drei Monate mit Gewichtung (119 3) 716 Differenz zwischen den Werten 716 - 121,3333 (1 2 3) -11,9999 Wert1 DifferenzRatio -11,99992 -5,9999 Wert2 Mittelwert-Wert1 Verhältnis 121,3333 - (-5,9999) 2 133,333 Prognose 4 (- (135.33 - 114 102.33 - 119 109.33 - 137) 3 21.88 A.9 Verfahren 7. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, - Second Degree Approximation Die lineare Regression ermittelt Werte für a und b in der Prognoseformel Y a bX mit dem Ziel, eine Gerade an die Verkaufsgeschichtsdaten anzupassen. Zweite Grad Approximation ist ähnlich. Dieses Verfahren ermittelt jedoch Werte für a, b und c in der Prognoseformel Y a bX cX2 mit dem Ziel, eine Kurve an die Verkaufsverlaufsdaten anzupassen. Dieses Verfahren kann nützlich sein, wenn sich ein Produkt im Übergang zwischen den Stufen eines Lebenszyklus befindet. Wenn sich beispielsweise ein neues Produkt von der Einführung in die Wachstumsstadien bewegt, kann sich die Umsatzentwicklung beschleunigen. Wegen des Termes der zweiten Ordnung kann die Prognose schnell an die Unendlichkeit heranreichen oder auf Null fallen (abhängig davon, ob der Koeffizient c positiv oder negativ ist). Daher ist dieses Verfahren nur kurzfristig nutzbar. Prognosedaten: Die Formeln finden a, b und c, um eine Kurve auf genau drei Punkte zu platzieren. Sie geben n in der Verarbeitungsoption 7a an, die Anzahl der Zeitperioden der Daten, die sich in jedem der drei Punkte ansammeln. In diesem Beispiel n 3. Daher werden die tatsächlichen Verkaufsdaten für April bis Juni in den ersten Punkt Q1 zusammengefasst. Juli bis September werden addiert, um Q2 zu schaffen, und Oktober bis Dezember Summe zu Q3. Die Kurve wird an die drei Werte Q1, Q2 und Q3 angepasst. Erforderliche Verkaufsgeschichte: 3 n Perioden für die Berechnung der Prognose plus die Anzahl der Zeiträume für die Bewertung der Prognoseperformance (PBF) erforderlich. Anzahl der einzubeziehenden Perioden (Verarbeitungsoption 7a) 3 in diesem Beispiel Die vorherigen (3 n) Monate in dreimonatigen Blöcken verwenden: Q1 (Apr - Jun) 125 122 137 384 Q2 (Jul - Sep) 129 140 131 400 Q3 Der nächste Schritt besteht darin, die drei Koeffizienten a, b und c zu berechnen, die in der Prognoseformel Y a bX cX2 (1) Q1 a bX cX2 (mit X 1) abc (2) Q2 verwendet werden (1) aus Gleichung (2) subtrahieren Sie die Gleichung (1) aus der Gleichung (1) aus der Gleichung (2) (3) (3) Q3 a 3 (Q2 - Q1) - 3c c Setzen Sie diese Gleichungen für a und b in die Gleichung (3) ein Gleichung (1) Q3 - 3 (Q2 - Q1) (q2 - Q1) - 3c c Q1 c (Q3 - Q2) (Q1 - Q2) 2 Das Zweite-Grad-Approximationsverfahren berechnet a, b und c wie folgt: a Q3 - 3 (Q2 - Q1) 370 - 3 (400 - 384) 322 c (Q3 - Q2) (Q1 - Q2) 2 (370 - 400) (X2) X2: (322 340 - 368) 3 2943 98 für den Zeitraum April bis Juni (X5): (3) 322 425 - 575) 3 57.333 oder 57 pro Zeitraum Juli bis September Prognose (X6): (322 510 - 828) 3 1,33 oder 1 pro Zeitraum Oktober bis Dezember (X7) (322 595 - 11273 -70 A.9.2 Simulierte Prognoseberechnung Oktober, November und Dezember 2004 Umsatz: Q1 (Jan - März) 360 Q2 (Apr - Jun) 384 Q3 (Jul - Sep) 400 a 400 - 3 (384 - 360) 328 c (400 - 384) (360 - 384) ) 2 -4 b (384 - 360) - 3 (-4) 36 328 36 4 (-4) 163 136 A.9.3 Prozent der Genauigkeitsberechnung POA (136 136 136) (114 119 137) 100 110,27 A.9.4 Mean Absolute Abweichungsberechnung MAD (136 - 114 136 - 119 136 - 137) 3 13.33 A.10 Methode 8 - Flexible Methode Die flexible Methode (Prozentsatz über n Monate vor) ähnelt der Methode 1, Prozent über dem letzten Jahr. Beide Verfahren multiplizieren Verkaufsdaten aus einer vorherigen Zeitspanne mit einem vom Benutzer spezifizierten Faktor und projizieren dieses Ergebnis dann in die Zukunft. In der Percent Over Last Year Methode basiert die Projektion auf Daten aus dem gleichen Zeitraum des Vorjahres. Das Flexible-Verfahren fügt die Möglichkeit hinzu, einen Zeitraum anzugeben, der nicht derselbe Zeitraum ist, der als Basis für die Berechnungen verwendet wird. Multiplikationsfaktor. Geben Sie z. B. 1.15 in der Verarbeitungsoption 8b an, um die bisherigen Verkaufsverlaufsdaten um 15. Basisperiode zu erhöhen. Zum Beispiel führt n 3 dazu, dass die erste Prognose im Oktober 2005 auf Verkaufsdaten basiert. Minimale Umsatzhistorie: Die vom Benutzer angegebene Anzahl von Perioden zurück zur Basisperiode plus die Anzahl der Zeitperioden, die für die Bewertung der Prognoseperformance erforderlich sind ( PBF). A.10.4 Mittlere Absolutabweichung MAD (148 - 114 161 - 119 151 - 137) 3 30 A.11 Methode 9 - Gewichteter gleitender Durchschnitt Die Methode des gewichteten gleitenden Durchschnitts (WMA) ist ähnlich wie Methode 4, Gleitender Durchschnitt (MA). Mit dem Weighted Moving Average können Sie jedoch den historischen Daten ungleiche Gewichte zuordnen. Die Methode berechnet einen gewichteten Durchschnitt der letzten Verkäufe Geschichte, um zu einer Projektion für die kurzfristige kommen. Neuere Daten sind in der Regel ein größeres Gewicht als ältere Daten zugeordnet, so dass dies WMA mehr reagiert auf Verschiebungen in der Ebene des Umsatzes. Prognosevorhersage und systematische Fehler treten jedoch immer noch auf, wenn die Produktverkäufe Geschichte starke Trend - oder saisonale Muster aufweisen. Diese Methode funktioniert besser für Kurzstreckenvorhersagen von reifen Produkten als für Produkte in den Wachstums - oder Veralterungsstadien des Lebenszyklus. N die Anzahl der Perioden der Verkaufsgeschichte, die in der Prognoserechnung verwendet werden sollen. Geben Sie z. B. n 3 in der Verarbeitungsoption 9a an, um die letzten drei Perioden als Grundlage für die Projektion in die nächste Zeitperiode zu verwenden. Ein großer Wert für n (wie 12) erfordert mehr Umsatz Geschichte. Es resultiert in einer stabilen Prognose, aber es wird nur langsam sein, Veränderungen im Umsatzniveau zu erkennen. Andererseits reagiert ein kleiner Wert für n (wie z. B. 3) schneller auf Verschiebungen des Umsatzniveaus, doch kann die Prognose so weit schwanken, dass die Produktion nicht auf die Variationen reagieren kann. Das Gewicht, das jeder der historischen Datenperioden zugewiesen ist. Die zugeordneten Gewichte müssen insgesamt 1,00 betragen. Zum Beispiel, wenn n 3, Gewichte von 0,6, 0,3 und 0,1 zuweisen, wobei die neuesten Daten das größte Gewicht empfangen. Mindestens erforderlicher Umsatzverlauf: n plus Anzahl der Zeiträume, die für die Bewertung der Prognoseperformance (PBF) erforderlich sind. MAD (133,5 - 114 121,7 - 119 118,7 - 137) 3 13,5 A.12 Methode 10 - Lineare Glättung Diese Methode ähnelt Methode 9, Weighted Moving Average (WMA). Jedoch wird anstelle der willkürlichen Zuweisung von Gewichten zu den historischen Daten eine Formel verwendet, um Gewichtungen zuzuweisen, die linear abnehmen und auf 1,00 summieren. Das Verfahren berechnet dann einen gewichteten Durchschnitt der letzten Verkaufsgeschichte, um zu einer Projektion für die kurze Zeit zu gelangen. Wie bei allen linearen gleitenden durchschnittlichen Prognosemethoden treten Prognosevorhersage und systematische Fehler auf, wenn die Produktverkaufsgeschichte starke Trend - oder saisonale Muster aufweist. Diese Methode funktioniert besser für Kurzstreckenvorhersagen von reifen Produkten als für Produkte in den Wachstums - oder Veralterungsstadien des Lebenszyklus. N die Anzahl der Perioden der Verkaufsgeschichte, die in der Prognoserechnung verwendet werden sollen. Dies ist in der Verarbeitungsoption 10a spezifiziert. Geben Sie beispielsweise n 3 in der Verarbeitungsoption 10b an, um die letzten drei Perioden als Grundlage für die Projektion in die nächste Zeitperiode zu verwenden. Das System vergibt automatisch die Gewichte der historischen Daten, die linear sinken und auf 1,00 sinken. Wenn beispielsweise n & sub3; wird das System Gewichte von 0,5, 0,3333 und 0,1 zuweisen, wobei die neuesten Daten das größte Gewicht empfangen. Mindestens erforderlicher Umsatzverlauf: n plus Anzahl der Zeiträume, die für die Bewertung der Prognoseperformance (PBF) erforderlich sind. A.12.1 Prognoseberechnung Anzahl der Perioden, die in den Glättungsdurchschnitt einzubeziehen sind (Verarbeitungsoption 10a) 3 in diesem Beispiel Verhältnis für eine Periode vorher 3 (n2 n) 2 3 (32 3) 2 36 0.5 Verhältnis für zwei Perioden vor 2 (n2 n ) 2 2 (32 3) 2 26 0,333 .. Verhältnis für drei Perioden vorher 1 (n2 n) 2 1 (32 3) 2 16 0,1666 .. Januar Prognose: 137 0,5 119 13 114 16 127,16 oder 127 Februar Prognose: 127 0,5 137 13 119 16 129 März-Prognose: 129 0,5 127 13 137 16 129,666 oder 130 A.12.2 Simulierte Prognoseberechnung Oktober 2004 Umsatz 129 16 140 26 131 36 133,6666 November 2004 Umsatz 140 16 131 26 114 36 124 Dezember 2004 Umsatz 131 16 114 26 119 36 119,333 A.12.3 Prozentsatz der Genauigkeitsberechnung POA (133,6666 124 119,333) (114 119 137) 100 101,891 A.12.4 Mittlere Absolutabweichung MAD (133,6666 - 114 124 - 119 119,333 - 137) 3 14,1111 A.13 Methode 11 - Exponentielle Glättung Diese Methode ist ähnlich wie Methode 10, Lineare Glättung. In der Linearglättung vergibt das System Gewichte an die historischen Daten, die linear abnehmen. Bei exponentieller Glättung weist das System Gewichte auf, die exponentiell zerfallen. Die exponentielle Glättungsvorhersagegleichung lautet: Prognose a (Vorherige Ist-Verkäufe) (1 - a) Vorhergehende Prognose Die Prognose ist ein gewichteter Durchschnitt der tatsächlichen Umsätze der Vorperiode und der Prognose der Vorperiode. A ist das Gewicht auf den tatsächlichen Umsatz für die vorherige Periode angewendet. (1 - a) das auf die Prognose der Vorperiode angewandte Gewicht. Gültige Werte für einen Bereich von 0 bis 1 und üblicherweise zwischen 0,1 und 0,4 liegen. Die Summe der Gewichte beträgt 1,00. A (1 - a) 1 Sie sollten einen Wert für die Glättungskonstante zuweisen, a. Wenn Sie keine Werte für die Glättungskonstante zuordnen, berechnet das System einen angenommenen Wert auf der Grundlage der in der Verarbeitungsoption 11a angegebenen Anzahl von Perioden der Verkaufsgeschichte. Eine Glättungskonstante, die beim Berechnen des geglätteten Durchschnitts für das allgemeine Niveau oder die Grße der Verkäufe verwendet wird. Gültige Werte für einen Bereich von 0 bis 1. n der Bereich der Verkaufsgeschichtsdaten, der in die Berechnungen aufzunehmen ist. Generell reicht ein Jahr der Umsatzverlaufsdaten aus, um das allgemeine Umsatzniveau abzuschätzen. Für dieses Beispiel wurde ein kleiner Wert für n (n 3) gewählt, um die manuellen Berechnungen zur Verifizierung der Ergebnisse zu reduzieren. Eine exponentielle Glättung kann eine Prognose erzeugen, die auf nur einem historischen Datenpunkt basiert. Mindestens erforderlicher Umsatzverlauf: n plus Anzahl der Zeiträume, die für die Bewertung der Prognoseperformance (PBF) erforderlich sind. A.13.1 Prognoserechnung Die Anzahl der Perioden, die in den Glättungsdurchschnitt (Verarbeitungsoption 11a) 3 und alpha-Faktor (Verarbeitungsoption 11b) einzubeziehen sind, ist in diesem Beispiel ein Faktor für die ältesten Vertriebsdaten 2 (11) oder 1 bei der Angabe von alpha Ein Faktor für die zweitältesten Verkaufsdaten 2 (12) oder alpha, wenn alpha ein Faktor für die 3. ältesten Verkaufsdaten 2 (13) angegeben ist, oder alpha, wenn alpha ein Faktor für die letzten Verkaufsdaten 2 (1n) , Oder alpha, wenn alpha angegeben ist November Sm. Durchschn. A (Oktober-Ist) (1 - a) Oktober Sm. Durchschn. 1 114 0 0 114 Dezember Sm. Durchschn. A (November-Ist) (1 - a) November Sm. Durchschn. 23 119 13 114 117.3333 Januar Vorhersage a (Dezember Tatsächlich) (1 - a) Dezember Sm. Durchschn. 24 137 24 117.3333 127.16665 oder 127 Februar Prognose Januar Prognose 127 März Prognose Januar Prognose 127 A.13.2 Simulierte Prognoseberechnung Juli 2004 Sm. Durchschn. 22 129 129 August Sm. Durchschn. 23 140 13 129 136,333 September Sm. Durchschn. 24 131 24 136.3333 133.6666 Oktober 2004 Verkauf Sep Sm. Durchschn. 133.6666 August 2004. Sm. Durchschn. 22 140 140 September Sm. Durchschn. 23 131 13 140 134 Oktober Sm. Durchschn. 24 114 24 134 124 November 2004 Verkauf Sep Sm. Durchschn. 124 September 2004 Sm. Durchschn. 22 131 131 Oktober Sm. Durchschn. 23 114 13 131 119,6666 November Sm. Durchschn. 24 119 24 119,6666 119,333 Dezember 2004 Umsatz Sep Sm. Durchschn. 119,333 A.13.3 Prozentsatz der Genauigkeitsberechnung POA (133,6666 124 119,333) (114 119 137) 100 101,891 A.13.4 Mittlere Absolutabweichung MAD (133,6666 - 114 124 - 119 119,333 - 137) 3 14,1111 A.14 Methode 12 - Exponentialglättung Mit Trend und Saisonalität Diese Methode ist ähnlich wie Methode 11, Exponentialglättung, indem ein geglätteter Durchschnitt berechnet wird. Das Verfahren 12 enthält jedoch auch einen Begriff in der Prognose-Gleichung, um einen geglätteten Trend zu berechnen. Die Prognose setzt sich aus einem geglätteten Durchschnitt und einem linearen Trend zusammen. Wenn in der Verarbeitungsoption angegeben, wird die Prognose auch saisonbedingt angepasst. Eine Glättungskonstante, die beim Berechnen des geglätteten Durchschnitts für das allgemeine Niveau oder die Grße der Verkäufe verwendet wird. Gültige Werte für den Alpha-Bereich von 0 bis 1. b die Glättungskonstante, die beim Berechnen des geglätteten Durchschnitts für die Trendkomponente der Prognose verwendet wird. Gültige Werte für Beta reichen von 0 bis 1. Ob ein saisonaler Index auf die Prognose a und b angewendet wird, sind unabhängig voneinander. Sie müssen nicht zu 1.0 hinzufügen. Mindestens erforderlicher Umsatzverlauf: zwei Jahre plus Anzahl der für die Bewertung der Prognosereaktion (PBF) erforderlichen Zeiträume. Methode 12 verwendet zwei exponentielle Glättungsgleichungen und einen einfachen Mittelwert, um einen geglätteten Durchschnitt, einen geglätteten Trend und einen einfachen durchschnittlichen saisonalen Faktor zu berechnen. A.14.1 Prognoseberechnung A) Ein exponentiell geglättetes durchschnittliches MAD (122.81 - 114 133.14 - 119 135.33 - 137) 3 8.2 A.15 Auswertung der Prognosen Sie können Prognosemethoden auswählen, um so viele wie zwölf Prognosen für jedes Produkt zu generieren. Jede Prognose-Methode wird wahrscheinlich eine etwas andere Projektion. Wenn Tausende von Produkten prognostiziert werden, ist es unpraktisch, eine subjektive Entscheidung zu treffen, welche der Prognosen in Ihren Plänen für jedes der Produkte verwendet werden. Das System wertet die Leistung automatisch für jede der von Ihnen ausgewählten Prognosemethoden und für jede der Prognoseprognosen aus. Sie können zwischen zwei Leistungskriterien, Mean Absolute Deviation (MAD) und Percent of Accuracy (POA) wählen. MAD ist ein Maß für den Prognosefehler. POA ist ein Maß für die Vorhersage. Beide dieser Leistungsbewertungsverfahren erfordern tatsächliche Verkaufsgeschichtsdaten für eine vom Benutzer angegebene Zeitspanne. Diese Periode der jüngsten Geschichte wird als Halteperiode oder Perioden am besten geeignet (PBF) bezeichnet. Um die Leistung einer Prognosemethode zu messen, verwenden Sie die Prognoseformeln, um eine Prognose für die historische Halteperiode zu simulieren. Normalerweise gibt es Unterschiede zwischen den tatsächlichen Verkaufsdaten und der simulierten Prognose für die Halteperiode. Wenn mehrere Prognosemethoden ausgewählt werden, erfolgt dieser Prozess für jede Methode. Mehrere Prognosen werden für die Halteperiode berechnet und mit dem bekannten Umsatzverlauf für denselben Zeitraum verglichen. Für die Verwendung in Ihren Plänen wird die Prognosemethode empfohlen, die die optimale Übereinstimmung zwischen der Prognose und dem tatsächlichen Umsatz während des Haltezeitraums liefert. Diese Empfehlung ist spezifisch für jedes Produkt und kann sich von einer Prognosegeneration zur nächsten ändern. A.16 Mittlere Absolutabweichung (MAD) MAD ist der Mittelwert (oder Mittelwert) der Absolutwerte (oder Größen) der Abweichungen (oder Fehler) zwischen Ist - und Prognosedaten. MAD ist ein Maß für die durchschnittliche Größe der zu erwartenden Fehler bei einer Prognosemethode und einem Datenverlauf. Da bei der Berechnung absolute Werte verwendet werden, werden positive Fehler nicht negativ ausgewertet. Beim Vergleich mehrerer Prognosemethoden hat sich diejenige mit dem kleinsten MAD als die zuverlässigste für dieses Produkt für diese Halteperiode erwiesen. Wenn die Prognose unvoreingenommen ist und Fehler normal verteilt sind, gibt es eine einfache mathematische Beziehung zwischen MAD und zwei anderen gemeinsamen Maßeinheiten für Verteilung, Standardabweichung und Mean Squared Error: A.16.1 Prozent der Genauigkeit (POA) Prozent der Genauigkeit (POA) Ein Maß für die Vorhersage Bias. Wenn die Prognosen konsequent zu hoch sind, sammeln sich die Vorräte an und die Lagerhaltungskosten steigen. Wenn die Prognosen konsequent zwei niedrig sind, werden die Vorräte verbraucht und der Kundendienst sinkt. Eine Prognose, die 10 Einheiten zu niedrig ist, dann 8 Einheiten zu hoch, dann 2 Einheiten zu hoch, wäre eine unvoreingenommene Prognose. Der positive Fehler von 10 wird durch negative Fehler von 8 und 2 gelöscht. Fehler Tatsächlich - Prognose Wenn ein Produkt im Inventar gespeichert werden kann und wenn die Prognose nicht vorliegt, kann eine kleine Menge an Sicherheitsbestand verwendet werden, um die Fehler zu puffern. In dieser Situation ist es nicht so wichtig, Prognosefehler zu eliminieren, da es sich um die Erzeugung von unvorhersehbaren Prognosen handelt. In der Dienstleistungsbranche wäre die obige Situation jedoch als drei Fehler zu betrachten. Der Dienst würde in der ersten Periode unterbesetzt sein, dann überbesetzt für die nächsten zwei Perioden. In Services ist die Größenordnung der Prognosefehler in der Regel wichtiger als die prognostizierte Bias. Die Summierung über die Halteperiode erlaubt positive Fehler, negative Fehler abzubrechen. Wenn die Summe der tatsächlichen Verkäufe die Summe der prognostizierten Verkäufe übersteigt, ist das Verhältnis größer als 100. Natürlich ist es unmöglich, mehr als 100 genau zu sein. Wenn eine Prognose nicht vorliegt, beträgt das POA-Verhältnis 100. Daher ist es wünschenswerter, genauer als 100 genau zu sein, als 110 genau zu sein. Die POA-Kriterien wählen Sie die Prognosemethode, die eine POA-Verhältnis am nächsten zu 100 hat. Scripting auf dieser Seite verbessert die Inhaltsnavigation, aber nicht den Inhalt in irgendeiner Weise ändern. Calculate Moving Average Verfasst am 28. April 2009 in Excel lernen - 191 Kommentare Moving Durchschnitt wird häufig verwendet, um zugrunde liegende Trends zu verstehen und hilft bei der Prognose. MACD oder gleitende durchschnittliche Konvergenzdivergenz ist wahrscheinlich die am meisten verwendete technische Analyse-Tools im Aktienhandel. Es ist ziemlich häufig in mehreren Unternehmen zu bewegen gleitenden Durchschnitt von 3 Monaten Umsatz zu verstehen, wie der Trend ist. Heute lernen wir, wie Sie den gleitenden Durchschnitt berechnen können und wie der Durchschnitt der letzten 3 Monate mit Excel-Formeln berechnet werden kann. Berechnen Sie den gleitenden Durchschnitt Um den gleitenden Durchschnitt zu berechnen, benötigen Sie nur die gute alte AVERAGE-Excel-Funktion. Angenommen, Ihre Daten befinden sich im Bereich B1: B12, geben Sie einfach diese Formel in die Zelle ein D3 DURCHSCHNITT (B1: B3) Und nun die Formel von D3 in den Bereich D4 bis D12 kopieren (denken Sie daran, dass Sie einen gleitenden Durchschnitt von 3 Monaten berechnen , Erhalten Sie nur 10 Werte 12-31) Das ist alles, was Sie benötigen, um gleitenden Durchschnitt zu berechnen. Berechnen Sie Moving Average der letzten 3 Monate allein Lets sagen, dass Sie den Durchschnitt der letzten 3 Monate zu jedem Zeitpunkt berechnen müssen. Das heißt, wenn Sie den Wert für den nächsten Monat eingeben, sollte der Durchschnitt automatisch angepasst werden. Zuerst wollen wir einen Blick auf die Formel und dann werden wir verstehen, wie es funktioniert. So what the heck the above formula is doing anyway It is counting how many months are already entered 8211 COUNT(B4:B33) Then it is offsetting count minus 3 cells from B4 and fetching 3 cells from there 8211 OFFSET(B4,COUNT(B4:B33)-3,0,3,1). These are nothing but the latest 3 months. Finally it is passing this range to AVERAGE function to calculate the moving average of latest 3 months. Your Home Work Now that you have learned how to calculate moving average using Excel, here is your home work. Lets say you want the number of months used to calculate moving average to be configurable in the cell E1 . ie when E1 is changed from 3 to 6, the moving average table should calculate moving average for 6 months at a time. How do you write the formulas then Don8217t look at the comments, go and figure this out for yourself. If you cant find the answer, come back here and read the comments. Go This post is part of our Spreadcheats series. a 30 day online excel training program for office goers and spreadsheet users. Join today . Share this tip with your friends Hello, just recently found your website and Im loving all the tips. Thank you for all your tutorials. Its exactly I needed however, I ran into a bit a problem as I am also using Vlookup with Offset. For instance, in your example, I would use Vlookup in my template so that as I put in new data every month, it would automatically update the sales data each month. My problem is in my OFFSET formula, I have COUNTA which obviously counts any cells with formulas, even . Any ideas how to incorporate these two functions better, especially when I am trying to graph and average that last 12 months I would appreciate any ideas you or your readers my have. Thanks, again, for the the awesome site Twee. welcome to PHD and thanks for asking a question. I am not sure if I understood it correctly though. Have you tried using count instead of counta You havent shown us the offset formula, without looking that fixing it would be difficult. I need to calculate a 12-month rolling average that will encompass a 24 month period when completed. Can you point me in the right direction as too how to get started My data is vehivle miles and starts on B2 and ends on B25. Help Chandoo, this is a great formula for what I am using except I am trying unsuccessfully to make the formula conditional. I have a spreadsheet, see links below, that tracks all rounds of disc golf played by friends and myself. Ive already got it setup to calculate each of our overall averages and each of our averages on specific courses. What I am trying to do now however is also setup a moving average based off our 5 most recent rounds. Once more data has been entered I will change it to 10, but for now 5 will be just fine. I can get the moving average to work, but I cannot figure out how to add conditional restrictions. IE I want for example just the last 5 rounds that were played by Kevin. After that I will want just the last 5 rounds played by Kevin at the Oshtemo course. The code Im using is below. Code for Cell C9 is listed below. IF(B90,,IF(B9lt6,AVERAGEIF(DiscRoundsA2:A20000,A9,DiscRoundsM2:M20000),AVERAGE(OF FSET(DiscRoundsM2,IF(DiscRoundsA2:A20000A9,COUNT(DiscRoundsM2:M20000),quotquot)-5,0,5,1)))) Essentially if there are 0 rounds it leaves the cell blank. If there are 5 or fewer rounds it just uses the average of all rounds. Finally, if there are 6 or more rounds the code then uses your AVERAGE function from this post. After trying many things however I am uncertain how to conditionally pull the last 5 rounds so that it only pulls the last 5 rounds of the individual named in cell A9. The formula I am referencing is NOT currently in cell C9 on my spreadsheet that is linked. I just have been testing it there. DND: use the following formula in cell C13 onwards AVERAGE(B2:B13) and drag down. Hi, Im sure there is something listed above that is suppose to help, but Im still new to excel and am feeling overwhelmed. I just got a new job and Im tryin to make a good impression, so any help woud be great I have data for each month in 2009, 2010 and 2011 going across and multiple rows of this. Every month at the beginning of the month I need to calculate the sales of the previous year. Currently my formula is SUM(AG4:AR4)SUM(U4:AF4). Example: Current month is March. Info I need is sales total from March 2010-February 2011 divided by March 2009- February 2010 and it works great, but its too time consuming to have to change it every month. Is there a way I can get the formula to automatically change at the beginning of the month I dont know if I did a very good job explaining this or not. Congratulations on your new job. You can drag your formula sideways (to right for eg.) and it shows the s for next month automatically. No, what I need is for the formula to change each month. I have January 2009 through December 2011 boxes going across with data in them. IFERROR(SUM(AG4:AR4)SUM(U4:AF4),0) Next month I need for it go from calculating the sum of 0310 data to 0211 data divided by 0309 data to 0210 data and change to 0410 to 0311 data divided by 0409 data to 0311 data. IFERROR(SUM(AH4:AS4)SUM(V4:AG4),0) What I need is a formula that can refer to the current date and know that on the 1st of each month, it needs to switch the formulas over for the next previous 1-12 months divided by the previous 13-24 months. Im not sure if that makes sense. Basically I use this formula about 8 times on one sheet and I have about 200 sheets. Sorry for the double posting and thank you on the congrats What I need: If the current date is greater than the 1st of the month then the entire cell references to calculate the sales of prev year needs to move to the right by one column This is what Ive come up with. IF(P1gtN1,(SUM(AH4:AS4)SUM(V4:AG4))) p1 is current date n1 is 1st day of month AH4:AS4 is data from 0310-0211 V4:AG4 is data from 0309-0210 Part Im having issues with: How do i make it so that the formula knows exactly what 12 sections to grab and how to get to automatically change at the 1st of the month. Julie. You can use OFFSET formula to solve this. Assuming each column has one month, and first month is in C4 and current date is in P1 The above formula assumes that each column has months in Excel date format. You may want to tweak it until it produces right result. This is probably extremely simple and I am making it more complicated than I need to, but you wrote, The above formula assumes that each column has months in Excel date format. Ive been struggling to do this without having it turn my data into dates. Julie. What I meant is, the row number 4, where you have month names, should contain this data - 1-jan-2009 1-feb-2009 1-mar-2009 Also, I notice few errors in my formula. The correct formula should be, SUM(offset(C5,,datedif(C4,P1,m)1-12,1,12)) SUM(offset(C5,,datedif(C4,P1,m)1-24,1,12)) The above formula assumes dates are in row 4 and values are in row 5. I think that is exactly what I needed. Thank you thank you thank you so much My problem is very similar jasmins (61) and Azrold (74). I have disgusting amounts of data, from D:2 to D:61400 (and correspondingly in E and F, Ill have to do the same thing for these columns as well). Im trying to find the average for batches, such that D2:19, D20:37, D38:55 and so on - clumping 18 rows together and then finding the next average without re-using any previous row. Id also have to likely do this for every 19 and 20 clumps as well, but an example using 18 is fine. Could you annotate the formula you post Im a little confused on what the last 4 numbers mean in the COUNTA part. Thank you so much, this is going to make my life so much easier Laura This is easily done with Average and Offset . Assuming you are doing this in Col J and are averaging Col D J2: AVERAGE(OFFSET(D1,(ROW()-2)J11,,J1)) Where J1 will have the number 18 for a moving total of 18 numbers Copy down Row 2 will average Rows 2-19 Row 3 will average Rows 20-37 etc . You can also add labels in say Col H H2: Rows amp(ROW()-2)J12amp - amp(ROW()-1)J11 Copy down . I have mocked this up at: rapidsharefiles1923874899Averages. xlsx I am beginner trying to: 1. structure a spreadsheet that will then be used to 2. determine the optimal period for my moving average, within the range of a 5 day moving average to a 60 day moving average. Each cell represents the number of sales for that day, ranging from 0 to 100. I would prefer that each month of daily sales be in a new column. Currently I have 3 months of data, but obviously that will grow. So can you please tell me how to set up the spreadsheet and then the appropriate formulas (and their locations) Thank you very much, Hello again Hui, I am struggling yet again with the same spreadsheet you helped me with earlier. As beore, I have the following rows of monthly manually entered data: Volume of Calls Calls Answered age of calls abandoned Average handling time My line manager would now like 2 rows beneath these showing (by using formula): Average speed of answer Average abandoned time And as if that wasnt enough, she would like, for both rows, a summary cell at the end of the 12 months showing the yearly figure :( Many thanks again for any help you are able to give, I am using the vertical version for calculating a moving average. I am stumped when I need to calculate a 6-period moving average. My data starts in column c and the 6-period and 3-period averages are two columns to the right of the last period of data. I add a column for each month, so I currently adjust the formula manually each month: AVERAGE(EC8:EH8) My most recent attempt (that failed) is: AVERAGE(C6,COUNT(C6:EH6),-6,6,1) Please provide an explanation of why this didnt work when responding so I can understand how to create future formulas. Thank you so much, Kimber Kimber. Welcome to Chandoo. org and thanks for commenting. I think it is not a good idea to place averages in right most column as it keeps moving. Instead you could modify your sheet so that moving average is placed at left most column (and this will stay there even if you add extra columns to the right). No matter where the average cell is, you can use this formula to calculate the moving average. Afyter having read the whole of this thread I can see Im going to need a combination offset, match, count and averageif but Im not sure where. My problem is as follows: Each month there are over 100 people reporting activity - Column A is their name, Column B is the month, Column C is the year and Columns D through M is their activity in several categories. I need to find their 3 month and six month averages and display that in another worksheet although I could have them displayed in Columns N and O if needed. I use a pivot table to produce sums and total averages but it wont handle moving averages. Any pointers would be greatly appreciated. Thanks, Ben This will average the last MovAvg number of rows including itself (take out the -1 if you want it to not include itself). D75 is the cell that this formula is referencing (my data was very long) MovAvg is how big you want the moving average to be (I assigned this as a named cell (select the cell, Formulas --gt Defined Names --gt Define Name) You can make variable names in a spreadsheet to avoid always having to use rowcolumn.) This starts from the current cell (D75 in this case), goes up MovAvg-1 rows, over 0 columns, selects MovAvg nuber of rows, with 1 column. Passes this to the average function. Hi I read through every post, but havent been able to get this working correctly. How do we calculate the moving average of a percentage This is calculated weekly. Column A - accts met Column B - accts sold Column K - closing Column D - 2 week moving average of the closing Example of week 1 and week 2 Column A, row 7 is 25 and row 8 is 1 Column B, row 7 is 1 and row 8 is 1 Column K, row 7 formula is 125 (4) and row 8 is 11 (100) Column D - The formula in a prior post gives me an answer of 52 2 week avg, but thats not correct. it should be 226 (7) IF(ISERROR(AVERAGE(OFFSET(K7,COUNT(K7:K26)-2,0,2,1))),,AVERAGE(OFFSET(K7,COUNT(K7:K26)-2,0,2,1))) What do i need to change in that formula to use columns A amp B instead of the column K You are trying to average averages, which doesnt work. Try this simple formula beginning in D8: IF(ISBLANK(B8),,(B7B8)(A7A8)) Copy and paste the formula down to D26. This should give you a moving 2 week average. Remember to format column D as a percentage with how ever many decimal points you want. Im pretty much an excel neophyte. I just stumbled across your site amp am looking forward to perusing it at length in the months ahead. Im trying to calculate a 3 month moving average of expenses amp cannot figure out what I am doing wrong. Even after reading this article and the post on offset Im not sure I understand the formula. In my sandbox, I have: Column A - Months A2:A17Sept 2012 - Dec 2013 Column B - Total monthly expenses B2:B8 (B8 because March is the last completed month) - Those totals are 362599,372800,427317,346660,359864,451183,469681 Colum C - 3 Month Moving Average. I put the following formula in C4 (To start calculating in Nov of last year, just for grins). Since there are only three months in the data set at that point, I would assume it calculates the moving average of the first three months. The formula comes up with 469,681. When I average the first three months, I come up with 387,572. What am I doing wrong or misunderstanding Thanks for the help and for putting this website together. Hi Chandoo You have one really useful project here, tons of thanks In the very beginning of this thread Shamsuddin asked something similar to what I need, reverse calculation of values from the moving average. Maybe its stupid, but I cant come up with any ideas except for figure-by-figure lookup. If possible - please advice with this articles data, to get the concept. Actually, Id be happy to get anything, as google was of no use ) Once again - thank you so much for this site Im not really sure what you mean by reverse calculating a moving average Can you explain what your trying to doachieve Posting a sample file might help also Refer: chandoo. orgforumstopicposting-a-sample-workbook Hi Hui, I mean, I have a column of figures (e. g. monthly shipments), which are calculated as moving average based on another data set (e. g. monthly manufacturing output). Smth like this: (A1) Jan Feb Mar Apr May Jun Mfg Ship 100 500 450 600 600 700 Where Ship average(B2:C2) I know only shipments volumes, and have to find out respective mfg volumes. Generally speaking, the question is how we can find initial data with only MA on hand Suppose, this thread may not be the one for asking this (if you agree - maybe you know where to ask). Its just that Shamsuddins question was the most relevant result out of 10 google pages Mey To calculate the original data from a Moving Average (MA) you need two MAs eg a 9 and a 10 day MA or 1 MA and 1 piece of data From these you can recalculate the previous result But if you have a formula Average(B2:C2) you should have access to the data If it is a 2 day MA like your formula above MAAverage(B2:C2) MA(B2C2)2 if you know B2 C2(2MA)-B2 If you have a set of data you can share I can give a better solution Refer: chandoo. orgforumstopicposting-a-sample-workbook Great website. Forgive this question. I used to be an Expert in Lotus 123 decades ago, but I find Excel somewhat backwards in its progressions to Lotus 123, so I am starting over with Excel 2010. I am a logical person and I try to understand what the formulas do when I use them. I notice that there are not but 14 sales figures in column B, yet somehow we are counting from B4 to B33. I tested the formula out using: AVERAGE(OFFSET(B4,COUNT(B4:B14)-3,0,3,1)) and I get the same result as if I used AVERAGE(OFFSET(B4,COUNT(B4:B33)-3,0,3,1)). My first rule of old school spreadsheet creation is never to build a data table larger than the data provided if it is static (that is, not expanding in data). As a result, I have no real clue as to how OFFSET works. Is there a clear explanation of OFFSET with a singular example of it being used outside of the average and all by itself The reason I came here is to build a spreadsheet model that would use iterative calculations to find the best fit for profit data (that is maximizing profit) when the a short moving average of the cumulative profit curve (or equity curve) crosses OVER the longer term moving average of the equity curve. I find nothing that allows expansion of moving averages from 3 periods to say 100 periods (for both averages). By using the MA cross over to determine which trades to take, one can find an optimal level of profit to run the model from (which could be tweaked when the model is reoptimized). I can find nothing in most Excel books that cover this, and this kind of calculations should be relatively simple to pull off. Where could I find such information Thanks again for the wonderful website. Just in case you havent found it yet, heres a link for the OFFSET function: I have a question. I already have a 3 day moving average that I was given in my problem. Is it related to the average of stocks. The questions says that you have 1 stock that you PLAN on selling on day 10. My 3 day moving average is an integration from a, b where at and bt3 at any time. If you want to find the price you expect to sell the share for, do you integrate from 6,9 9,11 7,10. Do you want the far end of day 10, the middle of day 10, or leave day 10 out I am not sure what time frame to put this 3 day average between. Again, my function represents up to day 14, but I need the price at day 10. ivan Santos says: Im looking to see the moving average for a call center. im trying to find the index for every month for a full year. i only have 2 years worth of data and im wanting forecast out for 2014 in quarters. can i use this method for this I have a problem in average, I want to calculate the average of highlighted rows only in coloumn F on colomn G which also has highlighted blank cells Hi, I am working on a spreadsheet that has the past four years of weekly data but the current years data is incomplete as it only gets entered each week. Is there a way of setting up a formula that will calculate an average based on the number of weeks that have data in them For eg. in the middle of the year it will create an average based on cells 2-27 26 but the next week it would be cells 2-28 27. Its doing my head in and I dont want to have to manually adjust the average every week. Great site by the way Very helpful. ) Rosie Yes this can be done Can you please ask the question at the Forums and attach a sample file chandoo. orgforum Ok here is my question that has been plaguing me for the last 2 12 months and I havent found a solution anywhere on the web: I have a sales team and I need a moving avg but with a fix format and a shifting date rage that is fixed as well. i. e. Sales person 1115 2115 3115 12114 11114 10114 ME 1 2 0 4 5 6 What I am trying to do is this: Lets say today date is 3115 I need a way to go back 3 (6 and 12 as well) months from the current date and avg the sales numbers. The hard part is I would like to just change the year of the dates so I dont have to mess with the format or if I hire(fire) someone. So in the above example I would have the formula take the 6 1 2 (9)3 3 but then as time would go on this would keep going but once the new year began in JAN 2016 it would have to use the figures from the past 2015 data (3,6 and 12 Month rolling avgs). I hope that this clear and I would love to get some help with this. Thank you in advance. Can you please ask the question in the Chandoo. org Forums at: forum. chandoo. org Attach a sample file to simplify the process Ok I have posted to the forums and uploaded a sample file. 8230 Calculate Moving Average Chandoo. org 8211 Learn Moving average is frequently used to understand underlying trends and helps in forecasting. MACD or moving average convergence divergence is probably the 8230 Amelia McCabe says: Looking for a little help. I have tried what I think is a modified version of this formula that is not really working. I have a row of data (one number per month) that I need a continuous average for based on the number of months of entered data not on 12 months. Data are in cells b53 to m53. So I tried to modify this formula as follow (it did not work) and I wonder if I can use this formula this way at all since my data is in a row not a column. AVERAGE(OFFSET(B53COUNT(B53:M53)-12,0,1,12)). Have also tried the arguments as 0,0,1,12 and -1,0,1,12. Please help me understand if I am up the totally wrong tree or just on the wrong branch. Amelia Without seeing the data id suggest that AVERAGE(OFFSET(B53,COUNT(B53:M53)-12,0,1,12)) should be: AVERAGE(OFFSET(B53. 1,COUNT(B53:M53))) One issue with the original formula is that there are 12 cells between B53:M53, If only 5 have data in them, then you take 12 away, the offset is trying to offset B53, a negative 7 columns, which will force an error You may also be able to use the Averageifs function Possibly: Averageifs(B53:M53,B53:M53,0) Are you able to post a sample file in the Chandoo. org Forums forum. chandoo. org