Ennuste Demand Käyttäen Yksinkertainen Liikkuva Keskiarvo

Luku 11 - Kysyntäohjauksen vahvistin Ennustaminen 1. Täydellinen ennuste on käytännössä mahdotonta 2. Sen sijaan, että etsitään täydellistä ennustetta, on paljon tärkeämpää määrittää ennusteiden jatkuva tarkistaminen ja oppia elämään ennustamattomalla ennusteella. , hyvä strategia on käyttää 2 tai 3 menetelmiä ja katsoa niitä tavalliseen näkemykseen. 2. kysynnän peruslähteet 1. riippuvainen kysyntä - tuotteiden tai palveluiden kysyntä muiden tuotteiden tai palveluiden kysynnästä. Ei paljon yritys voi tehdä, se on täytettävä. 2. Riippumaton kysyntä - kysyntä, jota ei voida suoraan johtaa muiden tuotteiden kysyntään. Yritys voi a) vaikuttaa aktiivisesti kysynnän vaikutukseen - painostaa myyntiäsi b) ottaa passiivisen roolin kysyntään - jos yritys toimii täydellä kapasiteetilla, se ei välttämättä halua tehdä mitään kysyntään. Muut syyt ovat kilpailukykyiset, oikeudelliset, ympäristölliset, eettiset ja moraaliset. Yritä ennustaa tulevaisuutta aiempien tietojen perusteella. 1. Lyhytaikainen - alle 3 kuukautta - taktiset päätökset, kuten varastojen lisääminen tai aikataulutus EE: t lähitulevaisuudessa 2. Keskipitkä aikaväli - 3 M-2Y - kausittaiset vaikutukset, kuten asiakkaat reagoivat uuteen tuotteeseen 3. Pitkäaikainen - yli 2 vuotta. Merkittävien käännekohtien tunnistaminen ja yleisten suuntausten havaitseminen. Lineaarinen regressio on erityinen regressiotyyppi, jossa muuttujien väliset suhteet muodostavat suoran Y abX. Y - riippuvainen muuttuja a - Y - leikkaus b - kaltevuus X - itsenäinen muuttuja Tätä käytetään pitkän aikavälin ennusteisiin suuria tapahtumia ja kokonaissuunnittelua varten. Sitä käytetään sekä aikasarjan ennusteisiin että satunnaisiin suhteisiin liittyviin ennusteisiin. Käytetään eniten ennustustekniikkaa. Viimeisimmät tapahtumat osoittavat enemmän tulevaisuutta (korkein ennakoitavissa oleva arvo) kuin kauemmas menneisyydessä. Meidän olisi annettava enemmän painoa malmin viimeaikaisiin ennusteisiin. Jokainen menneisyyden lisäys vähenee (1- alpha). Mitä korkeampi on alfa, sitä tarkemmin ennuste seuraa todellista. Viimeisin painotus alfa (1-alfa) na 0 Tiedot yhdestä aikajaksosta vanhempi alfa (1-alfa) na 1 Tiedot kaksi aikajaksoa vanhempi alfa (1-alfa) na 2 Mikä seuraavista ennusteista riippuu suuresti oikeita yksilöitä, jotka tuomitaan käytännössä ennakoidun arvon generoimiseksi, on oltava välillä 0 ja 1. 2 tai useampia ennalta määritettyjä Alpha-arvoja - virheen mukaan riippuu Alphan eri arvoja. Jos virhe on suuri, Alpha on 0,8, jos virhe on pieni, Alpha on 0,2 2. Alpha - eksponentiaalisesti tasoitetun todellisen virheen lasketut arvot jaettuna eksponentiaalisesti kuumennetulla absoluuttisella virheellä. Laadulliset tekniikat ennusteessa Asiantuntemus ja vaativat paljon harkintaa (uusia tuotteita tai alueita) 1. Markkinatutkimus - etsii uusia tuotteita ja ideoita, tykkää ja ei pidä olemassa olevista tuotteista. Ensisijaisesti SURVEYS amp INTERVIEWS 2. Paneeli Konsensus - ajatus siitä, että 2 päätä on parempi kuin yksi. Useiden eri asioiden henkilöiden paneeli voi kehittää luotettavamman ennusteen kuin kapeampi ryhmä. Ongelmana on, että alemmat EE-tasot pelkäävät korkeammat hallintotasot. Käytä tuomiota (korkeampi hallintotaso on mukana). 3. Historiallinen analogy - yritys, joka jo tuottaa leivänpaahtimet ja haluaa valmistaa kahvinkeitot, voi käyttää leivänpaahdin historiaa todennäköisenä kasvumallina. 4. Delphi-menetelmä - hyvin riippuvainen oikeiden yksilöiden valinnasta, joita tuomion avulla voidaan käyttää ennusteiden tuottamiseen. Jokaisella on sama paino (enemmän oikeudenmukaista). Tyydyttävät tulokset saavutetaan yleensä kolmessa kierroksessa. TAVOITE - Yhteistoiminnallinen suunnittelu, ennustaminen ja täydennys (CPFR) Valitut sisäiset tiedot vaihdetaan jaetun verkkopalvelimen avulla, jotta voidaan tarjota luotettavia, pidemmän aikavälin tulevaisuuden näkymiä toimitusketjun kysyntään. Painotetut keskimääräiset ennustusmenetelmät: Hyödyt ja haitat Hei, LOVE Postsi. Mietin, voisitteko kehittää edelleen. Käytämme SAP: ia. Siinä on valinta, jonka voit valita ennen kuin käynnistät ennustuksen, joka on nimeltään alustus. Jos valitset tämän vaihtoehdon, saat ennustetuloksen, jos ennustetaan uudelleen, samana ajanjaksona ja älä tarkista alustusta, tulos muuttuu. En voi selvittää, mitä alustus on tekemässä. Tarkoitan matemaattisesti. Mikä ennuste tulos on paras tallentaa ja käyttää esimerkiksi. Näiden kahden väliset muutokset eivät ole ennustetuissa määrissä vaan MAD - ja Virhe-, turvallisuusvarasto - ja ROP-määrissä. Etkö ole varma, käytätkö SAP: ää? Hei kiitos selittää niin tehokkaasti sen liian GD. kiitos taas Jaspreet Jätä kommentti Peruuta vastaus Tietoja Shmula Pete Abilla on Shmulan perustaja ja hahmo, Kanban Cody. Hän on auttanut yrityksiä, kuten Amazon, Zappos, eBay, Backcountry ja muut kustannukset alentamaan ja parantamaan asiakaskokemusta. Hän tekee tämän systemaattisella menetelmällä asiakkaan ja yrityksen kannalta vaikuttavien kipupisteiden tunnistamiseksi ja kannustaa laajaa osallistumista yrityksen osakkuusyrityksiin parantamaan omia prosessejaan. Tämä sivusto on kokoelma kokemuksiaan, jotka hän haluaa jakaa kanssasi. Aloita ilmainen lataus FORECASTING Seasonal Factor - keskimääräisen neljännesvuosittaisen kysynnän prosenttiosuus jokaisella neljänneksellä. Vuoden 4 vuotuisen ennusteen ennustetaan olevan 400 yksikköä. Keskimääräinen ennuste vuosineljänneksittäin on 4004 100 yksikköä. Neljännesvuosittainen ennuste ennustaa kausittaista tekijää. SYYSTÄVÄYTYMISMENETELMÄT syy-ennustamismenetelmät perustuvat ennakoidun tekijän tunnetun tai havaitun suhteen ja muiden ulkoisten tai sisäisten tekijöiden välillä 1. regressio: matemaattinen yhtälö liittyy riippuvaiseen muuttujan yhteen tai useampaan riippumattomiin muuttujiin, joiden uskotaan vaikuttavan riippuvaiseen muuttujan 2. ekonometriset mallit: toisistaan ​​riippuvaisten regressioyhtälöiden järjestelmä, joka kuvailee jonkin taloudellisen toiminnan sektoria. 3. panos-tuotemallit: kuvailee virtoja yhdestä talouden sektorista toiseen ja ennustaa sitten tulojen tuottamisen toisella alalla 4. simulaatiomallinnus MITTAUS ENNAKOINTIVIRHEITÄ Ennaikahäiriöistä on kaksi näkökohtaa - Bias ja Tarkkuus Bias - Ennuste on puolueellinen, jos se muuttuu enemmän yhdestä suunnasta kuin toisessa - Menetelmällä on taipumus alittaa ennusteita tai yliennusteita. Tarkkuus - Ennusteiden tarkkuus viittaa ennusteiden etäisyyteen todellisesta kysynnästä. Esimerkki: Kuusi jaksoa koskevat ennusteet ja todellinen kysyntä on seurattu Seuraavassa taulukossa esitetään todellinen kysyntä Dt ja ennustettu kysyntä F t kuuden jakson osalta: ennustevirheiden yhteenlaskettu summa (CFE) -20 keskiarvon absoluuttinen poikkeama (MAD) 170 6 28,33 keskimääräinen neliö virhe (MSE) 5150 6 858,33 ennustevirheiden standardipoikkeama 5150 6 29,30 absoluuttinen prosentuaalinen virhe (MAPE) 83,4 6 13,9 Mitkä tiedot antavat jokaiselle ennusteelle ylipainotavan kysynnän keskimääräisen virheen ennusteessa oli 28,33 yksikköä eli 13,9 todellisen kysynnän näytteenotto ennustevirheiden keskiarvon poikkeama on 29,3 yksikköä. ARVIOINTIMENETELMIEN VALITSEMINEN Tavoitteet: 1. Maksimoida tarkkuus ja 2. minimoida bias-potentiaaliset säännöt aikasarjan ennustamismenetelmän valitsemiseksi. Valitse menetelmä, joka antaa pienimmän esijännitteen kumulatiivisen ennustevirheen (CFE) avulla tai antaa pienimmän keskimääräisen absoluuttisen poikkeaman (MAD) tai antaa pienimmän jäljityssignaalin tai tukee johtoryhmien käsityksiä kysynnän taustalla olevasta mallista tai muista. Vaikuttaa ilmeiseltä, että tietyn tarkkuuden ja puolueellisuuden mittausta on käytettävä yhdessä. Kuinka paljon otettavien ajanjaksojen määrästä, jos kysyntä on luontaisesti vakaa, N: n ja / tai N: n alhaisia ​​arvoja ehdotetaan, jos kysyntä on luontaisesti epävakaa, suositellaan N: n korkeita arvoja ja pienempiä arvoja FOCUS FORECASTING quotfocus forecastingquot viittaa ennuste, joka kehittää ennusteita eri tekniikoilla, ja poimii ennusteesta, joka oli tuotettu näiden tekniikoiden kiintopisteen avulla, missä quotbestquot määräytyy ennalta arvioitujen virheiden avulla. FOCUS FORECASTING: ESIMERKKI Vuoden ensimmäisten kuuden kuukauden aikana vähittäiskaupan kysyntä on ollut 15, 14, 15, 17, 19 ja 18 yksikköä. Kauppias käyttää keskittymähankejärjestelmää, joka perustuu kahteen ennakointitekniikkaan: kaksivaiheinen liukuva keskiarvo ja trendikorostettu eksponentiaalinen tasoitusmalli, jossa on 0,1 ja 0,1. Eksponentiaalimallilla tammikuun ennuste oli 15 ja trendin keskiarvo joulukuun lopussa 1. Kauppias käytti keskimääräistä absoluuttista poikkeamaa (MAD) viimeisten kolmen kuukauden ajan kriteerinä valitakseen, millä mallilla ennustetaan seuraavan kuukauden aikana. a. Mikä on heinäkuun ennuste ja mihin malliin käytetään b. Vastaisitko osaan a? on erilainen, jos toukokuun kysyntä oli 14 sijasta 19Time-sarjan menetelmiä. Aikasarjamenetelmät ovat tilastollisia tekniikoita, jotka käyttävät ajan mittaan kertyneitä historiallisia tietoja. Aikasarjamenetelmät olettavat, että aiemmin tapahtuneet tapahtumat jatkuvat tulevaisuudessa. Kuten nimiaikasarjojen mukaan nämä menetelmät liittyvät ennusteeseen vain yhdeksi kertoimeksi. Niihin kuuluvat liukuva keskiarvo, eksponentiaalinen tasoitus ja lineaarinen trendiviiva, ja ne ovat suosituimpia menetelmiä lyhyen kantaman ennusteiden tekemiseksi palvelu - ja valmistusyhtiöiden kesken. Nämä menetelmät edellyttävät, että yksilöitävissä olevat historialliset mallit tai trendit ajan mittaan kysyntä toistuvat. Keskimääräinen liikkumavara Aikasarjan ennuste voi olla yhtä yksinkertainen kuin nykyisen ajanjakson kysyntä kysynnän ennustamiseksi seuraavan jakson aikana. Tätä kutsutaan joskus naiiviseksi tai intuitiiviseksi ennusteeksi. 4 Esimerkiksi jos kysyntä on 100 yksikköä tällä viikolla, tulevien viikkojen ennuste on 100 yksikköä, jos kysyntä osoittautuu 90 yksikköä kohti, seuraavien viikkojen kysyntä on 90 yksikköä ja niin edelleen. Tämäntyyppisen ennustamismenetelmän avulla ei oteta huomioon historiallista kysynnän käyttäytymistä, joka perustuu vain kysyntään kuluvan kauden aikana. Se reagoi suoraan normaaleihin, satunnaisiin kysynnän liikkeisiin. Yksinkertainen liukuvan keskiarvomenetelmä käyttää viime aikoina useita kysyntäarvoja ennusteen kehittämiseen. Tämä pyrkii vaimentamaan tai tasoittamaan ennusteen satunnaisia ​​korotuksia ja laskuja, jotka käyttävät vain yhtä jaksoa. Yksinkertainen liukuva keskiarvo on hyödyllinen kysynnän ennustamiseksi, joka on vakaa eikä siinä ole merkittäviä kysyntätekijöitä, kuten trendiä tai kausivaihtelua. Liikkuvat keskiarvot lasketaan tiettyinä ajanjaksoina, kuten kolme kuukautta tai viisi kuukautta, riippuen siitä, kuinka paljon ennustaja haluaa sopeuttaa kysyntitietoja. Mitä kauemmin liikkuvan keskijakson pituus on, sitä pehmeämpi on. Yksinkertaisen liikkuvan keskiarvon laskentakaava on Simple Moving Average laskeminen Instant Paper Clip Office Supply Company myy ja toimittaa toimistotarvikkeita yrityksille, kouluille ja virastoille noin 50 kilometrin säteellä varastostaan. Toimistotarviketoiminta on kilpailukykyinen ja kyky toimittaa tilauksia nopeasti on tekijä uusien asiakkaiden hankkimisessa ja vanhempien säilyttämisessä. (Toimistot eivät yleensä tilaa, kun ne ovat vähäisiä toimituksissa, mutta kun ne loppuvat loppuun asti, he tarvitsevat tilauksiaan välittömästi.) Yrityksen johtaja haluaa olla riittävän varma kuljettajia ja ajoneuvoja on saatavilla toimittamaan tilauksia nopeasti ja heillä on riittävä varastotila. Tämän vuoksi johtaja haluaa pystyä ennakoimaan seuraavan kuukauden aikana odotettavissa olevien tilausten määrän (eli toimitusten kysynnän ennakoimisen). Toimitusmääräyksistä on kertynyt seuraavat tiedot viimeisten 10 kuukauden aikana, mistä se haluaa laskea kolmen ja viiden kuukauden liukuva keskiarvo. Oletetaan, että se on lokakuun lopussa. Kolmen tai viiden kuukauden liukuva keskiarvo johtuu tyypillisesti seuraavalle kuukaudelle sarjassa, joka tässä tapauksessa on marraskuu. Liikkuva keskiarvo lasketaan tilausten kysynnästä edellisen kolmen kuukauden ajan seuraavassa kaavassa: Viiden kuukauden liukuva keskiarvo lasketaan kyselyn aiemmista 5 kuukaudesta seuraavasti: 3 ja 5 kuukauden liukuvat keskimääräiset ennusteet kysynnän kaikkien kuukausien osalta esitetään seuraavassa taulukossa. Oikeastaan ​​vain johtajan käyttämään vain viimeisintä kuukausittaista kysyntää koskevat marraskuun ennusteet. Aikaisempien kuukausien aikaisemmat ennusteet antavat kuitenkin mahdollisuuden vertailla ennustetta todellisen kysynnän kanssa tarkastamalla kuinka ennustamismenetelmä on - eli kuinka hyvin se toimii. Kolmen ja viiden kuukauden keskiarvot Sekä liukuvan keskiarvon ennusteet edellä olevassa taulukossa pyrkivät parantamaan todellisten tietojen vaihtelevuutta. Tätä tasoittavaa vaikutusta voidaan havainnollistaa seuraavassa kuvassa, jossa 3 kuukauden ja 5 kuukauden keskiarvot on asetettu alkuperäisen datan kaaviolle: Edellisessä luvussa oleva viiden kuukauden liukuva keskiarvo tasoittaa vaihtelut suuremmassa määrin kuin kolmen kuukauden liukuva keskiarvo. Kolmen kuukauden keskiarvo kuitenkin heijastaa tarkemmin toimiston toimitusjohtajan viimeisimpiä tietoja. Yleensä pitkän aikavälin liikkuvan keskiarvon ennusteet ovat hitaampia reagoimaan viimeaikaisiin kysynnän muutoksiin kuin lyhyemmät liikevoiton keskiarvot. Lisäjaksot vaimentavat nopeutta, jolla ennuste reagoi. Liikkumattoman keskimääräisen ennusteen käyttämien sopivien määräaikojen määrittäminen vaatii usein jonkin verran kokeilu - ja virhekokeet. Liikkuvan keskiarvomenetelmän haittapuoli on se, ettei se reagoinut syihin, kuten sykleihin ja kausivaihteluihin. Tekijöitä, jotka aiheuttavat muutoksia, jätetään yleensä huomiotta. Se on periaatteessa mekaaninen menetelmä, joka heijastaa historiallisia tietoja johdonmukaisella tavalla. Liikkeessä olevan keskimääräisen menetelmän etuna on kuitenkin se, että se on helppokäyttöinen, nopea ja suhteellisen halpa. Yleensä tämä menetelmä voi tarjota hyvän ennusteen lyhyen ajan, mutta sitä ei tule työntää liian pitkälle tulevaisuuteen. Painotettu liikkuva keskiarvo Liikkuvaa keskimääräistä menetelmää voidaan säätää tarkemmin tietojen vaihteluiden mukaan. Painotetussa liukuva keskiarvomenetelmässä painot annetaan viimeisimmille tiedoille seuraavan kaavan mukaan: PM Computer Servicesin kyselytiedot (esimerkki 10.3: n taulukossa) näyttävät kasvavan lineaarisen suuntauksen mukaan. Yhtiö haluaa laskea lineaarisen trendilinjan nähdäkseen, onko se tarkempi kuin esimerkeissä 10.3 ja 10.4 kehitetyt eksponentiaaliset tasaus ja säädetyt eksponenttien tasoitusennusteet. Pienimmän neliösumman laskelmissa vaaditut arvot ovat seuraavat: Näiden arvojen avulla lineaarisen trendilinjan parametrit lasketaan seuraavasti: Siksi lineaarisen trendilinjan yhtälö on Laskettaessa ennuste kaudelle 13, anna x 13 lineaarisessa trendiviiva: Seuraava kaavio näyttää lineaarisen trendilinjan verrattuna todellisiin tietoihin. Suuntaviiva näyttää heijastavan tarkasti varsinaisia ​​tietoja - toisin sanoen hyvää sovittamista - ja se olisi siten hyvä ennuste malli tähän ongelmaan. Lineaarisen trendilinjan haitta on kuitenkin se, että se ei sopeudu trendin muutokseen, koska eksponenttien tasausennusteen menetelmät eli oletetaan, että kaikki tulevat ennusteet noudattavat suoraa linjaa. Tämä rajoittaa tämän menetelmän käyttöä lyhyemmäksi ajaksi, jolloin voi olla suhteellisen varmaa, että trendi ei muutu. Kausitasoitukset Kausiluonteinen kaava on kysynnän toistuva lisääntyminen ja väheneminen. Monilla kysyntätuotteilla on kausittaista käyttäytymistä. Vaatteiden myynti seuraa vuosittain kausiluonteista mallia, kun lämpimän vaatteen kysyntä kasvaa syksyllä ja talvella ja laskee keväällä ja kesällä, kun jäähdyttimen vaatteiden kysyntä kasvaa. Monien vähittäiskauppojen, kuten lelujen, urheiluvälineiden, vaatteiden, elektronisten laitteiden, kinkkujen, kalkkunoiden, viinien ja hedelmien kysyntä kasvaa lomakauden aikana. Tervehdyskorttikysyntä kasvaa yhdessä erityisten päivien, kuten Ystävänpäivä ja Äitienpäivä, kanssa. Kausittaiset mallit voivat tapahtua myös kuukausittain, viikoittain tai päivittäin. Joillakin ravintoloilla on suurempi kysyntä illalla kuin lounaalla tai viikonloppuisin arkipäivisin. Liikenne - siis myynti - ostoskeskuksissa nousee perjantaina ja lauantaina. Aika-sarjan ennusteessa on useita menetelmiä heijastamaan kausivaihteluja. Kuvaamme yhtä yksinkertaisemmista menetelmistä kausittaisen tekijän avulla. Kausittainen tekijä on numeerinen arvo, joka kerrotaan normaalilla ennustuksella kausitasoitetun ennusteen saamiseksi. Eräs menetelmä kausittaisten tekijöiden kysynnän kehittämiseksi on jakaa jokaisen kausijakson kysyntä vuotuisella vuotuisella kysynnällä seuraavan kaavan mukaisesti: Tuloksena olevat 0: n ja 1,0: n väliset kausittaiset tekijät ovat todellisuudessa osuutena vuotuisesta joka kausi. Nämä kausittaiset tekijät kerrotaan vuotuisella ennustetulla kysynnällä, jotta saataisiin mukautetut ennusteet jokaiselle kaudelle. Kausitasoitusten ennusteiden laskeminen Wishbone Farms kasvattaa kalkkunoita myytäväksi liha-alan yritykselle ympäri vuoden. Kuitenkin sen huippukausi on ilmeisesti vuoden viimeisellä neljänneksellä, lokakuusta joulukuuhun. Wishbone Farms on kokenut kalkkunoiden kysynnän viimeisen kolmen vuoden aikana seuraavassa taulukossa: Koska meillä on kolmen vuoden kysyntätietoja, voimme laskea kausitekijät jakamalla neljännesvuosittaisen kysynnän kolmen vuoden ajan kokonaiskysynnän mukaan kaikilla kolmella vuodella : Seuraavaksi haluamme moninkertaistaa ennustetun kysynnän seuraavalle vuodelle 2000 kunkin kausitekijän osalta, jotta saataisiin ennustettu kysyntä jokaiselle neljännekselle. Tämän saavuttamiseksi tarvitsemme vuoden 2000 kysyntäennusteen. Tällöin, koska taulukon kysyntitieto näyttää näyttävän yleisesti kasvavan trendin, laskemme lineaarisen trendilinjan taulukon kolmen vuoden ajan saadaksemme karkean Ennusteennuste: Näin ollen vuoden 2000 ennuste on 58,17 eli 58,170 kalkkunaa. Tämän vuosittaisen kysynnän ennusteen mukaan kausitasoitetut ennusteet, SF i, vuodelle 2000 Vertaamalla näitä neljännesvuosittaisia ​​ennusteita taulukon todellisiin kysyntään, ne näyttävät olevan suhteellisen hyviä ennustearvioita, jotka heijastavat sekä tietojen kausivaihtelua että yleinen nousu. 10-12. Kuinka liukuva keskimääräinen menetelmä on samanlainen kuin eksponenttien tasaus 10-13. Mitä vaikutusta eksponentiaaliseen tasoitusmalliin lisää tasoitusvakion 10-14. Miten säädetty eksponenttitasoitus poikkeaa eksponentiaalisesta tasoituksesta 10-15. Mikä määrää tasausvakion valinnan trendille säädetyllä eksponenttien tasausmallilla 10-16. Aikasarjamenetelmien luvussa esitetyistä esimerkeistä lähtöennusteen oletettiin aina olevan sama kuin ensimmäisen kauden todellinen kysyntä. Ehdota muita tapoja, joiden mukaan lähtöennuste voidaan johtaa varsinaisessa käytössä. 10-17. Miten lineaarinen trendilinjan ennustusmalli eroaa lineaarisesta regressiomallista ennusteeseen 10-18. Tässä luvussa esitetyistä aikasarjamalleista, mukaan lukien liukuva keskiarvo ja painotettu liukuva keskiarvo, eksponentiaalinen tasoitus ja säädetty eksponenttitasoitus sekä lineaarinen trendilinja, mitkä pidät parhaiten Miksi 10-19. Mitä etuja säätää eksponentiaalinen tasoitus on yli lineaarinen suuntaus linja ennustettu kysyntä, joka on suuntaus 4 K. B. Kahn ja J. T. Mentzer, ennuste kuluttaja-ja teollisuusmarkkinat, Journal of Business ennuste 14, nro. 2 (kesä 1995): 21-28.