कैसे करने के लिए पूर्वानुमान मांग का इस्तेमाल करने वाली चलती - औसत

चलना औसत पूर्वानुमान परिचय जैसा कि आप अनुमान लगा सकते हैं कि हम भविष्यवाणी के लिए सबसे प्रारंभिक दृष्टिकोणों में से कुछ देख रहे हैं। लेकिन उम्मीद है कि ये स्प्रेडशीट्स में पूर्वानुमानों को लागू करने से संबंधित कुछ कंप्यूटिंग मुद्दों पर कम से कम एक सार्थक परिचय हैं। इस शिरा में हम शुरुआत में शुरू करते हुए और मुव्हिंग औसत पूर्वानुमान के साथ काम करना शुरू करते रहेंगे। औसत पूर्वानुमान चल रहा है हर कोई औसत पूर्वानुमान के चलते से परिचित है, भले ही वे मानते हैं कि वे हैं। सभी कॉलेज के छात्रों ने उन्हें हर समय किया है एक ऐसे पाठ्यक्रम में अपने परीक्षण स्कोर के बारे में सोचें, जहां सेमेस्टर के दौरान चार परीक्षण होंगे। मान लीजिए कि आपको अपने पहले टेस्ट पर 85 मिले हैं। आप अपने दूसरे टेस्ट स्कोर के लिए क्या भविष्यवाणी करेंगे आप क्या सोचते हैं कि आपका शिक्षक आपके अगले टेस्ट स्कोर के लिए भविष्यवाणी करेगा आपको क्या लगता है कि आपके मित्र आपके अगले टेस्ट स्कोर के लिए अनुमान लगा सकते हैं आपको क्या लगता है कि आपके माता-पिता आपके अगले टेस्ट स्कोर के लिए भविष्यवाणी कर सकते हैं आप अपने दोस्तों और माता-पिता के लिए मारे गए सभी मरे हुए हैं, वे और आपके शिक्षक आपसे मिलने वाले 85 के क्षेत्र में कुछ पाने की उम्मीद कर रहे हैं। खैर, अब यह मान लेते हैं कि अपने दोस्तों को अपने स्वयं के प्रचार के बावजूद, आप अपने अनुमान का अनुमान लगाते हैं और आंकड़े आप दूसरी परीक्षा के लिए कम अध्ययन कर सकते हैं और आपको 73 मिलते हैं। अब सभी संबंधित और निराश होने वाले आशा करते हैं कि आप अपने तीसरे परीक्षण पर पहुंचेंगे, उनके अनुमान के विकास के लिए दो संभावित संभावनाएं हैं, भले ही वे इसे आपके साथ साझा करेंगे या नहीं। वे खुद से कह सकते हैं कि, यह आदमी अपने smarts के बारे में धुआं हमेशा उठा रहा है। वह एक और 73 हो सकता है अगर वह भाग्यशाली है। हो सकता है कि माता-पिता अधिक सहयोगी होने की कोशिश करें और कहते हैं, "अच्छा, अब तक आपने 85 और 73 मिल चुके हैं, इसलिए आप को (85 73) 2 9 79 के बारे में जानकारी प्राप्त करनी चाहिए। मुझे नहीं पता है, शायद अगर आपने कम पार्टीशन किया हो और सभी स्थानों पर तहखाने wagging और अगर आप एक बहुत अधिक पढ़ाई शुरू कर दिया है आप एक उच्च अंक प्राप्त कर सकते हैं। इन दोनों अनुमानों वास्तव में औसत पूर्वानुमान हिल रहे हैं पहला, आपके भविष्य के प्रदर्शन की भविष्यवाणी करने के लिए केवल आपके नवीनतम स्कोर का उपयोग कर रहा है। इसे डेटा की एक अवधि का उपयोग करते हुए चलती औसत पूर्वानुमान कहा जाता है दूसरा भी चलती औसत पूर्वानुमान है लेकिन डेटा के दो अवधियों का उपयोग कर रहा है। मान लीजिए कि आपके महान दिमाग पर पर्दाफाश करने वाले ये सभी लोग आपको परेशान कर चुके हैं और आप अपने स्वयं के कारणों के लिए तीसरी परीक्षा में अच्छी तरह से करने का निर्णय लेते हैं और अपने उद्धरण चिह्नों के सामने उच्च अंक डालते हैं। आप परीक्षा लेते हैं और आपका स्कोर वास्तव में एक 89 है, जो कि खुद सहित, प्रभावित है। तो अब आपके पास सेमेस्टर का अंतिम परीक्षण हो रहा है और हमेशा की तरह आपको लगता है कि आखिरी परीक्षा में आप कैसे करेंगे I अच्छी तरह से, उम्मीद है कि आप पैटर्न को देखते हैं अब, उम्मीद है कि आप पैटर्न देख सकते हैं। आप क्या मानते हैं कि हम काम करते समय सबसे सटीक सीटी है अब हम हमारी नई सफाई कंपनी पर लौट आये हैं जो आपकी बहिष्कृत आधे बहन ने शुरू की थी जब हम काम करते थे। आपके पास स्प्रेडशीट से निम्न अनुभाग द्वारा प्रस्तुत कुछ पिछली बिक्री डेटा है हम पहले औसत अवधि को चलती तीन अवधि के लिए डेटा प्रस्तुत करते हैं। सेल सी 6 के लिए प्रवेश होना चाहिए अब आप इस सेल सूत्र को अन्य कोशिकाओं C7 से C11 तक कॉपी कर सकते हैं। ध्यान दें कि हाल ही के ऐतिहासिक डेटा पर औसत चालें, लेकिन प्रत्येक पूर्वानुमान के लिए उपलब्ध तीन सबसे हाल की अवधि का उपयोग करता है। आपको यह भी ध्यान देना चाहिए कि हमारे सबसे हाल की भविष्यवाणी विकसित करने के लिए हमें पिछली अवधि के पूर्वानुमानों को वास्तव में बनाने की आवश्यकता नहीं है यह घातीय चिकनाई मॉडल से निश्चित रूप से अलग है Ive में उद्धरण की भविष्यवाणियों को शामिल किया गया है क्योंकि हम भविष्य की वैधता को मापने के लिए अगले वेब पेज में उनका उपयोग करेंगे। अब मैं औसत पूर्वानुमान की ओर बढ़ने वाली दो अवधि के अनुरूप परिणाम पेश करना चाहता हूं। सेल C5 के लिए प्रवेश होना चाहिए अब आप इस सेल सूत्र को सी 6 के माध्यम से अन्य कोशिकाओं C6 में कॉपी कर सकते हैं। ध्यान दें कि प्रत्येक भविष्यवाणी के लिए केवल ऐतिहासिक डेटा के केवल दो सबसे हाल के टुकड़े कैसे उपयोग किए जाते हैं। फिर मैंने उदाहरण के उद्देश्यों के लिए और पूर्वानुमान सत्यापन में बाद के उपयोग के लिए उद्धृत पूर्वोत्तरों को शामिल किया है। कुछ अन्य चीजें जो ध्यान देने योग्य हैं एक एम-अवधि चलती हुई औसत पूर्वानुमान के लिए केवल सबसे हाल के डेटा मान का इस्तेमाल पूर्वानुमान बनाने के लिए किया जाता है। और कुछ नहीं आवश्यक है मी-अवधि की औसत पूर्वानुमान चलती है जब उद्धरण पूर्वोत्तर सपोर्ट करता है, ध्यान दें कि पहली बार भविष्यवाणी की अवधि एम 1 में होती है। जब हम अपना कोड विकसित करते हैं तो इन दोनों मुद्दे बहुत महत्वपूर्ण होंगे। स्थानांतरण औसत फ़ंक्शन का विकास करना अब हमें चलती औसत पूर्वानुमान के लिए कोड विकसित करने की आवश्यकता है जो अधिक लचीले ढंग से इस्तेमाल किया जा सकता है। कोड निम्नानुसार है। ध्यान दें कि आदानों की अवधि के लिए आप पूर्वानुमान में उपयोग करना चाहते हैं और ऐतिहासिक मूल्यों की सरणी के लिए हैं। आप इसे जो कार्यपुस्तिका चाहते हैं, आप इसे स्टोर कर सकते हैं। फ़ंक्शन फॉरविंग एवरेज (हिस्टोरिकल, नंबरऑफपेरियोड्स) सिंगल घोषित करने और चर को प्रारंभ करने के रूप में मंद आइटम पूर्णांक मंद काउंटर के रूप में पूर्णांक मंद संवेदक के रूप में पूर्णांक मंद संचय के रूप में एक मंद हिस्टोरिकल साइज के रूप में पूर्णांक चर को प्रारंभ करना काउंटर 1 संचय 0 ऐतिहासिक सरणियों का आकार निर्धारित ऐतिहासिक ऐतिहासिक हिसाब से। काउंटर 1 नंबर के लिए संख्या संख्याअधिक अवधि सबसे हाल ही में देखे गए मूल्यों की उचित संख्या को संचित करना संचय संचय ऐतिहासिक (हिस्टोरिकल सिज़िज़ - नंबरऑफपेरियोड्स काउंटर) चल रहा हैअवाज संचय संख्याऑफ़पेरियोड कोड को कक्षा में समझाया जाएगा। आप स्प्रैडशीट पर फ़ंक्शन की स्थिति बनाना चाहते हैं, ताकि गणना का नतीजा हो सकता है, जहां उसे निम्न पसंद करना चाहिए। देखे जाने वाले औसत पूर्वानुमान विधियां: पेशेवर और विपक्ष हाय, अपना पोस्ट पसंद करें सोच रहा था कि क्या आप आगे बढ़ा सकते हैं हम एसएपी का इस्तेमाल करते हैं इसमें एक ऐसा चयन होता है, जिसे आप अपने पूर्वानुमान को चलाने से पहले चुन सकते हैं जिसे इनिशियलाइज़ेशन कहा जाता है। यदि आप इस विकल्प की जांच करते हैं, तो आपको पूर्वानुमान परिणाम प्राप्त होता है, यदि आप उसी अवधि में फिर से पूर्वानुमान चलाते हैं, और नतीजे के नतीजे बदलते हैं। मैं यह नहीं समझ सकता कि यह आरम्भिकरण क्या कर रहा है मेरा मतलब है, गणितिक रूप से। उदाहरण के लिए सहेजने और उपयोग करने के लिए कौन सा पूर्वानुमान परिणाम सबसे अच्छा है दोनों के बीच के परिवर्तन पूर्वानुमानित मात्रा में नहीं हैं बल्कि एमएडी और त्रुटि, सुरक्षा स्टॉक और आरओपी मात्रा में हैं। सुनिश्चित नहीं हैं कि आप एसएपी का उपयोग करते हैं नमस्ते बहुत स्पष्ट रूप से इसकी बहुत gd समझा के लिए धन्यवाद धन्यवाद फिर से Jaspreet एक उत्तर दें छोड़ दो उत्तर रद्द About Shmula Pete Abilla Shmula के संस्थापक और चरित्र, Kanban कोड़ी है। उसने अमेज़ॅन, ज़ैपोस, ईबे, बैकंट्री जैसी कंपनियों की सहायता की है, और अन्य लागतों को कम करते हैं और ग्राहक अनुभव में सुधार करते हैं। वह ग्राहक और व्यवसाय को प्रभावित करने वाले दर्द बिंदुओं की पहचान करने के लिए एक व्यवस्थित पद्धति के माध्यम से करता है, और कंपनी के सहयोगियों से अपनी भागीदारी को बेहतर बनाने के लिए प्रोत्साहित करता है। यह वेबसाइट अपने अनुभवों का एक संग्रह है जो वह आपके साथ साझा करना चाहती है। नि: शुल्क डाउनलोड के साथ आरंभ करें व्यवहार में चलती औसत समय श्रृंखला का मतलब का एक अच्छा अनुमान प्रदान करेगी यदि मतलब निरंतर या धीरे-धीरे बदल रहा हो। एक निरंतर मतलब के मामले में, एम का सबसे बड़ा मान अंतर्निहित मतलब का सबसे अच्छा अनुमान देगा। अब अवलोकन अवधि में परिवर्तनशीलता के प्रभाव का औसत होगा। एक छोटा मी प्रदान करने का उद्देश्य पूर्वानुमानित प्रक्रिया में परिवर्तन के लिए पूर्वानुमान का जवाब देने की अनुमति देना है। उदाहरण के लिए, हम एक डेटा सेट का प्रस्ताव करते हैं जो समय श्रृंखला के अंतर्निहित माध्य में बदलाव को शामिल करता है। यह आंकड़ा चित्रण के लिए उपयोग की जाने वाली समय-सीमा को दर्शाता है कि श्रृंखला से उत्पन्न होने वाली औसत मांग के साथ। यह मतलब 10 पर निरंतर के रूप में शुरू होता है। 21 समय से शुरू होने पर, यह प्रत्येक अवधि में एक इकाई में बढ़ जाता है जब तक कि समय 30 पर 20 के मान तक नहीं पहुंच जाता। फिर यह फिर से निरंतर हो जाता है। डेटा को जोड़कर सिम्युलेटेड किया जाता है, शून्य माध्य और मानक विचलन के साथ सामान्य वितरण से एक यादृच्छिक शोर 3. सिमुलेशन के परिणाम निकटतम पूर्णांक पर गोल किए जाते हैं। तालिका उदाहरण के लिए प्रयुक्त नकली अवलोकन दर्शाती है जब हम तालिका का उपयोग करते हैं, हमें याद रखना चाहिए कि किसी भी समय, केवल पिछले डेटा ज्ञात हैं। मॉडल पैरामीटर का अनुमान,, तीनों के तीन अलग-अलग मानों के लिए नीचे दी गई संख्या में समय श्रृंखला के माध्य के साथ दिखाए जाते हैं। यह आंकड़ा हर बार मतलब की चलती औसत अनुमान को दर्शाता है और भविष्यवाणी नहीं करता है भविष्यवाणी चलती औसत घटता को समय-समय पर सही स्थानांतरित करती है। एक निष्कर्ष आंकड़ा से तुरंत स्पष्ट है। सभी तीन अनुमानों के लिए चलती औसत रेखीय प्रवृत्ति के पीछे पीछे है, मी के साथ अंतराल बढ़ रही है। अंतराल में मॉडल और अनुमान के बीच की दूरी अंतर है। अंतराल के कारण, चलती औसत टिप्पणियों को कम करके देखते हैं क्योंकि इसका मतलब बढ़ रहा है। अनुमानक के पक्षपात मॉडल के माध्य मूल्य में एक विशिष्ट समय में अंतर है और चल औसत से अनुमानित माध्य मूल्य। जब पूर्वाग्रह बढ़ता जा रहा है नकारात्मक है कम होने के लिए, पूर्वाग्रह सकारात्मक है समय में अंतराल और अनुमान में पेश पूर्वाग्रह मी के कार्य हैं I मी के मूल्य का बड़ा अंतराल और पूर्वाग्रह के बड़े पैमाने पर प्रवृत्ति के साथ लगातार बढ़ती श्रृंखला के लिए माध्य के अनुमानक के अंतराल और पूर्वाग्रह के मूल्य नीचे दिए गए समीकरणों में दिए गए हैं। उदाहरण के घटता इन समीकरणों से मेल नहीं खाते क्योंकि उदाहरण के मॉडल में लगातार वृद्धि नहीं होती है, बल्कि यह एक निरंतर, एक प्रवृत्ति में परिवर्तन के रूप में शुरू होती है और फिर फिर से निरंतर हो जाती है। इसके अलावा उदाहरण घटता शोर से प्रभावित हैं। भविष्य में आने वाली अवधियों का चलने वाला औसत पूर्वानुमान वक्रता को दाईं ओर स्थानांतरित करके दर्शाया जाता है। अंतराल और पूर्वाग्रह आनुपातिक रूप से वृद्धि नीचे दिए गए समीकरण मॉडल पैरामीटर की तुलना में भविष्य में भविष्य की अवधि के अंतराल और पूर्वाग्रह को इंगित करते हैं। फिर, ये सूत्र एक निरंतर रेखीय प्रवृत्ति के साथ एक समय श्रृंखला के लिए हैं हमें इस नतीजे पर आश्चर्य नहीं होना चाहिए। चलती औसत अनुमानक निरंतर मतलब की धारणा पर आधारित होता है, और अध्ययन अवधि के एक अंश के दौरान इस उदाहरण में एक रेखीय प्रवृत्ति होती है। चूंकि वास्तविक समय श्रृंखला शायद ही कभी किसी भी मॉडल की मान्यताओं का पालन करेगी, इसलिए हमें ऐसे परिणामों के लिए तैयार रहना चाहिए। हम इस आंकड़े से यह भी निष्कर्ष निकाल सकते हैं कि शोर की परिवर्तनशीलता छोटे मी के लिए सबसे बड़ा प्रभाव है अनुमान 20 की औसत चलती औसत से 5 की चलती औसत के लिए बहुत ज्यादा अस्थिर है। हमारे पास शोर के कारण परिवर्तनशीलता के प्रभाव को कम करने के लिए विरोधाभासी इच्छाएं हैं, और परिवर्तनों के पूर्वानुमान को अधिक संवेदनशील बनाने के लिए मीटर कम करने के लिए मतलब में त्रुटि वास्तविक डेटा और पूर्वानुमानित मान के बीच का अंतर है। यदि समय श्रृंखला वास्तव में एक स्थिर मूल्य है, तो त्रुटि का अनुमानित मूल्य शून्य है और त्रुटि का विचरण शब्द का एक कार्य है जो शोर का विचरण है और दूसरा कार्यकाल है। पहली अवधि, मी अनुमानों के एक नमूने के साथ अनुमानित अनुमान का विचरण है, यह मानते हुए कि आंकड़े आबादी से निरंतर अर्थ के साथ आते हैं। इस शब्द को मी जितना संभव हो उतना बड़ा बनाकर कम किया जाता है। एक बड़ी एम अंतर्निहित समय श्रृंखला में बदलाव के लिए अनुत्तरदायी पूर्वानुमान बनाता है। परिवर्तनों के प्रति उत्तरदायी पूर्वानुमान करने के लिए, हम जितना संभव हो उतना छोटा (1) चाहते हैं, लेकिन इससे त्रुटि भिन्नता बढ़ जाती है व्यावहारिक पूर्वानुमान एक मध्यवर्ती मूल्य की आवश्यकता है। एक्सेल के साथ पूर्वानुमान, पूर्वानुमान ऐड-इन चलती औसत फ़ार्मुलों को लागू करता है। नीचे दिए गए उदाहरण, स्तंभ बी में नमूना डेटा के लिए ऐड-इन द्वारा प्रदान किए गए विश्लेषण को दर्शाता है। पहले 10 टिप्पणियां अनुक्रमित -9 से 0 के हैं। उपरोक्त तालिका के मुकाबले, अवधि सूचकांक -10 में स्थानांतरित कर दिया गया है। पहले दस अवलोकन अनुमान के लिए स्टार्टअप मान प्रदान करते हैं और अवधि 0 के लिए चलती औसत की गणना करने के लिए उपयोग किए जाते हैं। एमए (10) कॉलम (सी) गणना की गई औसत चलती औसत दर्शाती है। चलती औसत पैरामीटर मी सेल C3 में है। फोर (1) कॉलम (डी) भविष्य में एक अवधि के लिए पूर्वानुमान दिखाता है। पूर्वानुमान अंतराल सेल D3 में है जब पूर्वानुमान अंतराल को बड़ी संख्या में बदल दिया जाता है तो फोर कॉलम में मौजूद संख्याएं नीचे स्थानांतरित हो जाती हैं। एर (1) कॉलम (ई) अवलोकन और पूर्वानुमान के बीच अंतर को दर्शाता है उदाहरण के लिए, समय 1 पर अवलोकन 6 है। समय की औसत चलती औसत से बना अनुमानित मूल्य 11.1 है। तब त्रुटि -5.1 है। मानक विचलन और मीन औसत विचलन (एमएडी) को क्रमशः कोशिकाओं E6 और E7 में गिना जाता है। अध्याय 11 - डिमांड मैनेजमेंट एप पूर्वानुमान 1. बिल्कुल सही पूर्वानुमान असंभव है 2. सही पूर्वानुमान की खोज के बजाय, इसे स्थापित करना अधिक महत्वपूर्ण है पूर्वानुमान की निरंतर समीक्षा का अभ्यास और गलत भविष्यवाणी के साथ जीना सीखना 3. भविष्यवाणी करते समय, एक अच्छी रणनीति 2 या 3 पद्धतियों का उपयोग करना है और कॉमन्सेंस दृश्य के लिए उन्हें ढूंढना है। 2. मांग के बुनियादी स्रोत 1. निर्भर मांग - उत्पादों या सेवाओं के लिए मांग अन्य उत्पादों या सेवाओं की मांग के कारण। ज्यादा फर्म नहीं कर सकता है, इसे पूरा किया जाना चाहिए। 2. स्वतंत्र मांग - मांग जो सीधे अन्य उत्पादों के लिए मांग से नहीं ली जा सकती। फर्म कर सकते हैं: क) मांग को प्रभावित करने के लिए सक्रिय भूमिका निभानी - अपनी बिक्री बल पर दबाव लागू करें b) मांग को प्रभावित करने के लिए एक निष्क्रिय भूमिका निभानी है - अगर कोई फर्म पूर्ण क्षमता पर चल रहा है, तो वह मांग के बारे में कुछ भी नहीं करना चाहेगा। अन्य कारण प्रतिस्पर्धी, कानूनी, पर्यावरण, नैतिक और नैतिक हैं। पिछले डेटा के आधार पर भविष्य की भविष्यवाणी करने का प्रयास करें 1. अल्पावधि - 3 महीने से कम - सामरिक फैसलों जैसे निकटवर्ती अवधि में इन्वेंट्री को फिर से भरना या ईई का समय निर्धारण करना। 2. मध्यम अवधि - 3 एम -2 - ग्राहकों को नए उत्पाद का जवाब देना जैसे मौसमी प्रभाव कैप्चर करना 3. दीर्घकालिक - अधिक 2 साल। प्रमुख टर्निंग पॉइंट की पहचान करने के लिए और सामान्य रुझानों का पता लगाने के लिए रैखिक प्रतिगमन एक विशेष प्रकार का प्रतिगमन है जहां चर के बीच संबंध एक सीधी रेखा वाई एबीएक्स बनाता है। वाई - निर्भर चर ए - वाई इंटरसेप्ट बी - ढलान एक्स - स्वतंत्र वेरिएबल यह बड़ी घटनाओं और समग्र योजना के दीर्घकालिक पूर्वानुमान के लिए उपयोग किया जाता है। यह दोनों समय-समय पर पूर्वानुमान और आकस्मिक संबंध पूर्वानुमान के लिए प्रयोग किया जाता है। सबसे अधिक इस्तेमाल किया पूर्वानुमान तकनीक है सबसे हाल की घटनाएं अधिक दूर के अतीत में की तुलना में भविष्य (उच्चतम अनुमानित मान) का अधिक संकेतक हैं। भविष्यवाणी करते समय हमें हाल ही में अयस्क को अधिक वजन देना चाहिए अतीत में प्रत्येक वेतन वृद्धि (1-अल्फा) कम हो जाती है अल्फा जितना अधिक होता है, उतना निकट भविष्यवाणी वास्तविकता के अनुसार होती है सबसे हाल ही में भारन अल्फा (1-अल्फा) एनए 0 डेटा एक समय अवधि पुराना अल्फा (1-अल्फा) ना 1 डाटा दो समय अवधि पुराना अल्फा (1-अल्फा) ना 2 निम्नलिखित पूर्वानुमान पद्धतियों में से कौन सा चयन के आधार पर बहुत निर्भर है सही व्यक्ति जो वास्तव में पूर्वानुमान उत्पन्न करने के लिए उपयोग किए जाने वाले अनुमानित रूप से 0 और 1 के बीच होना चाहिए। अल्फा के 2 या अधिक पूर्व निर्धारित मान - त्रुटि की डिग्री के आधार पर, अल्फा के विभिन्न मानों का उपयोग किया जाता है। अगर त्रुटि बड़ी होती है, अल्फ़ा 0.8 है, यदि त्रुटि छोटा है, अल्फा 0.2 है। 2 अल्फ़ा की गणना की गई मूल्य - तीव्रतापूर्वक धुंधला वास्तविक त्रुटि से गुजरने वाली वास्तविक गलती की वास्तविक त्रुटि। पूर्वानुमान में गुणात्मक तकनीक विशेषज्ञों के ज्ञान और अधिक निर्णय (नए उत्पाद या क्षेत्रों) की आवश्यकता होती है 1. बाजार अनुसंधान - मौजूदा उत्पादों के बारे में नए उत्पादों और विचारों की पसंद, पसंद और नापसंद। मुख्य रूप से सर्वेक्षणों की इंटरव्यू 2। पैनल की आम सहमति - यह विचार है कि 2 प्रमुख एक से बेहतर हैं। विभिन्न पदों से लोगों का पैनल एक संकुचित समूह की तुलना में अधिक विश्वसनीय पूर्वानुमान विकसित कर सकता है। समस्या यह है कि ईई स्तर के निम्न स्तर प्रबंधन के उच्च स्तर से भयभीत हैं। कार्यकारी निर्णय का इस्तेमाल किया जाता है (प्रबंधन का उच्च स्तर शामिल है) 3. ऐतिहासिक सादृश्य - एक फर्म जो पहले से ही टोस्टर का उत्पादन करती है और कॉफ़ी बर्तन का उत्पादन करना चाहती है वह टोस्टर इतिहास का उपयोग संभावित विकास मॉडल के रूप में कर सकता है। 4. डेल्फी विधि - सही व्यक्तियों के चयन पर बहुत निर्भर है जो वास्तव में अनुमान उत्पन्न करने के लिए न्यायिक रूप से उपयोग किए जाएंगे। हर कोई एक ही वजन (अधिक निष्पक्ष) है संतोषजनक परिणाम आम तौर पर 3 राउंड में प्राप्त होते हैं उद्देश्य - सहयोगी योजना, पूर्वानुमान और पुनरोचन (सीपीएफ़आर) आपूर्ति श्रृंखला में मांग के विश्वसनीय, लंबे समय तक भविष्य के विचारों के लिए एक साझा वेब सर्वर पर चयनित आंतरिक जानकारी का आदान-प्रदान करने के लिए।