Assessment of the Sales Forecast Technique Double-Weighted Moving Average vs Other Widely Used Forecasting Techniques
Notice bibliographique
Résumé
In order to improve the operations planning of two companies, whose main business is to be chemical products suppliers in Mexico, it was made the sales forecast of a fourth year of operations, using the monthly sales data information of the three previous years. The objective of the chemical suppliers forecast was to be in a better position to satisfy the multiple and varied needs of their clients, which demand different quantities of products and have different consumption patterns. The sales forecast was made by the next six techniques: Simple Moving Average (SMA), Weighted Moving Average (WMA), Trend Projection (TP), Exponential Smoothing (ES), Simple Linear Regression (SLR), and the recently proposed (Castillo, et al. 2016) technique called: Double-Weighted Moving Average (DWMA). The three years monthly sales data of 61 products, handled by the two companies, were processed in order to obtain the monthly forecast of the fourth year. After the fourth year, the forecasted data were compared with real monthly sales data. The analysis was made by the determination of the Symmetric Mean Absolute Percentage Error (SMAPE), which gave the next results: In the case of company 1, the average errors for the five reference techniques (SMA, WMA, TP, ES and SLR) was in the range 0.235 – 0.351] vs 0.249 for the DWMA. For company 2, the average error, of the same five reference techniques was in the range [0.292 – 0.467] vs 0.282 for the DWMA. WMA was the second technique in giving the least forecasting errors. In both companies, DWMA was the forecasting technique with one of the lowest average error and the lowest error in most of the products.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».