Inledning Den föregående artikeln såg på hur glidande medelvärden är och hur man beräknar dem. Denna artikel tittar nu på hur man implementerar dessa i Web Intelligence. Formeln som används här är kompatibel med XIr3-versionen av SAP BOE, men vissa formler kan fungera i tidigare versioner om de finns tillgängliga. We8217ll börjar med att titta på hur man beräknar ett enkelt glidande medelvärde innan man tittar på vägda och exponentiella former. Arbetade exempel Exemplen nedan använder alla samma dataset som är av aktiekursdata i en Excel-fil som du kan ladda ner. Den första kolumnen i filen är börskursens datum och sedan kolumner med öppningspris, högsta pris på dagen, lägsta pris, slutkurs, volym och justerad slutkurs. We8217ll använder slutkurs i vår analys nedan med datumobjektet. Enkelt rörligt medelvärde Det finns ett par sätt på vilka vi kan beräkna enkla glidande medelvärden. Ett alternativ är att använda funktionen Föregående för att få värdet av en föregående rad. Till exempel beräknar följande formel ett glidande medelvärde på vårt slutkurspris för en glidande genomsnittsdataset med storlek 3, det här är en ganska enkel formel, men det är uppenbart att det inte är praktiskt när vi har ett stort antal perioder här vi kan göra användning av RunningSum formel och för en dataset av storlek N vi har Slutligen har vi en 3: e teknik, som trots att det är mer komplicerat kan det ha bättre prestanda eftersom det beräknar det nya värdet baserat på tidigare värde istället för två löpande summer över hela data uppsättning. Men denna formel fungerar bara efter Nth-punkten i den övergripande datamängden och eftersom det hänvisar till ett tidigare värde måste vi också ange ett startvärde. Nedan är den fullständiga formeln som används för vår aktiekursanalys där vår glidande genomsnittliga period är 15 dagar. Datumet 1252010 är den 15: e datapunkten i vår dataset och så för denna punkt beräknar vi ett normalt genomsnitt med RunningSum. För alla datum bortom detta värde använder vi vår SMA-formel och vi lämnar tomma alla datum före detta datum. Figur 1 nedan är ett diagram i Web Intelligence som visar våra aktiekursdata med ett enkelt glidande medelvärde. Figur 1. Web Intelligence-dokument som visar en enkel rörlig genomsnittsviktad rörlig genomsnittsvärde En vägd glidande medelformel med en period av 3 är, Som med vår första enkla glidande medelformeln ovan är det bara praktiskt under ett litet antal perioder. Jag har ännu inte kunnat hitta en enkel formel som kan användas för större glidande medelperioder. Matematiskt är det möjligt men begränsningar med Web Intelligence innebär att dessa formler don8217t konverterar. Om någon kan göra det skulle jag gärna höra Figuren nedan är ett WMA i period 6 som implementeras i Web Intelligence. Figur 2. Web Intelligence-dokument av ett Viktat Flyttande Medel Exponentiellt Flytande Medel Ett exponentiellt rörligt medelvärde är ganska rakt framåt för att implementera i Web Intelligence och det är ett lämpligt alternativ till ett vägat rörligt medelvärde. Den grundläggande formeln är här we8217ve hårdkodad 0,3 som vårt värde för alfa. Vi tillämpar bara denna formel för perioder större än vår andra period så vi kan använda ett if-uttalande för att filtrera dessa ut. För vår första och andra perioden kan vi använda det tidigare värdet och så är vår slutliga formel för EMA, Nedan är ett exempel på en EMA tillämpad på våra lagerdata. Figur 3. Web Intelligence-dokument visar en Exponentiell Moving Average Input Controls Eftersom vår EMA-formel doesn8217t är beroende av storleken på den glidande medeltiden och vår enda variabel är alfa kan vi använda Input Controls för att tillåta användaren att justera värdet av alfa. För att göra detta skapar du en ny variabel som heter 8216alpha8217 och definierar it8217s formel som, Uppdatera vår EMA-formel till, Skapa en ny ingångskontroll välj vår alfabalva som inputkontrollrapportobjektet Använd en enkel reglage och ställ in följande egenskaper, En gång gjort du ska kunna flytta skjutreglaget och omedelbart se förändringarna till trendlinjen i diagrammet. Slutsats Vi tittade på hur man implementerar tre typer av glidande medelvärde i Web Intelligence och även om allt var möjligt är det Exponentiella rörliga genomsnittet förmodligen det enklaste och mest flexibla . Jag hoppas att du hittade den här artikeln intressant och som alltid är någon feedback väldigt välkommen. Posta navigering Lämna ett svar Avbryt svar Du måste vara inloggad för att skriva en kommentar. Tricket till Weighted Moving Average (WMA) är att du måste skapa en variabel som representerar WMA-täljare (se Wikipedia för referens.) Det ska se ut som följande: Föregående (Själv) (n Stäng) 8211 (Föregående (RunningSum ( Stäng)) 8211 Föregående (RunningSum (Stäng) n1) där n är antalet perioder. Då skulle den faktiska WMA8217s formel vara så här: Numerator (n (n 1) 2) där Numerator är den variabel du skapade tidigare. Slideshare använder cookies för att förbättra funktionalitet och prestanda och att ge dig relevant reklam. Om du fortsätter att surfa på webbplatsen godkänner du användningen av cookies på den här webbplatsen. Se vår användaravtal och integritetspolicy. Slideshare använder cookies för att förbättra funktionalitet och prestanda, Om du fortsätter att surfa på webbplatsen, godkänner du användningen av cookies på denna webbplats. Se vår sekretesspolicy och användaravtal för detaljer. Utforska alla dina favoritämnen i SlideShare-appen Få Sl ideShare-app för att spara till senare även offline Fortsätt till mobilsidan Ladda upp Logga in Registrera dig Dubbelklicka för att zooma ut Sap-transaktionskoder Dela denna SlideShare LinkedIn Corporation kopia 2017Inledning till SAP Material Ledger Material Ledger är SAPs lösning för att utföra faktiska kostnader. Det är tänkt att innehålla fördelarna (utan att erinra nackdelarna) av de två traditionella metoderna för lagervärdering - Standardkostnadsberäkning och rörlig genomsnittskalkylering. Innan du kan förstå funktionaliteten hos Material Ledger är det alltid bra att börja med några av egenskaperna hos dessa två traditionella tillvägagångssätt. Standardkostnad är en effektiv metod för att få stabila priser för dina material som kan jämföras med eventuella prisfluktuationer. Du kan därför utföra variansanalys för att bättre förstå huruvida du producerar effektivt eller om dina råmaterialpriser är rimliga. En svaghet i standardkostnadsprocessen är emellertid att avvikelserna som avser osålda varulager kvarstår i försäljningspriset (prisavvikelse) konto och läggs inte tillbaka till lager. Jag ställdes denna fråga av en klient för tio år sedan, när Material Ledger fortfarande var i sin linda. Om jag inte säljer allt jag har producerat under en period, vad händer med produktionsavvikelserna som sitter i PampL. Svaret på detta vid den tiden var att ta andelen av produktionsavvikelser som hänför sig till inventeringen som inte såldes under perioden och skickar den tillbaka till lagerkonton. Detta var en högsta tidskrift som inte angav aktiviteten för varje enskilt material (eftersom det skulle ha varit för svårt en uppgift). Nackdelen med detta om du tittat på en lönsamhetsrapport för varje material, kan variansen skingra den faktiska försäljningskostnaden för perioden om du inte sålde allt du producerat. Flyttande genomsnittlig kostnadsberäkning är en bra metod för att hålla dina materialkostnader uppdaterade, särskilt i de fall priserna fortsätter att fluktuera. Varje gång du utför ett varukort eller faktura kvitto uppdateras det glidande genomsnittspriset baserat på det totala inventeringsvärdet (med hänsyn till senaste köpta priset) och delas upp med den totala inventeringen. En av svagheterna i att röra medeltalkostnaden är att det nya priset bara skickas tillbaka till inventeringen om det finns tillräcklig inventeringskvantitet för att täcka skillnaden. Detta kan vara fallet om du konsumerar material mellan den tid du tar emot det och när du fakturerar det och fakturans pris skiljer sig från varukvittotpriset. Om fakturan är för en mängd som är större än mängden av materialet kvar i varulagret, kommer skillnaden mellan fakturan och varukvittotet inte helt tilldelas tillbaka till varulager. Istället kommer endast den del som avser den befintliga inventeringskvantiteten att fördelas tillbaka till varulager och resten kommer att läggas till prisavvikningskontot. Detta innebär att om du tittat på det rörliga genomsnittspriset för det materialet, representerar det inte det sanna nuvarande priset. Material Ledgers två huvudmål är: (1) Värdering av värden i upp till tre valutor och värderingsmetoder (2) Utförande av faktiska kostnader för material Den faktiska skönheten i materialbokföringen är nummer (2). Detta beror på att det tar de avvikelser som uppstår genom lagertransaktioner och skickar dem tillbaka till slutförvaringar för att värdera dem till en faktisk kostnad. Det gör detta samtidigt som standardkostnaden för materialet behålls som riktmärke. Du har också möjlighet att uppräkna aktuell standardkostnad med periodisk enhetspris (vilket är den faktiska kostnaden beräknad av materialbokföringen). De två typerna av prisbestämning som förekommer med materialbokföringen: (1) Enkelt prisfastställande: Det tar de avvikelser som förekommer för ett enskilt material och rullar dem tillbaka till sin slutförteckning. (2) Fastställande av flera nivåer: Det tar de avvikelser som uppstår för en lägre produkt (t. ex. råmaterial) och rullar dem (i andelen förbrukade kvantiteter) till en högre produkt (t. ex. färdig produkt). Du kan välja att rulla de avvikelser som är relaterade till sålda lager, till försäljningskontoens kostnad för att värdera COS till faktiska kostnader. Det handlar om att använda Material Ledgers omvärdering av konsumtionsfunktionalitet. Med Material Ledger kan du därför uppnå faktiska kostnader för att slutföra inventeringen av en - och multilevelprodukter och försäljningskostnader och mäta fortfarande dina upphandlingsprocesser enligt standardkostnader. Paul Ovigele har arbetat som ERP-finansiell konsult sedan 1997 i både Nordamerika och Europa, som specialiserat sig på att genomföra Financial Accounting and Controlling-modulerna och alla integrationsområden för företag inom olika branscher. Paul levererar träningssessioner för att finansiera proffs på både funktionell och ledande nivå och publiceras i Financials Expert där han också tjänar som teknisk rådgivare. Han har presenterat vid SAP-konferenser i både Europa och USA. Paul är också författare till 100 saker du borde veta om finansiell redovisning med SAP och förena SAP CO-PA till huvudboken. Paul är en föredragen talare vid Controlling 2017-konferensen. Läs mer om hans sessioner: Författare nyligen inlägg Onsdagen den 01 februari 2017 Introduktion till SAP Material Ledger onsdag 08 april 2015 Dyk in i SAP FICO med populär talare Paul Ovigele vid Controlling 2015 onsdag 18 mars 2015 Fem Expert Tips och tricks för SAP Controlling och Financial Webinar Recording and Slides Onsdag den 21 januari 2015 Gratis bokutdrag: Introduktion till att förena SAP COPA till huvudboken onsdagen den 19 juni 2013 Mest vanliga SAP-kontrollerande fallfall: oförmåga att automatiskt förena SAP CO-PA-modulen med SAP General Ledger-relaterat inlägg
No comments:
Post a Comment