Find everything you need to get certified on Fabric—skills challenges, live sessions, exam prep, role guidance, and more.
Get startedGrow your Fabric skills and prepare for the DP-600 certification exam by completing the latest Microsoft Fabric challenge.
Ola.
Personalmente mi duda es cómo calcular el medio movel ponderado, en Power Bi, el problema está siendo cuando tengo que determinar el costo de la unidad vendida, multiplicando por el costo promedio, y deduciendo este valor de total.
Enlace con el archivo de plantilla:
https://drive.google.com/drive/folders/1F4X244y3NXB-hnM8rOuqE1UMLVU_3msC?usp=sharing
Ejemplo:
Inicial = 100 Unidades de Producto X, a un costo de $500.00 lote
Adquisición de 200 Unidades de Producto X, al costo de $1,150.00 lote
El costo promedio del Producto X será:
$500.00 + $1,150.00 dividido por (100 + 200) unidades
= R $ 1.650,00: 300
= $5.50 por unidad
Siguiendo el mínimo efectivo de -120 unidades
= 120 multiplicado al costo de $ 5.50 = -660
El costo acumulado va desde $ 1650.00 - 660 = 990 y el total de 300 unidades - 120 = 180, manteniendo el costo promedio hasta su posterior adquisición.
En el siguiente ejemplo, donde es 7.19 lo correcto es 5.81, que sería el $1650.00 - 660.00 +1800 = 5.81, si no tener la venta funciona perfectamente.
Hay @obartoli ,
No entiendo muy bien esta parte:
"Siguiendo efectivo a un mínimo de -150 unidades
= 120 multiplicado al costo de $ 5.50 = -660"
¿De dónde sacas esto "-150 unidades"? ¿Y por qué cancelar 150 unidades obtendrá 120?
Saludos
Arrendajo
Ola, describí mal 150, el correcto es 120.
La duda que no puedo resolver es, cómo determinar el costo promedio ponderado, bajar en 120 unidades, bajar el costo proporcional y seguir haciendo la cuenta con el balance de producto y el balance de costos.
¿Alguien puede ayudarme con esta pregunta?
¿Alguien puede ayudarme en la duda anterior?
Join the community in Stockholm for expert Microsoft Fabric learning including a very exciting keynote from Arun Ulag, Corporate Vice President, Azure Data.
Ask questions in Eventhouse and KQL, Eventstream, and Reflex.