物流運作管理--5需求預(yù)測ppt課件

1、2022/7/241第5講 需求預(yù)測5.1 預(yù)測及其作用預(yù)測是對未來能夠發(fā)生的情況的估計與推測。作用“凡事預(yù)那么立，不預(yù)那么廢。預(yù)測為人們提供了即將發(fā)生的情況的信息，添加了勝利的時機。但預(yù)測不是一門準(zhǔn)確的科學(xué)，它是科學(xué)與藝術(shù)的結(jié)合。預(yù)測離不開科學(xué)測定的數(shù)據(jù)，也離不開人們的閱歷和判別。不能由于預(yù)測的失誤而否認(rèn)預(yù)測。2022/7/242預(yù)測的特性1、預(yù)測的根本假設(shè)：過去的開展形狀要繼續(xù)到未來2、預(yù)測精度隨預(yù)測的時間范圍添加而降低3、對總量的預(yù)測要比對個體的預(yù)測準(zhǔn)確如每天從武漢到北京旅客數(shù)量的預(yù)測，比估計某個人將到何處出差要準(zhǔn)確2022/7/243預(yù)測的作用協(xié)助管理者設(shè)計消費運作系統(tǒng)消費什么產(chǎn)品，提

2、供何種效力在何處建立消費/效力設(shè)備采用什么樣的流程供應(yīng)鏈如何組織協(xié)助管理者對系統(tǒng)的運用進展方案今年消費什么，消費多少如何利用現(xiàn)有設(shè)備提供稱心效力2022/7/244預(yù)測種類按性質(zhì)分科學(xué)預(yù)測：科學(xué)預(yù)測是對科學(xué)開展情況的估計與推測。如門捷列夫估計有3個當(dāng)時未發(fā)現(xiàn)的元素：亞鋁、亞硼和亞硅。后來，發(fā)現(xiàn)了，是鎵、鈧和鍺。技術(shù)預(yù)測：技術(shù)預(yù)測是對技術(shù)提高情況的估計與推測。2022/7/245需求預(yù)測：需求預(yù)測為企業(yè)給出了產(chǎn)品在未來的一段時間里的需求期望程度,為企業(yè)的方案和控制決策提供了根據(jù)。社會預(yù)測：社會預(yù)測是對社會未來的開展情況的估計和推測。比如人口預(yù)測、人們生活方式變化預(yù)測、環(huán)境情況預(yù)測等。經(jīng)濟預(yù)測：政

3、府部門以及其它一些社會組織經(jīng)常就未來的經(jīng)濟情況發(fā)表經(jīng)濟預(yù)測報告2022/7/246按時間分長期預(yù)測(Long-range Forecast)： 對5年或5年以上的需求前景的預(yù)測。它是企業(yè)長期開展規(guī)劃的根據(jù)。中期預(yù)測(Intermediate-range Forecast)：中期預(yù)測是指對一個季度以上兩年以下的需求前景的預(yù)測。它是制定年度消費方案、季度消費方案的根據(jù)。短期預(yù)測(Short-range Forecast)： 短期預(yù)測是對一個季度以下的需求前景的預(yù)測。它是調(diào)整消費才干、采購、安排消費作業(yè)方案等詳細(xì)消費運營活動的根據(jù)。2022/7/247按主客觀要素所起的作用分 定性預(yù)測方法客觀判別、

4、不需求數(shù)學(xué)公式預(yù)測根據(jù)：各種客觀意見定量預(yù)測方法利用統(tǒng)計資料和數(shù)學(xué)模型進展預(yù)測客觀判別依然重要2022/7/248預(yù)測方法定性預(yù)測方法定量預(yù)測方法Delphi法用戶期望調(diào)查法部門主管討論法銷售人員意見聚集法因果模型時間序列模型挪動平均法加權(quán)挪動平均法 指數(shù)平滑法乘法模型加法模型時間序列平滑模型時間序列分解模型2022/7/249預(yù)測的普通步驟 1 確定預(yù)測的目的和用途 2 根據(jù)企業(yè)不同的產(chǎn)品及其性質(zhì)分類 3 決議影響各類產(chǎn)品需求的要素及其重要性 4 搜集一切可以利用的過去和如今的資料加以分析 5 選擇適當(dāng)?shù)念A(yù)測方法 6 計算并核實初步預(yù)測結(jié)果 “預(yù)測 7 思索和設(shè)定無法預(yù)測的內(nèi)外要素 8 求出

5、各類產(chǎn)品需求預(yù)測 9 將預(yù)測結(jié)果運用 10 預(yù)測監(jiān)控2022/7/24105.2 定性預(yù)測方法Delphi 法專家調(diào)查法用戶期望調(diào)查法部門主管意見銷售人員意見聚集法2022/7/245.3 定量預(yù)測法簡單挪動平均Simple moving average，SMA加權(quán)挪動平均Weighted moving average，WMA指數(shù)平滑法Exponential smoothing2022/7/24一、簡單挪動平均SMAt+1 = nAt+i-ni = 1nT周期末簡單挪動平均值T1周期的預(yù)測值i周期實踐值周期數(shù)2022/7/24表5-1 簡單挪動平均法預(yù)測 月份 實踐銷量(百臺) n=3n=41

6、 2 3 4 5 6 7 8 9 10 11 12 20.00 21.00 23.00 24.00 25.00 27.00 26.00 25.00 26.00 28.00 27.00 29.00 21.33 22.67 24.00 25.33 26.00 26.00 25.67 26.33 27.00 21.75 23.33 24.75 25.50 25.75 26.00 26.25 26.50 2022/7/24計算挪動平均預(yù)測值:F4=(720+678+650)/3 =682.67F7=(920+859+785 +720+678+650)/6 =768.672022/7/24描點繪圖，可以

7、比較當(dāng)n=3,n=6時對預(yù)測結(jié)果的影響?2022/7/24對于簡單挪動平均預(yù)測方法，關(guān)鍵是選擇挪動時間區(qū)間的大小，即n的大小。n的大小的選擇與預(yù)測者要求的順應(yīng)性有關(guān)。假設(shè)管理者追求穩(wěn)定性n的值應(yīng)該選擇大一些，假設(shè)管理者的目的是表達呼應(yīng)性，那么應(yīng)選擇小一點的n。2022/7/24二、加權(quán)挪動平均WMAt+1 = niAt+i-ni = 1n2022/7/24表5-2 加權(quán)挪動平均預(yù)測 t(月) 實踐銷量(百臺) 三個月的加權(quán)挪動平均預(yù)測值(百臺) 1 2 3 4 5 6 7 8 9 10 11 12 20.00 21.00 23.00 24.00 25.00 27.00 26.00 25.00

8、26.00 28.00 27.00 29.00 (0.520+121+1.5.523)/3=21.83 23.17 24.33 25.83 26.17 25.67 25.67 26.83 27.17 2022/7/24近期數(shù)據(jù)的權(quán)重越大，那么預(yù)測的穩(wěn)定性就越差，呼應(yīng)性就越好；近期數(shù)據(jù)數(shù)據(jù)的權(quán)重越小，那么預(yù)測的穩(wěn)定性就越好，呼應(yīng)性就越差；權(quán)重和n的選擇具有閱歷性。2022/7/24三、一次指數(shù)平滑法(Single exponential smoothing)Ft = Ft-1 + (At-1 - Ft-1) = At-1 +1- Ft-1 Ft 新的預(yù)測值， Ft-1前期預(yù)測值，At-1前期的實

9、踐需求， 平滑系數(shù)2022/7/24月銷售額一次指數(shù)平滑預(yù)測表 單位：千元F2 A1 1 F10.410.0010.411.0010.6019.7416.812022/7/24與上面的問題的類似，預(yù)測的關(guān)鍵是選擇的大小。如管理者追求穩(wěn)定性，的值應(yīng)該選擇小一些;假設(shè)管理者的目的是表達呼應(yīng)性，那么應(yīng)選擇大一點的2022/7/24四、時間分解預(yù)測模型-處理季節(jié)性預(yù)測問題(Seasonal variations)常用季節(jié)性預(yù)測模型(P87 圖3-7)加法模型(Additive Model)TF=T+S+C+I 乘法模型(Multiplicative model)TF=T.S.C.I 用得較多的是基于乘

10、法模型的預(yù)測方法2022/7/24時間序列分解模型計算例如： 有一個公司記錄了1997和1998兩年的銷售數(shù)據(jù)，見下表。請根據(jù)這些數(shù)據(jù)預(yù)測1999年的銷售情況。 時間 銷售額(萬元) 時間 銷售額(萬元)1997年1季度 300 2季度 200 3季度 220 4季度 5301998年1季度 520 2季度 420 3季度 400 4季度 7002022/7/24Step 1: 求出趨勢值的直線方程。 趨勢值Step1:可以用最小二乘法，求出： Tt=170+55*t2022/7/24有關(guān)最小二乘法 請自學(xué)最小二乘法又稱最小平方法是一種數(shù)學(xué)優(yōu)化技術(shù)。它經(jīng)過最小化誤差的平方和尋覓數(shù)據(jù)的最正確函數(shù)

11、匹配。利用最小二乘法可以簡便地求得未知的數(shù)據(jù)，并使得這些求得的數(shù)據(jù)與實踐數(shù)據(jù)之間誤差的平方和為最小。最小二乘法還可用于曲線擬合。其他一些優(yōu)化問題也可經(jīng)過最小化能量或最大化熵用最小二乘法來表達。2022/7/24Step 2: 計算季節(jié)因子 時間實踐值趨勢值實踐值/趨勢值季節(jié)因子97年1季度 2季度 3季度 4季度300200220530225280335390(300/225)=1.33 0.71 0.66 1.36(1.33+1.17)/2 =1.25(0.71+0.84)/2=0.7898年1季度 2季度 3季度 4季度520420400700445500555610 1.17 0.84

12、0.72 1.15(0.66+0.72)/2= 0.69(1.36+1.15)/2 =1.25Step 3: 計算1999年的預(yù)測值 1999年1季度: (170+559)1.25=831 2季度: (170+5510)0.78=562 3季度: (170+5511)0.69=535 4季度: (170+5512)1.25=10382022/7/24五、因果模型：一元線性回歸模型Yt 一元線性回歸預(yù)測值；a 截距b 斜率.Yt = a + bx0 1 2 3 4 5 tY2022/7/24b = n (xy) - xynx2 - (x)2a = y - bxn n為變量數(shù)； x為自變量的取值；

13、 y為因變量的取值；2022/7/242022/7/24y = 143.5 + 6.3t a = 812 - 6.3(15)5 =b = 5 (2499) - 15(812)5(55) - 225 = 12495-12180275-225 = 6.3143.5 2022/7/245.4 預(yù)測誤差與監(jiān)控 預(yù)測精度誤差的大小與控制是預(yù)測中的重要環(huán)節(jié)。假設(shè)不留意預(yù)測環(huán)境的變化，原來運用的預(yù)測模型能夠會由于種種緣由產(chǎn)生較大的偏向，從而影響預(yù)測結(jié)果的精度，使管理人員產(chǎn)生錯覺，導(dǎo)致某些決策錯誤。 2022/7/24預(yù)測誤差誤差 實踐值與估計值的差別平均絕對偏向Mean absolute deviation

14、 ，MAD平均平方誤差Mean squared error，MSE)2022/7/24預(yù)測誤差的度量(Measurement of forecast error)預(yù)測誤差是指預(yù)測值與實踐值之間的偏向。其計算方法是：平均預(yù)測誤差平均絕對偏向平均平方誤差預(yù)測誤差滾動和Running sum of forecast errors，RSFE反映預(yù)測精度衡量無偏性2022/7/24檢驗預(yù)測模型能否有效：將最近的實踐值與偏向進展比較，看偏向能否在可以接受的范圍之內(nèi)；采用跟蹤信號法(Tracking signal)預(yù)測監(jiān)控跟蹤信號Tracking signal是累積誤差與 MAD的比可接受誤差范圍上限下限2022/7/24例：