生产运作需求预测

需求预测一、预测的概念二、预测方法三、预测的监控DemandForecasting一、预测的概念•预测是对未来可能发生的事情的估计与推测。•分类一般有科学预测、技术预测、经济预测、需求预测、社会预测。•本课程主要讨论——需求预测。预测的概念•需求预测的意义预测是为下一步计划做准备预测是制定营销、生产和库存、采购、人力资源等计划的基础。预测对生产运作产生影响，所以，它是生产运作管理的一个组成部分。预测的重要性1.企业编制长期计划的基础2.为预算和成本控制提供依据3.为开发新产品提供信息4.为补充销售人员提供依据5.是作出关键决策的基础6.用于编制生产作业计划广告推销努力商业信誉产品或服务的设计信用政策产品质量影响需求预测的因素图3-1企业努力需求反馈输出产品生命周期竞争者的行为商业周期顾客偏好顾客的购买行为随机影响时间输入人员、设备、原材料、资金、技术、信息等等。产品生命周期示意图导入期成长期成熟期衰退期时间需求量（销量）•定性预测•定量预测按方法分预测的种类长期预测(数年至数十年)中期预测(一年至数年)短期预测(数日至一年)按时间分预测的概念•预测的主要步骤1.确定预测目标和用途；（销量）2.确定影响产品需求的因素及其重要性；3.收集资料；4.选择预测方法与模型；5.计算、预测；6.对预测结果进行综合分析，得出结论；7.将预测结果应用于生产计划工作中；8.根据实际情况，对预测结果进行监控。预测的概念•预测注意的问题：1.判断在预测的作用（选择方法、辨别信息、取舍结果）2.预测精度与成本3.预测的时间范围和更新频率（时间范围越大，预测结果越不准确；预测值与实际值偏离过大，则应更新预测方法）4.稳定性和响应性下页下页预测精度与成本的关系总费用预测费用经营费用预测精度费用0上页预测的稳定性与响应性•稳定性和响应性是对预测方法的2个基本要求–稳定性：是指抗拒随机干扰，反应稳定需求的能力。稳定性好的预测方法有利于消除或减少随机因素的影响适用于受随机因素影响较大的预测问题；–响应性：是指迅速反映需求变化的能力。响应性好的预测方法能及时跟上实际需求的变化。适用于受随机因素影响小的预测问题。良好的稳定性和响应性都是预测追求的目标。对于时间序列模型而言，两者目标确是矛盾的。若要兼顾稳定性和响应性，则应考虑除时间以外因素的影响，运用其他的预测方法。上页二、预测方法定性预测方法qualitativemethod定量预测方法quantitativemethod德尔菲法部门主管集体讨论法销售人员意见汇总法顾客期望法时间序列预测模型时间序列平滑模型简单移动平均加权移动平均一次指数平滑时间序列分解模型乘法模型加法模型因果模型预测方法需要说明的是，为使预测更符合实际，经验、判断和数学模型都起一定的作用，但没有哪一种方法一直都能奏效。（一）定性预测方法1、德尔菲法Rand公司首创于50年代末，步骤如下：(1)选择参考的专家，具有不同背景的人；(2)通过问卷（或E-mail），从专家处了解信息(3)汇总专家结果，附新问题，再度发给专家(4)再次汇总，提炼预测结果和条件，再度发给所有专家；②如有必要，再重复(4)；③直至专家意见一致，得出预测结果。2、部门集体意见讨论法由不同层次、部门人员开会，在会上自由讨论。这种方法问题在于低层人员的意见往往易受市场营销的左右，不敢与领导相背。对于重要决策，如引进流水线等，由高层人员讨论3、销售人员意见汇总法基本观点：基层意见法。预测基于逐步累加来自低层的预测假设前提：处于最低层的那些离顾客最近、了解产品最终的销售人员最清楚产品未来的需求情况，然后采取逐级上报的做法。4、顾客期望法——通常是聘请第三方专业市场调研公司进行预测。——顾客期望法主要用于新产品研发，了解对现有产品的评价，了解顾客对现有产品的好恶，了解特定层次的顾客偏好哪些竞争性商品——数据收集方法有问卷调查和上门访谈两种。预测方法（二）定量预测方法•用数学模型表示需求与各种变量之间的关系。•前提：变量与需求的关系今后仍然保持不变。•常用的有：–时间序列模型：用过去的需求和时间的关系来预测未来的需求。–因果模型：用过去的资料揭示变量和需求的关系，进而预测未来的需求。预测方法1、时间序列模型•时间序列（TimeSeries）：按一定的时间间隔和事件发生的先后顺序将所收集的数据排列起来所得到的序列。预测方法表3-1时间序列月份实际销量(百台)12345678910111220.0021.0023.0024.0025.0027.0026.0025.0026.0028.0027.0029.00预测方法•时间序列的构成：–趋势成分：随时间的推移而表现出的一种倾向（上升、下降、平稳）。–季节成分：特定周期时间里有规则的波动。如：每天有二次交通高峰；每周周末，影院的客流量较大；某些产品的季节性需求变化等。–周期成分：较长时间里（一般为数十年）有规则的波动。–随机成分：没有规则的上下波动。本章只讨论趋势成分和季节成分时间序列的构成示意图周期时间序列的构成示意图随机成分周期成分趋势成分季节成分有四种典型的趋势需求：（1）线性趋势——反映了数据呈连续的直线关系有四种典型的趋势需求：（2）S型趋势——产品成长和成熟时期的需求有四种典型的趋势需求：（3）渐进趋势——以优质产品大量投放市场时出现有四种典型的趋势需求：（4）指数增长——产品销售势头特好的产品预测方法•时间序列模型：–时间序列平滑模型：通过多个数据的平均来消除和减少随机成分(干扰)。常用的有简单移动平均、加权移动平均、一次指数平滑。–时间序列分解模型：时间序列模型：1）简单移动平均(SimpleMovingAverage)SMAt+1=(Xt+Xt-1+…+Xt-N+1)/N预测值=(前N次实测值的平均值)•当产品需求既不快增长也不快下降，且不存在季节性因素时，移动平均法能有效消除预测中的随机波动。选择移动平均的最佳区间很重要。•其主要缺点是在于每一因素都必须以数据表示。N—平均值计算跨越期数Xt——实际观测值预测方法表3-1简单移动平均法预测月份实际销量(百台)n=3(百台)n=4(百台)12345678910111220.0021.0023.0024.0025.0027.0026.0025.0026.0028.0027.0029.0021.3322.6724.0025.3326.0026.0025.6726.3327.002223.2524.7525.5025.7526.0026.2526.50（20+21+23）/3=21.33（20+21+23+24）/4=22例：•某电器公司电子原器件周销售值记录如下表所示。取N=3和N=9。•试用简单平均法预测第16周的预测值。解：•计算见下表。N=3和N=9第16周的预测值分别为：•SMA16=（2300+2300+2000）/3=2200•SMA16=（1300+…….+2000）/9=1956简单移动平均算例周次销售值（元）3周9周12380014001000456789150015001300180017001300106713001333143315331600101112131415170017001500230023002000160015671567163318332033136714671500155616441733简单移动平均讨论：•你对简单移动平均法有什么认识？预测方法结果：•N越大，预测值越平滑，对干扰的灵敏性越低，稳定性好，预测值的响应性也就越差。•N越小，对干扰的灵敏性越高，稳定性差，预测值的响应性也就越好，预测值越接近实际观测值。•N取什么值非常关键，直接影响预测的准确性。一般可以通过试算的方法找出预测误差最小的所对应的N为最佳值。•简单移动平均的各元素权重都相等简单移动平均适用场合：趋势变化不明显时预测方法2）加权移动平均(WeightedMovingAverage)WMAt+1=(tXt+t-1Xt-1…+t-N+1Xt-N+1)/N预测值=(前N次实测值的加权平均值)t、t-1、、t-N+1称为加权因子，且（t+t-1++t-N+1）/N=1简单移动平均的各元素权重都相等，而加权移动平均的权重值可以不同。当然，其权重之和必须等于1。权重的选择：经验法和试算法是选择权重的最简单的方法。一般而言，最近期的数据最能预示未来的情况，因而其权重应大些。但是，其权重是季节性的，故权重也应是季节性的，一般对季节性产品季节权重系数要大。由于加权移动平均能区别对待历史数据，因而在这方面要优于简单移动平均。预测方法为了强调最近数据的影响，突出其作用，取3=1.5、2=1、1=0.5，得到加权移动平均结果：t(月)实际销量(百台)三个月的加权移动平均预测值(百台)12345678910111220.0021.0023.0024.0025.0027.0026.0025.0026.0028.0027.0029.00(0.5×20+1×21+1.5×23)/3=21.8323.1724.3325.8326.1725.6725.6726.8327.17预测方法•结果：预测值的响应性较好，其结果与和N的取值有关。3)指数平滑法5,63,4前两种预测方法（简单移动平均和加权移动平均）中，一个主要的问题是必须有大量连续的历史数据。随着模型中新数据的增添及过期数据的剔除，新的预测结果就可以预测出来。有的情况下，最近期的情况远比较早期的更能预测未来。假设越远当期其重要性就越低，如果这一前提正确，则指数平滑法就是逻辑性最强且最为简单的方法。预测方法•一次指数平滑(SingleExponentialSmoothing)或者，预测值=(上次实测值)+(1-)上次预测值称为平滑常数，（01）tttttttFAFFAFF)1()(111指数平滑法之所以称之为指数平滑是因为每靠前一期其权重就降低1-。例如，设=0.05，则各个时期的权重如下所示最近期的权重=（1-）00.0500近期的权重=（1-）10.0475次近期的权重=（1-）20.0451次次近期的权重=（1-）30.0429权重因子1222222222211111ttttttttttttttAAFFAFAFAFFAFF预测值预测方法表3-3某公司的月销售额一次指数平滑预测表(=0.4)月份实际销售额At(千元)×上月实销额(千元)上月预测销售额(千元)Ft+1(1-)×上月预测销售额(千元)本月平滑预测销售额(千元)12345678910111210.0012.0013.0016.0019.0023.0026.0030.0028.0018.0016.0014.004.004.805.206.407.609.2010.4012.0011.207.206.4011.0010.6011.1611.9013.5415.7218.6321.5824.9526.1722.906.606.366.707.148.129.4311.1812.9514.9715.7013.7411.0010.6011.1611.9013.5415.7218.6321.5824.9526.1722.9020.14P66例3.2预测方法表3-4某公司的月销售额一次指数平滑预测表(=0.7)月份实际销售额(千元)×上月实际销售额(千元)上月预测销售额(千元)Ft+1(1-)×上月预测销售额(千元)本月平滑预测销售额(千元)12345678910111210.0012.0013.0016.0019.0023.0026.0030.0028.0018.0016.0014.007.008.409.1011.2013.3016.1018.2021.0019.6012.6011.2011.0010.3011.4912.5514.97