生产与作业管理——预测--网路化预测：协同规划、预测与补货（PPT 69页）

生產與作業管理第十二章預測蔡幸穎、郭俊宏、宗培倫吳聯稚、蕭婉芝、曾暐鈞AGENDA1.需求管理2.預測的類型3.需求的組成4.定性預測技巧5.時間序列分析6.因果關係預測7.焦點預測8.網路化預測：協同規劃、預測與補貨9.結論AGENDA1.需求管理2.預測的類型3.需求的組成4.定性預測技巧5.時間序列分析6.因果關係預測7.焦點預測8.網路化預測：協同規劃、預測與補貨9.結論預測重大管理決策與長期規劃的基礎◦財會方面預算規劃成本控制◦行銷方面銷售預測、規劃新產品、獎勵銷售人員◦生產作業方面製程選擇、產能規劃、設備配置、生產規劃排成、存貨控制對於預測的態度◦不會完美，需要修正◦合理範圍求得最佳預測方法預測需求12-1需求管理需求管理之目的是協調和控制所有的需求來源，以有效率使用生產系統，而能即時地供應產品。需求的來源◦獨立需求(Independencedemand)◦相依需求(Dependencedemand)積極影響消極反應AGENDA1.需求管理2.預測的類型3.需求的組成4.定性預測技巧5.時間序列分析6.因果關係預測7.焦點預測8.網路化預測：協同規劃、預測與補貨9.結論預測的類型定性技術時間序列分析因果關係模擬模式定性法時間序列分析因果關係模擬模型草根法簡單移動平均迴歸分析電腦模型市場研究加權移動平均經濟模型群體意見法迴歸分析投入/產出模型歷史類推法BoxJenkins領先指標Delphi法Shiskin時間序列趨勢預測AGENDA1.需求管理2.預測的類型3.需求的組成4.定性預測技巧5.時間序列分析6.因果關係預測7.焦點預測8.網路化預測：協同規劃、預測與補貨9.結論需求的六種型態某段時間的平均需求趨勢季節性因素週期性因素較難決定的元素，無法知道時間的區間或未考慮到ex:政治選舉、戰爭自我相關事件的持續性任何一點的期望值是與他過去的值高度相關隨機變異由偶發事件所引起具有成長及季節性因素的產品需求常見的趨勢類型線性直接連續的關係S曲線典型的產品成長和成熟週期漸近線由較高的需求成長開始，漸漸遞減指數常見於具有爆炸性成長的產品需求銷售量季銷售量季銷售量季銷售量季AGENDA1.需求管理2.預測的類型3.需求的組成4.定性預測技巧5.時間序列分析6.因果關係預測7.焦點預測8.網路化預測：協同規劃、預測與補貨9.結論定性預測技巧(1)草根法◦持續的加入基層資料建立預測值◦愈接近終端顧客的人，越了解產品未來的需要◦地區配銷中心區域性配銷中心總公司市調法◦委由市調或行銷顧問公司進行◦使用問卷和訪談ex:滿意度、購買意願定性預測技巧(2)群體意見法◦『三個臭皮匠勝過一個諸葛亮』◦開放式會議，自由交換意見◦層級：「Open」Delphi法◦不同領域具備專業知識的人(匿名)◦問卷或E-mail，由參與者獲取預測值◦綜合結果、回饋、修正◦不斷重複上述步驟，通常是三次定性預測技巧(3)歷史類推法◦由現有或是同類產品作一預測◦參考類似產品的經驗ex:咖啡壺→烤麵包機AGENDA1.需求管理2.預測的類型3.需求的組成4.定性預測技巧5.時間序列分析6.因果關係預測7.焦點預測8.網路化預測：協同規劃、預測與補貨9.結論12-5時間序列分析使用過去的資料來預測未來的結果企業依據下列要素，選擇預測模型：◦預測的時間範圍◦資料的取得性◦需要的準確度◦預測之預算多寡◦是否可取得適合的人員時間序列分析方法簡單移動平均加權移動平均指數平滑法迴歸分析(一)簡單移動平均使用時機：產品的需求量並非快速的成長或下降不受季節因素的影響有效去除不規律變異對預測的影響Ft=預測值n=期數At-1,At-2,….At-n=實際歷史資料nAAAFntttt...21週需求3週9週週需求3週9週180016170022001811214001718002000180031000182200183318114150010671919001900191151500130020240019671933613001333212400216720117180014332226002233211181700153323200024672144913001600242500233321111017001600136725260023672167111700156714672622002367226712150015671500272200243323111323001633155628250023332311142300183316442924002300237815200020331733302100236723784008001,2001,6002,0002,4002,80048121620242832實際3週9週簡單移動平均法缺點於預測時，它必需放棄一筆舊資料與加入一筆新的資料，再重新計算。這對預測三或六期的移動平均法影響不大。但對於以60天為期數，分別預測倉庫中20,000個貨品的需求時，就需要處理大量的資料。(二)加權移動平均賦予每一個變數相對應的權重值，權重值的總和等於1選擇加權值的法則：經驗法&試誤法ntntttAWAWAWF....2211niiW11Wn為第t-n期的比重ｎ為預測的總期數加權移動平均(續)好處◦它可以改變過去每一資料點對未來的影響力缺點◦麻煩且費時(三)指數平滑法指數平滑法只需要下列三項資料：◦最近的預測結果◦最近一期的實際需求◦平滑常數alpha（α）)(111ttttFAFF(0≦≦1)Ft=第t期的預測值Ft-1=第t-1期的預測值At-1=第t-1期的實際需求α=調整係數指數平滑法(續)廣泛被接受的原因：◦準確◦建構指數平滑的公式簡單◦使用者可以理解它是如何運作，運算簡易◦僅使用少量的歷史資料，所以資料的儲存空間小◦驗證此法則的準確度也很簡單趨勢效應與調整式預測為減低真實資料和預測資料間誤差，除調整外，可加入趨勢值加以修正趨勢值可基於合理的猜測或使用過去資料計算產生ttttttttttttttTFFITFITFTTFITAFITFTFFIT)()(11111111Ft=第t期的指數平滑預測Tt=第t期的指數平滑趨勢FITt=第t期的預測(趨勢)FITt-1=第t-1期的預測(趨勢)At-1=第t-1期的實際需求值=平滑常數δ=平滑常數預測誤差誤差是預測值和實際值之間的差值，統計學上稱作殘值（Residuals）在統計學上，只要預測值落在信賴區間，則認為誤差不存在誤差來源誤差可分為偏差(bias)或隨機誤差(random)偏差：多因固定的錯誤造成，如採用錯誤的變數、變數間的關係錯誤、使用錯誤的趨勢線、誤把季節性因素去除等。隨機錯誤：無法以正常的預測模式解釋的部分誤差衡量標準差平均平方差(變異數)平均絕對值誤差(MAD)追蹤訊號平均絕對誤差(MAD)平均絕對誤差(MAD)：計算實際值與預測值間差異的絕對值，再將誤差絕對值的總和除以資料筆數當預測誤差呈常態分配時，ntFAMADntt11標準差=MADMAD25.121MAD=0.8標準差追蹤訊號(TrackingSignal)將預測誤差值的總和除以MADRSFE：預測誤差值的總和，正負可相抵MAD：所有絕對誤差的平均值MADRSFETS追蹤訊號(續)月需求預測實際差異RSFE絕對差絕對差之和MADTS11000950-50-50505050-1210001070+70+2070120600.33310001100+100+12010022073.31.6441000960-40+8040260651.2510001090+90+17090350702.4610001050+50+2205040066.73.3追蹤訊號(續)可預測正向或負向的偏差123456信號軌跡月實際大於?預測實際小於預測追蹤訊號(續)月需求預測實際差異RSFE絕對差絕對差之和MADTS11000950-50-50505050-1210001070+70+2070120600.33310001100+100+12010022073.31.6441000960-40+8040260651.2510001090+90+17090350702.4610001050+50+2205040066.73.3一個完美的預測，所有預測誤差的總和應該為零，即信號軌跡值也應該為零◦表示高估的誤差可與低估的誤差相抵消MAD常用來預測誤差◦MAD指數平滑法：類似單一指數平滑法預測未來的誤差範圍設定安全庫存量誤差MADt=α|At-1-Ft-1|+(1-α)MADt-1線性迴歸分析定義：兩個或兩個以上相關變數間的關係，可使用一個變數去預測另一個變數稱之為迴歸。線性迴歸：是迴歸分析法的特例線性迴歸方程式：使用限制：過去的資料和未來的預測資料，均必須落在同一條線上。bxaY季銷售量1600215503150041500524006310072600829009380010450011400012490012345678910111205001,0001,5002,0002,5003,0003,5004,0004,500$5,000(12--1)(4,950--750)............最小平方法所有資料點與其相對應的迴歸線對應點間，垂直距離之平方總和的最小值。◦Y=應變數◦y=應變數之實際值◦a=Y的截距◦b=斜率◦x=時間xbya22xnxyxnxyb12345678910111205001,0001,5002,0002,5003,0003,5004,0004,500$5,000Y1Y2Y3Y4Y5Y6Y7Y8Y9Y10Y11Y12y1..y2.y3y4.y5..y6y7.y8.y9.y10.y11.y12.季銷售bxaY時間序列的分解定義：為資料具有時間順序關係，其包含下列一種或多種的需求因素：趨勢、季節、週期、自我相關性、隨機性。•季節因子：為一修正值，是時間序列分析中，針對季節所做的調整量。雖以週期為表示，並非年度性定期活動的週期，是以年度中特別活動的某段期間稱為「季」。加法性：假設不論趨勢或平均量如何變化，季節量恆為一常數。預測=趨勢因子＋季節因子•乘法性：季節變動大小與趨勢水準有關，趨勢增加時，季節變化量也隨之增加。預測=趨勢因子＋季節因子a.加法性b.乘法性簡單等比法歷史銷售量季平均銷售(1000/4)季節因素春200250200/250=0.8夏350250350/250=1.4秋300250300/250=1.2冬150250150/250=.06總計1000明年之預估需求季平均銷售量(1100/4)季節因子明年之需求預測春275Ｘ0.8＝220夏275Ｘ1.4＝385秋275Ｘ1.2＝330冬275Ｘ0.6＝165總計1100目測預測模式季量I-1998300II-1998200III-1998220IV-1998530I-1999520II-1999420III-1999400IV-1999700200100300400500600700IIIIIIIVIIIIIVII19931994170610目測截點170斜率=(610-170)/8之間的變化量趨勢方程式：Trendt=170+55t19981999季實際需求由趨勢公式Tt=170+55t實際/趨勢季節因素(兩年之平均)1998I3002251.33II2002800.71III2203350.66I-1.25IV5303901.36II-0.781999III-0.69I5204451.17IV-1.25II4205000.84III4005550.72IV7006101.15預測下年度結果：FTTSt=趨勢x季節性I-2000FITS9=(170+5