搜索
第二章需求预测DemandForecasting一、预测的概念二、预测方法三、预测的监控预测的概念?预测是对未来可能发生的事情的估计与推测。?一般有经济预测、技术预测、需求预测。?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。预测的概念?预测的主要步骤?确定预测目标；?确定影响产品需求的因素及其重要性；?收集资料；?选择预测方法与模型；?计算、预测；?对预测结果进行综合分析，得出结论；?将预测结果应用于生产计划工作中；?根据实际情况，对预测结果进行监控。预测的概念?预测的稳定性与响应性–稳定性：反应稳定需求的能力–响应性：反映需求变化的能力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。预测方法1、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：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2、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123456789101112实际销量(百台)20.0021.0023.0024.0025.0027.0026.0025.0026.0028.0027.0029.00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。预测方法预测方法?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：预测方法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)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)120.00221.00323.00424.0021.33525.0022.6721.75627.0024.0023.33726.0025.3324.75825.0026.0025.50926.0026.0025.751028.0025.6726.001127.0026.3326.251229.0027.0026.50预测方法?结果：N越大、预测值越平滑，对干扰的灵敏性越低，预测值的响应性也就越小。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)120.00221.00323.00424.00(0.5×20+1×21+1.5×23)/3=21.83525.0023.17627.0024.33726.0025.83825.0026.17926.0025.671028.0025.671127.0026.831229.0027.17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。预测方法3）一次指数平滑(SingleExponentialSmoothing)SAt=SAt-1或者，SAt=?Xt-1+(1-?)SAt-1预测值=?(上次实测值)+(1-?)上次预测值?称为平滑常数，（0???1）+?(Xt-1-SAt-1)预测方法月份123456789101112?(=0.4)表3-3某公司的月销售额一次指数平滑预测表?实际销售额At?×上月实上月预测销(1-)×上本月平滑(千元)销额(千元)售额(千元)月预测销售预测销售额(千元)额(千元)10.0011.0012.004.0011.006.6010.6013.004.8010.606.3611.1616.005.2011.166.7011.9019.006.4011.907.1413.5423.007.6013.548.1215.7226.009.2015.729.4318.6330.0010.4018.6311.1821.5828.0012.0021.5812.9524.9518.0011.2024.9514.9726.1716.007.2026.1715.7022.9014.006.4022.9013.7420.14预测方法?(=0.7)表3-4某公司的月销售额一次指数平滑预测表?月实际销?×上月上月预测销(1-)×上本月平滑预份售额实际销售售额(千元)月预测销售测销售额(千元)额(千元)额(千元)(千元)110.0011.00212.007.0011.003.3010.30313.008.4010.303.0911.49416.009.1011.493.4512.55519.0011.2012.553.7714.97623.0013.3014.974.4917.79726.0016.1017.795.3421.44830.0018.2021.446.4324.63928.0021.0024.637.3928.391018.0019.6028.398.5228.121116.0012.6028.128.4421.041214.0011.2021.046.3117.51预测方法?结果：一次指数平滑预测值依赖于平滑常数?的选择，一般来言，?越大，预测值的响应性越大，?选得小些，则稳定性较大。预测方法4）时间序列分解模型(TimeSeriesDecomposition)?对各成分进行单独预测，再按一定的组合规则综合处理，得出最终的预测结果。–乘法模型TF=TSCI–加法模型TF=T+S+C+I预测方法?主要讨论线性季节模型–线性变化趋势与季节性变化趋势共同作用的结果。–预测值=趋势预测值ⅹ季节系数预测方法原始数据：过去三年快餐销售记录季度季度序号t销售量At夏111,800秋210,404冬38,925春410,600夏512,285秋611,009冬79,213春811,286夏913,350秋1011,270冬1110,266春1212,138预测方法?求趋势直线方程：y=a+bty为趋势预测值，t为季节序号，a、b为常数。可用作图法或最小二乘法求出a、b。预测方法1600014000120001000080006000400020000123456789101112úê??y=10000+167t预测方法?计算季节系数：表3-7At/Tt计算表t123456789101112At/Tt1.161.010.850.991.131.000.821.001.160.950.871.01各周期内相应实际值与趋势值的比值的平均值。SI(夏)=(1.16+1.13+1.16)/3=1.15SI(秋)=1.00SI(冬)=0.85SI(春)=1.00预测方法?计算预测值：预测值=趋势预测值ⅹ季节系数?未来一年的夏秋冬春各季对应的t值分别为13,14,15,16,预测销售量分别为:?夏季:(10,000+167×13)×1.15=13,997(份)?秋季:(10,000+167×14)×1.00=12,338(份)?冬季:(10,000+167×15)×0.85=10,629(份)?春季:(10,000+167×16)×1.00=12,672(份)预测监控1、预测精度的测量?预测误差：预测值与实际值之间的差异。?E=(At?Ft)?平均绝对偏差(MeanAbsoluteDeviation)?MAD=??At?Ft?/n?它能较好地反映预测精度?平均平方误差(MeanSquareError)?MSE=?(At?Ft/n?它能较好地反映预测精度2)预测监控?平均预测误差(MeanForecastError)?MFD=?（At?Ft）/n?它能较好地衡量无偏性?平均绝对百分误差(MeanAbsolutePercentageError)?1??MAPE=????n?t?1n?AtFtA?100%t预测监控2、预测监控?检验预测模型是否仍然有效；?测试指标：跟踪信号TS=?(At?Ft)/MAD?结论：TS接近0或在一定的范围内，预测模型仍然有效。?TS的控制范围一般取?3----?8，多数情况下取?4。