生产运作管理1(3)

1生产运作管理预测Chapter42学习目标掌握预测的一些基本方法、模型和步骤。对于给定的企业环境，能够选用一种合适的预测模型进行预测。掌握时间序列预测方法中趋势和季节调整方法。3沃尔玛以最低廉的价格从正确的货架上取出正确的货物数据库：销售情况、库存状况、在途货物、市场统计数据、顾客统计数据、财务业绩、退货商品以及供应商绩效等数据库与供应商共享趋势分析、库存管理、增进对顾客的了解需求预测4预测的意义财务职能：为制定财务预算计划和成本控制提供依据营销职能：依靠销售预测来进行销售网点的布设、销售人员的补充等决策生产运营：利用预测制定周期性决策，例如工艺选择、生产能力计划等；同时也用于生产计划、调度和库存等决策活动Saleswillbe$200Million!5按时间跨度短期预测中期预测长期预测按基本方法定性预测：基层预测、市场调研、小组共识、历史类比、德尔菲法时间序列分析：简单移动平均、加权移动平均、指数平滑、回归分析、鲍克斯·詹金斯（BoxJenkins）法、希斯金（Shiskin）时间序列、趋势外推因果联系：回归分析、计量经济模型、投入/产出模型、先行指标模拟模型：以计算机为基础的动态模拟模型预测的分类6预测步骤明确预测目的确定时间跨度选择预测方法收集并分析相关数据进行预测对预测过程进行监控将预测结果付诸实际应用7预测方法的选择影响预测方法选择的因素成本精度历史数据的可获得性计算机的可获得性必要的准备时间有无使用经验预测目的……选择预测方法的原则审慎地对成本－精度做出权衡，从管理角度选择最合适的预测方法如果可能，使用多种预测方法来得到相互独立的预测结果，以增加预测结果的可信度权衡8预测方法的选择—continued预测方法需要的历史数据（观察值）数据分布预测周期准备时间预测人员个人背景简单移动平均5~10个数据稳定短期短不要求精通加权移动平均10～15个呈长期趋势变动短期到中期短掌握方法指数平滑10～20个；有季节变动，每季至少5个呈长期趋势变动短期到中期短掌握方法综合方法两对谷峰足够处理循环和季节变动分布短期到中期短到中等不要求精通回归分析每个自变量10个能够处理复杂分布短期、中期或长期建模时间长实施时间短非常精通选择合适预测方法的指南9时间序列预测方法时间序列为按时间顺序排列的数列，它包含一个或多个需求的影响因素：趋势、季节性、周期性、自相关性和随机性相加式季节变动假设：无论趋势效应或平均值如何变化，季节变动量恒为常数包括趋势性和季节性的预测=趋势季节变动量10时间序列法—continued相乘式季节变动包括趋势性和季节性的预测=趋势×季节因子季节因子时间序列中随各季节变化所作的调整系数算例1某企业平均每年售出1000件产品春季售出200件，夏季350件，秋季300件，冬季150件预计明年的总需求为1100件，季节因子等于各季度销售量除以季度平均销售量所得的比值分析明年各季的需求11时间序列法—continued解答季节因子的计算过去的销量（件）每季平均销量（件）（1000/4）季节因子春季200250200/250=0.8夏季350250350/250=1.4秋季300250300/250=1.2冬季150250150/250=0.6总计100012时间序列法—continued明年各季需求预测值的计算明年需求期望值（件）每季平均销量（件）（1100/4）（1）季节因子（2）明年各季需求预测值（件）（1）*（2）春季2750.8220夏季2751.4385秋季2751.2330冬季2750.6165总计110013时间序列法—continued算例2某产品销量的历史数据如表所示某产品销量历史数据单位：件根据手绘直线计算趋势和季节因子季度销量季度销量Ⅰ—1998300Ⅰ—1999520Ⅱ—1998200Ⅱ—1999420Ⅲ—1998220Ⅲ—1999400Ⅳ—1998530Ⅳ—199970014时间序列法—continued解答做散点图直线方程：Tt=170+55t式中：Tt——趋势值斜率=（610－170）÷8ⅠⅡⅢⅣⅠⅡⅢⅣ1998年1999年800700600500400300200100015时间序列法—continued2000年趋势性预测和季节因子的预测（FITSt）FITSt趋势×季节因子Ⅰ—2000FITS9[17055（9）]1.25831Ⅱ—2000FITS10[17055（10）]0.78562Ⅲ—2000FITS11[17055（11）]0.69535Ⅳ—2000FITS12[17055（12）]1.25103816时间序列法—continued根据实际数据和趋势曲线计算的季节因子单位：件季度实际销量由趋势方程推出Tt=170+55t实际值/趋势值的比值季节因子（2年中同一季节的平均值）1998Ⅰ3002251.33Ⅱ2002800.71Ⅲ2203350.66Ⅰ—1.25Ⅳ5303901.36Ⅱ—0.781999Ⅲ—0.69Ⅰ5204451.17Ⅳ—1.25Ⅱ4205000.84Ⅲ4005550.72Ⅳ7006101.1517时间序列法—continued最小二乘回归分解找出时间序列的基本分量如趋势、季节性和周期性，并分别计算各季度及各周期的指数步骤分解时间序列为各组成分量找出季节分量消除需求的季节性找出趋势分量。预测各分量的未来值将趋势分量外推至未来用季节分量乘以趋势分量18时间序列法—continued算例3应用最小二乘回归求算例2中的时间序列分解结果每一个数据点相应于3年（12季度）中的某个季度预测第4年4个季度的需求19时间序列法—continued解答步骤确定季节因子（或季节指数）消除原始数据中的季节性根据消除需求季节性影响后的数据建立最小二乘回归直线将回归直线外推至所要预测的区间用季节因子修正回归直线，建立最终预测方程20时间序列法—continued消除季节性影响后的需求单位：件（1）时期（x）（2）季度（3）实际需求（y）（4）每年同一季度的平均值（5）季节因子（6）消除季节性影响后的需求（yd）列（3）÷列（5）（7）x2列（1）平方（8）xyd列（1）列（6）1Ⅰ600(60024003800)/32266.70.82735.71735.72Ⅱ1550(155031004500)/330501.101412.442824.73Ⅲ1500(150026004000)/327000.971544.094631.94Ⅳ1500(150029004900)/331001.121344.8165379.05Ⅰ24000.822942.62514713.26Ⅱ31001.102824.73616948.47Ⅲ26000.972676.24918733.68Ⅳ29001.122599.96420798.99Ⅰ38000.824659.28141932.710Ⅱ45001.104100.410041004.111Ⅲ40000.974117.312145290.112Ⅳ49001.124392.914452714.5783335012.0333350.1①650265706.9注：第3列和第6列的累计总和都应为33350件，表中出现的差异是由于小数取整的结果。第5列精确到小数点后两位21时间序列法—continued修正后的预测值时期季度回归直线给出的Y值季节因子预测值（Y×季节因子）1315003.50.824102.871425345.71.105880.271535687.90.975517.261646030.11.126753.7122时间序列法—continued误差范围常见误差错误23线性回归分析线性回归方程Yabx作用有助于主要事件和综合计划的长期预测例如，预测产品簇的需求情况局限它假设历史数据和未来预测值都落在一条直线之上，限制了该方法的应用24线性回归分析—continued算例某企业的某种产品在过去3年共12个季度内的销售情况如表：用散点图和简单目视法或视觉启发式近似法徒手绘制回归直线，预测第4年的各个季度的销售情况季度销售量季度销售量1600726002155082900315009380041500104500524001140006310012490025线性回归分析—continued解答手绘回归方程手绘回归直线1234567891011126000500040003000200010000从直线上的点读出第1季度和第12季度的Y值，分别为750和495026线性回归分析—continuedb=(4950-750)/(12-1)=382手绘回归方程为Y=400+382x第13季度到第16季度的预测值季度预测值13400＋382（13）=536614400＋382（14）=574815400＋382（15）=613016400＋382（16）=651227线性回归分析—continued解答最小二乘法原则使得(y1-Y1)2+(y2-Y2)2+…+(y12-Y12)2最小式中a——Y轴截距；b——直线斜率；——所有y值的平均值；——所有x值的平均值；x——各点的x值；y——各点的y值；n——数据点个数；Y——回归方程求出的因变量值aybx22xynxybxnxyx28线性回归分析—continued计算结果xyxyx2y2Y16006001360000801.3215503100424025001160.9315004500922500001520.54150060001622500001880.152400120002557600002239.763100186003696100002599.472600182004967600002959.082900232006484100003318.6938003420081144400003678.210450045000100202500004037.811400044000121160000004397.412490058800144240100004757.1783335026820065011250250029线性回归分析—continued计算结果6.5x2779.17yb=359.6153a=441.6666441.66359.6Yx因此363.9yxS30线性回归分析—continued计算结果13季度到16季度的预测值如下：13441.6359.6(13)5116.4Y14441.6359.6(14)5476.0Y15441.6359.6(15)5835.6Y16441.6359.6(16)6195.2Y31线性回归分析—continued计算结果直线对数据的拟合程度即估测标准差为：估测标准差：21()2niiiyxyYSn2222(600801.3)(15501160.9)(15001520.5)(49004757.1)10yxS=363.932因果关系预测因果关系一事件的发生导致了另一事件的发生如果动因事件事先就可以确定地预见，则可用它作为预测的依据找出那些真正可以成为原因的事件33因果关系预测算例地毯销售记录年份批准新建房屋（所）销量（码2）*198918130001990151200019911211000199210100001993201400019942816000199535190001996301700019972013000*1码20.836米234因果关系预测解答做散点图0510152025303520000180001600014000120001000080006000新建房屋（所）地毯销量