第5章计划供应链的需求

第5章计划供应链的需求与供给阳明明5.1供应链中的需求管理—预测供应链中预测的意义预测是为了更好地计划生产、运输、供应等每个环节独立进行预测，往往出现需求与供给之间的不匹配拥有稳定需求的成熟产品最容易预测，而高新技术产品及时尚类产品则相反精确的预测可以让供应链更好地响应和服务客户预测的特点预测通常是不准确的，但误差区间是可以估计的长期预测的准确性不如短期预测综合预测通常比分解预测要准确越接近下游，信息越真实，预测越准确需求预测的基本步骤定量预测法的注意要素：明确预测目标计划与预测相结合分析影响需求预测的主要因素理解和明确消费者细分市场选择合适的预测方法竞争者采取的行动定性预测五大定性预测方法一般预测法:一线销售员预测,逐级上报分析;市场调研法:问卷/面谈/电话收集数据,适合R&D;小组共识法:高级经理/销售经理/顾客代表头脑风暴;历史类比法:类似产品历史销售数据类比,适合R&D;德尔菲法:专家问答收集汇总,闭环重复。基本定量预测方法汇总及比较方法简介预测期移动平均法movingaverage时间序列上移动平均的每一点都是一系列连续点的算术平均数或加权平均数，选择若干数据点以消除季节性等影响。短期指数平滑Exponentialsmoothing类似于移动平均法，只是对更近期的点给予更大的权数，来调整季节等不确定。短期博克斯詹金斯法Box-Jenkins通过计算机建成自回归的、综合的移动平均模型，调整季节性和趋势性权重。中短期基本定量预测方法汇总及比较方法简介预测期时间序列分解法Timeseriesdecomposition将时间序列分解成季节性、趋势性和规律性因素等方法。在判断转折点时非常有用，是中期（3-12个月）预测的好方法。中短期趋势映射法Trendprojection用数学方程拟合趋势曲线，考虑如下几个变形：斜率、多项式、对数等。中短期集中预测法Focusforecasting在未来的三个月内，通过计算机模拟测试几个简单的决策方法，看哪个更精确。中期基本定量预测方法汇总及比较方法简介预测期回归模型Regressionmodel通过计算机统计将需求与其他变量或解释变量联系在一起，用回归模型来预测。中短期计量经济模型Econometricmodel是一组相互依赖的回归方程组，比普通的回归方程更好地解释因果，能更好地预测转折点。中短期购买意向和预期调查intention-to-buyanti-cipationsurveys对普通公众调查决定购买意向，但可能会得到错误的反馈信息，因此应不断加以跟踪校正。中期基本定量预测方法汇总及比较方法简介预测期神经网络法neutralnetworks该模型可以学习新数据，对不连贯的时间序列，该模型比其他时间序列模型预测得更准确。短期生命周期分析Life-cycleanalysis根据S曲线分析，预测新产品的增长，在不同阶段，产品可分别被创新者、早期接受者等人们所接受。中长期动态模拟Dynamicsimulation利用计算机模拟不同时间最终产品销售情况，对分拨和供给渠道不同点需求的影响。需求由ss/pp/采购政策表示出来。中短期移动平均法移动平均法根据时间序列逐项移动，依次计算包含一定项数的平均数，形成平均数时间序列，并据此对预测对象进行预测。移动平均可以消除或减少时间序列数据受偶然性因素干扰而产生的随机变动影响。移动平均法在短期预测中较准确，长期预测中效果较差。移动平均法可以分为：一次移动平均法二次移动平均法移动平均法一次移动平均法适用于具有明显线性趋势的时间序列数据的预测。一次移动平均法只能用来对下一期进行预测，不能用于长期预测。必须选择合理的移动跨期，跨期越大对预测的平滑影响也越大，移动平均数滞后于实际数据的偏差也越大。跨期太小则又不能有效消除偶然因素的影响。跨期取值可在3~20间选取。一次移动平均数的计算公式如下：nxxxxMxntttttt)1(21)1(1...指数平滑法指数平滑法来自于移动平均法，是一次移动平均法的延伸。指数平滑法是对时间数据给予加工平滑，从而获得其变化规律与趋势。根据平滑次数的不同，指数平滑法可以分为：一次指数平滑法二次指数平滑法三次指数平滑法一次指数平滑)1(1221)1(1)1()1(...)1()1()1(tttttttttxxxxSxS一次指数平滑预测模型当时间序列数据大于50时，初始值S0(1）对St(1)计算结果影响极小，可以设定为x1；当时间序列数据小于50时，初始值S0(1）对St(1)计算结果影响较大，应取前几项的平均值。实例•例：有关数据的计算见下表()。8.0观察年份时序观察值St(1)St(2)199614041.53442.655199724745.90645.256199835653.98152.236199946562.79660.684200057068.55966.984200167573.71272.366200278280.34278.747计算结果TTbaxSSbSSaT38.6937.8138.6)747.78342.80(8.018.0)(1937.81747.78342.8022777)2(7)1(77)2(7)1(77时间序列分解预测法基本思路：以历史数据作为预测基础适应范围：内外部环境基本稳定，基本的销售模式在年与年之间无明显变动，未来需求与历史数据有较强的相关性。类型：静态(static),动态(adaptive)观察值＝系统变量+随机变量系统参数：预期值，包括需求水平（level），长期趋势（trend），季节系数（seasonality）等；随机变量：无法解释的因素，也是预测与真实值差别的主要原因，因此要尽量减少随机变量的大小；不同的三种模型因子关系（multiplicative）：levelXtrendXseasonalfactor和关系（additive）：level+trend+seasonalfactor混合关系（mixed）：（level+trend）Xseasonalfactor时间序列预测模型及步骤确定合适的模型（因子型，相加型，混合型）预测发展水平和长期趋势（运用移动平均，回归方程等）预测季节性因素得出模型的基本参数，建立预测模型时间序列分解法的实例演算观察年分时序（t）观察值（x）t2tx趋势值趋势比率（TI）199913213225.091.2821843626.210.6932196327.330.774391615628.451.3720005362518029.371.226213612630.690.687244916831.810.758446435232.931.3420019398135134.051.15102510025035.170.71112812130836.290.77124814457637.411.28合计783756502598趋势图0102030405060123456789101112计算过程第一步：估计需求水平和需求趋势值假定各季度销售量呈直线趋势变化，根据最小二乘法建立直线趋势预测模型，利用上表中数据可求得：直线趋势预测数学模型btaxt97.23127812.11237512.1786501237578259812)(222ntbnxattnxttxnbtxt12.197.23计算过程•第二步：根据直线趋势预测模型计算各期趋势值89.411612.197.2377.401512.197.2365.391412.197.2353.381312.197.2381.31712.197.2321.26212.197.2309.25112.197.2316151413721xxxxxxx第三步：计算各期趋势比率28.141.374877.029.362877.033.272169.021.261828.109.2532121212111111333222111xxTIxxTIxxTIxxTIxxTIxxTIiii所以有:趋势比率的计算公式是第四步：计算季节指数33.1328.134.137.176.0377.075.077.069.0371.068.069.022.1315.122.128.14321SISISISI季节指数等于同月（季）趋势比率和与资料年份数的比第五步：进行预测根据上述计算结果，2002年各季度的销售量预测值如下：7.5533.189.41)(0.3176.077.40)(4.2769.065.39)(0.4722.153.38)()(4164431533214221131112SIxSIbtaXSIxSIbtaXSIxSIbtaXSIxSIbtaXSIxSIbtaXiiii所以有预测公式为：第六步：预测结果季度序号趋势比率平均趋势比率2002年趋势值2002年预测值19992000200111.281.221.151.2238.5347.020.690.680.710.6939.6527.430.770.750.770.7640.7731.041.371.341.281.3341.8955.7回归模型（最小二乘法）最小二乘法即适用于直线趋势的预测，也适用于曲线趋势的预测。最小二乘法直线趋势预测模型为：xbyxbynaxxnxyyxnbbxay)(1)(其中ˆ22广州市货运物流量预测值年份时序广州市国民生产总值(亿元)199912063.37200022375.91200132684.83200243001.48200353496.88200464115.81200575115.75200686048.41广州市社会经济指标历年值0100020003000400050006000700019992000200120022003200420052006年份DependentVariable:HYMethod:LeastSquaresDate:03/30/09Time:17:41Sample:19992006Includedobservations:8VariableCoefficientStd.Errort-StatisticProb.C4688.516717.28066.5365160.0006GDP3.1877200.18673117.071200.0000R-squared0.979827Meandependentvar16205.13AdjustedR-squared0.976465S.D.dependentvar4492.546S.E.ofregression689.2109Akaikeinfocriterion16.12129Sumsquaredresid2850070.Schwarzcriterion16.14115Loglikelihood-62.48516F-statistic291.4259Durbin-Watsonstat1.295049Prob(F-statistic)0.000003预测3.18774688.5yx分析预测误差判定现行预测方法能否准确预测需求的系统成分判断预测的上下区间，及早做准备判断一种预测方法是否合适极差（最大预测值与最小值之差）均方差（所有期预测误差平方和之平均）平均绝对偏差（所有期预测误差绝对值之平均）标准差（均方差之平方根）离散系数（标准差与所有期平均值之比）5.2供应链中的综合计划Outline供应链总