生产运作管理-6需求预测

第六章需求预测一、预测的基本概念二、定性预测方法三、定量预测方法一、预测的基本概念•什么是预测?•预测的分类•预测的一般步骤•影响需求预测的因素•预测中应注意的几个问题1.什么是预测?•Forecast,Predict,Prophesy•预测是对未来可能发生的情况的预计与推测。•“凡事预则立，不预则废”•预测是一门艺术，一门科学–(Forecastingistheartandscienceofpredictingfutureevents)•预测离不开科学测定的数据，也离不开人们的经验和判断。•不能因为预测的失误而否定预测。•预测的基本假设：过去的发展状态要持续到将来•对总量的预测要比对个体的预测精确–如每天从武汉到北京旅客数量的预测，比预计某个人将到何处出差要准确•预测精度随预测的时间范围增加而降低2.预测的种类(1)按预测时间的长短•长期预测：对5年或5年以上的需求前景的预测–一般是利用市场调研、技术预测、经济预测、人口统计等方法，加上综合判断来完成，其结果大多是定性的描述。–是企业长期发展规划、产品研究开发计划、生产能力扩充计划的依据。•中期预测：对一个季度以上、2年以下需求前景的预测–中期预测可以通过集体讨论、时间序列法、回归法、经济指数相关法等方法结合判断而作出。–它是制订年度生产计划、季度生产计划、销售计划、生产与库存预算、投资和现金预算的依据。•短期预测：以日周旬月为单位对一个季度以下的需求前景的预测–可以利用趋势外推、指数平滑等方法与判断的有机结合来进行。–是调整生产能力、采购、生产作业计划等具体生产经营活动的依据。(2)按主客观因素所起的作用分•定性预测方法•定量预测方法预测中应注意的几个问题•判断在预测中的作用选择预测方法辨别信息取舍预测结果•预测精度与成本•预测的稳定性与响应性（抗随机干扰vs反映需求变化）•预测的时间范围和更新频率预测精度费用0总费用预测成本经营费用二、定性预测方法•德尔菲法（DelphiMethod）•部门主管集体讨论法（JuryofExecutives）•用户调查法（Users’Expectation）•销售人员意见汇集法（FieldSalesForce）•美国兰德公司于20世纪40年代发明并用于技术预测•Delphi是古希腊传说中的一座城市，因有阿波罗神殿而出名。传说众神每年都要到该城聚会，以占卜未来。•从40年代至70年代初，德尔菲法在各类预测中的应用比重由20.8%增加到24.2％。•方法的本质是利用专家的知识、经验、智慧等带有很大模糊性的无法量化的信息，通过通信的方式进行信息交换，逐步地取得一致的意见，达到预测的目的。1.德尔菲法（DelphiMethod）•又称专家调查法（S1:挑选专家；S2:迭代函询调查；S3:最终预测意见）•简单直观•避免了专家会议的弊端（Group-think）•适用资料不全或不多的情况•专家的选择没有明确的标准，预测结果的可靠性缺乏严格的科学分析，最后趋于一致的意见仍带有随大流的倾向•三原则：匿名性，反馈性，收敛性Delphi法的适用范围•难以借助精确的分析技术处理，但建立在集体基础上的直观判断可以给出某些有用的结果。•面对一个庞大复杂的问题，专家们以往没有交流思想的历史，因为他们的经验与专业代表着不同的背景。•专家人数多，面对面交流思想的方法效率很低。•时间与费用的限制不能经常开会商讨。•专家之间分歧隔阂严重或出于其他原因不宜面对面交换思想。•避免权威作用，防止“乐队效应”，也就是随大流倾向。2.部门主管集体讨论法（JuryofExecutives）•简单易行，可快速获得预测结果。•汇集了各主管的经验和判断。•不需要准备和统计历史资料。•主观意见，预测结果缺乏严格的科学性。•与会人员间容易相互影响。•因预测是集体讨论的结果，故无人对其正确性负责。3.市场调研法•预测来源于顾客期望，较好地反映市场需求情况。•有利于改进产品，有针对性地开展促销活动。•适用于对新产品或缺乏销售记录的产品需求预测。•很难获得顾客的通力合作。•顾客所说不一定符合顾客最终实际所做，因为顾客的期望值不断变化。•费时费力。4.销售人员意见汇集法（FieldSalesForce）•又称基层意见法。•预测值很容易按地区、分支机构、销售人员、产品等区分开。•由于取样较多，预测结构较具稳定性。•由于销售人员的意见受到重视，增加了其销售信心。•带有销售人员的主观偏见。•受地区局部性的影响，预测结果精度较差。•当预测结果作为销售人员未来的销售目标时，预测值容易被低估。•当预测涉及紧俏商品时，预测值容易被高估。（一）时间序列分析（二）因果关系模型（三）预测监控三、定量预测方法（一）时间序列分析：以时间为独立变量，利用过去需求随时间变化的关系来预测未来的需求。包括：时间序列平滑模型，时间序列分解模型（二）因果关系模型：利用变量（包括时间，如广告投入vs销量）之间的相互关系，通过一种变量的变化来预测另一种变量的未来变化。上述模型共同隐含的假设（前提）：过去存在的变量之间的关系和相互作用机理，今后仍然存在并继续发挥作用。（三）预测监控：通过预测监控来检验过去起作用的预测模型是否仍然有效。时间序列是按一定的时间间隔，把某种变量的数值依发生的先后顺序排列起来的序列。•时间序列的构成•时间序列平滑模型移动平均法（MA、WMA）指数平滑法（一次、二次）•时间序列分解模型（一）时间序列分析1.时间序列的构成趋势成分季节成分周期成分随机成分•趋势成分：数据随着时间的变化表现出一种趋向(由于人口、技术等原因)。它按某种规则稳步地上升或下降，或停留在某一水平。Mo.,Qtr.,Yr.Response©1984-1994T/MakerCo.•季节成分：在一年里按通常的频率围绕趋势作上下有规则的波动(由于天气、顾客等原因)。Mo.,Qtr.ResponseSummer©1984-1994T/MakerCo.•周期成分：在较长的时间里（一年以上）围绕趋势作有规则的上下波动。这种波动常被称作经济周期。Mo.,Qtr.,Yr.ResponseCycle•随机成分：由很多不可控因素引起的、没有规则的波动。时间序列曲线及其构成示例2.时间序列平滑模型•单纯法（NaiveMethod）•移动平均法（MovingAverage）（用一组最近的实际数据值来进行预测）简单移动平均法（SMA）加权移动平均法（WMA）•指数平滑法（ExponentialSmoothing）（考虑所有的历史数据）一次指数平滑法二次指数平滑法由于随机成分的影响而导致需求偏离平均水平时，应用时间序列平滑模型，通过对多期观测数据平均的办法，可以有效地消除或减少随机成分的影响，以使预测结果较好地反映平均需求水平。•单纯法（NaïveForecasts）–将前期实际得到的结果作为下一期的预测值•特点–使用简单，没有代价–不用数据分析–容易理解–预测精度不高•单纯法的应用–时间序列稳定的情况•F(t)=A(t-1)，A(t-1)为（t-1)期实际值，F(t)为t期的预测值–对季节性波动•F(t)=A(t-n)，n为波动周期–对有趋势变化情况•F(t)=A(t-1)+(A(t-1)–A(t-2))nn期需求总和前移动平均数nAAAAnAiSMAtntntnttntit/)...(2)1(1)1(111（1）简单移动平均法共n项n为移动平均采用的周期数（2）加权移动平均法nAAAAnAiWMAtnntntnttntintit/)...(2)1(31)1(21111权数期需求）第期权数（第加权移动平均数nn共n项i为实际需求的加权系数举例•某公司产品的逐月销售量记录如下。取n=3,试用移动平均法进行预测。A.简单移动平均法预测月份实际销量（百台）预测销量（n=3）120.00221.00323.00424.0021.33525.0022.67627.0024.00726.0025.33825.0026.00926.0026.001028.0025.671127.0026.331229.0027.00SMA4=(A1+A2+A3)/3=21.33SMA特点：•简单移动平均法预测值与所选的时段长n有关。n越大，对干扰的敏感性越低，预测的稳定性越好，响应性则越差。•简单移动平均法对数据不分远近，同样对待。有时最近的趋势反映了需求的趋势，此时用加权移动平均法更合适。B.加权移动平均法预测月份实际销量(百台)预测销量(百台)（n=3）120.00221.00323.00424.0021.83525.0023.17627.0024.33726.0025.83825.0026.17926.0025.671028.0025.671127.0026.831229.0027.175.1,0.1,5.0321WMA4=(0.5A1+A2+1.5A3)/3=21.83SMA与WMA预测值的比较简单移动平均加权移动平均SMA与WMA预测值的再比较(滞后性)WMA特点：•当存在可察觉的趋势时，可以用权数来强调最近数据。若对最近的数据赋予较大的权重，则预测数据与实际数据的差别较简单移动平均法要小。•加权移动平均法更能反映近期的变化，因为更接近当前的数据可以被赋予更大的权数。•近期数据的权数越大，则预测的响应性就越好，但稳定性越差；反之则预测的稳定性越好，但响应性越差。•权数的选择带有一定主观性，没有权数选择的既定公式。•MA是WMA的特例。（3）指数平滑法•一次指数平滑法（SingleExponentialSmoothing）•二次指数平滑法（DoubleExponentialSmoothing）A.一次指数平滑法一次指数平滑法是另一种形式（比较复杂）的加权移动平均法加权移动平均法只考虑最近的n个实际数据，指数平滑法则考虑所有的历史数据，只不过近期实际数据的权重大，而远期实际数据的权重小一次指数平滑法的预测公式：新的预测=上期预测+α（上期实际需求-上期预测值）即下一期的预测是对上一期预测偏差的调整。预测公式SFt+1=SFt+α(At–SFt)=αAt+(1–α)SFt其中：SFt+1=新一期的预测值SFt=上一期的预测值At=上一期的实际值α=平滑系数（0α1）递推公式：SFt+1=αAt+(1–α)SFt=αAt+α(1-α)At-1+α(1-α)2At-2+…+α(1-α)t-1A1+(1-α)tSF1110)1()1(SFAtjtjtj前t期实测值的指数形式的加权和；且随着实测值年龄的增大，其权数以指数形式递减。讨论两种极端情况（1）α=0SFt+1=SF1=A1即对近期的数据都加上0权数，只考虑最历史的数据（2）α=1SFt+1=αAt=At即对所有历史数据都加上0权数，只考虑最近期的数据（单纯法）举例SFt+1=αAt+(1-α)SFt月份实际销量（百台）(Ai)预测销量(α=0.4)(SFi)预测销量(α=0.7)(SFi)110.0011.00(给定)11.00(给定)212.0010.6010.30313.0011.1611.49416.0011.9012.55519.0013.5414.97623.0015.7217.79726.0018.6321.44830.0021.5824.63928.0024.9528.391018.0026.1728.121116.0022.9021.041214.0020.1417.51SF2=αA1+(1-α)SF1=0.4A1+(1-0.4)SF1=0.410.00+(1-0.4)11.00=10.60SF3=αA2+(1-α)SF2=0.7A2+(1-0.7)SF2=0.712.00+(1-0.7)10.30=11.49α=0.4和α=0.7时的预测值比较051015202530351月2月3月4月5月6月7月8月9月10月11月12月实际值当α=0.4时当α=0