试谈供应链的需求预测35493.pptx

《试谈供应链的需求预测35493.pptx》由会员分享，可在线阅读，更多相关《试谈供应链的需求预测35493.pptx（37页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、第三部分 计划供应链中的需求与供给n 第七章 供应链的需求预测n 第八章 供应链的综合计划n 第九章 供应链的供给和需求计划：管理预计的可变性1第四章 供应链的需求预测Chapter 4 Demand forecasting in a supply chain Supply Chain Management7-2Outline7.1 预测在供应链中的作用7.2 预测的特征7.3 预测的组成部分及预测方法7.4 预测的时间序列法7.5 预测误差的度量37.1 预测（Forecasting）在供应链中的作用n 对未来需求的预测构成了供应链中所有战略性和规划性决策的基础。如推动流程是根据对顾客需求预

2、测来运行的。如Delln 所有供应链规划活动都是以预测顾客最终购买行为及发生的时间为基础。如：n 生产：日程安排、库存管理、总体计划n 营销：销售资源配置、促销、新产品开发n 财务：生产线（设备）的投资和预算规划n 人事：雇员计划、雇佣、解雇n 拥有稳定需求的成熟产品最容易预测，如牛奶、纸巾等日常用品n 对于销售季节很短的时尚商品和高技术产品，需求预测较难47.2 预测的特征n 预测经常会出错，要包括预期结果和对误差的测量（因为预测经常会出错）；n 长期预测通常没有短期预测精确，即长期预测误差的标准差相对于均值要大一些；产品差异化延迟（postponement）n 综合预测通常要比独立预测准确

3、得多；n 在公司中越往供应链的上游靠近（或者距离顾客越远），接收到的信息失真就越多。57.3 预测的组成部分及预测方法n 识别影响未来需求的因素，确定这些因素与未来需求之间的关系；n 平衡主观和客观两方面因素；n 此外，还需了解 过去的需求、产品提前期、广告计划或其他的营销努力、经济状况、计划的价格折扣、竞争对手已经采取的行动、天气、紧急事件等。6预测方法n 定性法（Qualitative）：基本上是主观的，依赖于人们的判断和意见做出预测。在缺少历史数据或专家关于市场的见解对于预测十分重要时；n 时间序列法（Time Series）：利用历史数据预测未来需求；基于假设历史时期的需求是对未来需求

4、的一种很好的暗示。适用于外界环境稳定、基本需求模式年度变动不大；n 因果关系法（Causal）：假定预测的需求与有关外界因素（如经济环境、利率等）高度相关，利用对外界因素的预测来预测未来的需求；n 仿真法（Simulation）：通过模拟消费者选择进行需求预测，利用这种方法，公司可以将时间序列法和因果关系法结合起来，回答问题。如价格提升将会带来什么样的影响 并将各种预测结果结合起来作为最终的预测结果比单独运用某种方法更为有效。7预测的组成部分及预测方法n 被考察需求(O)=系统成分Systematic component(S)+随机成分Random component(R)n 系统成分衡量需求

5、的期望值由需求水平Level扣除季节因素影响后的目前需求；需求趋势Trend下一时期需求的增长或衰减率；季节性需求Seasonality可预测需求的季节性变动。随机成分指预测中偏离系统需求的那部分，不能用目前的需求变动所解释 预测的目的：过滤出随机成分（噪音），估计系统成分的需求。8需求预测的基本步骤1、理解预测的目标2、把供应链的需求计划和预测整合起来3、了解和识别顾客群4、识别影响需求预测的主要因素5、确定合适的预测技术6、设定预测绩效和误差测度97.4 预测的时间序列法n 每一个预测的目的都是支持以预测为基础的决策，都是预测系统需求部分和估计随机需求部分。系统需求部分的数据在一般形式下包

6、含需求水平、需求趋势和季节系数，它也能表现为如下列方程所示的多种形式。n 乘法型：系统成分需求水平需求趋势季节系数n 加法型：系统成分需求水平需求趋势季节系数n 混合型：系统成分（需求水平需求趋势）季节系数10n 时间序列法分为：静态法和适应法。n 静态法（Static）：只对需求中系统成分的各个要素（需求水平、需求趋势、季节系数）预测一次，不根据观察到的新需求更新系统成分。适应法（Adaptive）：根据观察到的新需求更新系统成分的各个要素的预测。包括移动平均、指数平滑和进行需求趋势及季节性需求修正后的指数平滑。11静态方法n 假设混合模型:Systematic component=(lev

7、el+trend)(seasonal factor)L基期的需求水平估计（对基期剔除季节性影响后的需求预测）T需求趋势的估计Stt期的季节性系数估计Dt t期实际观测到的需求值Ft预测的t期需求预测公式：Ft+l=L+(t+l)TSt+ln 步骤：n 剔除季节性需求的影响，用线性回归预测需求水平和需求趋势；n 估计季节系数。12Time Series Forecasting(Table 7.1)例：NaturalGForecast demand for thenext four quarters.13预测需求水平和需求趋势n 剔除季节影响后的需求Deseasonalized demand=de

8、mand that would have been observed in the absence of seasonal fluctuationsn 时期数Periodicity(p)：在周期内包含的所有时期之后，季节性周期将重复进行 for demand at NaturalG(Table 7.1,Figure 7.1)p=414Deseasonalizing Demand15Period t Demand DDeseasonalized demand 1 8,0002 13,0003 23,000 19,7504 34,000 20,6505 10,000 21,2506 18,000

9、21,7507 23,000 22,5008 38,000 22,1259 12,000 22,62510 13,000 24,12511 32,00012 41,00016剔除季节性影响后需求以一个固定比率变化，即剔除季节性影响后的需求与时间t之间存在一个线性关系Dt=L+tTwhere Dt=deseasonalized demand in period tL=level(deseasonalized demand at period 0)T=trend(rate of growth of deseasonalized demand)In the example,L=18,439 and

10、T=52417Time Series of Demand(Figure 7.3)18估计季节性系数Use the previous equation to calculate deseasonalized demand for each periodSt=Dt/Dt=seasonal factor for period tIn the example,D2=18439+(524)(2)=19487 D2=13000S2=13000/19487=0.6719Estimating Seasonal Factors(Fig.7.4)20预测季节性系数The overall seasonal fact

11、or for a“season”is then obtained by averaging all of the factors for a“season”n 如果数据中存在一个r的季节性循环，对所有pt+i,1ip为形式的时期，定义In the example,there are 3 seasonal cycles in the data and p=4,soS1=(0.42+0.47+0.52)/3=0.47S2=(0.67+0.83+0.55)/3=0.68S3=(1.15+1.04+1.32)/3=1.17S4=(1.66+1.68+1.66)/3=1.6721预测Using the

12、original equation,we can forecast the next four periods of demand:F13=(L+13T)S1=18439+(13)(524)(0.47)=11868F14=(L+14T)S2=18439+(14)(524)(0.68)=17527F15=(L+15T)S3=18439+(15)(524)(1.17)=30770F16=(L+16T)S4=18439+(16)(524)(1.67)=4479422适应性预测法Ft+l=(Lt+lTt)St+l=forecast for period t+l in period t Lt=Estim

13、ate of level at the end of period t Tt=Estimate of trend at the end of period t St=Estimate of seasonal factor for period t Ft=Forecast of demand for period t(made period t-1 or earlier)Dt=Actual demand observed in period t Et=Forecast error in period t At=Absolute deviation for period t=|Et|MAD=Mea

14、n Absolute Deviation=average value of At 23适应法预测步骤n 初始化:Compute initial estimates of level(L0),trend(T0),and seasonal factors(S1,Sp).This is done as in static forecasting.n 预测:Forecast demand for period t+1 using the general equation Ft+l=(Lt+lTt)St+l.n 估计误差:Compute error Et+1=Ft+1-Dt+1 n 修正预测值:Modi

15、fy the estimates of level(Lt+1),trend(Tt+1),and seasonal factor(St+p+1),given the error Et+1 in the forecastn Repeat steps 2,3,and 4 for each subsequent period24移动平均法（Moving Average）n 当需求没有可观测的趋势或季节性变动 需求的系统成分需求水平n 将最近N期的需求平均值作为t期的需求水平预测：当观测到t+1期需求后，n 移动平均法给过去N期数据同样的权重，同时忽略所有比新的移动平均数陈旧的数据。25Moving A

16、verage ExampleFrom NaturalG example(Table 7.1)At the end of period 4,what is the forecast demand for periods 5 through 8 using a 4-period moving average?L4=(D4+D3+D2+D1)/4=(34000+23000+13000+8000)/4=19500F5=19500=F6=F7=F8Observe demand in period 5 to be D5=10000Forecast error in period 5,E5=F5-D5=19

17、500-10000=9500Revise estimate of level in period 5:L5=(D5+D4+D3+D2)/4=(10000+34000+23000+13000)/4=20000F6=L5=20000=F7=F826简单指数平滑法（Simple Exponential Smoothing）n 当需求没有可观测的趋势或季节性变动时 系统需求需求水平n 预测观测到t+1期需求Dt+1后，为需求水平的平滑系数，0 1。n 值越大，预测值与最近的观测值越相关；反之亦然。27Simple Exponential Smoothing ExampleFrom NaturalG e

18、xample,forecast demand for period 1 using exponential smoothingL0=average of all 12 periods of data=Sum(i=1 to 12)Di/12=22083F1=L0=22083Observed demand for period 1=D1=8000Forecast error for period 1,E1,is as follows:E1=F1-D1=22083-8000=14083Assuming=0.1,revised estimate of level for period 1:L1=D1+

19、(1-)L0=(0.1)(8000)+(0.9)(22083)=20675F2=L1=20675Note that the estimate of level for period 1 is lower than in period 028需求趋势修正后的指数平滑法Trend-Corrected Exponential Smoothing(Holts Model)n 系统需求有需求水平和需求趋势没有季节性变动 系统成分需求水平需求趋势n Obtain initial estimate of level and trend by running a linear regression of th

20、e following form:Dt=at+b T0=a L0=bIn period t,the forecast for future periods is expressed as follows:Ft+1=Lt+Tt Ft+n=Lt+nTt 观测到t+1期需求后，修正Lt+1=Dt+1+(1-)(Lt+Tt)Tt+1=b(Lt+1-Lt)+(1-b)Tt 为需求水平的平滑系数，0 1 为需求趋势的平滑系数，0 1。29Trend-Corrected Exponential Smoothing ExampleExample:Tahoe Salt demand data.Forecast

21、demand for period 1 using Holts model(trend corrected exponential smoothing)Using linear regression,L0=12015(linear intercept)T0=1549(linear slope)Forecast for period 1:F1=L0+T0=12015+1549=13564Observed demand for period 1=D1=8000E1=F1-D1=13564-8000=5564Assume=0.1,=0.2L1=D1+(1-)(L0+T0)=(0.1)(8000)+(

22、0.9)(13564)=13008T1=(L1-L0)+(1-)T0=(0.2)(13008-12015)+(0.8)(1549)=1438F2=L1+T1=13008+1438=14446F5=L1+4T1=13008+(4)(1438)=1876030需求趋势和季节性需求修正后的指数平滑法Trend-and Seasonality-Corrected Exponential Smoothing（Winter Model）n 系统需求有需求水平、需求趋势和季节性变动 系统需求（需求水平需求趋势）季节性需求n Assume periodicity pn Obtain initial estim

23、ates of level(L0),trend(T0),seasonal factors(S1,Sp)using procedure for static forecastingn In period t,the forecast for future periods is given by:Ft+1=(Lt+Tt)(St+1)and Ft+n=(Lt+nTt)St+n 31Trend-and Seasonality-Corrected Exponential Smoothing(continued)After observing demand for period t+1,revise es

24、timates for level,trend,and seasonal factors as follows:Lt+1=(Dt+1/St+1)+(1-)(Lt+Tt)Tt+1=(Lt+1-Lt)+(1-)TtSt+p+1=(Dt+1/Lt+1)+(1-)St+1 a 为需求水平的平滑系数，0 1b 为需求趋势的平滑系数，0 1g为季节性需求的平滑系数，0 132Trend-and Seasonality-Corrected Exponential Smoothing ExampleExample:Tahoe Salt data.Forecast demand for period 1 usi

25、ng Winters model.Initial estimates of level,trend,and seasonal factors are obtained as in the static forecasting caseL0=18439 T0=524 S1=0.47,S2=0.68,S3=1.17,S4=1.67F1=(L0+T0)S1=(18439+524)(0.47)=8913The observed demand for period 1=D1=8000Forecast error for period 1=E1=F1-D1=8913-8000=913Assume a=0.

26、1,b=0.2,g=0.1;revise estimates for level and trend for period 1 and for seasonal factor for period 5L1=a(D1/S1)+(1-a)(L0+T0)=0.1)(8000/0.47)+(0.9)(18439+524)=18769T1=b(L1-L0)+(1-b)T0=(0.2)(18769-18439)+(0.8)(524)=485S5=g(D1/L1)+(1-g)S1=(0.1)(8000/18769)+(0.9)(0.47)=0.47F2=(L1+T1)S2=(18769+485)(0.68)

27、=13093337.5 预测误差的度量n 一个好的预测方法应该反映系统需求部分而不是随机需求部分。随机需求部分会以预测误差的形式表现出来。n t期的预测误差Forecast error=Et=Ft-Dt n 平均方差Mean squared error(MSE)绝对离差Absolute deviation=At=|Et|n 平均绝对离差Mean absolute deviation(MAD)When the random component is normally distributed=1.25MAD34n 平均绝对百分比误差Mean absolute percentage error(MAPE)n 偏差Bias 用来判断预测方法持续低估或高估了需求n 跟踪信号Tracking signal TSt=bias/MADtn 应该在+6之间，否则TS6，高估了需求；TS-6，低估了需求，应该更换一种新的预测方法 35思考题n 1、预测在像戴尔公司这样的按单生产的制造商的供应链中起到什么作用？n 2、你认为在巧克力和面粉的需求中系统成分和随机成分各是什么？36Thank you!37