MBA_Charpt2lzm.pptx

《MBA_Charpt2lzm.pptx》由会员分享，可在线阅读，更多相关《MBA_Charpt2lzm.pptx（34页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、第二章 需求预测一、预测的概念一、预测的概念二、预测方法二、预测方法三、预测的监控三、预测的监控预测的概念预测的概念预测是对未来可能发生的事情的估计与推测。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。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。本课程主要讨论需求预测。预测的概念预测的概念需求预测的意义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。预测的概念预测的概念预测的主要步骤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

2、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。预测的概念预测的概念预测的稳定性与响应性预测的稳定性与响应性稳定性：反应稳定需求的能力稳定性：反应稳定需求的能力响应性：反映需求变化的能力响应性：反映需求变化的能力预测方法预测方法预测方法预测方法 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。预测方法预测方法1、定量预测方法、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：时时间间序序列列：用

3、用过过去去的的需需求求和和时时间间的的关关系系来来预预测测未未来的需求。来的需求。因因果果模模型型：用用过过去去的的资资料料揭揭示示变变量量和和需需求求的的关关系系，进而预测未来的需求。进而预测未来的需求。预测方法预测方法2、时间序列模型、时间序列模型时时间间序序列列（Time Series）：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。预测方法预测方法预测方法预测方法时间序列的构成时间序列的构成：趋趋势势成成分分：随随时时间间的的推推移移而而表表现现出出的的一一种种倾倾向向（上升、下降、平稳）。（上升、下降、平稳）。季节成分：季节成分：特定周期时间里有规则的波动。

4、如：特定周期时间里有规则的波动。如：每天有二次交通高峰；每天有二次交通高峰；每周周末，影院的客流量较大；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。某些产品的季节性需求变化等。周周期期成成分分：较较长长时时间间里里（一一般般为为数数十十年年）有有规规则则的波动。的波动。随机成分：随机成分：没有规则的上下波动。没有规则的上下波动。预测方法预测方法预测方法预测方法时间序列模型时间序列模型：时时间间序序列列平平滑滑模模型型：通通过过多多个个数数据据的的平平均均来来消消除除和和减减少少随随机机成成分分(干干扰扰)。常常用用的的有有简简单单移移动动平平均均、加权移动平均、一次指数平滑加权移动

5、平均、一次指数平滑。时间序列分解模型：时间序列分解模型：预测方法预测方法1）简单移动平均）简单移动平均(Simple Moving Average)SMAt+1=(Xt+Xt-1+Xt-N+1)/N 预测值预测值=(=(前前N次实测值的平均值次实测值的平均值)预测方法预测方法预测方法预测方法结果：结果：N越大、预测值越平滑，对干扰的越大、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。灵敏性越低，预测值的响应性也就越小。预测方法预测方法2）加权移动平均）加权移动平均(Weighted Moving Average)WMAt+1=(t Xt+t-1 Xt-1+t-N+1 Xt-N+1)

6、/N预测值预测值=(=(前前N N次实测值的加权平均值次实测值的加权平均值)t t、t-1 t-1、t-N+1 t-N+1称为加权因子，且称为加权因子，且（t+t-1+t-N+1）/N=1预测方法预测方法预测方法预测方法结果：预测值的响应性较好，其结果与结果：预测值的响应性较好，其结果与 和和N的取值有关。的取值有关。预测方法预测方法3）一次指数平滑）一次指数平滑(Single Exponential Smoothing)SAt =SAt-1 +(Xt-1-SAt-1)或者，或者，SAt =Xt-1 +(1-+(1-)SAt-1预测值预测值=(上次实测值上次实测值)+()+(1-)上次预测值上

7、次预测值 称为平滑常数，（称为平滑常数，（0 0 1 1）预测方法预测方法预测方法预测方法预测方法预测方法结果：一次指数平滑预测值依赖于平滑结果：一次指数平滑预测值依赖于平滑常数常数 的选择，一般来言，的选择，一般来言，越大，预测越大，预测值的响应性越大，值的响应性越大，选得小些，则稳定性选得小些，则稳定性较大。较大。预测方法预测方法4）时间序列分解模型）时间序列分解模型(Time Series Decomposition)对各成分进行单独预测，再按一定的组合规则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。综合处理，得出最终的预测结果。乘法模型乘法模型 TF=TSCI

8、加法模型加法模型 TF=T+S+C+I预测方法预测方法主要讨论主要讨论线性季节模型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。线性变化趋势与季节性变化趋势共同作用的结果。预测值预测值=趋势预测值趋势预测值季节系数季节系数预测方法预测方法原始数据：原始数据：预测方法预测方法求趋势直线方程求趋势直线方程：y=a+b ty y为趋势预测值，为趋势预测值，t t为季节序号，为季节序号，a a、b b为常数。为常数。可用作图法或最小二乘法求出可用作图法或最小二乘法求出a a、b b。预测方法预测方法y=10000+167 t预测方法预测方法计算季节系数计算季节系数：各周期内相应实际值与趋势值

9、的比值的平均值。各周期内相应实际值与趋势值的比值的平均值。SI(SI(夏夏)=(1.16+1.13+1.16)/3=1.15)=(1.16+1.13+1.16)/3=1.15SI(SI(秋秋)=1.00)=1.00SI(SI(冬冬)=0.85)=0.85SI(SI(春春)=1.00)=1.00预测方法预测方法计算预测值：计算预测值：预测值预测值=趋势预测值趋势预测值季节系数季节系数未未来来一一年年的的夏夏秋秋冬冬春春各各季季对对应应的的t t值值分分别别为为13,14,15,16,13,14,15,16,预测销售量分别为预测销售量分别为:夏季:(10,000+16713)1.15=13,997

10、 (份)秋季:(10,000+16714)1.00=12,338 (份)冬季:(10,000+16715)0.85=10,629 (份)春季:(10,000+16716)1.00=12,672 (份)预测监控预测监控1、预测精度的测量预测精度的测量预测误差：预测值与实际值之间的差异。预测误差：预测值与实际值之间的差异。E=(At Ft)平均绝对偏差平均绝对偏差(Mean Absolute Deviation)MAD=At Ft /n它能较好地反映预测精度它能较好地反映预测精度平均平方误差平均平方误差(Mean Square Error)MSE=(At Ft)2/n它能较好地反映预测精度它能较好

11、地反映预测精度预测监控预测监控平均预测误差平均预测误差(Mean Forecast Error)MFD=（At Ft）/n它能较好地衡量无偏性它能较好地衡量无偏性平均绝对百分误差平均绝对百分误差(Mean Absolute Percentage Error)MAPE=预测监控预测监控2、预测监控预测监控检验预测模型是否仍然有效；检验预测模型是否仍然有效；测试指标：测试指标：跟踪信号跟踪信号TS=(At Ft)/MAD结论：结论：TS接近接近0 或在一定的范围内，预测模型或在一定的范围内，预测模型仍然有效。仍然有效。TS的控制范围一般取的控制范围一般取 3-8，多数情况下，多数情况下取取 4。演讲完毕，谢谢观看！