第三章 需求预测

第三章需求预测

经济管理学院：马佳

E-mail：majia79@126.com主要内容预测误差与监控4定量预测方法3定性预测方法2预测的基本概念1第一节预测的基本概念一、预测及其作用

1、预测的概念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”。预测为人们提供了即将发生的情况的信息，增加了成功的机会;但预测不是一门精确的科学，它是科学与艺术的结合;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。一、预测及其作用2、预测的共同特征预测的基本假设：过去的发展状态要持续到将来;预测极少准确无误，实际情况总与预期有所不同；对总量的预测要比对个体的预测精确;如每天从沈阳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。第一节预测的基本概念第一节预测的基本概念一、预测及其作用3、预测的作用

帮助管理者设计生产运作系统生产什么产品，提供何种服务；在何处建立生产/服务设施；采用什么样的流程；供应链如何组织。

帮助管理者对系统的使用进行计划今年生产什么，生产多少；如何利用现有设施提供满意服务。物品预测*实际差额差额％#7147-灯47,60042,784-4816-10.1#8014-钳子12,8009,125-3675-28.7#8663-锉刀1,5051,157-348-23.1#8726-纤维切断机22,50028,392+5892+26.1#8933-螺刀10,10011,394+1834+18.1#9250-剪切机17,45014,860-2590-14.8#9261-剪刀28,50027,733-767-2.7#9337-耙68,00068,105+105+0.2#9604-锄27,20017,566-9644-35.4#9638-铲3,3204,638+1318+39.8总计238,975226,284-12,691-5.3物品的平均预测误差=19.9

某工具厂三季度销售预测第一节预测的基本概念第一节预测的基本概念二、预测的分类1、预测的分类－－按性质分类科学预测－－科学预测是对科学发展情况的预计与推测。如门捷列夫预计有3个当时未发现的元素：亚铝、亚硼和亚硅。后来都被发现了，是镓、钪和锗；技术预测－－技术预测是对技术进步情况的预计与推测；经济预测－－政府部门以及其它一些社会组织经常就未来的经济状况发表经济预测报告；第一节预测的基本概念二、预测的分类1、预测的分类－－按性质分类需求预测－－需求预测为企业给出了产品在未来的一段时间里的需求期望水平,为企业的计划和控制决策提供了依据；社会预测－－社会预测是对社会未来的发展状况的预计和推测。比如人口预测、人们生活方式变化预测、环境状况预测等。需求预测与企业生产经营活动关系最密切。二、预测的分类2、预测的分类－－按时间分类长期预测(Long-rangeForecast)－－对5年或5年以上的需求前景的预测。它是企业长期发展规划的依据；中期预测(Intermediate-rangeForecast)－－中期预测是指对一个季度以上两年以下的需求前景的预测。它是制订年度生产计划、季度生产计划的依据；短期预测(Short-rangeForecast)－－短期预测是对一个季度以下的需求前景的预测。它是调整生产能力、采购、安排生产作业计划等具体生产经营活动的依据。第一节预测的基本概念第一节预测的基本概念二、预测的分类3、预测分类－－按主客观因素所起的作用分类定性预测方法(subjectiveorqualitativeapproach)－－主观预测法，依靠人们的才干、知识、远见和判断力来推测未来的变化；定量预测方法(quantitativeorstatisticalapproach)

－－统计预测法，主要根据对历史资料的分析来推断未来的需要。第一节预测的基本概念三、影响需求预测的因素四、预测的主要步骤设定预测目标确定预测对象监测、控制预测验证和使用预测结果作出预测选择预测方法收集、分析数据决定预测的时间跨度选择预测方法监测、控制和评价预测长期—5年以上中期—0.5-2年短期—月／周需求预测的过程第一节预测的基本概念五、预测中应注意的问题判断在预测中的作用；判断在选择预测方法中的作用；判断在辨别信息中的作用；判断在取舍预测结果时的作用。预测精度与成本；预测的时间范围和更新频率；稳定性与响应性。第一节预测的基本概念第二节定性预测方法一、对需求预测方法的认识预测很少是完美的；大多数预测方法假定系统中存在某种根本的稳定性；产品系列的预测和总产品的预测比单个产品的预测准确。因此,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。销售额将为200百万美元!二、需求预测方法分类定性预测方法qualitativemethod定量预测方法quantitativemethod·

德尔菲法·

部门主管集体讨论法·

销售人员意见汇集法·

用户调查法·

时间序列预测模型

Ø

时间序列平滑模型

-

简单移动平均

-

加权移动平均

-

一次指数平滑

Ø

时间序列分解模型

-

乘法模型

-

加法模型·

因果模型（回归模型）二次指数平滑第二节定性预测方法第二节定性预测方法三、定性预测方法1、德尔菲法(Delphimethod)挑选参加预测的专家。这些专家应该来自不同领域，具有各种不同知识背景；通过问卷调查(或电子邮件)从各个专家处获得预测信息(包括对预测所作假设的前提和限制)；汇总调查结果，附加适当的新问题后重新发给专家；再次汇总，提炼预测结果和条件，再次形成新问题；如有必要，重复上一个步骤。将最终结果发给所有专家。匿名性、问卷设计、专家选择、反馈速度TEXTTEXTTEXTTEXT三、定性预测方法2、部门主管集体讨论法(juryofexecutives)3、销售人员意见汇集法(user’expectation)4、用户调查法(fieldsalesforce)第二节定性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。常用的方法：时间序列模型：用过去的需求和时间的关系来预测未来的需求；因果关系模型：用过去的资料揭示变量和需求的关系，进而预测未来的需求。第三节定量预测方法Quantitative一、时间序列的构成趋势成分随时间的推移而表现出的一种倾向（上升、下降、平稳）—数据长期变化趋势。季节成分特定周期时间里（一年里）有规则的波动—数据短期有规律的波动。每天有二次交通高峰；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。周期成分较长时间里（一年以上，一般为数十年）有规则的波动。随机成分由很多不可控因素引起的，没有规则的上下波动。第三节定量预测方法第三节定量预测方法定性预测方法qualitativemethod定量预测方法quantitativemethod·

德尔菲法·

部门主管集体讨论法·

销售人员意见汇集法·

用户调查法·

时间序列预测模型

Ø

时间序列平滑模型

-

简单移动平均

-

加权移动平均

-

一次指数平滑

Ø

时间序列分解模型

-

乘法模型

-

加法模型·

因果模型（回归模型）二次指数平滑第三节定量预测方法二、时间序列平滑模型通过多个数据的平均来消除和减少随机成分(干扰)。简单移动平均法加权移动平均法一次指数平滑法二次指数平滑法第三节定量预测方法第三节定量预测方法二、时间序列平滑模型时间序列（TimeSeries）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。二、时间序列平滑模型1、简单移动平均法(SimpleMovingAverage)

SMAt+1=(At+At-1+…+At-N+1)/N

预测值=(前N次实测值的平均值)

SMAt+1

－－对下一期的预测值

N

－－移动平均的时期个数

At－－前期实际值在趋势微弱或没有趋势的情况下使用。第三节定量预测方法第三节定量预测方法N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。当n=3的时候，预测4月的销售量，SMA4=(23+21+20)/3=21.33二、时间序列平滑模型2、加权移动平均法(WeightedMovingAverage)

WMAt+1=(tAt+t-1At-1…+t-N+1At-N+1)/N

预测值=(前N次实测值的加权平均值)

t、

t-1、…、

t-N+1称为加权因子，且

（t+t-1+…+t-N+1）/N=1近期数据对预测结果的影响大，远期数据对预测的结果影响小；根据各期数据影响程度的大小不同分别赋予不同的权重。第三节定量预测方法第三节定量预测方法预测值的响应性较好，其结果与和N的取值有关。第三节定量预测方法二、时间序列平滑模型3、一次指数平滑法（SingleExponentialSmoothing）一次指数平滑法考虑所有的历史数据，只不过近期实际数据的权重大，远期实际数据的权重小。

SAt

=

At+(1-)SAt-1

=SAt-1+(At-SAt-1)

At为t期的实际值；

为平滑系数，它表示赋予实际数据的权重。将第t期一次指数平滑平均值SAt

，作为t+1期一次指数平滑预测值SFt+1，则有：

第三节定量预测方法二、时间序列平滑模型3、一次指数平滑法（SingleExponentialSmoothing）

SFt+1=

At+(1-)SFt

=

SFt+(At-SFt

)预测值=上期预测值+×(上期实测值-上期预测值）称为平滑系数，（01）一次指数平滑法的权数呈指数递减，最新的数据权数最大；预测值依赖于平滑常数的选择，一般来言，越大，预测值的响应性越大，选得小些，则稳定性较大。偏差

SFt+1=

At+(1-)SFt

=At+(1-)[At-1+(1-)SFt-1] ……………

权数呈指数递减；最新的数据权数最大；当t很大时，(1-)t×SF1

趋近于0，可忽略。第三节定量预测方法周期12…………t-1tt+1实际值A1A2…………At-1AtAt+1平滑平均值SA1SA2…………SAt-1SAtSAt+1平滑预测值SF1SF2…………SFt-1SFtSFt+1第三节定量预测方法SA2=11.00

+0.4×

(10.00-11.00)=10.60SA3=10.60+0.4×(12.00-10.60)=11.16预测值依赖于平滑常数的选择，一般来言，越大，预测值的响应性越大，选得小些，则稳定性较大。第三节定量预测方法第三节定量预测方法二、时间序列平滑模型3、一次指数平滑法（SingleExponentialSmoothing）平滑系数的选择当时间序列呈现较稳定的水平趋势时，应选较小的值，一般可在0.05～0.20之间取值；当时间序列有波动，但长期趋势变化不大时，可选稍大的值，常在0.1～0.4之间取值；当时间序列波动很大，长期趋势变化幅度较大，呈现明显且迅速的上升或下降趋势时，宜选择较大的值，可在0.6～0.8间选值。三、时间序列分解模型(TimeSeriesDecomposition)对各需求构成进行单独预测，再按一定的组合规则综合处理，得出最终的预测结果。乘法模型TF=TSCI

（此方法较通用）加法模型TF=T+S+C+I

T为趋势成分；S为季节成分

C为周期性变化成分；I为不规则的波动成分第三节定量预测方法三.时间序列分解模型主要讨论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。预测值=趋势预测值ⅹ季节系数第三节定量预测方法第三节定量预测方法三、时间序列分解模型关键在于求线性趋势方程和季节系数求线性趋势直线方程：

Yt=a+b·t

Yt—趋势预测值

t—季节序号

a、b—系数可用作图法或最小二乘法求出第三节定量预测方法第三节定量预测方法三、时间序列分解模型（1）求趋势方程

Yt=a+b·t

Yt=10000+167·t三、时间序列分解模型（2）计算季节系数各周期内相应实际值与趋势值的比值的平均值。第三节定量预测方法SI(夏)=(1.16+1.13+1.16)/3=1.15SI(秋)=(1.01+1.00+0.97)/3=1.00SI(冬)=(0.85+0.82+0.87)/3=0.85SI(春)=(0.99+1.00+1.01)/3=1.00作用：消除数据中的季节变动拟合季节变动三、时间序列分解模型（3）计算预测值：

预测值=趋势预测值ⅹ季节系数

若未来一年的夏秋冬春各季对应的t值分别为13,14,15,16,预测销售量分别为:夏季:(10,000+167×13)×1.15=13,997(份)秋季:(10,000+167×14)×1.00=12,338(份)冬季:(10,000+167×15)×0.85=10,629(份)春季:(10,000+167×16)×1.00=12,672(份)第三节定量预测方法

四、因果模型（回归模型）线形回归模型非线形回归模型——可转化为线形回归模型主要研究一元线形回归模型

指出因变量和自变量之间的线性关系。

第三节定量预测方法YXii=+ab因变量（反应变量）自变量（解释变量）斜率Y的截距

四、因果模型（回归模型）一元线性回归模型

第三节定量预测方法YXYai+^iibXi=+误差

误差观察值YabX=+回归线

四、因果模型（回归模型）一元线性回归模型计算公式

第三节定量预测方法公式：斜率：Y的截距：例题见书P90-91第三节定量预测方法

四、因果模型（回归模型）线性相关强度——相关系数样本相关系数用r来表示；r值介于-1到+1之间；衡量关联程度：正相关、负相关；强相关、弱相关。

见书P91第三节定量预测方法预测方法需要的历史数据数据分布预测周期准备时间预测人员个人背景一次指数平滑法5-10个观测值数据应该是稳定的短期短不要求精通长期趋势法10-20个，每季度至少5个呈现长期趋势变动短期到中期短对预测方法有所掌握季节变动法两个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因果回归分析法每个自变量10个观测值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五、预测方法的选择第四节预测误差与监控一、预测精度的测量预测误差：预测值与实际值之间的差异E=(AtFt)平均绝对偏差(MeanAbsoluteDeviation)MAD=AtFt

/n它能较好地反映预测精度平均平方误差(MeanSquareError)MSE=(At

Ft)2/n它能较好地反映预测精度第四节预测误差与监控一、预测精度的测量平均预测误差(MeanForecastError)MFD=（AtFt）/n它能较好地衡量无偏性（AtFt）称为预测误差滚动和(RSFE)平均绝对百分误差(MeanAbsolutePercentageError)MAPE=第四节预测误差与监控例题1：计算下表中的MAD、MSE、MFE、MAPE的值。MAD=37/6=6.17MSE=239/6=39.83MFD=3/6=0.5MAPE=14.28/6=2.38第四节预测误差与监控二、预测监控检验预测模型是否仍然有效测试指标：跟踪信号TS=(AtFt)/MADMAD=AtFt

/n结论：TS接近0或在一定的范围内，预测模型仍然有效。TS的控制范围一般取3----8，多数情况下取4。2468101214161820上控制线下控制线追踪信号(TS)第四节预测误差与监控例题2：某企业经过6个月的跟踪，得到各月的预测误差如下表，根据这些数据，计算各月的预测误差滚动和与平均绝对误差，以及跟踪信号的值。月123456预测误差-5070100-409050练习题1下表给出了某计算机公司近10个月的实际销售量和用A,B两种模型进行预测的预测值。计算两种模型的MAD；计算两种模型的RSFE使用MAD作为评价标准，哪一种模型好一些，为什么？月份12345678910实际销售量566620584652748703670625572618A模型预测值610630610630640650655655630630B模型预测值580600580630702680680680600600练习题2下表是光华科研所某项目新技术产品过去7个月份的销售额数据，试用一次指数平滑法预测1997年12月份的销售额。（取α=0.2，α=0.7，SA1=150）序号时间销售额/万元预测值/万元α=0.211997.514315021997.615231997.716141997.813951997.913761997.1017471997.1114281997.12练习题2序号时间销售额/万元预测值/万元α=0.211997.514315021997.6152148.631997.7161149.2841997.8139151.6251997.9137149.1061997.10174146.6871997.11142152.14