第03章：需求管理与预测

第3章需求管理与预测

DemandForecasting

2/2/2023J.ChenNanjingUni.ofSci.&Tech.沃尔玛享有盛名，不仅仅是她”天天平价”和全球第一零售规模，在数据库产业同样拥有巨大的影响。之所以能够对通过其分布在全球3000多家门店快速、低成本满足客户需求的最重要的原因在于的，沃尔玛管理着全球最大的商业数据库（35千兆），并具有利用这些数据进行有效的需求管理的能力，使之能够比竞争对手更加快速准确了解需求及其相关的信息。其商业数据库包括了各类商品销售、库存、在途运输、市场统计、客户购买行为、财务、退换货、供应商及供货等海量信息。沃尔玛能够利用数据库，对3000家门店的数十万中货品进行准确预测，从而为货品的供应、配送等提供决策支持。利用这些信息帮助其作出更加快速准确的决策，包括：需求趋势、存货管理（物流配送）和客户偏好等。

在今天这样一个需求快速多变的商业环境下，如何有效的了解和管理需求，是企业实现提供运营能力和绩效的基本保障！

引例：沃尔玛的数据仓库2/2/2023J.ChenNanjingUni.ofSci.&Tech.本章教学要求了解需求管理的基本含义以及预测在需求管理中的作用；

▲了解预测方法的分类、选用和预测的基本步骤；

★掌握时间序列法（移动平均、指数平滑、时间序列分解）的特点和不足，掌握计算和应用；了解因果模型的基本原理，掌握一元回归计算方法；

▲掌握预测精度和监控的概念和方法2/2/2023J.ChenNanjingUni.ofSci.&Tech.主要内容需求管理和预测概述预测的常用方法时间序列方法因果模型预测的精度和有效性2/2/2023J.ChenNanjingUni.ofSci.&Tech.1.需求管理和预测概述（1）需求管理

需求管理：就是协调和控制各种需求的来源，从而有效地利用生产系统实现准时按需生产，是生产系统与外部变化的重要的接口。

需求的来源：独立需求和相关需求；

企业应对需求不确定的方法：主动、被动；

2/2/2023J.ChenNanjingUni.ofSci.&Tech.（2）预测及其作用

预测就是对未来事件发展的预计与推测。一般而言，它不可能绝对准确，即使是仔细周密的预测也会与未来发生的事件不符或相差甚远，但它在企业的运作过程中仍起着极为重要的作用。

预测的种类-按预测的对象分：社会预测、经济预测、技术预测、企业预测；-按预测的方法分：主观预测、时间序列、因果模型

预测的作用-用于制定企业各类规划:企业中长期计划、产品和服务开发规划、生产能力发展规划和布局规划等。-短期和日常计划:存货计划,人力资源计划、采购计划、生产计划、销售计划、预算和调度等1.需求管理和预测概述2/2/2023J.ChenNanjingUni.ofSci.&Tech.2.预测常用的方法

定性预测方法-基于主观判断的预测方法.-德尔菲法（Delphi）-主管领导集体讨论-销售人员意见汇总法-客户调查法时间序列法-移动平均法-指数平滑-时间序列分解因果模型-回归分析法-计量法2/2/2023J.ChenNanjingUni.ofSci.&Tech.3.时间序列方法（1）时间序列趋势成分季节成分周期成分随机成分图4-3时间序列分解时间序列的构成：－趋势因素－季节因素－周期因素－随机因素特性：－平均值－自相关性2/2/2023J.ChenNanjingUni.ofSci.&Tech.

时间序列法包括：移动平均、加权移动平均、指数平滑法、时间序列分解法等。

基本的假设前提：所研究的对象或事件的历史数据（时间序列）所呈现的规律或模式在未来仍然有效，潜在的需求是在这些规律的基础上会有随即波动。

基本原理：从时间序列中消除随机扰动，呈现需求规律，利用规律来预测和推演未来需求。

某型号洗洁精每周的发货量-时间序列方法的适用范围？-其缺陷在哪里？3.时间序列方法（2）时间序列方法的原理和适用范围2/2/2023J.ChenNanjingUni.ofSci.&Tech.移动平均的主要目的是平滑数据，消除随机干扰，使得变化形态显示出来。设：时间序列XT为X1,X2,X3…Xt…其平均值SMAt+1=(Xt+Xt-1+Xt-2+…+Xt-N+1)/Nt>=N其中，Xi为时间段的观察值Ni为移动平均的时间段则，称SMAt+1为时间序列XT的第t+1观测期内的简单移动平均的预测值，随t的变化，SMAt+1也相应第发生变化。在简单移动平均法中，时间序列中的数值对预测值的影响是同等看待的。MA5MA33.时间序列方法（3）简单移动平均法SMA2/2/2023J.ChenNanjingUni.ofSci.&Tech.3.时间序列方法（3）简单移动平均法SMA例题：已知某企业的某产品每个月的销售数据如表所示，问:计算3周和6周简单移动平均预测的大小?

2/2/2023J.ChenNanjingUni.ofSci.&Tech.SMA4=(720+678+650)/3=682.67SMA7=(920+859+785+720+678+650)/6=768.673.时间序列方法（3）简单移动平均法SMA2/2/2023J.ChenNanjingUni.ofSci.&Tech.3.时间序列方法（3）简单移动平均法SMA参数n对预测的影响2/2/2023J.ChenNanjingUni.ofSci.&Tech.

注意要点：

对于简单滑动平均预测方法，关键是选择移动时间区间的大小，即n的大小。n的大小的选择与预测者要求的适应性有关。如果管理者追求稳定性，n的值应该选择大一些，如果管理着的目标是体现响应性，则应选择小一点的n。主要特点：－简单、易操作；－N值的大小的选取取决于预测曲线的灵敏度的期望；－缺点：每一因素必须要以数据表达，数据涉及量大；－忽视了需求的自相关性；3.时间序列方法（3）简单移动平均法SMA2/2/2023J.ChenNanjingUni.ofSci.&Tech.

加权移动平均法是在简单移动平均法的基础上，将时间序列中的数据对预测的影响做不同看待，对每个序列值乘以不同的加权因子。设：时间序列XT为X1,X2,X3…Xt…其加权平均值WMAt+1=(α0Xt+α1Xt-1+α2Xt-2+…+αN-1Xt-N+1)/Nt>=N其中，Xi为时间段的观察值Ni为移动平均的时间段αj为相应的时间段的加权因子，且满足：(α1+α2+α3+…+αN-1)/N=1,j=0,1,2…N-1N<=t当α0=α1=α2=…=αN-1时，WMAt+1=SMAt+1,因此简单移动平均是加权移动平均的特殊形式。则，称WMAt+1为时间序列XT的第t+1观测期内的简单移动平均的预测值，随t的变化，WMAt+1也相应第发生变化。在简单移动平均法中，时间序列中的数值对预测值的影响是不同等看待的。

3.时间序列方法（4）加权移动平均法WMA2/2/2023J.ChenNanjingUni.ofSci.&Tech.加权移动平均计算F4=(0.5×20+1×21+1.5×23)/3

=21.833.时间序列方法（4）加权移动平均法WMA2/2/2023J.ChenNanjingUni.ofSci.&Tech.注意要点：在简单移动平均法中相同，预测值与N值的大小有关，N越大，对干扰的敏感性就越低，预测值的响应性就越小。-在实际预测中往往越近的数据对预测的影响力就越大，因此加权因子是由大到小变化的。-在加权移动平均中α和N是影响预测的稳定性和响应性的重要参数3.时间序列方法（4）加权移动平均法WMA2/2/2023J.ChenNanjingUni.ofSci.&Tech.一次指数平滑(SingleExponentialSmoothing)是加权移动的又一种形式。设时间序列XT的n次实际测试的记录数据为X1,X2,X3…,Xn；X0为初始值。又设SA1,SA2…,SAn为平滑预测值。若平滑预测值的SAt由下面公式表示：SAt=SAt-1+α(Xt-1-SAt-1)或SAt=αXt-1+(1-α)SAt-1其中，α为平滑常数(<1&>0)，(Xt-1-SAt-1)为上一次的预测误差。因此，物理上理解平滑指数法是：本次预测值=上次预测值+α*上次预测误差或：本次预测值=α*上实测值+（1-α）*上次预测值

3.时间序列方法（5）一次指数平滑法SES2/2/2023J.ChenNanjingUni.ofSci.&Tech.与上面的问题的类似，预测的关键是选择的大小。如果管理者追求稳定性，的值应该选择小一些，如果管理着的目标是体现响应性，则应选择大一点的。=0.4=0.1实际值3.时间序列方法（5）一次指数平滑法SES2/2/2023J.ChenNanjingUni.ofSci.&Tech.如果将SAt=αXt-1+(1-α)SAt-1中SAt-1用公式展开则，SAt=αXt-1+(1-α)SAt-1=αXt-1+(1-α)[αXt-2+(1-α)SAt-2]当t很大时，后项可以忽略，因此第t步的预测值可以看成是前t-1步实际测试值的指数形式的加权和，因此称为一次指数平滑法。在所有预测方法中，指数平滑是最为广泛使用的模型，也是计算机预测程序的重要组成部分。SAt=α

3.时间序列方法（5）一次指数平滑法SES2/2/2023J.ChenNanjingUni.ofSci.&Tech.例题：已知，某商店的某产品周销售历史数据如表。请用指数平滑法，预测第10周的销售量。α分别取值为0.1和0.6，并假设初始预测值等于第一周值（F1=D1）。3.时间序列方法（5）一次指数平滑法SES2/2/2023J.ChenNanjingUni.ofSci.&Tech.3.时间序列方法（5）一次指数平滑法SES2/2/2023J.ChenNanjingUni.ofSci.&Tech.它具有如下特点：(1)

指数模型的精度很高；(2)

建立指数模型相对容易；(3)

用户能了解模型的运行；(4)

计算量小。重要结论：-预测值依赖于平滑指数常数α的选择，一般来说α小一些，预测的稳定性就较大，反之，其响应性就较明显。如果实际图形波动较大，就要求提高模型的响应性，以便迅速跟上数据的变化，则α值取大一些。-一次平滑指数法，对于没有趋势需求的稳定序列是可行的。对于有上升或下降趋势的需求序列，此方法不理想。3.时间序列方法（5）一次指数平滑法SES2/2/2023J.ChenNanjingUni.ofSci.&Tech.基本思想：实际的需求是趋势、季节、周期或随机多种成分共同作用的结果。时间序列分解模型试图从已经发生的时间序列中找出各种明显的易于预测的成分，比如：周期性的变化规律，并在对各种成分进行单独预测的基础上，按照一定的规则综合处理各种成分的预测值，以得到最终的预测结果常用季节性预测模型乘法模型(AdditiveModel)：TF=TSCI加法模型(Multiplicativemodel)：TF=T+S+C+I

其中：TF为时间序列的预测值T为趋势成分的预测值;S为季节成分的度量C为周期成分的度量;I为以上未说明的因素的度量

3.时间序列方法（5）时间序列分解模型2/2/2023J.ChenNanjingUni.ofSci.&Tech.3.时间序列方法（5）时间序列分解模型例题：

某成衣制造公司记录了2010和2011两年的销售数据，见下表。请根据这些数据预测2012年的销售情况。

时间销售额(万元)时间

销售额(万元)2010年1季度3002季度2003季度2204季度5302011年1季度5202季度4203季度4004季度7002/2/2023J.ChenNanjingUni.ofSci.&Tech.Step1:求出趋势值的直线方程；

趋势值用最小二乘法，求出：Tt=170+55*tStep2:计算季节因子时间实际值趋势值实际值/趋势值季节因子10年1季度2季度3季度4季度300200220530225280335390(300/225)=1.330.710.661.36

(1.33+1.17)/2=1.25

(0.71+0.84)/2=0.7811年1季度2季度3季度4季度5204204007004455005556101.170.840.721.15

(0.66+0.72)/2=0.69

(1.36+1.15)/2=1.252/2/2023J.ChenNanjingUni.ofSci.&Tech.Step3:计算2012年的预测值2012年1季度:(170+55×9)×1.25=8312季度:(170+55×10)×0.78=5623季度:(170+55×11)×0.69=5354季度:(170+55×12)×1.25=10383.时间序列方法（5）时间序列分解模型2/2/2023J.ChenNanjingUni.ofSci.&Tech.3.因果模型时间序列方法仅考虑时间作为变量，事物发生发展的规律，而现实当中需求受到诸多因素影响，包括：产品生命周期、竞争者的行为、商业周期、客户偏好、社会经济、国家政策、时间等外部因素，还包括：广告、促销、销售策略、服务、质量等企业相关的因素。因果模型的基本思想：因果模型通过研究影响需求的相关因素与需求结果之间的定量关系，从进行预测的一种通行方法。基本方法：回归分析；只要求掌握一元回归模型

2/2/2023J.ChenNanjingUni.ofSci.&Tech.4.因果模型（1）一元线性回归2/2/2023J.ChenNanjingUni.ofSci.&Tech.5.预测精度与监控（1）预测精度的度量平均绝对偏差平均平方误差平均预测误差平均绝对百分误差2/2/2023J.ChenNanjingUni.ofSci.&Tech.5.预测精度与监控（1）预测有效性的监控预测的基本理论基础是，需求的模式或规律在过去、现在和未来均起着同样的作用。那么，我们如何知道过去有效的模型在未来仍然有效呢？常用的方法就是：-比较预测的精度是否在可以接受的范围之内；-跟踪信号法，所谓跟踪信号TS，就是指预测误差滚动RSFE与平均绝对偏差MAD的比值。可接受误差范围上限下限2/2/2023J.ChenNanjingUni.ofSci.&Tech.需求管理的新方法（补）随着市场环境的变化，需求的变化的速度和幅度在越来越大，市场的规律不断变化，预测的假定前提常常被打破，可预测程度越来越低，在这种环境下，如何管理外部需求？-建立在合作基础上的信息共享（如：汽车零部件厂商-整车厂商）；-应用VMI等方法消除牛鞭效应（如：沃尔玛-飞利浦，丰田、美的）；-利用CRM系统洞察客户需求及偏好（银行、电信）；-利用数据挖掘识别和获取潜在客户或市场知识（啤酒-尿不湿