生产与运作管理 3预测

第三章需求预测

Forecasting重点掌握本章内容：定量预测方法3.1需求预测概述3.2定性预测方法3.3定量预测方法3.4预测误差及监控思考：

企业为什么要进行需求预测？如何进行预测？本章内容：3.1需求预测概述3.2定性预测方法3.3定量预测方法3.4预测误差及监控一、预测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。预测的基本假设：过去的发展状态要持续到将来

讲究科学，但也需经验和判断无法绝对精确总量预测比个体预测准受预测时间范围影响大预测基本特点资料：气象预报与超级计算机资料：气象预报与超级计算机我国首台千万亿次超级计算机系统—“天河一号”近日由国防科学技术大学研制成功。天河一号24小时的工作量，如果用现在最先进的双核高性能个人PC机来操作，需要整整160年才能完成。在“天河一号”机房的一台显示器前，记者看到了“天河一号”计算并预报的2009年8月9日袭击台湾的“莫拉克”台风的走势图。从这段动画中可以清晰地看到台风的中心、中心风力和走势，而这次预报被证实与后来的真实情况基本相同，准确率极高。按性质：科学预测经济预测技术预测需求预测社会预测按时间：长期预测中期预测短期预测预测分类二、预测的步骤1确定预测的目的2确定预测的时间范围3选择预测的方法4收集和分析数据5准备预测6对预测进行监控

“预测”三、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时间范围和更新频率稳定性与响应性－预测方法的两个基本要求稳定性：抗拒随机干扰、反映稳定需求的能力。适用于受随机因素影响大的预测问题响应性：迅速反映需求变化的能力，适用于受随机因素影响小的预测问题三、需求预测需求预测是企业对其产品需求水平在未来一段时间里的变化情况进行的预计与推测。是企业计划和控制决策的主要依据。需求预测与企业生产经营活动关系最紧密。

预测在生产中的地位产品决策市场和需求研究和技术生产能力决策劳动力需求预测，订单综合计划可获得的原材料现有库存外部生产能力（转包）主生产计划和MRP系统详细的工作排程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需求预测在生产管理中的作用案例：汽车市场预测及汽车企业的产销规划汽车企业的产销规划思考：汽车产业的发展将带动哪些产业的发展？有资料表明，汽车业带动100多个相关产业的发展。汽车产业链上游涉及钢铁、机械、橡胶、石化、电子、纺织等行业；下游涉及保险、金融、销售、维修、加油站、餐饮、旅馆等行业。需求预测的方法

定性预测方法主观判断、不需要数学公式预测依据：各种主观意见定量预测方法利用统计资料和数学模型进行预测主观判断仍然重要预测方法定性预测方法定量预测方法Delphi法用户期望调查法部门主管讨论法销售人员意见汇集法因果模型时间序列模型移动平均法加权移动平均法指数平滑法乘法模型加法模型时间序列平滑模型时间序列分解模型本章内容：3.1需求预测概述3.2定性预测方法3.3定量预测方法3.4预测误差及监控

Delphi法（专家调查法）用户期望调查法部门主管意见销售人员意见汇集法3.2定性预测方法本章内容：3.1需求预测概述3.2定性预测方法3.3定量预测方法3.4预测误差及监控时间序列模型：把预测指标，如销售量等指标的实际历史数据按时间顺序排列，应用数学方法进行分析，找出其中的变化趋势和规律性的一种定量预测方法。

时间序列平滑模型时间序列分解模型因果关系模型利用变量之间的相关关系，通过一种变量的变化来预测另一种变量的未来变化。思考：

需求受到哪些因素的影响？能不能找出这些变量和需求之间的关系呢？过去几周的需求数量知道了，能不能利用这些数据预测后面几周的需求情况呢？时间序列是按一定的时间间隔和事件发生的先后顺序排列起来的数据构成的序列。在时间序列模型方法中，将需求作为因变量，而将时间作为唯一的独立变量。

趋势成分

季节成分

周期成分

随机波动成分

时间序列的分解趋势成分

-数据长期变化趋势季节成分

-在一年内按通常的频率围绕趋势作上下有规则的波动周期成分

–在较长时间里围绕趋势作有规则波动（经济周期）随机波动（Randomvariations）-随机因素引起无规则的波动主要预测模型简单移动平均（Simplemovingaverage，SMA）加权移动平均（Weightedmovingaverage，WMA）指数平滑法（Exponentialsmoothing）一、简单移动平均SMAt+1

=

nAt+i-ni=1nT周期末简单移动平均值T＋1周期的预测值i周期实际值周期数表简单移动平均法预测

月份

实际销量(百台)

n=31

2

3

4

5

6

7

8

9

10

11

12

20.00

21.00

23.00

24.00

25.00

27.00

26.00

25.00

26.00

28.00

27.00

29.00

21.33

22.67

24.00

25.33

26.00

26.00

25.67

？

27.00

n=421.75

23.33

24.75

25.50

25.75

26.00

26.25

26.50

计算移动平均预测值:F4=(720+678+650)/3=682.67F7=(920+859+785+720+678+650)/6=768.67描点绘图，可以比较当n=3,n=6时对预测结果的影响?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，如果管理者的目标是体现响应性，则应选择小一点的n。二、加权移动平均WMAt+1

=

niAt+i-ni=1n表6-2加权移动平均预测

t(月)

实际销量(百台)

三个月的加权移动平均预测值(百台)

1

2

3

4

5

6

7

8

9

10

11

12

20.00

21.00

23.00

24.00

25.00

27.00

26.00

25.00

26.00

28.00

27.00

29.00

(0.5×20+1×21+1.5×23)/3=21.83

23.17

24.33

25.83

26.17

25.67

25.67

26.83

27.17

近期数据的权重越大，则预测的稳定性就越差，响应性就越好；近期数据数据的权重越小，则预测的稳定性就越好，响应性就越差；权重和n的选择具有经验性。三、一次指数平滑法

(Singleexponentialsmoothing)Ft=Ft-1+(At-1-Ft-1)=At-1+（1-）Ft-1

Ft新的预测值，

Ft-1前期预测值，At-1前期的实际需求，

平滑系数月销售额一次指数平滑预测表单位：千元F2＝αA1

＋（1－α）F1＝0.4×10.00＋（1－0.4）×11.00＝10.6019.7416.81与上面的问题的类似，预测的关键是选择的大小。如管理者追求稳定性，的值应该选择小一些;如果管理者的目标是体现响应性，则应选择大一点的四、时间分解预测模型--解决季节性预测问题(Seasonalvariations)

思考：销售量变化有何特征？思考：哪些行业存在季节性的问题？

常用季节性预测模型加法模型(AdditiveModel)TF=T+S+C+IT——趋势成分S——季节成分C——周期成分I——随机成分乘法模型(Multiplicativemodel)

TF=T.S.C.I用得最多的是基于乘法模型的预测方法时间序列分解模型计算示例：

有一个公司记录了2010和2011两年的需求数据，见下表。请根据这些数据预测2012年的需求情况。Step1:利用回归分析求出趋势预测的直线方程Step2:将每期需求/预测值，计算季节因子，并求平均值Step3用回归预测值乘以对应的季节指数得到修正预测值2011年的修正预测值Step3预测2012年需求情况五、一元线性回归模型Yt一元线性回归预测值；a截距b斜率.Yt=a+bxb=

n(xy)-

xynx2

-(x)2a=

y-bxnn为变量数；x为自变量的取值；y为因变量的取值；例题某房地产公司统计了过去四年住宅季度销售量以及相应的房贷利率。请你预测当房贷利率为6%和8%的住宅销量。提示：需要根据历史数据建立回归预测模型，再利用模型进行预测。根据散点图，可以判断住宅销售量和贷款利率之间存在近似直线联系，即：住宅销量=a*贷款利率+b现在的问题是：如何求出a、b两个系数？求y=ax+b系数的方法方法1：直接用公式计算b=

n(xy)-

xynx2

-(x)2a=

y-bxn方法2：在excel中利用作图法求出系数；方法3：利用excel自带的回归分析功能求出系数；首先作出散点图。然后选择数据点（选中数据点后会点亮显示），然后点击鼠标右键，弹出快捷菜单，选择“添加趋势线”在弹出对话框中，类型中选择“线性”，在“选项”中勾选“显示公式”，然后确定利用excel得到趋势方程的操作步骤显示公式后，在图表中就会得到时间序列的趋势线和趋势方程进行预测当贷款利率=6%时预计住宅销售量=-98.469*6+1488.1=897.3当贷款利率=8%时预计住宅销售量=-98.469*8+1488.1=700.3多元回归模型预测如果影响因变量变化的自变量不止一个时，这时就需要利用多元回归模型进行预测。利用多元回归模型预测，首先需要根据历史数据建立多元回归预测模型。多元回归预测模型的建立可以利用excel自带的回归分析功能完成。利用多元回归分析预测第16期的需求期数价格促销广告等级需求120001000010000111322000100001000011193220010000100001814220010000150001865220015000150001916220015000150001.761027220015000150001.761058200010000100001150923202000020000279102460300004000037111240050000600003.948812231050000600003.9312013225056000600003.9316214226058000620003.916915228058000640003.917216238060000700003.5

观察历史数据，可以得到假设：需求=常数+a×价格+b×促销+c×广告+d×产品等级预测步骤示例1、调入Excel自带的数据分析工具在“分析工具库”前点上“√”，然后点“确定”，就调出了“数据分析”功能

这个时候我们可以看到在“工具”菜单中多了一项“数据分析”，打开“数据分析”在“数据分析”中选择“回归”，并“确定”，调出回归分析工具2、按照提示，设置参数。首先设置Y值（即需求）区域

3、设置X值（价格、促销、广告、等级）区域，用鼠标框选。4、设置回归结果的输出区域5、X值区域、Y值区域和输出区域设置好之后，点“确定”就可以得到回归结果Excel回归结果的解读本章内容：3.1需求预测概述3.2定性预测方法3.3定量预测方法3.4预测误差及监控预测精度（误差的大小）与控制是预测中的重要环节。如果不注意预测环境的变化，原来使用的预测模型可能会由于种种原因产生较大的偏差，从而影响预测结果的精度，使管理人员产生错觉，导致某些决策错误。思考：为什么要进行预测监控？一、预测误差误差——实际值与预计值的差别预测误差的度量平均绝对偏差（Meanabsolutedeviation，MAD）平均平方误差（Meansquarederror，MSE)平均预测误差平均绝对偏差平均平方误差预测误差滚动和Runningsumofforecasterrors，RSFE反映预测精度衡量无偏性一、预测误差误差–实际值与预计值的差别预测误差的度量平均绝对偏差（Meanabsolutedeviation，MAD）平均平方误差（Meansquarederror，MSE)MAD和MSE用于度量预测误差的大小MFE用于度量预测的无偏性预测值实际值实际值中线检验预测模型是否有效：将最近的实际值与预测值进行比较，看偏差是否在可以接受的范围之内；采用跟踪信号法(Trackingsignal)二、预测监控跟踪信号（Trackingsignal）是累积误差与MAD的比TS接近为零，或在一定范围之内，预测模型有效可接受误差范围上限下限 控制界限MAD数标准偏差相关数