生产与作业管理-预测网路化预测协同规划预测与补货

生产与作业管理——预测网路化预测协同规划预测与补货AGENDA需求管理預測的類型需求的組成定性預測技巧時間序列分析因果關係預測焦點預測網路化預測：協同規劃、預測與補貨結論AGENDA需求管理預測的類型需求的組成定性預測技巧時間序列分析因果關係預測焦點預測網路化預測：協同規劃、預測與補貨結論預測重大管理決策與長期規劃的基礎財會方面預算規劃成本控制行銷方面銷售預測、規劃新產品、獎勵銷售人員生產作業方面製程選擇、產能規劃、設備配置、生產規劃排成、存貨控制對於預測的態度不會完美，需要修正合理範圍求得最佳預測方法預測需求12-1需求管理需求管理之目的是協調和控制所有的需求來源，以有效率使用生產系統，而能即時地供應產品。需求的來源獨立需求(Independencedemand)相依需求(Dependencedemand)積極影響消極反應AGENDA需求管理預測的類型需求的組成定性預測技巧時間序列分析因果關係預測焦點預測網路化預測：協同規劃、預測與補貨結論預測的類型定性技術時間序列分析因果關係模擬模式定性法時間序列分析因果關係模擬模型草根法簡單移動平均迴歸分析電腦模型市場研究加權移動平均經濟模型群體意見法迴歸分析投入/產出模型歷史類推法BoxJenkins領先指標Delphi法Shiskin時間序列趨勢預測AGENDA需求管理預測的類型需求的組成定性預測技巧時間序列分析因果關係預測焦點預測網路化預測：協同規劃、預測與補貨結論需求的六種型態某段時間的平均需求趨勢季節性因素週期性因素較難決定的元素，無法知道時間的區間或未考慮到ex:政治選舉、戰爭自我相關事件的持續性任何一點的期望值是與他過去的值高度相關隨機變異由偶發事件所引起具有成長及季節性因素的產品需求常見的趨勢類型線性直接連續的關係S曲線典型的產品成長和成熟週期漸近線由較高的需求成長開始，漸漸遞減指數常見於具有爆炸性成長的產品需求銷售量季銷售量季銷售量季銷售量季AGENDA需求管理預測的類型需求的組成定性預測技巧時間序列分析因果關係預測焦點預測網路化預測：協同規劃、預測與補貨結論定性預測技巧(1)草根法持續的加入基層資料建立預測值愈接近終端顧客的人，越了解產品未來的需要地區配銷中心區域性配銷中心總公司市調法委由市調或行銷顧問公司進行使用問卷和訪談

ex:滿意度、購買意願定性預測技巧(2)群體意見法『三個臭皮匠勝過一個諸葛亮』開放式會議，自由交換意見層級：「Open」Delphi法不同領域具備專業知識的人(匿名)問卷或E-mail，由參與者獲取預測值綜合結果、回饋、修正不斷重複上述步驟，通常是三次定性預測技巧(3)歷史類推法由現有或是同類產品作一預測參考類似產品的經驗ex:咖啡壺→烤麵包機AGENDA需求管理預測的類型需求的組成定性預測技巧時間序列分析因果關係預測焦點預測網路化預測：協同規劃、預測與補貨結論12-5時間序列分析使用過去的資料來預測未來的結果企業依據下列要素，選擇預測模型：預測的時間範圍資料的取得性需要的準確度預測之預算多寡是否可取得適合的人員時間序列分析方法簡單移動平均加權移動平均指數平滑法迴歸分析(一)簡單移動平均使用時機：產品的需求量並非快速的成長或下降不受季節因素的影響有效去除不規律變異對預測的影響Ft=預測值n=期數At-1,At-2,….At-n=實際歷史資料週需求3週9週週需求3週9週18001617002200181121400171800200018003100018220018331811415001067191900190019115150013002024001967193361300133321240021672011718001433222600223321118170015332320002467214491300160024250023332111101700160013672526002367216711170015671467262200236722671215001567150027220024332311132300163315562825002333231114230018331644292400230023781520002033173330210023672378簡單移動平均法缺點於預測時，它必需放棄一筆舊資料與加入一筆新的資料，再重新計算。這對預測三或六期的移動平均法影響不大。但對於以60天為期數，分別預測倉庫中20,000個貨品的需求時，就需要處理大量的資料。(二)加權移動平均賦予每一個變數相對應的權重值，權重值的總和等於1選擇加權值的法則：經驗法&試誤法Wn為第t-n期的比重ｎ為預測的總期數加權移動平均(續)好處它可以改變過去每一資料點對未來的影響力缺點麻煩且費時(三)指數平滑法指數平滑法只需要下列三項資料：最近的預測結果最近一期的實際需求平滑常數alpha（α）(0≦

≦1)Ft=第t期的預測值Ft-1=第t-1期的預測值At-1=第t-1期的實際需求α=調整係數指數平滑法(續)廣泛被接受的原因：準確建構指數平滑的公式簡單使用者可以理解它是如何運作，運算簡易僅使用少量的歷史資料，所以資料的儲存空間小驗證此法則的準確度也很簡單趨勢效應與調整式預測為減低真實資料和預測資料間誤差，除調整外，可加入趨勢值加以修正趨勢值可基於合理的猜測或使用過去資料計算產生Ft=第t期的指數平滑預測Tt=第t期的指數平滑趨勢FITt=第t期的預測(趨勢)FITt-1=第t-1期的預測(趨勢)At-1=第t-1期的實際需求值=平滑常數δ=平滑常數預測誤差誤差是預測值和實際值之間的差值，統計學上稱作殘值（Residuals）在統計學上，只要預測值落在信賴區間，則認為誤差不存在誤差來源誤差可分為偏差(bias)或隨機誤差(random)偏差：多因固定的錯誤造成，如採用錯誤的變數、變數間的關係錯誤、使用錯誤的趨勢線、誤把季節性因素去除等。隨機錯誤：無法以正常的預測模式解釋的部分誤差衡量標準差平均平方差(變異數)平均絕對值誤差(MAD)追蹤訊號平均絕對誤差(MAD)平均絕對誤差(MAD)： 計算實際值與預測值間差異的絕對值，再將誤差絕對值的總和除以資料筆數當預測誤差呈常態分配時，1標準差=1MAD=0.8標準差追蹤訊號(TrackingSignal)將預測誤差值的總和除以MAD

RSFE：預測誤差值的總和，正負可相抵 MAD：所有絕對誤差的平均值追蹤訊號(續)月需求預測實際差異RSFE絕對差絕對差之和MADTS11000950-50-50505050-1210001070+70+2070120600.33310001100+100+12010022073.31.6441000960-40+8040260651.2510001090+904610001050+50+2205040066.73.3追蹤訊號(續)可預測正向或負向的偏差追蹤訊號(續)月需求預測實際差異RSFE絕對差絕對差之和MADTS11000950-50-50505050-1210001070+70+2070120600.33310001100+100+12010022073.31.6441000960-40+8040260651.2510001090+904610001050+50+2205040066.73.3一個完美的預測，所有預測誤差的總和應該為零，即信號軌跡值也應該為零表示高估的誤差可與低估的誤差相抵消MAD常用來預測誤差MAD指數平滑法：類似單一指數平滑法預測未來的誤差範圍設定安全庫存量誤差MADt=α|At-1-Ft-1|+(1-α)MADt-1線性迴歸分析定義：兩個或兩個以上相關變數間的關係，可使用一個變數去預測另一個變數稱之為迴歸。線性迴歸：是迴歸分析法的特例線性迴歸方程式：使用限制：過去的資料和未來的預測資料，均必須落在同一條線上。季銷售量16002155031500415005240063100726008290093800104500114000124900最小平方法所有資料點與其相對應的迴歸線對應點間，垂直距離之平方總和的最小值。Y=應變數y=應變數之實際值a=Y的截距b=斜率x=時間

時間序列的分解定義：為資料具有時間順序關係，其包含下列一種或多種的需求因素：趨勢、季節、週期、自我相關性、隨機性。季節因子：為一修正值，是時間序列分析中，針對季節所做的調整量。雖以週期為表示，並非年度性定期活動的週期，是以年度中特別活動的某段期間稱為「季」。加法性：假設不論趨勢或平均量如何變化，季節量恆為一常數。預測=趨勢因子＋季節因子乘法性：季節變動大小與趨勢水準有關，趨勢增加時，季節變化量也隨之增加。預測=趨勢因子＋季節因子a.加法性b.乘法性簡單等比法歷史銷售量季平均銷售(1000/4)季節因素春200250200/250=0.8夏350250350/250=1.4秋300250300/250=1.2冬150250150/250=.06總計1000明年之預估需求季平均銷售量(1100/4)季節因子明年之需求預測春275Ｘ0.8＝220夏275Ｘ1.4＝385秋275Ｘ1.2＝330冬275Ｘ0.6＝165總計1100目測預測模式季量I-1998300II-1998200III-1998220IV-1998530I-1999520II-1999420III-1999400IV-1999700170610目測截點170斜率=(610-170)/8之間的變化量趨勢方程式：Trendt=170+55t19981999季實際需求由趨勢公式Tt=170+55t實際/趨勢季節因素(兩年之平均)1998I3002251.33II2002800.71III2203350.66I-1.25IV5303901.36II-0.781999III-0.69I5204451.17IV-1.25II4205000.84III4005550.72IV7006101.15預測下年度結果：FTTSt=趨勢x季節性I-2000FITS9=(170+55(9))1.25=831II-2000FITS10=(170+55(10))0.78=562III-2000FITS11=(170+55(11))0.69=535IV-2000FITS12=(170+55(12))1.25=1,038最小平方迴歸分析找出此數列之趨勢、季節與週期等基本因素，計算出季節因子與週期因子。再以反向程序來預測趨勢。步驟求出季節因子去除需求的季節效應找出趨勢因子考量未來的趨勢因子將趨勢因子乘上季節因子(1)期(x)(2)季(3)實際需求(y)(4)每年同季之平均(5)季節因子(6)去除季節因素(yd)Col.(3)÷Col.(5)(7)x2(Col.1)2(8)x×ydCol.(1)×Col.(6)1I600(600+2,400+3,800)/3=2,266.70.82735.71735.72II1,550(1,550+3,100+4,500)/3=3,0501.101,412.442,824.73III1,500(1,500+2,600+4,000)/3=2,7000.971,544.094.631.94IV1,500(1,500+2,900+4,900)/3=3,1001.121,344.8165,379.05I2,4000.822,942.62514,713.26II3,1001.102,824.73616,948.47III2,6000.972,676.24918,733.68IV2,9001.122,599.96420,798.99I3,8000.824,659.28141,932.710II4,5001.104,100.410041,004.111III4,0000.974,117.312145,290.112IV4.9001.124,392.914452,714.57833,3501233,350.1*650265,706.9b=期數季Y(迴歸線)季節因素預測(Y*季節因素)1315,003.50.824,080.81425,345.71.105,866.61535,687.90.975,525.91646,030.11.126,726.2誤差範圍產生誤差：樣本資料的標準差使用錯誤迴歸所產生的誤差總誤差範圍等於兩條線與所有代表資料分布之直線的誤差，由圖可知誤差範圍將隨預測的期間越遠而擴大。AGENDA需求管理預測的類型需求的組成定性預測技巧時間序列分析因果關係預測焦點預測網路化預測：協同規劃、預測與補貨結論因果關係預測(1)預測要有價值，任何自變數都必須是主要指標EX：下雨VS雨具銷售量當一個變數引起另一個變數產生變化，可稱為因果關係，當確定找到肇因的元素時，即可作為預測的基礎。因果關係預測(2)因果關係預測的第一步找出導致事件發生的真正原因主要指標不一定代表有因果關係，而是間接地指示可能發生其他的事件。亦有可能將其他非因果關係誤判為有因果關係Ex:瑞士酒的銷售量vs老師薪資因果關係預測(3)使用因果關係預測的方法：直線回歸分析多變量回歸分析直線回歸分析CarpetCity地毯公司，每年銷售的資料與在該地區核准新建置房屋的數目。年度核准建照數銷售(平方碼)198918130001990151200019911211000199210100001993201400019942816000199535190001996301700019972013000經理：只要知道該年度新建置房屋的數目，便可預測公司毛毯的銷售量。資料成直線分佈直線回歸分析1020303620001400010000600020000地毯的銷售新建的房屋數銷售與新建房屋的因果關係Y=7000+350x1020303620001400010000600020000地毯的銷售新建的房屋數銷售與新建房屋的因果關係7000+350(25)=15750Y的截點為7000碼，代表即使此地區沒有蓋新房屋，地毯的基本需求量，亦即是毛毯汰舊換新的可能情形。斜率：此地區每蓋一棟新屋，將售出的平均地毯大小。多變量回歸分析考量所有具有影響作用的項目。EX：新婚比例、新建置的房屋數、個人可支配所得對家具業的影響S=B+Bm(M)+Bh(H)+Bi(I)+Bt(T)S=年度總銷售量B=基本銷售額M=年度結婚人數H=年度新建房屋數I=年度可支配所得T=時間趨勢（第一年=1,第二年=2….）Bm、Bh、Bi代表影響預售銷售量的因素，如新婚人數、新房數、收入和趨勢AGENDA需求管理預測的類型需求的組成定性預測技巧時間序列分析因果關係預測焦點預測網路化預測：協同規劃、預測與補貨結論焦點預測由BernieSmith提出，認為使用統計方法的預測技術，並無法獲得最好的結果，只要能有