CH3需求预测.pptx

; CH3 需求预测;什么是预测 ;第三章 需求预测; 执行：工厂计划部经理看到新的预测量，目瞪口呆，生产要增加10倍，而原材料库存最多只能支持1.5倍的生产量。原材料大多是进口的，就算立刻下单，就算供应商仓库有能够支持10倍产量的库存，按照正常的情况，运输清关需要2个月才能完成。并且，下周生产计划已经排满了。然而，工厂的职责就是保证按预测的需求生产，无论如何，也要尽力生产出来。于是，通知采购部门紧急给供应商下单，所有海外材料一律空运，这样做，运输和清关时间可以缩短到两周，同时调整两周之后的生产计划，优先保证该品牌的生产。一切都安排妥当之后，计划部经理告诉总部，三周之后能够完成新的计划，建议先制定给现有客户的销售配额。; 结果：一个月后，产品陆续摆上各个商店的货架，公司上下都等着喜讯，但市场却出奇的平静，新产品无人问津，甚至还不如其他产品卖得好。最有利的商机转瞬即逝，预测不准确以及过长的供应链给公司带来大量的损失：巨额的材料空运成本、囤积在仓库里面的大量库存还有逝去的消费者。;预测是对未来可能发生的情况的预计和推测;一、预测及其分类;二、影响需求预测的因素;二、影响需求预测的因素;;三、预测分类;四、预测的一般步骤;五、预测中应注意的几个问题;五、预测中应注意的几个问题;;;;;简单易行；不需准备资料和历史数据；缺乏足够的历史资料时，非常有效；汇集了各主管的经验与判断;很难获得顾客的通力合作；顾客期望不等于实际购买，而且期望容易发生变化；调查时需要耗费较多的人力和时间;预测值容易按照地区、分支机构、产品等区分；销售人员的意见受到尊重，增加其销售信心；由于取样较多，预测结果具稳定性;;一、时间序列的构成;一、时间序列的构成;二、时间序列平滑模型;;;;;;;一次指数平滑预测值如下;一次指数平滑预测值如下;不同权重计算结果比较如下;一次指数平滑预测值依赖于平滑常数?的选择 一般来言，?选得小些，则预测值的平稳性好；反之，?越大，预测值的波动性越大，响应性越好 如果实际需求稳定，?的值应该选择小一些；如果实际需求波动较大，则应选择大一点的?。 如果存在趋势，一次指数平滑预测会存在滞后现象。;三、时间序列分解模型;三、时间序列分解模型;（3）几种时间序列类型 ;;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;例：某旅游服务点过去三年各季度快餐的销售记录如右侧表格。 试预测该公司未来一年各季度的销售量 ;?求趋势直线方程： y = a + b t y为趋势预测值，t为季节序号，a、b为常数。 可用作图法或最小二乘法求出a、b;0 1 2 3 4 5 6 7 8 9 10 11 12 季度序号t;第三节 定量预测方法;0 1 2 3 4 5 6 7 8 9 10 11 12 季度序号t;?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。;?计算预测值： 预测值=趋势预测值ⅹ季节系数 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);四、因果模型 时间序列只将时间作为唯一独立变量，而将需求作为因变量。实际过程中，需求受很多因素影响，比如产品或服务的定价、政府规定、金融信息等。 因果模型克服了时间序列模型的缺点，通过对一些与需求有关的先导指数的计算，来对需求进行预测 因果模型有回归模型、经济计量模型、投入产出模型等。;一元线性回归模型 ;应用一元线性回归进行预测 YT=a+bx;第三节 定量预测方法;预测;一、预测精度测量 （1）预测误差：预测值与实际值之间的差异（有正有负） （2）产生预测误差的原因 忽略了重要的变量，或变量发生了大的变化，或新的变量出现，使得所采用的模型不适当 由于气候或其他自然现象的严重变化，如大的自然灾害引起的不规则变化 预测方法应用不当或错误地解释了预测结果 随机变量的存在是固有的 ;（3）无偏性：应用预测模型时，正负误差的概率大致相同 （4）常用评价指标-平均误差 平均绝对偏差MAD 平均平方误差MSE 平均预测误差MFE 平均绝对百分误差MAPE ;平均绝对偏差（MAD） （1）整个预测期内每一次预测值与实际值的绝对偏差（不分正负，只考虑偏差量）的平均值，能够较好的反映预测的精度，但不容易衡量无偏性 （2）计算公式 ;平均平方误差（MS