需求预测预测方法应用.pptVIP

Content目录123第4章需求预测与计划预测方法第4章需求预测与计划定量预测方法第4章需求预测与计划?时间序列法因果预测法优势1.适合历史数据稳定的时间序列2.可以剔除较小的随机波动3.易于理解和使用4.适用于短期预测1.适用于长期或者中期的预测2.能够支持情景分析，改变影响因子以探索其对预测结果的影响劣势1.需要大量历史数据2.对因素和事件的影响反应迟钝3.数据波动较大时，预测误差较高4.分析人员需要大量的时间和经验拟合模型，估计参数1.预测准确度依赖于因果变量之间关系的持续性2.对自变量的准确评估有很高要求3.分析人员需要投入更多时间进行建模，并且建模人员必须对统计学知识深入了解4.建模和模型维护成本较高一、简单算数平均法第4章需求预测与计划二、加权平均法第4章需求预测与计划三、移动平均法第4章需求预测与计划四、简单指数平滑法第4章需求预测与计划EXCEL求解五、霍尔特指数平滑法霍尔特指数平滑法适用于系统需求组成中包含需求水平和需求趋势，但不受季节性因素影响的情况，此时系统需求被表达为：系统需求=需求水平+需求趋势六、温特指数平滑法温特指数平滑法适用于系统需求组成中包含需求水平、需求趋势和季节性因素影响的情况，此时系统需求被表达为：系统需求=(需求水平+需求趋势)×季节性指数Content目录123第4章需求预测与计划利用和预测期密切相关的近期实际数据资料，计算出其平均值作为下期预测值得方法。（适用于成熟期和成长后期）*从不同的n值中找到使得预测偏差估计值最小的。当n越大，丢失的信息越多，n越大曲线越平滑，很可能掩盖时间序列的某些变动特征，如果仅为了消除不规则性，n取3,4,5较为恰当。*线性回归：对有趋势性的数据进行预测的另一种方法是线性回归。线性回归是用某些自变量的线性函数来表示预测变量的一种统计方法。在时间序列模型中，自变量就是时期数本身。线性回归是通过使用历史数据估计截距和斜率系数来进行预测。*英特尔+戴尔+*英特尔+戴尔+*一、时间序列模型二、因果关系模型需求预测方法应用一、时间序列模型移动平均法简单移动平均法加权移动平均法指数平滑法一、时间序列模型式中：Ft+1=下一期的预测值Dt+1-i=第t+1-i期的需求量n=预测用近期需求量观察值的期数简单移动平均法一、时间序列模型简单移动平均法实例月份34567周期t12345销售量X1X2X3X4X5预测值当n=4预测8月份销量（t=5）F5=(X2+X3+X4+X5)/4t+1t+1-ntn一、时间序列模型简单移动平均法案例见EXCEL一、时间序列模型式中：Ft+1=下一期的预测值Dt+1-i=第t+1-i期的需求量n=预测用近期需求量观察值的期数Wt+1-i=分配给t+1-i期的需求权重加权移动平均法F3=D1?W1+D2?W2一、时间序列模型加权移动平均法若对近期的数据赋予较大的权重，则预测数据与实际数据的差别较简单移动平均法的结果要小。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。可以同时改变n和Wi简单移动平均和加权移动平均需要的数据量大，计算量非常大，当产品很多时，计算工作繁重。一、时间序列模型简单移动平均加权移动平均法关于n的取值：当n越大，丢失的信息越多，n越大曲线越平滑，很可能掩盖时间序列的某些变动特征，如果仅为了消除不规则性，n取3,4,5较为恰当。管理者的任务：从不同的n值中找到使得预测偏差估计值最小的。案例见EXCEL一、时间序列模型指数平滑法Ft+1=αDt+(1-α)Ft式中：Ft+1=下一期的预测值Ft=第t期的预测值Dt=第t期的实际值α=用于给Dt和Ft分配权重的平滑系数（0≤α≤1）第T+1期预测值为第T期实际值和预测值的加权和各种α值的曲线见下图一次指数平滑法讨论用一次指数平滑法进行预测，当出现趋势时，预测值虽然可描述实际值的变化形态，但预测值总是滞后于实际值。当出现趋势时，取较大α得到的预测值和实际值较接近。一般来说，α选的小一些，