第三章 需求預測

第三章需求預測

經(jīng)濟管理學院：馬佳

E-mail：majia79@126.com主要內(nèi)容預測誤差與監(jiān)控4定量預測方法3定性預測方法2預測的基本概念1第一節(jié)預測的基本概念一、預測及其作用

1、預測的概念預測是對未來可能發(fā)生的情況的預計與推測?！胺彩骂A則立，不預則廢”。預測為人們提供了即將發(fā)生的情況的信息，增加了成功的機會;但預測不是一門精確的科學，它是科學與藝術的結合;預測離不開科學測定的數(shù)據(jù)，也離不開人們的經(jīng)驗和判斷;不能因為預測的失誤而否定預測。一、預測及其作用2、預測的共同特征預測的基本假設：過去的發(fā)展狀態(tài)要持續(xù)到將來;預測極少準確無誤，實際情況總與預期有所不同；對總量的預測要比對個體的預測精確;如每天從沈陽到北京旅客數(shù)量的預測，比預計某個人將到何處出差要準確。預測精度隨預測的時間范圍增加而降低。第一節(jié)預測的基本概念第一節(jié)預測的基本概念一、預測及其作用3、預測的作用

幫助管理者設計生產(chǎn)運作系統(tǒng)生產(chǎn)什么產(chǎn)品，提供何種服務；在何處建立生產(chǎn)/服務設施；采用什么樣的流程；供應鏈如何組織。

幫助管理者對系統(tǒng)的使用進行計劃今年生產(chǎn)什么，生產(chǎn)多少；如何利用現(xiàn)有設施提供滿意服務。物品預測*實際差額差額％#7147-燈47,60042,784-4816-10.1#8014-鉗子12,8009,125-3675-28.7#8663-銼刀1,5051,157-348-23.1#8726-纖維切斷機22,50028,392+5892+26.1#8933-螺刀10,10011,394+1834+18.1#9250-剪切機17,45014,860-2590-14.8#9261-剪刀28,50027,733-767-2.7#9337-耙68,00068,105+105+0.2#9604-鋤27,20017,566-9644-35.4#9638-鏟3,3204,638+1318+39.8總計238,975226,284-12,691-5.3物品的平均預測誤差=19.9

某工具廠三季度銷售預測第一節(jié)預測的基本概念第一節(jié)預測的基本概念二、預測的分類1、預測的分類－－按性質分類科學預測－－科學預測是對科學發(fā)展情況的預計與推測。如門捷列夫預計有3個當時未發(fā)現(xiàn)的元素：亞鋁、亞硼和亞硅。后來都被發(fā)現(xiàn)了，是鎵、鈧和鍺；技術預測－－技術預測是對技術進步情況的預計與推測；經(jīng)濟預測－－政府部門以及其它一些社會組織經(jīng)常就未來的經(jīng)濟狀況發(fā)表經(jīng)濟預測報告；第一節(jié)預測的基本概念二、預測的分類1、預測的分類－－按性質分類需求預測－－需求預測為企業(yè)給出了產(chǎn)品在未來的一段時間里的需求期望水平,為企業(yè)的計劃和控制決策提供了依據(jù)；社會預測－－社會預測是對社會未來的發(fā)展狀況的預計和推測。比如人口預測、人們生活方式變化預測、環(huán)境狀況預測等。需求預測與企業(yè)生產(chǎn)經(jīng)營活動關系最密切。二、預測的分類2、預測的分類－－按時間分類長期預測(Long-rangeForecast)－－對5年或5年以上的需求前景的預測。它是企業(yè)長期發(fā)展規(guī)劃的依據(jù)；中期預測(Intermediate-rangeForecast)－－中期預測是指對一個季度以上兩年以下的需求前景的預測。它是制訂年度生產(chǎn)計劃、季度生產(chǎn)計劃的依據(jù)；短期預測(Short-rangeForecast)－－短期預測是對一個季度以下的需求前景的預測。它是調整生產(chǎn)能力、采購、安排生產(chǎn)作業(yè)計劃等具體生產(chǎn)經(jīng)營活動的依據(jù)。第一節(jié)預測的基本概念第一節(jié)預測的基本概念二、預測的分類3、預測分類－－按主客觀因素所起的作用分類定性預測方法(subjectiveorqualitativeapproach)－－主觀預測法，依靠人們的才干、知識、遠見和判斷力來推測未來的變化；定量預測方法(quantitativeorstatisticalapproach)

－－統(tǒng)計預測法，主要根據(jù)對歷史資料的分析來推斷未來的需要。第一節(jié)預測的基本概念三、影響需求預測的因素四、預測的主要步驟設定預測目標確定預測對象監(jiān)測、控制預測驗證和使用預測結果作出預測選擇預測方法收集、分析數(shù)據(jù)決定預測的時間跨度選擇預測方法監(jiān)測、控制和評價預測長期—5年以上中期—0.5-2年短期—月／周需求預測的過程第一節(jié)預測的基本概念五、預測中應注意的問題判斷在預測中的作用；判斷在選擇預測方法中的作用；判斷在辨別信息中的作用；判斷在取舍預測結果時的作用。預測精度與成本；預測的時間范圍和更新頻率；穩(wěn)定性與響應性。第一節(jié)預測的基本概念第二節(jié)定性預測方法一、對需求預測方法的認識預測很少是完美的；大多數(shù)預測方法假定系統(tǒng)中存在某種根本的穩(wěn)定性；產(chǎn)品系列的預測和總產(chǎn)品的預測比單個產(chǎn)品的預測準確。因此,為使預測更符合實際，經(jīng)驗、判斷和數(shù)學模型都起一定的作用，但沒有哪一種方法一直都能奏效。銷售額將為200百萬美元!二、需求預測方法分類定性預測方法qualitativemethod定量預測方法quantitativemethod·

德爾菲法·

部門主管集體討論法·

銷售人員意見匯集法·

用戶調查法·

時間序列預測模型

?

時間序列平滑模型

-

簡單移動平均

-

加權移動平均

-

一次指數(shù)平滑

?

時間序列分解模型

-

乘法模型

-

加法模型·

因果模型（回歸模型）二次指數(shù)平滑第二節(jié)定性預測方法第二節(jié)定性預測方法三、定性預測方法1、德爾菲法(Delphimethod)挑選參加預測的專家。這些專家應該來自不同領域，具有各種不同知識背景；通過問卷調查(或電子郵件)從各個專家處獲得預測信息(包括對預測所作假設的前提和限制)；匯總調查結果，附加適當?shù)男聠栴}后重新發(fā)給專家；再次匯總，提煉預測結果和條件，再次形成新問題；如有必要，重復上一個步驟。將最終結果發(fā)給所有專家。匿名性、問卷設計、專家選擇、反饋速度TEXTTEXTTEXTTEXT三、定性預測方法2、部門主管集體討論法(juryofexecutives)3、銷售人員意見匯集法(user’expectation)4、用戶調查法(fieldsalesforce)第二節(jié)定性預測方法用數(shù)學模型表示需求與各種變量之間的關系；前提－－變量與需求的關系今后仍然保持不變。常用的方法：時間序列模型：用過去的需求和時間的關系來預測未來的需求；因果關系模型：用過去的資料揭示變量和需求的關系，進而預測未來的需求。第三節(jié)定量預測方法Quantitative一、時間序列的構成趨勢成分隨時間的推移而表現(xiàn)出的一種傾向（上升、下降、平穩(wěn)）—數(shù)據(jù)長期變化趨勢。季節(jié)成分特定周期時間里（一年里）有規(guī)則的波動—數(shù)據(jù)短期有規(guī)律的波動。每天有二次交通高峰；每周周末，影院的客流量較大；某些產(chǎn)品的季節(jié)性需求變化等。周期成分較長時間里（一年以上，一般為數(shù)十年）有規(guī)則的波動。隨機成分由很多不可控因素引起的，沒有規(guī)則的上下波動。第三節(jié)定量預測方法第三節(jié)定量預測方法定性預測方法qualitativemethod定量預測方法quantitativemethod·

德爾菲法·

部門主管集體討論法·

銷售人員意見匯集法·

用戶調查法·

時間序列預測模型

?

時間序列平滑模型

-

簡單移動平均

-

加權移動平均

-

一次指數(shù)平滑

?

時間序列分解模型

-

乘法模型

-

加法模型·

因果模型（回歸模型）二次指數(shù)平滑第三節(jié)定量預測方法二、時間序列平滑模型通過多個數(shù)據(jù)的平均來消除和減少隨機成分(干擾)。簡單移動平均法加權移動平均法一次指數(shù)平滑法二次指數(shù)平滑法第三節(jié)定量預測方法第三節(jié)定量預測方法二、時間序列平滑模型時間序列（TimeSeries）按一定的時間間隔和事件發(fā)生的先后順序將所收集的數(shù)據(jù)排列起來所得到的序列。二、時間序列平滑模型1、簡單移動平均法(SimpleMovingAverage)

SMAt+1=(At+At-1+…+At-N+1)/N

預測值=(前N次實測值的平均值)

SMAt+1

－－對下一期的預測值

N

－－移動平均的時期個數(shù)

At－－前期實際值在趨勢微弱或沒有趨勢的情況下使用。第三節(jié)定量預測方法第三節(jié)定量預測方法N越大、預測值越平滑，對干擾的靈敏性越低，預測值的響應性也就越小。當n=3的時候，預測4月的銷售量，SMA4=(23+21+20)/3=21.33二、時間序列平滑模型2、加權移動平均法(WeightedMovingAverage)

WMAt+1=(tAt+t-1At-1…+t-N+1At-N+1)/N

預測值=(前N次實測值的加權平均值)

t、

t-1、…、

t-N+1稱為加權因子，且

（t+t-1+…+t-N+1）/N=1近期數(shù)據(jù)對預測結果的影響大，遠期數(shù)據(jù)對預測的結果影響小；根據(jù)各期數(shù)據(jù)影響程度的大小不同分別賦予不同的權重。第三節(jié)定量預測方法第三節(jié)定量預測方法預測值的響應性較好，其結果與和N的取值有關。第三節(jié)定量預測方法二、時間序列平滑模型3、一次指數(shù)平滑法（SingleExponentialSmoothing）一次指數(shù)平滑法考慮所有的歷史數(shù)據(jù)，只不過近期實際數(shù)據(jù)的權重大，遠期實際數(shù)據(jù)的權重小。

SAt

=

At+(1-)SAt-1

=SAt-1+(At-SAt-1)

At為t期的實際值；

為平滑系數(shù)，它表示賦予實際數(shù)據(jù)的權重。將第t期一次指數(shù)平滑平均值SAt

，作為t+1期一次指數(shù)平滑預測值SFt+1，則有：

第三節(jié)定量預測方法二、時間序列平滑模型3、一次指數(shù)平滑法（SingleExponentialSmoothing）

SFt+1=

At+(1-)SFt

=

SFt+(At-SFt

)預測值=上期預測值+×(上期實測值-上期預測值）稱為平滑系數(shù)，（01）一次指數(shù)平滑法的權數(shù)呈指數(shù)遞減，最新的數(shù)據(jù)權數(shù)最大；預測值依賴于平滑常數(shù)的選擇，一般來言，越大，預測值的響應性越大，選得小些，則穩(wěn)定性較大。偏差

SFt+1=

At+(1-)SFt

=At+(1-)[At-1+(1-)SFt-1] ……………

權數(shù)呈指數(shù)遞減；最新的數(shù)據(jù)權數(shù)最大；當t很大時，(1-)t×SF1

趨近于0，可忽略。第三節(jié)定量預測方法周期12…………t-1tt+1實際值A1A2…………At-1AtAt+1平滑平均值SA1SA2…………SAt-1SAtSAt+1平滑預測值SF1SF2…………SFt-1SFtSFt+1第三節(jié)定量預測方法SA2=11.00

+0.4×

(10.00-11.00)=10.60SA3=10.60+0.4×(12.00-10.60)=11.16預測值依賴于平滑常數(shù)的選擇，一般來言，越大，預測值的響應性越大，選得小些，則穩(wěn)定性較大。第三節(jié)定量預測方法第三節(jié)定量預測方法二、時間序列平滑模型3、一次指數(shù)平滑法（SingleExponentialSmoothing）平滑系數(shù)的選擇當時間序列呈現(xiàn)較穩(wěn)定的水平趨勢時，應選較小的值，一般可在0.05～0.20之間取值；當時間序列有波動，但長期趨勢變化不大時，可選稍大的值，常在0.1～0.4之間取值；當時間序列波動很大，長期趨勢變化幅度較大，呈現(xiàn)明顯且迅速的上升或下降趨勢時，宜選擇較大的值，可在0.6～0.8間選值。三、時間序列分解模型(TimeSeriesDecomposition)對各需求構成進行單獨預測，再按一定的組合規(guī)則綜合處理，得出最終的預測結果。乘法模型TF=TSCI

（此方法較通用）加法模型TF=T+S+C+I

T為趨勢成分；S為季節(jié)成分

C為周期性變化成分；I為不規(guī)則的波動成分第三節(jié)定量預測方法三.時間序列分解模型主要討論線性季節(jié)模型線性變化趨勢與季節(jié)性變化趨勢共同作用的結果。預測值=趨勢預測值ⅹ季節(jié)系數(shù)第三節(jié)定量預測方法第三節(jié)定量預測方法三、時間序列分解模型關鍵在于求線性趨勢方程和季節(jié)系數(shù)求線性趨勢直線方程：

Yt=a+b·t

Yt—趨勢預測值

t—季節(jié)序號

a、b—系數(shù)可用作圖法或最小二乘法求出第三節(jié)定量預測方法第三節(jié)定量預測方法三、時間序列分解模型（1）求趨勢方程

Yt=a+b·t

Yt=10000+167·t三、時間序列分解模型（2）計算季節(jié)系數(shù)各周期內(nèi)相應實際值與趨勢值的比值的平均值。第三節(jié)定量預測方法SI(夏)=(1.16+1.13+1.16)/3=1.15SI(秋)=(1.01+1.00+0.97)/3=1.00SI(冬)=(0.85+0.82+0.87)/3=0.85SI(春)=(0.99+1.00+1.01)/3=1.00作用：消除數(shù)據(jù)中的季節(jié)變動擬合季節(jié)變動三、時間序列分解模型（3）計算預測值：

預測值=趨勢預測值ⅹ季節(jié)系數(shù)

若未來一年的夏秋冬春各季對應的t值分別為13,14,15,16,預測銷售量分別為: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)第三節(jié)定量預測方法

四、因果模型（回歸模型）線形回歸模型非線形回歸模型——可轉化為線形回歸模型主要研究一元線形回歸模型

指出因變量和自變量之間的線性關系。

第三節(jié)定量預測方法YXii=+ab因變量（反應變量）自變量（解釋變量）斜率Y的截距

四、因果模型（回歸模型）一元線性回歸模型

第三節(jié)定量預測方法YXYai+^iibXi=+誤差

誤差觀察值YabX=+回歸線

四、因果模型（回歸模型）一元線性回歸模型計算公式

第三節(jié)定量預測方法公式：斜率：Y的截距：例題見書P90-91第三節(jié)定量預測方法

四、因果模型（回歸模型）線性相關強度——相關系數(shù)樣本相關系數(shù)用r來表示；r值介于-1到+1之間；衡量關聯(lián)程度：正相關、負相關；強相關、弱相關。

見書P91第三節(jié)定量預測方法預測方法需要的歷史數(shù)據(jù)數(shù)據(jù)分布預測周期準備時間預測人員個人背景一次指數(shù)平滑法5-10個觀測值數(shù)據(jù)應該是穩(wěn)定的短期短不要求精通長期趨勢法10-20個，每季度至少5個呈現(xiàn)長期趨勢變動短期到中期短對預測方法有所掌握季節(jié)變動法兩個谷峰足夠處理循環(huán)和季節(jié)變動分布短期到中期短到中等不要求精通因果回歸分析法每個自變量10個觀測值能夠處理復雜分布短期/中期或長期建模時間長，實施時間短非常精通五、預測方法的選擇第四節(jié)預測誤差與監(jiān)控一、預測精度的測量預測誤差：預測值與實際值之間的差異E=(AtFt)平均絕對偏差(MeanAbsoluteDeviation)MAD=AtFt

/n它能較好地反映預測精度平均平方誤差(MeanSquareError)MSE=(At

Ft)2/n它能較好地反映預測精度第四節(jié)預測誤差與監(jiān)控一、預測精度的測量平均預測誤差(MeanForecastError)MFD=（AtFt）/n它能較好地衡量無偏性（AtFt）稱為預測誤差滾動和(RSFE)平均絕對百分誤差(MeanAbsolutePercentageError)MAPE=第四節(jié)預測誤差與監(jiān)控例題1：計算下表中的MAD、MSE、MFE、MAPE的值。MAD=37/6=6.17MSE=239/6=39.83MFD=3/6=0.5MAPE=14.28/6=2.38第四節(jié)預測誤差與監(jiān)控二、預測監(jiān)控檢驗預測模型是否仍然有效測試指標：跟蹤信號TS=(AtFt)/MADMAD=AtFt

/n結論：TS接近0或在一定的范圍內(nèi)，預測模型仍然有效。TS的控制范圍一般取3----8，多數(shù)情況下取4。2468101214161820上控制線下控制線追蹤信號(TS)第四節(jié)預測誤差與監(jiān)控例題2：某企業(yè)經(jīng)過6個月的跟蹤，得到各月的預測誤差如下表，根據(jù)這些數(shù)據(jù)，計算各月的預測誤差滾動和與平均絕對誤差，以及跟蹤信號的值。月123456預測誤差-5070100-409050練習題1下表給出了某計算機公司近10個月的實際銷售量和用A,B兩種模型進行預測的預測值。計算兩種模型的MAD；計算兩種模型的RSFE使用MAD作為評價標準，哪一種模型好一些，為什么？月份12345678910實際銷售量566620584652748703670625572618A模型預測值610630610630640650655655630630B模型預測值580600580630702680680680600600練習題2下表是光華科研所某項目新技術產(chǎn)品過去7個月份的銷售額數(shù)據(jù)，試用一次指數(shù)平滑法預測1997年12月份的銷售額。（取α=0.2，α=0.7，SA1=150）序號時間銷售額/萬元預測值/萬元α=0.211997.514315021997.615231997.716141997.813951997.913761997.1017471997.1114281997.12練習題2序號時間銷售額/萬元預測值/萬元α=0.211997.514315021997.6152148.631997.7161149.2841997.8139151.6251997.9137149.1061997.10174146.6871997.11142152.14