需求導(dǎo)向型預(yù)測與供應(yīng)鏈庫存優(yōu)化

精品文檔-下載后可編輯需求導(dǎo)向型預(yù)測與供應(yīng)鏈庫存優(yōu)化把握未來或許是人類自古以來的一種愿望。Makridakis(1997)曾經(jīng)指出，人們很少對已經(jīng)發(fā)生的情況感到奇怪。事后，他們認為自己早就料到會這樣，并列舉出各種確鑿的理由。事后諸葛亮誰都做得來。但真正準(zhǔn)確預(yù)測出時間和因果關(guān)系尚不明了的未來事件非常困難。企業(yè)運營中的大量決策都是基于對未來的判斷做出的，需求預(yù)測的準(zhǔn)確性決定了企業(yè)管理未來的能力，也是提高企業(yè)決策能力和核心競爭力的關(guān)鍵要素。

許多公司在今天依然把量化的需求預(yù)測方法視為一個黑盒子，或者把它看作是完全憑經(jīng)驗進行和感覺來判斷的不可知領(lǐng)域。這種觀點阻礙了企業(yè)提升其預(yù)測的準(zhǔn)確性和對市場的判斷力。幸運的是一種新的趨勢正在許多行業(yè)里嶄露頭角，那就是集成大量的市場需求數(shù)據(jù)到需求預(yù)測流程中，通過數(shù)學(xué)模型來模擬計算未來的狀況，進而生成量化的預(yù)測值。盡管這種通過數(shù)理統(tǒng)計的方法來進行量化的預(yù)測的技術(shù)在100多年前就已經(jīng)出現(xiàn)，但只是在近期隨著數(shù)據(jù)收集、存儲和計算能力的大幅提高，它才得以在大中型企業(yè)中應(yīng)用。計算機技術(shù)的發(fā)展使預(yù)測模型可以覆蓋大量的產(chǎn)品和各個商業(yè)維度，例如產(chǎn)品維度、地域維度等等。

需求導(dǎo)向型預(yù)測技術(shù)的價值

需求導(dǎo)向型預(yù)測技術(shù)的應(yīng)用進一步帶動了供應(yīng)鏈庫存優(yōu)化技術(shù)的發(fā)展和推廣。一個卓越的供應(yīng)鏈和一個好的供應(yīng)鏈的差異在于，企業(yè)對供應(yīng)鏈進行有效的監(jiān)控、預(yù)警、預(yù)測和優(yōu)化的能力。而預(yù)測的準(zhǔn)確性已經(jīng)成為衡量供應(yīng)鏈最重要的指標(biāo)，也是建立供應(yīng)鏈優(yōu)勢最關(guān)鍵的要素。供應(yīng)鏈的庫存優(yōu)化技術(shù)主要依賴于概率論和運籌學(xué)的發(fā)展。有了相對準(zhǔn)確的需求預(yù)測值以后，就可以進一步優(yōu)化供應(yīng)鏈上各個層級上的庫存了。庫存優(yōu)化基于對市場需求的準(zhǔn)確預(yù)測，以客戶的服務(wù)等級、庫存資金成本、存儲成本、運輸成本為約束條件，通過隨機模擬優(yōu)化算法自動計算在滿足服務(wù)等級前提下的每一補貨周期的最佳庫存量、再訂貨點和補貨數(shù)量。

在企業(yè)層面，可以舉出很多采用需求導(dǎo)向型預(yù)測技術(shù)來實現(xiàn)供應(yīng)鏈庫存優(yōu)化的成功案例。據(jù)報道，本田汽車通過實施準(zhǔn)確的需求預(yù)測系統(tǒng)，實現(xiàn)了在大幅降低備件庫存的情況下保持99％的即時交貨率。而安利(中國)公司是又一個成功典范。為改變現(xiàn)有補貨策略基于簡單的規(guī)則，不能夠提供準(zhǔn)確的、穩(wěn)定的、考慮季節(jié)因素影響的、基于SKU的不同店鋪的預(yù)測結(jié)果，安利決定與SAS合作，在供應(yīng)鏈管理方面引入更為智能化的數(shù)據(jù)挖掘技術(shù)。借助SAS銷售預(yù)測解決方案，安利得到了基于SKU層面的各個店鋪的預(yù)測結(jié)果；在預(yù)測結(jié)果的基礎(chǔ)上，采用SAS庫存優(yōu)化解決方案，提供考慮客戶需求、leadtime、服務(wù)水平等因素的庫存優(yōu)化結(jié)果。最終，安利在降低庫存的同時，提高了服務(wù)水平和客戶滿意度。

需求導(dǎo)向型預(yù)測技術(shù)概要

需求導(dǎo)向型的預(yù)測技術(shù)就是將大量的數(shù)學(xué)預(yù)測模型軟件化，并通過易用的界面使商業(yè)用戶無需掌握深奧的數(shù)學(xué)計算模型即可以生成對企業(yè)有價值的預(yù)測結(jié)果。先進的預(yù)測軟件包含了100多年來計量經(jīng)濟學(xué)發(fā)展形成的大量成熟的預(yù)測模型。這些模型的共同特點是基于歷史的市場數(shù)據(jù)來推演未來的需求，它可以生成短期、中期甚至長期預(yù)測。在數(shù)據(jù)分析過程中能夠發(fā)現(xiàn)影響市場需求的關(guān)鍵要素，并在對未來進行預(yù)測的模型中加入這些影響因素從而進一步提高預(yù)測準(zhǔn)確性。

量化的預(yù)測方法主要包含以下要素

A現(xiàn)有足夠數(shù)量的信息

?信息的時間序列預(yù)測連續(xù)性的歷史規(guī)律，如銷售額或國內(nèi)生產(chǎn)總值增長(時間序列數(shù)據(jù))。

?信息變化的因果關(guān)系解釋了解如何說明變量，如價格和廣告對銷售的作用(代表性數(shù)據(jù))。

?組合時間序列與因果關(guān)系的方法模型。例如，結(jié)合時間序列和說明功能的模型為動態(tài)遞歸模型和狀態(tài)空間模型。

B量化的預(yù)測方法在以下條件下使用：

?有關(guān)于過去情況的信息(真實發(fā)生過)。

?這種信息可以量化為數(shù)值數(shù)據(jù)的形式。

?可以假定今后將持續(xù)過去某些方面的規(guī)律(假定連續(xù))。

C量化需求預(yù)測系統(tǒng)中常用的預(yù)測模型有

?季節(jié)性和非季節(jié)性指數(shù)平滑模型，Winters模型(加法與乘法)

?ARIMA及ARIMAX模型

?結(jié)構(gòu)化時間序列模型或未觀測到的成分模型

?動態(tài)遞歸或傳遞函數(shù)模型

?向量時間序列分析和通用狀態(tài)、空間模型支持聯(lián)合預(yù)測

?變量的自動轉(zhuǎn)換(對數(shù)、平方根、邏輯轉(zhuǎn)換、Box-Cox轉(zhuǎn)換)

?自動異常與干預(yù)檢測

?時間序列分解與季節(jié)性調(diào)整

?頻譜與交叉頻譜分析支持發(fā)現(xiàn)周期或循環(huán)型數(shù)據(jù)

?間歇需求預(yù)測模型

需求導(dǎo)向型預(yù)測技術(shù)的應(yīng)用

需求導(dǎo)向型預(yù)測技術(shù)正在世界范圍內(nèi)的各個行業(yè)包括重型制造、零售、快速消費品、醫(yī)藥、汽車、電子、能源、電信等行業(yè)產(chǎn)生深刻影響。這不僅僅是因為需求導(dǎo)向型預(yù)測可以提升供應(yīng)鏈的效率，更因為它影響到企業(yè)運營中各個方面，例如原材料采購計劃、生產(chǎn)計劃、設(shè)備運營及維護計劃、員工數(shù)量、店鋪鋪貨品類、銷售價格、開店數(shù)量等等。大部分的企業(yè)不能再坐等客戶需求出現(xiàn)后再在合適的地點、合適的