《《精编》需求预测知识分析》由会员分享，可在线阅读，更多相关《《精编》需求预测知识分析（44页珍藏版）》请在金锄头文库上搜索。
1、需求预测 Session1ForecastingDemand 课程目的 解释为什么预测是重要的 重要性 通用的预测方法 识别需求的特征 介绍对预测数据需要考虑的事项 概要地介绍了数据分解流程 1 1 什么是预测 预测是对未来需求的估计 预测可以是应用数学方法对历史数据进行的客观分析 也可以是对非正式信息的主观判断 同时 预测也可以是两种方法和技术的结合 1 2 为什么需要预测 计划未来 减少不确定性 预见和管理变化 革 提升计划部门的沟通和整合 预见库存和能力需求 管理前置期 将运作成本计划在预算编制过程中 通过降低成本 提升客户交货水平和反应速度 从而增加竞争力和生产力 1 3 预测涉及的领
2、域 投资决策 资产设备决策 库存规划 能力规划 运作预算 前置期管理 1 4 预测系统设计问题 决定哪些信息是需要预测的 为预测赋予责任 设置预测系统参数 选择预测模型和技术 数据收集 测试模型 记录实际需求 报告预测的准确性 确定变异的根本原因 回顾预测系统 提升预测绩效 1 5 通用的预测技术 定性技术基于知觉和评估专家意见信息汇总关注客户的团体专家团体智囊团调查研究团体应用市场调研定量调查设计的基础 1 6 通用的预测技术 Cont 定量技术基于数据关联的计算 历史需求是未来需求的一个很好的指示器 依靠数学公式 例子 移动平均指数平滑回归分析时间序列 1 7 预测数据来源 内部 基于公司
3、历史数据 外部 基于公司外部的信息 1 8 外部因素 S 社会 Social T 技术 Technology E 环境规则 Environmentalregulations E 经济 Economic E 人的观念 Ergonomics P 政治 Political 1 9 需求 对特定产品 部件和服务的需要 1 10 需求的来源 需求的来源是多方面的 消费者客户经销商分销商内部公司备件 1 11 需求特征 内部因素产品促销产品替代 外部因素随即波动季节性趋势经济循环客户喜好和需求的变化 1 12 主生产计划在不同制造策略中的应用 ETO 没有MPSATO 部件组装 MPS Forecast
4、装配计划FASMTS MPS 以预测为主MTO MPS 预测是可选的 对前置期长的部件 可以应用补货策略MassCustomization 大量 多品种 稳定的需求 采用对物料进行预测的 拉式 生产方式 1 13 独立需求Vs相关需求 这种分类是基于公司内部的需求特点独立需求外部需求交易 产成品 备件 内部需求 MPS 销售和需求预测 相关需求根据物料清单展开非预测项目 1 14 季节性需求 1 15 季节性指数的计算 度量需求的季节性变化 联系特定时区内的平均需求和整个时区内的平均需求的关系 1 16 某品牌冰淇淋的销售数据 1 17 季节性指数的计算 Cont 经济循环 1 18 金字塔形
5、的预测方法 1 19 定性的 定量的 预测技术 金字塔形预测的例子 X2units 4 845price 10 00 units 13 045产品组平均price 16 67 units 15 000 ROLL UP X1X2 产品层预测X1units 8 200price 20 61产品族层预测产品组 调整的预测 FORCE DOWN 1 20 金字塔形预测中销售收入的应用 1 21 练习 历史需求产品A产品B区域1150区域1300区域2300区域2450单价 4 50单价 8 50管理层已经决定 下一年的总需求将达到 10 000 计算产品A和B分别在区域1和2的预计需求量 1 22 定
6、量技术 移动平均 指数平滑 回归分析 适应性平滑 图示法 计量经济模型 生命周期模型 1 23 移动平均预测方法 优点简单的计算方法可以过滤随即变异时间越长 需求越平滑限制如果存在需求趋势 很难察觉 移动平均相对趋势是滞后的 1 24 预测 新 ax实际需求 1 a x预测 老 预测 新 预测 老 aX 实际需求 预测 老 指数平滑 提供了更新产品预测的常规方法 对需求要素来说 a是一个权重因数 适合相当稳定需求产品的预测 适合短期预测 滞后需求趋势 不能察觉趋势 1 25 1 26 平滑因数 参照a因数的定义决定了历史数据在预测中的权重 调整预测对需求变化的反应度范围 1 27 平滑因数 C
7、ont 确定了预测过程中需要考虑的实际需求的期数 n 1 00 1period0 50 3periods0 29 6periods0 15 12periods0 10 19periods 0 1低权重 非常平滑0 9高权重 接近实际 指数平滑因数a不同 预测需求的趋势变化 实际销售 1 28 1 29 指数平滑 例子 预测 新 预测 老 移动因数 a x 实际销售 预测 老 例子 预测 老 160 实际 200 a 0 1预测 新 160 0 1x 200 160 160 0 1x40 164例子 预测 老 160 实际 200 a 0 8预测 新 160 0 8x 200 160 160 0
8、 8x40 192 定性技术 专家意见市场调研聚焦团体历史推理Delphi方法座谈会 1 30 内部 内在 因数 产品生命周期管理 计划价格变更 销售能力变化 资源约束市场营销和促销广告 1 31 外部 外在 因数 竞争新客户主要客户计划政府政策其他调整经济条件环境问题全球趋势 1 32 先行指数 Indicators 原因要素 房地产投资出生率网站的点击率健康趋势更健康的生活方式 影响建筑材料家具婴儿产品电子商务销售医药供应营养产品适宜产品 1 33 1 34 新产品 每个新产品 服务都存在预计的风险 每个新产品 服务的上市都有可能出现以下状况 扭转市场颓势 强烈地刺激市场 市场份额急剧扩大
9、 损失灾难无尽的责任和义务 BCGMatrix 波士顿矩阵 1 35 相对市场份额 明星 Star 问号 QuestionMark 瘦狗 Dog 现金牛 CashCow 高市场增长率低 小 大 1 36 聚焦预测 假设离现在越近的数据 越能更好地预见未来的需求 选择更好的预测模型 方法所有预测模型得到的结果都需要最近的销售数据进行比较 最接近结果的预测模型将作为这一次的预测模型 下次可能会选择不同的预测模型 预测数据问题 数据的有效性数据的一致性需求的历史数据量预测频率模型选择的频率成本和时间记录真实的需求订单日起vs 出货日期产品单位vs 财务单位数据集合的层次客户 1 37 计划范围和时区
10、 时区 周数 预测时间范围 短中长 周月季度 12345678910111213172126303439434752657891104 计划范围 1 38 数据准备和收集 销售数据记录和预测数据的周期相同 天 周 月 监控需求 而不是销售和出货 记录异常需求的环境详情 记录需求时要分单独的客户群和市场单元 1 39 异常数据的处理 1 40 Outlier outsidetherange 何谓 异常 在一定的时间范围内 某一点的数据和前后数据有明显的差异 这就是异常 例如 某个产品的平均需求10个单元每个月 但是 某个月它的需求达到了500个单位 这个销售点可能会认为是一个异常点 1 41 如何处理这些 异常 在应用预测技术时将这些 异常 去掉 现实中 促销的结果循环发生的可能性 1 42 1 43 数据的分解 净化数据调整数据取得基线鉴别需求的组成趋势季节性非年度循环随机误差测量随机误差设计系列重新安排
