《生产管理知识_生产与作业管理培训课程》由会员分享，可在线阅读，更多相关《生产管理知识_生产与作业管理培训课程（63页珍藏版）》请在金锄头文库上搜索。
1、第二讲， 需求预测,张志英 上海交通大学 工业工程与管理系 2007年5月,2019/7/1,主讲：张志英,第 2 页,提纲,简介 定性预测方法 定量预测方法 预测系统及计算机软件,2019/7/1,主讲：张志英,第 3 页,预测的定义,预测:猜测出未来变量值，例如需求、库存等,2019/7/1,主讲：张志英,第 4 页,预测的重要性,预测方法,需求估计,销售预测,管理队伍,市场,商业战略,产品、资源预测,2019/7/1,主讲：张志英,第 5 页,预测的重要性(Contd),需求预测 (Demand estimates) 是计划与作业管理的最开始步骤. 销售预测（Sales forecast
2、s) 部分基于DE. 销售预测是商业策略(Business Strategy) 和产品资源（Resources)预测的基础. 需求预测是中期生产计划和主生产计划的前提条件,2019/7/1,主讲：张志英,第 6 页,预测的重要性(Contd),新设施规划 可能要5年的时间去设计和建设新工厂并实现新的产品流程. 产品规划 需求每个月都在改变，而我们可能需要几个月去改变生产线的能力。 工作调度 对服务（包括职员）的需求每天都在变，但员工的安排一般都需要提前进行。,2019/7/1,主讲：张志英,第 7 页,预测方法,定性 定量,2019/7/1,主讲：张志英,第 8 页,定性方法,不需要需求的历史
3、，因此适合于新产品或服务 直觉到科学推测 方法依赖于产品的生命周期a products life cycle stage,2019/7/1,主讲：张志英,第 9 页,定性方法(Contd),有根据的推测 决定者多数意见 Delphi 方法 销售人员预测 客户调查 历史类推 市场调查研究,科学,直觉,2019/7/1,主讲：张志英,第 10 页,定量预测方法,基于假设：历史会重演 过去的分析将会为将来的预测提供基础 定量方法： 因果法 基于时间序列的方法,2019/7/1,主讲：张志英,第 11 页,定量预测方法-因果模型,因果模型,令 Y-需要预测的值 X1, X2, , Xn :决定Y的n个
4、参数 即 Y=f(X1, X2, , Xn). 最简单的因果模型是线性的: Y=0+ 1X1+ 2X2+ nXn, 其中， i (i=1-n) 为常系数 确定这些系数的最常用的方法是最小二乘法,2019/7/1,主讲：张志英,第 12 页,假设我们已有n个数据且因果模型为 Y=a+bX. 令,为极小化g, 令,定量预测方法-因果模型,2019/7/1,主讲：张志英,第 13 页,如果所知的数据中，x是自然数（第i 个阶段），即 (i, Di), i=1n, 则因果模型及计算可简化如下：,定量预测方法-因果模型,2019/7/1,主讲：张志英,第 14 页,时间序列给出一组与时间顺序相关的数（历
5、史数据） 时间序列的分析识别一种模式 一旦模式被识别，它可以被用来预测未来,时间序列分析,2019/7/1,主讲：张志英,第 15 页,时间序列的模式,趋势. 循环 季节性 随机变化,2019/7/1,主讲：张志英,第 16 页,符号,令 D1, D2, , Dt, , 作为每一个时期1, 2, , t, .的需求,预测Dt, 假设已知 D1, ,Dt-1,Ft : 根据1, ,Dt-1 的预测值,一步预测,事实上，我们需要得到系数,2019/7/1,主讲：张志英,第 17 页,如何评价预测？,一步预测,多步预测,其中， Ft-,t 是提前 个时期预测t 时刻的值,三种常见评价量,MAD: 绝
6、对平均差 MSE: 方差 MAPE: 绝对平均相对百分差,2019/7/1,主讲：张志英,第 18 页,理想, E(ei)=0. 预测误差 ei 在0的上下浮动,如何评价预测,2019/7/1,主讲：张志英,第 19 页,稳定的时间序列预测法,稳定的时间序列: 每一阶段的值可表示为,其中， = 所有序列的平均值 = 随机量，且期望与方差分别为 0与2.,方法 移动平均 指数平滑,2019/7/1,主讲：张志英,第 20 页,简化计算，基于Ft 求Ft+1,稳定的时间序列预测法,下一个阶段的预测值是已过去阶段的平均值,2019/7/1,主讲：张志英,第 21 页,稳定的时间序列预测法,2019/
7、7/1,主讲：张志英,第 22 页,指数平滑,其中， 01 是平滑系数,第t个时期的预测值是过去一个时期的预测值减去预测误差,2019/7/1,主讲：张志英,第 23 页,指数平滑,2019/7/1,主讲：张志英,第 24 页,例: Central Call Center（呼叫中心）,Day Calls Day Calls 1 159 7 203 2 217 8 195 3 186 9 188 4 161 10 168 5 173 11 198 6 157 12 159,2019/7/1,主讲：张志英,第 25 页,例: 呼叫中心,移动平均 AP = 3 F13 = (168 + 198 +
8、159)/3 = 175.0 calls,2019/7/1,主讲：张志英,第 26 页,例: Central Call Center（呼叫中心）,带权移动平均 F13 = .1(168) + .3(198) + .6(159) = 171.6 calls,2019/7/1,主讲：张志英,第 27 页,例: Central Call Center（呼叫中心）,指数平滑 F12 = 180.76 + .25(198 180.76) = 185.07 F13 = 185.07 + .25(159 185.07) = 178.55,2019/7/1,主讲：张志英,第 28 页,预测精度,AP = 3
9、a = .25 Day Calls Forec. |Error| Forec. |Error| 4 161 187.3 26.3 186.0 25.0 5 173 188.0 15.0 179.8 6.8 6 157 173.3 16.3 178.1 21.1 7 203 163.7 39.3 172.8 30.2 8 195 177.7 17.3 180.4 14.6 9 188 185.0 3.0 184.0 4.0 10 168 195.3 27.3 185.0 17.0 11 198 183.7 14.3 180.8 17.2 12 159 184.7 25.7 185.1 26.1
10、MAD 20.5 18.0,2019/7/1,主讲：张志英,第 29 页,例: 计算机产品销售（CPC）.,CPC 的分析师想预测下一个年度（Epsilon Computers）的销售销售状况. 她相信最近8个季度的销售可以代表下一个年度的销售情况。,2019/7/1,主讲：张志英,第 30 页,历史数据,年 季度 ($mil.) 年 季度 ($mil.) 1 1 7.4 2 1 8.3 1 2 6.5 2 2 7.4 1 3 4.9 2 3 5.4 1 4 16.1 2 4 18.0,2019/7/1,主讲：张志英,第 31 页,季节指数,计算季节指数 Seasonal Indexes 季节
11、指标第i季节平均值/总季节平均值 季度销售 年 Q1 Q2 Q3 Q4 总数 1 7.4 6.5 4.9 16.1 34.9 2 8.3 7.4 5.4 18.0 39.1 总量 15.7 13.9 10.3 34.1 74.0 季度平均 7.85 6.95 5.15 17.05 9.25 季节指数 .849 .751 .557 1.843 4.000,2019/7/1,主讲：张志英,第 32 页,CPC Deseasonalize the Data,季节化=i季实际销售/i季指数 季度销售 年 第1季 第2季 第3季 第4季 1 8.72 8.66 8.80 8.74 2 9.78 9.85
12、 9.69 9.77,2019/7/1,主讲：张志英,第 33 页,CPC线性回归.,线性回归分析 Yr. Qtr. x y x2 xy 1 1 1 8.72 1 8.72 1 2 2 8.66 4 17.32 1 3 3 8.80 9 26.40 1 4 4 8.74 16 34.96 2 1 5 9.78 25 48.90 2 2 6 9.85 36 59.10 2 3 7 9.69 49 67.83 2 4 8 9.77 64 78.16 Totals 36 74.01 204 341.39,2019/7/1,主讲：张志英,第 34 页,CPC,对季节化后的数据进行线性回归分析 Y =
13、8.357 + 0.199X,2019/7/1,主讲：张志英,第 35 页,CPC 季节化数据预测,Y9 = 8.357 + 0.199(9) = 10.148 Y10 = 8.357 + 0.199(10) = 10.347 Y11 = 8.357 + 0.199(11) = 10.546 Y12 = 8.357 + 0.199(12) = 10.745,2019/7/1,主讲：张志英,第 36 页,CPC,返回去 季节化预测 年 季度 指数 季节后预测 季节预测 3 1 .849 10.148 8.62 3 2 .751 10.347 7.77 3 3 .557 10.546 5.87 3
14、 4 1.843 10.745 19.80,2019/7/1,主讲：张志英,第 37 页,例3: 大学入学,简单线性回归 学校过去六年入学在不断增长，预测未来三年的入学人数 学生 学生 年份 入学人数(1000s) 年份 人数(1000s) 1 2.5 4 3.2 2 2.8 5 3.3 3 2.9 6 3.4,2019/7/1,主讲：张志英,第 38 页,简单线性回归(Contd),系数的计算,2019/7/1,主讲：张志英,第 39 页,例子：大学入学 x y x2 xy 1 2.5 1 2.5 2 2.8 4 5.6 3 2.9 9 8.7 4 3.2 16 12.8 5 3.3 25
15、16.5 6 3.4 36 20.4 Sx=21 Sy=18.1 Sx2=91 Sxy=66.5,2019/7/1,主讲：张志英,第 40 页,例子：大学入学,Y = 2.387 + 0.180X,2019/7/1,主讲：张志英,第 41 页,例子：大学入学,简单回归 Y7 = 2.387 + 0.180(7) = 3.65 or 3,650 students Y8 = 2.387 + 0.180(8) = 3.83 or 3,830 students Y9 = 2.387 + 0.180(9) = 4.01 or 4,010 students Note: 渴望每年增长180个学生,2019/
16、7/1,主讲：张志英,第 42 页,例4: Railroad Products Co.,一个铁路产品的公司想预测公司下三年的销售情况。他想知道自已公司的长期销售情况与运货车箱的车载情况有关。二者过去7年的历史数据见下个ppt. 已知下三年的车载情况估计分别为 250, 270, and 300 million.,2019/7/1,主讲：张志英,第 43 页,例: Railroad Products Co. (Contd),RPC 销售 车载 年 ($millions) (millions) 1 9.5 120 2 11.0 135 3 12.0 130 4 12.5 150 5 14.0 170 6 16.0 190 7 18.0 220,2019/7/1,主讲：张志英,第 44 页,例: Railroad Products Co. (Contd),x y x2 xy 120
