《运作管理预测课件》由会员分享，可在线阅读，更多相关《运作管理预测课件（102页珍藏版）》请在金锄头文库上搜索。
1、运作管理 Operations Management,教学参考书,陈荣秋译：运作管理（第8版），中国人民大学出版社，2006 马士华,崔南方等编：生产运作管理，科学出版社，2005,第4章 预测,什么是预测？,预计未来可能发生事件的艺术和科学 业务决策的重要基础 生产 库存 人事 设施,短期预测 这种预测也可以长达1年，但通常都少于3个月 可用于采购计划、工作进度安排、工人人数安排、工作分配和生产水平方面 中期预测 3个月到3年 销售计划、生产计划和预算、资金预算和各种运作计划 长期预测 大于等于3年 新产品计划、基建投资、选址和能力扩充、调研和发展,预测的时间范围,中长期与短期预测的不同点,
2、中长期预测是用来解决更复杂的问题的，它支持管理者在产品、工厂设施和流程方面的规划决策。 短期预测所用到的方法通常与长期预测不同。 短期预测比长期预测更准确。,产品生命周期的影响,处于前两个阶段的产品所要求的预测的时间范围较之后两个阶段要长 在不同阶段调整预测方法，能更好地预测不同阶段的： 员工人数 库存水平 生产能力,导入 成长 成熟 衰退,产品生命周期,图 2.5,产品生命周期,产品研发 流程再造 关注质量,预测 产品和流程的可靠性 扩大生产能力 以产品为中心 增强分销能力,标准化 慢速度、小程度的产品变化 最佳生产能力 加强流程的稳定性 改进产品、降低成本,少量的产品差异 成本最小化 能力
3、过剩 放弃利润低的产品 缩减生产能力,图 2.5,预测的种类,经济预测 通过预测通货膨胀率、货币供给、住房兴建量等计划指标来分析经济周期。 技术预测 预测技术进步速度。 对新产品发展的影响 需求预测 预测对公司产品或服务的需求,预测的战略重要性,人力资源 招聘、培训和解雇工人 生产能力 生产能力不足就会造成交货不及时、失去顾客和失去市场份额 供应链管理 准确的预测有利于和供应商形成良好的关系、确保原材料和零件方面的价格优势,预测的七个步骤,确定预测的用途 选择预测对象 决定预测的时间范围 选择预测模型 收集预测所需的信息 做出预测 验证和执行预测结果,预测的现实 !,预测是几乎做不到完美的 大
4、部分预测技术都假设组织中有隐含的稳定性 系列产品的预测和群体产品的预测要比单个产品的预测准确得多,预测方法,情况不明朗或拥有的数据很少时采用 新产品 新技术 基于直觉和经验 例如：对网上销售量的预测,定性预测法,预测方法,情况很明朗稳定、有大量历史数据存在时采用 现有的产品 现有的技术 基于数学方法 例如：彩电的销售预测,定量预测法,定性预测法概述,部门主管集体讨论法 将高层主管或专家的意见放到一起，有时还结合统计模型。 德尔菲法 利用一组过程使专家作群体预测,定性预测法概述,销售人员意见综合法 基于每个销售人员对销售量的估计值而作出预测的方法 消费者市场调查法 询问消费者,高层管理者小组参与
5、 通过共同努力集体预测需求 结合管理经验和统计模型 相对较快 “集体思考”弊端,部门主管集体讨论法,销售人员组合,每个销售代表预测自己的销售量 在地区或国家层次进行综合 销售代表知道客户的需求 往往过于乐观,德尔菲法,小组交流的过程，直到产生一致意见为止 三种参与者： 决策者 工作人员 回答者,消费者市场调查法,询问客户未来的购买计划 客户说的和做的通常存在差异 客户有时很难回答这种询问,定量预测法概述,简单预测法 移动平均数法 指数平滑法 趋势外推法 线性回归,一序列按时间排列的数据点 通过观察固定周期内的反馈数据获得 预测只从历史数据得来 假定影响过去和现在的因素继续影响未来,时间序列预测
6、,时间序列的成分,需求因素（趋势因素和季节因素）,图 4.1,持久的总体上升或下降 由收入、人口、年龄分布或文化观点等的变化引起的 典型地要持续几年时间,趋势因素,在较短的周期后出现重复 受天气、习惯等的影响 周期在一年以内,季节因素,数据上下重复变化 受到商业周期、政治和经济等因素的影响 一个循环持续几年时间 经常存在因果和相关关系,循环因素,时间不定，杂乱， 剩余波动 受随机变量和不可预见事件的影响 周期短而没有重复性,随机因素,简单预测法,假定接下来一个周期的需求等于刚刚过去的一个周期的需求 有时是最节省成本和最有效的预测模型,移动平均数是一系列的算术平均数 在市场需求在一段时期内保持平
7、稳的前提下适用（没有趋势因素） 经常用来平滑数据中短期的不规则因素 提供一段时间内数据的总体印象,移动平均数法,(12 + 13 + 16)/3 = 13 2/3 (13 + 16 + 19)/3 = 16 (16 + 19 + 23)/3 = 19 1/3,移动平均数法案例,移动平均数和实际需求图表,当趋势可以预计时适用 旧数据通常不是很重要 权重基于经验和直觉,加权移动平均数,(3 x 16) + (2 x 13) + (12)/6 = 141/3 (3 x 19) + (2 x 16) + (13)/6 = 17 (3 x 23) + (2 x 19) + (16)/6 = 201/2,
8、加权移动平均数,加大n的值（周期的个数）可以较好地平滑掉干扰因素，但是使得模型对于实际数据中的变化缺乏敏感性。 移动平均数不能很好地反映趋势。 移动平均数法需要大量的历史数据记录。,移动平均法潜在的问题,移动平均数和加权移动平均数,图 4.2,一种加权移动平均法 越近的数据权重越大 需要平滑系数 () 取01之间的值 主观选取 只需要少量的历史数据的记录,指数平滑法,指数平滑法,新的预测值 = 上个时间段的预测值 + a (上个时间段的实际需求 上个时间段的预测值),Ft = Ft 1 + a(At 1 - Ft 1),式中： Ft = 新的预测值 Ft 1 = 前一个预测值 a = 平滑 (
9、或加权)系数 (0 a 1) At 1=上个时间段的实际需求,指数平滑法案例,预测的需求量 = 142 辆福特野马车 实际需求 = 153 平滑系数 a = .20,指数平滑法案例,预测的需求量 = 142 辆福特野马车 实际需求 = 153 平滑系数 a = .20,指数平滑法案例,预测的需求量 = 142 福特野马车 实际需求 = 153 平滑系数 a = .20,新的预测值= 142 + .2(153 142) = 142 + 2.2 = 144.2 144 cars,平滑系数的影响,不同 值的影响,选择 值,目的是使预测值最准确，而不管采用什么方法,我们通常选择给我们带来最小预测误差的
10、值,预测误差 = 实际需求 预测值 = At - Ft,误差的常用指标,误差的常见指标,预测误差的比较,预测误差的比较,预测误差的比较,预测误差的比较,预测误差的比较,二次指数平滑法,当存在趋势，则指数平滑法需要修正,二次指数平滑法,Ft = a(At - 1) + (1 - a)(Ft - 1 + Tt - 1),Tt = b(Ft - Ft - 1) + (1 - b)Tt - 1,第一步: 计算 Ft 第二步: 计算 Tt 第三步: 计算二次指数平滑值 FITt = Ft + Tt,二次指数平滑法案例,表 4.1,二次指数平滑法案例,表 4.1,F2 = aA1 + (1 - a)(F1
11、 + T1) F2 = (.2)(12) + (1 - .2)(11 + 2) = 2.4 + 10.4 = 12.8 units,第一步: 计算二月的预测,二次指数平滑法案例,表 4.1,T2 = b(F2 - F1) + (1 - b)T1 T2 = (.4)(12.8 - 11) + (1 - .4)(2) = .72 + 1.2 = 1.92 units,第二步: 计算二月的趋势,二次指数平滑法案例,表 4.1,FIT2 = F2 + T1 FIT2 = 12.8 + 1.92 = 14.72 units,第三步: 计算二次指数平滑值,二次指数平滑法案例,表 4.1,15.18 2.1
12、0 17.28 17.82 2.32 20.14 19.91 2.23 22.14 22.51 2.38 24.89 24.11 2.07 26.18 27.14 2.45 29.59 29.28 2.32 31.60 32.48 2.68 35.16,二次指数平滑法案例,表 4.3,趋势外推法,适用于历史数据点连成的线呈现出某种趋势，延长该线可进行中长期的预测。,线性趋势可以用最小二乘法确定,最小二乘法,图 4.4,最小二乘法,图 4.4,最小二乘法 最小化误差的平方和,最小二乘法,计算回归参数的公式：,最小二乘法,最小二乘法案例,最小二乘法案例,最小二乘法的注意事项,通常要将数据图示出来，
13、因为我们假定数据点之间是线性关系。 不能预测距给定数据时间很远的周期。 数据点与最小二乘直线的误差是随机的,季节因素,乘法季节模型能修正趋势因素以适应需求的季节因素。,计算每周期（假设周期是月）历史平均需求。 计算所有月份的平均需求。 把每个月的历史平均需求（第一步中计算结果）除以所有月份的平均需求（第二步中计算结果），得到季节指数。 估计下一年的总需求。 把下一年的总需求估计值除以周期个数，再乘以该月份的季节指数，这就是季节预测。,计算季节指数案例,计算季节指数案例,0.957,计算季节指数案例,计算季节指数案例,预计年度总需求 = 1,200,计算季节指数案例,圣迭戈医院,图 4.6,趋势
14、图,圣迭戈医院,图 4.7,季节指数,圣迭戈医院,图 4.8,考虑趋势和季节因素的预测结果,相关预测方法,当有多个自变量影响因变量的变化时适用。,最常见的技术是线性回归分析,当我们做时间序列的案例时已经应用过这种技术。,相关预测方法,我们可以使用在趋势预测中用到的最小二乘法来进行线性回归分析。,相关预测案例,相关预测案例,相关预测案例,销售收入 = 1.75 + .25(薪金收入),如果下一年的薪金收入估计为 $600 million, 则:,销售收入 = 1.75 + .25(6) 销售收入 = $325,000,估计的标准差,预测值只是未来值的一个点估计 这个点实际上是一个统计分布的均值,
15、图 4.9,估计的标准差,式中： y = 每个数据点的y 值 yc = 根据回归方程计算的因变量值 n = 数据点的个数,估计的标准差,以下公式是使用起来更容易的公式：,标准差可以用来计算基于点估计的预测区间。,估计的标准差,Sy,x = .306,销售额的预测值的标准差是 $30,600,两个变量之间的线性关系有多强? 相关性不描述变量之间的因果关系! 相关系数, 通常用 r表示, 描述了线性关系的程度或强度。 可以是 +1到 -1之间的任何值,相关分析,相关系数,相关系数,判定系数, 通常用 r2 表示, 是因变量 y 可以用回归方程解释的百分比。 在 0到 1之间取值,相关分析,在 No
16、del 建筑公司的案例中: r = .901 r2 = .81,多元回归分析,当模型中存在多个（多于一个）自变量, 线性回归要扩展为多元回归，以便分析所有的自变量。,很难计算，一般利用计算机进行计算,多元回归分析,在 Nodel 建筑公司案例中, 加入利息率可以得到如下新的方程:,相关系数增大为： r = .96 表明本模型能更好地预测销售量的变化。,销售量 = 1.80 + .30(6) - 5.0(.12) = 3.00 销售量 = $300,000,用来控制预测值和实际值差别的 预测误差移动和 (RSFE) 跟平均绝对误差 (MAD)的比值 理想的跟踪信号值是个较小的值 如果预测值持续高于或低于实际值，则存在偏移误差,预测的监控,跟踪信号,预测的监控,跟踪信号,求跟踪信号案例,求跟踪信号案例,跟踪信号在接受范围内，在-2.0倍平均绝对误差至+2.5倍平均绝对误差之内。,自适应平滑预测,指由计算机监控跟踪信号，并当信
