深圳大学-需求预测.ppt

需 求 预 测,主要内容,一般预测应考虑的因素 预测过程 预测技术,一般预测应考虑的因素,需求性质 预测内容 预测方法,需求性质,相关需求是指某种物资的需求量与其他物资有直接的配套关系，当其他某种物资的需求确定后，就可以直接推算出来。进一步可分为垂直相关和水平相关。 垂直相关物资之间具有从属关系。（汽车与汽车轮胎） 水平相关是指在每一种物资中包括的附属物、促品。（羽毛球拍和免费提供的羽毛球）,需求性质,独立需求是指某种物资的需求量是由外部市场决定的，与其他物资不存在直接的连带关系。 在预测过程当中，若存在相关需求应利用这种情况，仅预测基本物资的需求；通常来说，只要有可能，应尽量利用相关性。,预测内容,影响需求的六大因素： 基本需求 季节因素 趋势因素,影响需求的六大因素： 周期因素 促销因素 不确定因素,基本需求,基本需求是扣除剩余的成分后留下来的数量，一项基本需求的良好评估是以整个展延时间内的平均值表示的。基本需求是对没有季节因数、趋势值、周期因数和促销因数等成分的项目的适当预测。,季节因素,季节因数成分通常是建立在年度基础上的，在预测模式中是重复向上和向下的一种运动。年度的玩具需求就是一个例子，在圣诞节前具有较高的需求量，而在一年的前三个季度中则是低需求量。可以这么说，玩具的需求类型显示出在前三个季度中季节因数较低，最后一个季度呈现季节因数的峰值。应该注意到的是，上述讨论的季节因数是指消费零售层次。批发层次的季节因数先于消费需求大约一个季度。,趋势因素,趋势值成分被定义为，在一个展延的时期内，定期销售的长期一般运动。这种趋势值可以是正的、负的或是不确定方向的。正的趋势值意味着销售量随时间而增加。例如，在90年代的1 0年期间个人电脑的销售趋势是增长的。在整个产品生命周期中，趋势方向会改变若干次。例如，由于人们的饮用习惯的变化，在80年代初期间，啤酒消费从增长趋势变化到一种不确定趋势。趋势值的增减取决于整个人口或消费类型的变化。,周期因素,周期因数成分的特点是，在其需求模式中的延续波动状况会超过1年。这种周期因数可以是上升的，也可以是下跌的。商业周期就是一个例子。在商业周期中，传统上，每隔35年有一次经济从衰退到扩张的波动。住房需求通常就与商业周期以及由此产生的大型用具的需求联系在一起。,促销因素,促销因数成分的特点是，需求波动是由厂商的市场营销活动发起的，诸如广告、交易或促销等。这种波动往往具有这样的特点，促销期间销售量增加，此后随着利用促销逐渐售出库存后销售量下跌。促销可以是向消费者提供的交易，也可以是仅向贸易商(批发商和零售商)提供的交易。,不确定性因素,不规则因数成分包括随机的或无法预计的、不适合归在其他类别的成分中的数量。由于它的随机性质，这种成分不可能事先预计。在展开一项预测过程时，其目标是要通过跟踪和预计其他成分，使随机成分的数量减少到最低程度。,预测模型,Ft=(BtStTCtPt)+I Ft时间t的预测数量 Bt时间t的基本需求水平 St时期t的季节因素 T趋势因素，每一时期的增减数量 Ct时期t的周期因素 Pt时期t的促销因素 I不确定变数或随机数量。,预测方法,自顶向下方法 顶向下方法(top-down approach)或称分解法，先展开国家层次的预测，然后按照历史的销售模式把流量分摊到各个地点。顶向下方法对于稳定的需求环境或者当需求水平在整个市场统一地变化时，是一种集中化的和适当的预测。,预测方法,自底向上方法 另一方面，底朝上方法(bottom-up approach)是一种分散化预测方法，每一个配送中心独立地展开预测。作为结果，每一次预测都能更精确地跟踪和考虑在特定市场内的需求波动。然而，底朝上方法需要更详细的保持记录，并且使之更难以结合进系统的诸如一次大型促销的影响之类的需求因素。,预测过程,预测技术 预测支持系统 预测行政管理,预测支持系统,预测支持系统包括收集和分析数据、开展预测，以及把预测传输到相关的人事系统和计划系统的数据处理能力。该组成部分能对数据的维持和处理起到支持作用，并允许考虑外部的预测因素，诸如促销、罢市、价格变化、产品线变化、竞争性活动，以及经济条件等的影响。该系统的设计不仅必须顾及这些变化，而且在实际上还应鼓励这些变化。,预测支持系统,例如，营销经理也许知道下一个月的促销计划有可能使销售量增加15。然而，如果难以改变下一个月的预测数字的话，就有可能没有作出任何调整。类似地，当一种包装尺寸被宣布要改变时，很显然，应该改变未来的预测历史资料，以反映新的包装尺寸。如果这样做在系统的约束范围内难以实现的话，那么，个别完成的预测将有可能不会作出调整。因此，一个有效的预测过程必须包括一个支持系统，以便于维持、更新和处理历史上的数据库和预测。,预测行政管理,预测行政管理包括组织、程序、动机以及人事等方面的预测功能，并把它们结合进厂商的其他功能中去。 组织方面涉及到个人的作用和责任。具体的问题包括：(1)谁负责开展预测？(2)预测的精确性和表现如何衡量? (3)预测表现如何影响工作表现的评估和奖励？,预测行政管理,程序方面涉及到个别了解预测活动、信息系统和技术的相互影响。具体的问题包括：(1)预测分析人员了解其活动是如何影响物流协调需求的吗？(2)预测人员是否知道预测系统的能力，以及如何有效地使用这些能力？(3)预测分析人员是否知道技术的差别？,预测行政管理,在确定预测行政管理的职能时，详细地回答这些问题是很重要的。如果这些问题不提出来，预测的责任和衡量往往得到的是一个“松散的”定义，导致缺乏“责任性”。例如，如果营销、销售、生产和物流等都各自独立展开预测的话，就不存在综合预测，也不会有全面的责任性。如果期望展开一项综合预测，就必须具体地明确各小组的预测责任，然后由他们负责具体的衡量。有效的预测行政管理需要很好地明确组织上和程序上要考虑的因素。没有这些条件，即使有充足的预测技术和预测支持系统，整个预测过程也将缺乏最佳的表现。,预测过程,从历史上来看，在每个单一的成分，例如技术方面，加强努力，被认为有可能克服其他成分的问题。设计过程必须充分考虑每个单一成分的强弱点，并为综合系统的最佳表现设计。为了举例说明这一点，有许多物流经理正在考察目前的各种预测过程。对234家加拿大公司进行的的一项调查鉴定了各种改善预测的开创性活动以及采取这些活动的公司百分比。它们反映了许多有关支持系统和行政管理的问题，与预测技术有关的问题较少。这些结果得到了一些公司的支持。,预测技术,预测技术是用于把数字参数，其中包括历史资料，转化成为预测数量的数学上的或统计上的计算。 预测技术分类 预测误差,预测技术分类,定性技术 时间序列分析 因果关系技术 定性技术主要依赖专家的意见，既费时又费钱。在没有什么历史数据并且更多地需要对管理作出判断的情况下，这类技术是理想的。使用销售人员提供的数据作为基础来预测一个新地区或一个新产品就是一个例子。然而，定性方法并不普遍用于对物流的预测，因为它需要时间。定性预测需要通过调查、座谈和协商会议来展开。,时间序列分析,1、移动平均 (moving average) 使用最近时期销售量的平均数。,时间序列分析性质,尽管移动平均数很容易计算，但它们有几个限制。其中最重要的是，它们对变化反应迟钝或行动迟缓，并且必须维持和更新大量的历史数据来计算预测。如果历史上的销售量变化很大，就无法依赖平均数或平均值来提出有用的预测。除了基本成分，移动平均数不考虑早先讨论的预测成分。为了部分地克服这些缺陷，作为一种更精确的方法，加权移动平均就被引入了。该权数更强调最新的观察值。,指数平滑,指数平滑(exponential smoothing)是根据以前的需求水平和预测水平的加权平均数估算的未来销售量为基础的。新的预测是因老预测与实际实现的销售量之间的差别而形成的老预测的增加部分函数。调整的增量叫作阿尔发因数。该模型的基本公式如下：,指数平滑,指数平滑性质,指数平滑的主要优点在于它可以快速计算新的预测，无需大量的历史记录和更新资料。因此，指数平滑高度适合计算机化的预测。根据平滑常数的值，它还有可能监督和改变技术敏感性。使用指数平滑时的主要决策是选择阿尔发因数。,外延平滑,外延平滑(extended smoothing)可以外延到包括趋势值和季节波动等要考虑的因素。这类技术分别被称作具有趋势值的指数平滑和具有季节因数的指数平滑。外延指数平滑在能够识别这些成分的具体数值时便结合进了趋势和季节的影响。外延平滑的计算类似于基本平滑模型的计算，除非存在三种成分和三种平滑常数来表现基本、趋势和季节成分。,外延平滑,外延技术的主要特点是，它们直接考虑趋势值和季节因数成分。虽然这肯定是一种优点，但它也是一种弱点。外延技术常常被认为过分敏感，因为他没有能力正确地细分每一的预测成分。这种过分的敏感性会导致预测精度的问题。,适应性平滑,适应性平滑(adaptive smoothing)提供了定期考察阿尔发因数的有效性。阿尔发因数可以在每一次预测结束时进行考察，以便确定能产生完美预测的精确数值。一旦确定，用于产生随后预测的阿尔发因数就被调整到将会产生完