生产管理知识_生产与作业管理培训课程

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 2020 2 23 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 2020 2 23 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 2020 2 23 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 2020 2 23 主讲 张志英 第5页 预测的重要性 Cont d 需求预测 Demandestimates 是计划与作业管理的最开始步骤 销售预测 Salesforecasts 部分基于DE 销售预测是商业策略 BusinessStrategy 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 2020 2 23 主讲 张志英 第6页 预测的重要性 Cont d 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 2020 2 23 主讲 张志英 第7页 预测方法 定性定量 2020 2 23 主讲 张志英 第8页 定性方法 不需要需求的历史 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aproduct slifecyclestage 2020 2 23 主讲 张志英 第9页 定性方法 Cont d 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 2020 2 23 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 2020 2 23 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 2020 2 23 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 2020 2 23 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 1 n 则因果模型及计算可简化如下 定量预测方法 因果模型 2020 2 23 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 2020 2 23 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 2020 2 23 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 2020 2 23 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 绝对平均差MSE 方差MAPE 绝对平均相对百分差 2020 2 23 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 2020 2 23 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 2020 2 23 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 2020 2 23 主讲 张志英 第21页 稳定的时间序列预测法 2020 2 23 主讲 张志英 第22页 指数平滑 其中 0 1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 2020 2 23 主讲 张志英 第23页 指数平滑 2020 2 23 主讲 张志英 第24页 例 CentralCallCenter 呼叫中心 DayCallsDayCalls115972032217819531869188416110168517311198615712159 2020 2 23 主讲 张志英 第25页 例 呼叫中心 移动平均AP 3F13 168 198 159 3 175 0calls 2020 2 23 主讲 张志英 第26页 例 CentralCallCenter 呼叫中心 带权移动平均F13 1 168 3 198 6 159 171 6calls 2020 2 23 主讲 张志英 第27页 例 CentralCallCenter 呼叫中心 指数平滑F12 180 76 25 198 180 76 185 07F13 185 07 25 159 185 07 178 55 2020 2 23 主讲 张志英 第28页 预测精度 AP 3a 25DayCallsForec Error Forec Error 4161187 326 3186 025 05173188 015 0179 86 86157173 316 3178 121 17203163 739 3172 830 28195177 717 3180 414 69188185 03 0184 04 010168195 327 3185 017 011198183 714 3180 817 212159184 725 7185 126 1MAD20 518 0 2020 2 23 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 EpsilonComputers 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 2020 2 23 主讲 张志英 第30页 历史数据 年季度 mil 年季度 mil 117 4218 3126 5227 4134 9235 41416 12418 0 2020 2 23 主讲 张志英 第31页 季节指数 计算季节指数SeasonalIndexes季节指标 第i季节平均值 总季节平均值季度销售年Q1Q2Q3Q4总数17 46 54 916 134 928 37 45 418 039 1总量15 713 910 334 174 0季度平均7 856 955 1517 059 25季节指数 849 751 5571 8434 000 2020 2 23 主讲 张志英 第32页 CPC DeseasonalizetheData 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18 728 668 808 7429 789 859 699 77 2020 2 23 主讲 张志英 第33页 CPC 线性回归 线性回归分析Yr Qtr xyx2xy1118 7218 721228 66417 321338 80926 401448 741634 962159 782548 902269 853659 102379 694967 832489 776478 16Totals3674 01204341 39 2020 2 23 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 8 357 0 199X 2020 2 23 主讲 张志英 第35页 CPC 季节化数据预测 Y9 8 357 0 199 9 10 148Y10 8 357 0 199 10 10 347Y11 8 357 0 199 11 10 546Y12 8 357 0 199 12 10 745 2020 2 23 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31 84910 1488 6232 75110 3477 7733 55710 5465 87341 84310 74519 80 2020 2 23 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 12 543 222 853 332 963 4 2020 2 23 主讲 张志英 第38页 简单线性回归 Cont d 系数的计算 2020 2 23 主讲 张志英 第39页 例子 大学入学xyx2xy12 512 522 845 632 998 743 21612 853 32516 563 43620 4Sx 21Sy 18 1Sx2 91Sxy 66 5 2020 2 23 主讲 张志英 第40页 例子 大学入学 Y 2 387 0 180X 2020 2 23 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 65or3 650studentsY8 2 387 0 180 8 3 83or3 830studentsY9 2 387 0 180 9 4 01or4 010studentsNote 渴望每年增长180个学生 2020 2 23 主讲 张志英 第42页 例4 RailroadProductsCo 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 and300million 2020 2 23 主讲 张志英 第43页 例 RailroadProductsCo Cont d RPC销售车载年 millions millions 19 5120211 0135312 0130412 5150514 0170616 0190718 0220 2020 2 23 主讲 张志英 第44页 例 RailroadProductsCo Cont d xyx2xy1209 514 4001 14013511 018 2251 48513012 016 9001 56015012 522 5001 87517014 028 9002 38019016 036 1003 04022018 048 4003 9601 11593 0185 42515 440 2020 2 23 主讲 张志英 第45页 例 RailroadProductsCo Cont d Y 0 528 0 0801X 2020 2 23 主讲 张志英 第46页 例 RailroadProductsCo Cont d Y8 0 528 0 0801 250 20 55millionY9 0 528 0 0801 270 22 16millionY10 0 528 0 0801 300 24 56million注 车载每增加一百万吨 RPC销售则希望增加 80 100 2020 2 23 主讲 张志英 第47页 相关系数r r x y 系数表示了x与y关系的重要性 r的符号表示关系的方向 大小表示关系的强度 r符号常常与b的符号一致 r 1 1 2020 2 23 主讲 张志英 第48页 相关系数计算 r可以用下式计算 2020 2 23 主讲 张志英 第49页 决定系数 r2 r2比r对相互关系的描述得更加细致 r2是由theratioofexplainedvariationtototalvariation确定的 2020 2 23 主讲 张志英 第50页 例 RPC xyx2xyy21209 514 4001 14090 2513511 018 2251 485121 0013012 016 9001 560144 0015012 522 5001 875156 2517014 028 9002 380196 0019016 036 1003 040256 0022018 048 4003 960324 001 11593 0185 42515 4401 287 50 2020 2 23 主讲 张志英 第51页 例 RPC 相关系数r 9829 2020 2 23 主讲 张志英 第52页 例 RPC 决定系数CoefficientofDeterminationr2 9829 2 966这说明96 6 关于RPCsales销售状况的变化可以由车载情况来描述 多回归分析 2020 2 23 主讲 张志英 第54页 多回归分析 当有两个或更多的独立自变量时 多回归分析则特别有用 例如Y 50 0 0 05X1 0 10X2 0 03X3其中 Y 公司的年收入X1 工业销售X2 地方税收总数X3 地方债务 区间预测 2020 2 23 主讲 张志英 第56页 区间预测 单 点 预测会产生错误面对不确定性 一个较好的方法是预测一个最好的区间值 而真实的数据往往会落入这个区间 预测范围是有置信区间的上下界来确定 2020 2 23 主讲 张志英 第57页 RangingForecasts 预测的上下界可以估计为 上界 Y t syx 下界 Y t syx 这里 Y 最优的估计预测t 标准方差syx 预测的标准方差 2020 2 23 主讲 张志英 第58页 区间预测 标准方差 2020 2 23 主讲 张志英 第59页 例 RPC 通过线性回归得到RPC第八年的销售值为 20 55million 设置一个区间 使得产量落到这个区间之外的概率的为5 2020 2 23 主讲 张志英 第60页 例 RPC 步骤1 协方