物流预测应考虑的因素(pdf 15页).PDF

预测可以推动物流信息系统的计划和协调 预测是对生产 装运或销售等方面有 可能产生的流量或单位数的一种预示或估计 预测可以具体到某种单位或某种货币 也可以具体到个别产品 顾客 或是若干个产品和顾客的集合 物流预测通常是每周 或每月对从配送中心装运的某一产品进行的一种预计 预测也可能要对几个时期的资 料进行汇总 作出分析和报告 计划和协调生产设施能力需要精确的预测 这类预测和由此产生的计划可以使 物流经理积极地分配资源 而不需用昂贵的代价对生产能力或库存需求作出反应 精确的预测可以使经理们平衡资源需求 以期最大程度地降低库存能力和代价昂贵 的存货 预测可以通过交换信息 协调信息 而不是通过增加库存 来提高物流效 率 先进的通信技术已使经理们有更多的机会与顾客和企业内大量的预测用户分享 预测成果 根据战略目标预测 经理们可以计划现金流量和商业活动 通过能力预 测则可约束生产需求和设施能力需求 此外 通过物流需求预测可以确定产品是如 何向配送中心和仓库进行分配的 发展到一定程度时 还应包括向零售商分配 制 造需求预测会影响生产计划 并因此将确定采购需求 显而易见 要实现供应链一 体化 就需要通过共同预测来推动所有的活动 例如 物流需求应考虑大规模的营 销和促销活动 以便使物流能够在生产能力约束之内进行作业 过去 每一种活动 通常都各自开发自己的预测 所以彼此间很难进行传输并发展成为共同预测 然而 降低库存的要求和信息技术的进步 都在努力超越厂商之间的障碍促进预测向遍及 整个供应链的一体化发展 显然 结合金融 营销 销售 生产和物流理念来开发 预测程序已势在必行 本章将讨论一般预测的考虑因素 然后对综合预测过程的概 念性结构进行描述 第七章将致力于探讨如何把预测活动与物流信息要求结合起来的问题 第一节将 展开一般预测需要考虑的因素 一开始 它将回顾需求的典型性质 然后将这些性质 与预测内容和预测方法联系起来 接下来一节将说明如何展开有效的预测过程 并将讨论如何选择和支持预测技术 而整个预测过程的行政管理则是有效预测的一个重要方面 最后一节把注意力更多地集中在预测技术方面 介绍和讨论具体的技术 该节结 束时将讨论预测误差的校准和衡量 总之 第七章把预测的作用看成是满足物流信息 要求的一个组成部分 第 七 章 预测 第一节一般预测应考虑的因素 预测是为了计划物流作业 而对需求地点 库存单位 S K U 以及时间进行的预计 要展开一项综合预测过程 物流管理部门就必须考虑所有可能的信息来源以及可能的 系统用户 在确定一项预测过程前 了解需求的性质和需求的主要内容是很重要的 现逐一讨论如下 一 需求性质 经预测的需求可以被分类成从属需求或独立需求 以从属需求 d e p e n d e n t d e m a n d 作为例子 它具有垂直顺序特征 如采购和制造情况 垂直从属需求可以以 零部件为例 诸如轮胎 它们可以被装配成制成品 诸如汽车 在这种从属需求的情 况下 轮胎的需求取决于汽车装配计划 垂直从属可以通过几个渠道分层次地展开 诸如原材料供应商 零部件制造商 装配作业和配送商等 水平从属需求是一种特别 情况 它在每一个装运项目中包括了附属物 促销项目或经营者手册等 水平从属需 求可以为了促销而对羽毛球进行的预测为例 购买一副羽毛球拍就免费提供羽毛球 在这一个例中 羽毛球的预测取决于羽毛球拍的预测 在水平需求的情况下 需求的 项目并非完成制造过程所需要的 而有可能是完成营销过程所需要的 重要的一点是 对基本项目的需求估计最初是通过使用预测 存货状况和需求计划 来确定的 然而 一旦采购或制造计划被确定 对零部件的需求或界入 例如 在先前 例子中的轮胎和羽毛球 便可以直接进行计算 不需要分别地进行预测 因此 零部件 项目的预测可以直接产生于基本项目的预测 如果基本项目的需求发生了实质性的变化 那么就有必要调整零部件的需求 但是 这种从属需求关系并不会改变 通常说来没有 必要对一种从属需求项目进行预测 因为它的活动水平最好还是通过基本项目来确定 如果一个给定项目的需求是独立的 这时它与另一个项目的需求毫无关系 例如 对冰箱的需求有可能与对牛奶的需求无关 所以 预测中的牛奶对改善冰箱预测将不 起任何作用 独立需求项目 它包括大多数终端使用的消费品和工业物资 必须单独 地进行预测 预测既强调时间 也强调数据 然而 当存在从属需求时 预测者应该利用这种 情况 仅预测基本项目的需求 通常说来 只要有可能 随时都应该利用从属关系 二 预测内容 物流需要用预测数量进行计划和协调 这种预测一般是每一个库存单位和配送地 点的月度数字或每周的数字 虽然这种预测数量一般是一个单一数字 但是该数值实 际上由6种成分所组成 这些成分是基本需求 季节因素 趋势值 周期因素 促销 因素 以及不规则数量 假定基本需求是 平均 销售水平 而其他成分则是乘以基 本水平 并进行了正负调整的指数或因数 由此产生的预测模型是 Ft Bt St Tt Ct Pt I 式中Ft 时期t的预测数量 Bt 时期t的基本需求水平 St 时期t的季节因数 T 趋势成分 每一时期的增减数量 Ct 时期t的周期因数 Pt 时期t的促销因数 I 不规则数量或随机数量 第七章预测 175 176 第二篇物流资源 虽然有些预测并不包括所有的成分 但是了解每一个成分的行为 对于能够跟踪 它们并适当地结合进预测中是很有帮助的 现对每一个成分的特征作简短地回顾如下 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 季节因数 或指数对于整个时期 例如月份 有一个平均值为1 0 但是 单个的月度季节因数的范 围可以从0到1 2 如果个别的季节因数值为 1 2 则表明上述的一个平均时期预计销售 在2 0 左右 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9 0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 8 0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 在作出这种预示时 了解是哪一个因数对销售量有影响是很重要的 例如 出 生率的下降 意味着随之而来的一次性尿布的需求将减少 然而 与布尿布形成鲜明 对照的是使用一次性尿布的趋势 即使市场的规模正在缩小 也有可能引起对特定类 别的产品需求的增加 这些就是趋势预测的明显例子 虽然趋势值对短期的物流预测 的影响是微妙的 但是在展开预测时 依然必须将它考虑进去 不像其他的预测成分 趋势值成分在随后的时期中会影响到基本需求 这种特殊的关系表现如下 Bt 1 Bt T 式中Bt 1 在时期t 1内的基本需求 Bt 在时期t内的基本需求 T 定期的趋势指数 趋势指数值大于1 0 意味着定期需求是增长的 而趋势指数值小于 1 0 则意味 着下降趋势 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3 5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 促销可以是有规则的 因此在每一年的同一时间 发生 从预测的角度来看 有规则的促销因数成分类似于季节因数成分 不规则的促 销因数成分未必会在相同的时期内发生 所以必需对它进行跟踪并分别结合进去 促 销因数成分对于跟踪消费品行业来说特别重要 因为它对销售量具有很大的影响 在 某些行业中 促销销售量甚至会占年度销售量的 5 0 8 0 这并不是暗示 如果不搞 促销 当前的销售水平只有 2 0 但它确实意味着促销导致的需求要比起不搞促销的 需求来显得更 礅实 促销因数成分不同于其他预测成分 后者在时间选择上和数 量上可以控制 而前者在很大程度上取决于厂商 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 对如何计算每一个预测成分进行详细的讨论 超出了本教材的范围 有几本教材 提供了这方面的详细介绍 重要点在于 预测者必须认识到不同的成分所具有的潜在 影响 并能适当地予以处理 例如 把季节性成分作为趋势成分来处理会降低整个时 间内的预测精度 对于特定项目具有重大意义的成分必须予以识别 分析 并与使用 适当的预测技术相结合 三 预测方法 预测可以从两种理念来展开 顶向下方法和底朝上方法 一 顶向下方法 顶向下方法 top down approach 或称分解法 如图 7 1所示 先展开国家层次的 S K U预测 然后按照历史的销售模式把流量分摊到各个地点 作为一个例子 假定整 个国家月度预测总计为10 000个单位 假设厂商使用4个配送中心以历史上的分割比例 为需求服务 它们分别为 4 0 3 0 2 0 和1 0 在这种情况下 预计每个配送中 心的预测值分别为4 000 3 000 2 000和1 000 图7 1 顶向下方法的例子 预测管理部门必须针对每一个特定的情况选择最佳的方法 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 例如 当需求水平在所有的市场统一地增长 1 0 时 因为所有的变化都是相关的 所 以利用顶向下方法有助于展开新的详细预测 二 底朝上方法 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 虽然预测管理部门并不会以牺牲其他预测方法为代价来接受某一种可选的预测方 法 但是必须选择可接受的结合方法 正确的结合方法必须在底朝上方法的详细跟踪 与顶向下方法的数据处理之间进行优选 第二节预测过程 物流计划和协调要求尽最大的努力来估算S K U地区的需求 虽然预测远不是一门精 第七章预测 177 工厂配送中心 历史上的 分割 1号区域配送中心 预测4 000单位 2号区域配送中心 预测3 000单位 3号区域配送中心 预测2 000单位 4号区域配送中心 预测1 000单位 预测总计为10 000单位 178 第二篇物流资源 确科学 但是有越来越多的企业正在实施综合的预测过程 这一过程包括多种来源的数 据 复杂的数理统计技术 精心设计的决策支持能力 以及经过培训而又有激情的人员 正常的物流作业预测的时间范围为 1年或1年以下 根据计划的预期用途 可以要 求预测建立在每天 每周 每月 每季度 半年以及年度基础之上 最常见的预测期 是月 重要的要求是所选择的基本计划范围要适应物流作业 有效地预测过程需要要若干个组成部分 图 7 2显示了这些组成部分及它们的相 互关系 首先 预测过程的基础是预测数据库 它包括了诸如订单 订货历史 以及 用以获得那些订货的策略 例如促销 特别交易或罢市等的信息 其他的环境数据 例如经济状况和竞争行动等 也应该包括在内 为了有效地支持预测 这种数据库必 须采取有助其处理 概括 分析和报告的方式 及包含有历史上的和计划方面的信息 这种特殊的数据库要求满足灵活性 精确性 可维持性以及及时性的要求 图7 2 可选择的预测过程 其次 有效的预测过程必须展开一种支持用户需要 如金融 营销 销售 生产 和物流等 的综合的 始终如一的预测 尤其是 用户们要求精确的 始终如一的 详 细的和及时的输出 最后 展开一项有效的预测 需要一种结合了三个组成部分的程序 预测技术 预测支持系统和预测行政管理 现将每一个组成部分讨论如下 一 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 预测技术中包括时间序列建模和相关性建模 在时间序列建模技术 中 销售量的历史资料是一个主要因素 在相关性建模中 与其他独立变量的各种关 系是主要因素 所选择的预测技术将在下一节中详细讨论 在现代的商业预测中单靠 技术无法处理可能经历的各种复杂事务 结果 愈来愈清楚 精确的预测需要将预测 技术与适当的支持系统和行政管理系统结合在一起 二 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 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 1 5 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 虽然不难理解为什么这种进行调整的能力 是必要的 但是 对于在多重地点的成千个 S K U来说 很难进行操作 这种 S K U和地 点的结合意味着有成千个数据点必须维持在一种有规则的基础之上 为了有效地完成 订单 历史 策略 预测技术预测支持系统 金融营销 销售生产 物流 预测行政管理 预测数据库预测过程预测用户 这种维持 预测支持系统必须包括意义重大的自动化程序和例外程序 三 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 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 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 动态建模主要用于说明当供应链的多重成员之间缺乏预测协调时将会发生什么情 况 从一开始鼓励反馈时起 销售量和预测值的直接通信的成本就少于传送错误信息 的成本 既然在未来交易的预期中要发起大量的物流行动 那么 传播过分乐观的预 计或预测会刺激大量狂热的 但最终无用的工作 对渠道成员之间的通信传输进行分 析表明 随着它在物流网络的参与者之间继续传播 预计将会产生进一步扩大的趋势 在交易要求的解释中 每一个误差都会打乱整个物流渠道 在福雷斯特 F o r r e s t e r 的 经典著作中 他模拟了渠道的交互关系 用于说明整个渠道如何成为一种不断波动的 图7 3 模拟生产 配送系统对零售层次突然增加 1 0 销售量的反应 第七章预测 179 零售商来自顾客的订单 配送商来自零售商的订单 工厂仓库来自配送商的订单 工厂生产产量 在工厂仓库未完成的订货 月份 星期数 1月2月3月4月5月6月7月8月9月10月 11月12月 在工厂仓库的存货 矫正模式 对现实的市场需求产生一系列上下左右的调整 图 7 3说明了当零售商增 加1 0 的需求时所模拟的渠道库存波动 正是因为它的任务性质 配送渠道必需对交易需求敏感 系统随时准备一接到信 息就启动物流过程 必须格外小心地构筑具有高度可靠性的通信传输功能 同时要保 留对变化和适应所需的灵活性 四 小结 如前面的图7 2所示 重要的是要认识到 最佳的设计需要综合地 始终如一地 结合各种成分 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 2 3 4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 表 7 1概括了这些结果 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 它们报道了在预测系统开发 文件和控制中的一些开创活动 对这些预测领域 不进行改善 就会限制厂商提高预测精度的能力 G E 硅公司 G E Silicones 和纳贝 斯克食品公司 Nabisco Foods 提供了有关设计和执行综合预测过程的例子 即使预测技术是整个预测过程的唯一组成部分 但是了解技术可得性的广度以及 评估它们的衡量方法仍是有用的 下一节将举一个实例 表7 1 所需的预测改善 系统公司 需要改善的领域组成部分百分比 分析预测误差的系统支持系统3 6 修正预测的系统支持系统3 4 预测技术的复杂性技术3 2 预测程序的文件和假定行政管理3 0 预测中的管理控制支持系统2 5 各种来源的数据处理支持系统2 4 使用预测的管理教育行政管理2 2 管理表现变化支持系统2 1 专业人员支持系统1 6 资料来源 D H D r u r y Issues in Forecasting Management Management International Review 30 4 1990 p 324 第三节预测技术 物流预测需要选择适当的数学上的和统计上的技术 以产生定期的预测 一种技 术的有效使用需要使形势的特点与该技术的能力相匹配 在马克里德基思 M a k r i d a k i s 和慧尔赖特 W h e e l w r i g h t 的经典文章里 他们建议用下列标准来评估一 种技术的适用性 1 精确性 2 预测时间范围 3 预测值 4 数据的可得性 5 数 据的类型 6 预测者的经验 每一种可供选择的预测技术都必须从定性和定量两个方 面用这些标准来评估 有几百篇的文章专门叙述预测可选方案的方法和有效性 在最近的 4 0年中 由于 增加了先进的统计分析能力 使预测技术变得愈来愈复杂 这种普遍的发展导致预测 精度的改善显得更加错综复杂 虽然这是真的 但有大量的研究表明 愈是简单的愈 180 第二篇物流资源 第七章预测 181 好 越是复杂的技术并不总是提供更好的结果 特别当有人从信息和经验这两个方面 去考虑资源需求时 更是如此 虽然有能力识别特定的预测技术 无论是简单的或复杂的 是否适用于每一种应用 是一件好事 但是预测技术的发展和评估并非那么严格 适当的预测技术的选择 与 其说是一门科学 倒不如说是一门艺术 简单地说 物流管理应选择能提供最佳结果 的技术 集中预测 Focus forecasting 的概念说明了一种基于结果的方法 集中预测结 合了若干个其范围从非常简单到合理复杂的技术 对于每一个时期 每一个 S K U都会 产生多重预测 于是 对于最近的历史时期的预测来说 集中预测可能是可供选用的 最精确的技术 例如 假定有必要对六月份建立预测 那么 在五月底 集中预测就 会采用若干技术 用从四月底以来所有可得的数据建立对五月份的预测 每一种技术 对五月份的预测都要与五月份的实际销售量相比 以便确定哪一种技术有可能最精确 该假定是 对六月份而言的最佳技术就是有可能对五月份产生最佳结果的预测 一 技术类别 有三大类预测技术 定性的 时间序列的和因果关系的 定性技术使用专家的意 见和特殊的信息来预测未来 定性技术也许会也许不会考虑过去 时间序列技术完全 把注意力集中在历史模式和模式的变化上来产生预测 因果关系技术 诸如回归方法 之类 使用明确而又特定的有关变量的信息 来展开主导事件与预测活动之间的关系 一 定性技术 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 下面 将主要对时间序列技术和因果关系技术进行详细的讨论 二 时间序列技术 时间序列技术是一种利用包含有相对清楚而又稳定的关系和趋势的销售量数据的 统计方法 时间序列分析被用于识别 1 产生于季节因素的数据系统变量 2 周期 变化模式 3 趋势值 4 这些趋势的增长率 一旦单一的预测成分被识别以后 时 间序列技术就假定未来的变化类似于过去的变化 这意味着现有的需求模式将继续到 未来 从短期来看 这种假定往往相当正确 因此 这类技术最适合于作短期预测 然而 除非需求模式相当稳定 否则 预测技术并非始终能产生出精确的预测 当增长率或趋势值变化很大时 需求模式就会出现拐点 turning point 因为时间 序列使用历史的需求模式和数据点的加权平均数 所以它们一般对拐点不敏感 结果 在有可能出现拐点的时候 就必须结合使用其他的方法 时间序列技术包括各种分析历史数据的类型和动态的方法 根据具体的重复特征 可以使用各种变化复杂的技术 在增加复杂性方面将要讨论四种时间序列技术 它们 是移动平均 指数平滑 外延平滑和适应性平滑 1 移动平均 移动平均 moving average 预测使用最近时期销售量的平均数 该平均数可以包含 任何数目的前期时间 尽管常见的是一期 二期 三期 四期和十二期 一期移动平 均通过上一期销售量进行预计产生下一期的预测 十二期的移动平均 诸如每月 使 用的是前十二期的平均数 每一次可以得到一个新时期的实际数据 用它来替代最老 一个时期的数据 因此 包括在平均数里的时期次数被看作是一个常数 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 指数平滑代表了加权移动平均的一种形式 从数学上来看 移动平均可以表示为 式中Ft 时期t 的移动平均数 Si 1 时期i 1的销售量 n 总时期次数 例如 前3个月的销售量分别为120 150和90 四月份的移动平均预测值计算如下 2 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 式中Ft 时期t的销售量预测值 Ft 1 时期t 1的预测值 Dt 1 时期t 1的实际需求 阿尔发因数或平滑常数 0 1 0 举例说明 假定最近时期的预测值为 1 0 0而实际经历的销售量为 11 0单位 此外 假定阿尔发因数为0 2 然后 进行替代如下 于是 该产品销售量的新预测为 1 0 2单位 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 如果使用的因数为 1 其净效果 是将最近时期的销售量用作下一时期的预测值 如果使用非常低的值 例如 0 0 1 产 生的净效果是将预测下降到几乎是一种简单移动平均 大的阿尔发因数使预测对变化 非常敏感 因而具有高度的敏感性 低的阿尔发因数趋向于对变化反应缓慢 因此对 随机波动的反应减到最低限度 于是 指数平滑并不排除需要通过判断作出决策 在 选择阿尔发因数的值时 预测者面临着排除随机波动与让预测对需求变化作出充分反 应之间的优选 3 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 182 第二篇物流资源 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 类似于基本指数平滑 外延平滑可以用最低限度的记录保存 迅速地计算新的预 测 作出反应的技术能力取决于平滑常数值 较高的数值提供快速的反应 但会导致 过度反应 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 4 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美预测的一个数值 于是 管理上的判断部分地被一种系统而又一致的阿尔发因数更新方法所取代 更复杂的适应性平滑的形式还包括了一种自动跟踪信号 以监视误差 当由于过 分误差使信号启动时 该常数就自动增加 使预测对近期的平滑作出更大的反应 如 果近期的销售量表现出很大的变化时 所增加的反应将会减少预测的误差 随着预测 误差的减少 跟踪信号会自动地将平滑常数返回到其原始数值上去 适应性平滑技术调整其对当前形势的敏感性 虽然适应性技术被用来对误差作出 系统化调整 但弱点是 它们有时反应过度 把随机误差解释成为趋势值或季节因数 这种错误的解释会导致未来误差的增加 三 因果关系技术 这是根据其他独立的因素通过对一个S K U的销售量的回归估算进行预测的方法 例 如 在一场足球赛上的咖啡销售量通常是一个温度的函数 较低的温度常导致销售量增 长 表7 2罗列了上两个季度国内球赛的温度和咖啡销售量 使用温度的线性回归作为因 果关系或自变量 在表7 2的底部说明了它的数量关系 该回归方程 y 49 775 0 4 5 x 说明了温度每增加一 华氏 度 x值增加 咖啡消耗量就就下降4 5 0杯 0 4 5 1 F 1 000杯 回归分析中通常都包括了相关系数 由因变量中的变化比例 例如咖啡消耗量 乘以自变量 例 如 温度 求得 相关系数的范围可以从0 1 其中1的值表示自变量与因变量是完全相关 在本例中 温度的变化解释了8 8 的咖啡消耗量变化 如果能够识别一种良好的关系 诸如温度与咖啡消耗量之间的关系 那么该信息 就能够被用来有效地进行需求预测 在本例中 咖啡 杯子 糖和奶油的预计需求可 以利用天气预报事先确定 当能够识别诸如温度之类的主导变量时 因果预测或回归 预测就能发挥良好的作用 然而 对物流应用来说 这种情况并不特别常见 如果该 S K U预测是基于一个单一因素的话 它指的就是简单回归分析 使用一个以上的因素 时 被称作多元回归 表7 2 足球赛咖啡消耗量与温度 日期温度 F咖啡消耗 千杯 9月1 0日6 52 1 9月2 4日4 23 2 1 0月1日5 81 9 1 0月1 5日3 22 9 1 0月2 9日2 84 0 11月1 2日2 04 3 9月1 6日7 21 8 第七章预测 183 续 日期温度 F咖啡消耗 千杯 9月3 0日6 22 4 1 0月1 4日4 03 3 1 0月2 1日5 62 4 11月11日2 53 6 11月1 8日3 03 8 y 49 775 0 45 xr2 0 88 式中y 咖啡消耗量 x 温度 回归预测利用了主导事件或可预见事件与相关的 S K U销售量之间的关系 有时 即使一贯表现出高度的相关关系 也不一定存在着因果关系 比如 产品的销售量 就不一定和一些独立的事件存在着因果关系 因果关系假定 某种主导的独立因素 如一种相关产品的销售量先于预测的销售量 然而 销售量回归预测的最可靠的利用 是建立在因果关系基础上的 既然回归预测能够有效地考虑外部的因素和事件 那么 因果关系技术就更适合于长期预测或总量预测 例如 它们常被用来作出年度的或全 国的销售预测 二 预测误差 预测的精确性是指相应的预测与实际预测之间的差异 预测精确性的提高需要误 差衡量和分析 减少预测误差有三个步骤 第一 必须确定适当的衡量方法 第二 必须鉴定衡量的层次 最后 必须建立反馈回路以提高预测成果 现对每一步骤讨论 如下 一 误差衡量 预测误差可以在绝对数或相对数基础上使用若干方法进行衡量 虽然预测误差一 般可以定义为实际需求量和预测需求量之间的差异 但是更精确的定义是需要进行计 算和比较 表 7 3提供了一个特定的个人计算机模型在一个地区配送中心的月度需求 单位和预测 该例子说明了可供选择的预测误差衡量 预测衡量的一个方法就是随时间增加误差 诸如表中第 4 栏所示 按年份将这些 误差加总 并计算简单平均数 如表所示 尽管有几个月具有重大的误差 但是 其 平均数几乎接近零 值得注意的是 该方法的正误差取消了负误差 掩饰了重大的预 测问题 为了避免这一点 一种可选的方法就是忽视该 迹象 而评估绝对误差 表中第 5 栏说明了绝对误差的计算以及所产生的平均绝对离差 mean absolute d e v i a t i o n M A D 虽然M A D方法常被用于衡量预测误差 但是 M A D把相同的权数加 在大小误差上 另一个可选方法是对误差进行自乘 即平方差 译者注 然后用平 均方差对预测可选方案进行比较 第 6 栏说明了该方差方法 方差的优点是它对较大 的误差的处罚大于较小的误差 例如 M A D方法对预测离差2的处罚仅为离差1的2倍 而平方差方法对预测衡量离差为 2的处罚是预测离差为 1的处罚的4倍 平方差方法的 使用对于只有几个大误差的系统所进行的处罚 大于对有大量小误差的处罚 尽管平均误差 绝对误差以及平方误差对于评估单一的 S K U和地点来说是一些较 好的衡量办法 但是当评估整个预测表现时 它们并不是很好的衡量办法 例如 该 衡量办法对待4 0的平均误差是相同的 不论该 S K U的月度需求量是 4 0还是4 000 第 一种情况说明是 1 0 0 的误差 它意味着相对较差的预测 然而 第二种情况说明的 预测误差仅为 1 意味着是相当精确的预测 要想用不同的平均误差去比较整个 184 第二篇物流资源 S K U和地点的预测 通常是将平均误差除以平均需求来计算误差百分比的 平均误差 衡量可以是表7 3第 4 栏中所示的绝对衡量数 而平方差衡量如第 6 栏所示 表7 3说 明了两种衡量方法及它们相对的数量 平方差 2 2 0 的相对衡量数要比相对的平均预 测误差 3 3 大的多 因为平方衡量数在处罚大的误差时要比处罚小的误差大的多 虽然这两种相对的误差衡量办法都适合用于比较 但是使用平方差的相对预测更有助 于说明 有问题的 S K U 表7 3 月度的个人计算机需求和预测 1 2 3 4 5 6 月份需求预测误差绝对差平方差 1月1 0 011 0 1 01 01 0 0 2月11 09 02 02 04 0 0 3月9 09 0000 4月1 3 01 2 01 01 01 0 0 5月7 09 0 2 02 04 0 0 6月11 01 2 0 1 01 01 0 0 7月1 2 01 2 0000 8月9 011 0 2 02 04 0 0 9月1 2 07 05 05 02 500 1 0月9 01 3 0 4 04 01 600 11月8 09 0 1 01 01 0 0 1 2月9 01 0 0 1 01 01 0 0 总计1 2001 240 4 02 0 05 800 平均1 0 01 0 3 3 3 31 6 7 4 8 3 3 百分比 误差 平均数 3 3 1 6 7 2 2 0 平均绝对离差 M A D 平均方差 平均误差 平均需求 平均预测误差 平均需求 的绝对值 误差平方 平均需求 的平方根 二 衡量层次 第二步要考虑衡量层次或汇总 假定单一的 S K U作了详细记录 能够结合单一的 S K U地点 一组组的S K U或地点以及全国范围来计算预测误差 一般说 汇总的层次 越高 相对的预测误差就较低 图 7 4 说明了在全国 牌号 一组组S K U 和S K U地点 等各层次的预测误差的比较 在这里 使用平方差来计算相关的预测 该图用最小 最大和平均的相对预测来描述厂商在营销消费产品的一个样本 如图7 4所示 虽然 4 0 的相对误差是汇总的一个 S K U地点层次的平均数 但它如果是在全国层次进行衡 量的话 将反映很差的预测表现 在确定汇总的预测层次时 有两个因素要考虑 第一 较少地识别汇总的设施问 题 并致力于改善预测表现 第二 因为 S K U地点的数目与典型的厂商结合在一起 所以较少的汇总 例如更详细的误差分析 需要更多的计算和储存资源 然而 对于低 成本计算的可得性以及可获得基于异常情况的处理来说 这是一个较小的考虑因素 正如在讨论当前预测技术中所提到的那样 人们主要关心的是识别和跟踪预测误 差 要提供长期的一致性 就有必要明确衡量层次 以及定期地跟踪误差 如图7 4 所示 单一的和汇总的相对预测误差能够随时发现 以记录预测效果的变化 第七章预测 185 图7 4 比较预测误差的范围 三 反馈 第三步是要建立适当的预测反馈回路 以便于改善预测过程 当个人被激励起来 去识别问题和改善的机会 以及用奖金或竞争性奖励予以赏识时 预测的改善就产生 了 由于适当的激励手段 预测者就能识别主要的误差来源并开发技术和信息来降低 误差 在某种程度上 越是复杂的预测技术 例如集中预测等 就越有可能产生戏剧 性的改善 在其他的情况下 通过改善有关诸如价格变化 促销和包装变化等之类营 销活动的通信传输 有可能大大地减少预测误差 在评估预测表现时 认识到不可能 有完美的预测是很重要的 因此不要将期望定得太高 概要 通过预测 企业能够确立共同的流量目标 以指导整个物流系统 这些目标明确 了产品销售的时间 地点和种类 该目标是要尽可能多地吸收信息 分析信息 并及 时地展开具有期望精度的预测 随着以相对较低的成本实现高速度通信传输和信息处 理的时代到来 管理部门越来越有必要去评估其预测能力 通过信息分享 全面分析 或加强专业技术来改善预测 将导致大大地降低库存 第七章把预测定位在满足物流信息需求的整个过程之中 预测的技术方面还没像 一体化的结果那样 要求人们把它结合进物流的作业计划中去 为此 第八章和第九 章的注意力将转向存货管理 它代表了预测结果的主要用户之一 186 第二篇物流资源 预 测 误 差 全国 高 平均 低 牌号 预 测 层 次 SKU地点 1 一项综合预测过程的三个组成部分是什么 它们之间的关系如何 2 需求的性质是如何影响预测精度的 3 将预测支持系统的作用与预测行政管理进行比较 4 哪些因素与确定所需预测技术的复杂层次有关 5 除了出发点以外 顶向下预测程序和底朝上预测程序有哪些主要的区别 6 为什么说责任性是成功预测的一个主要因素 7 一家公司也许会有几种不同的预测以适应个别的业务需要 你认为这种多 元预测实践为什么会发展 8 比较时间序列和因果关系预测技术背后的基本逻辑 9 移动平均和指数平滑之间 在逻辑方面有哪些基本的差异 10 如果预测误差是如此之大 为什么企业还要强调发展和改善预测 思考题 1 迈克 麦克尼列 Mike McNeely 是照明灯光公司 Illumination Light Company 的 物流经理 已考虑采用电子订货 即一种 E D I的应用系统 来替代公司的手工处理顾 客订货的管理系统 他估算了一下 目前的系统 包括劳动力 当年订货量在 25 000 次以下时 每次订货的传递和处理的成本是 2 5 0美元 在任何给定的年份内 如果该 订货量等于或超过25 000次时 麦克尼列先生还必须再雇用一名顾客服务代表在手工 处理中协助接受订货 这将会使每次订货的变动成本提高到 3 0 0美