管理预测与决策课程设计计算机据俱乐部仓库（ccw）问题

1、east china institute of technology!课程：管理预测与决策课程设计 题目：计算机据俱乐部仓库（ccw）问题 姓名：韩喜娟 学号：09611204 专业：计算机信息管理 时间：2011年10月26号一、计算机俱乐部仓库的机制二、计算机俱乐部仓库面临的问题三、解决问题的预测模型1、25%规则2、季节调整后的上期值预测3、平均值预测方法4、移动平均预测法5、指数平滑预测法6、线性回归因果预测四、小结一、计算机俱乐部仓库的机制计算机俱乐部仓库(computer club warehouse)通过与客户=j电话下单确定价格(以及网上和传真下单)的方式销售各种计机产品。其产

2、品包括台式计算机、笔记本电脑、外设备、附属硬件、备用品、软件及与电脑相关的家具。公司每年几次将产品 目录寄给用户及大量的未来客户，还通过电脑杂志发行微型目 录。这些目录明确的告知用户使用800免费电话下单。这些电话 被接入公司的呼叫中心。二、计算机俱乐部仓库面临的问题呼叫中心从不关闭。在繁忙的时段，它被大量的代理人挤满 她们唯一的工作是通过电话接受并处理顾客订单。新的代理人在开始工作前接受为期一周的培训，这项培训将重点放在如何高效、周到的处理顶单上。一个代理人处理每个电 话的平均期望时间不超过5分钟。纪录被保留下来，没有在试用 期达到目标的代理人将不再续聘。尽管代理人的收入不低，工作 带来的厌

3、倦及时间压力造成了相当高的人员流动率。呼叫中心为了接入电话提供了大量的电话线路，如果在电话 到来时代理人正忙，电话会进入等待队列。如果所有的线路都在 使用，电话会响起忙音。尽管一些遇到忙音或等待时间过长而挂断电话的用户会再次拨打电话直至拨通，但是许多客户并不会这样做的。因此拥有足够的值班代理人来使这种情况出现的次数最少是很重要的。另一 方面，由于代理人的劳动成本过高ccw试图避免有过多的代理 人工作，造成他们大量的闲暇时间。于是获取代理人需求的预测成了公司的当务之急。一.解决问题的预测模型1、25%规则除了圣诞节期间业务猛增之外，其他时间的业务相对稳定，于是有:r=j1三季度预测量 =二季度呼

4、叫量四季度预测量 =l25 （三季度呼叫量）下一年第一季度预测量=上一次第四季度呼叫量125mad是预测误差的简称：mad=预测误差之和/预测次数mse是预测误差平方的均值:mse二预测误差的平方和/预测次数其中mad表示绝对差异。两个值都可以代表预测方法的好坏。下图是该方法的预测表1-1：yearquarterdate117013 |12666913677314847021746122726823798824892831719632702633815334985441424344foreca7013666984666776746172689985714271967026101917883fo

5、reca stingerrorerror *23441183361041081641468546922519337249720518400105711172495428731702890011271270129337113738mean absolute deviationmad 二mse=mean square error3351754362季节调整后的上期预测方法考虑季节的影响，及搜寻季节因子，用季节因子表示季节之间细微而又重要的差异，用季节因子代替25%规则。季节性因子期间平均数/总平均数去除季节因素影响的呼叫量 =实际电话量季节因子表219000dblju8000 蓼皿7000bblj

6、u6000seasonally adjusted time series foiccwseasonalljadjusted adjustedactualy 皀 ®urpa<r t.皀 rdatafactordataforecastforecast皀 rr orerror 拿r1170130. 9375411266690. 9074107541678711813871ean absolut e deviation1367730. 99684174107336563316856mad 二2951484701. 17723968418004466216733ean square er

7、ror2174610. 93802372396733728530619mse 二144052 |2272680. 908076802372204822732379880. 99806980767995746seasonal factor2489281. 17763180699440512262516quarter3171960. 9377387631709799987710. 933270260. 9078077738696462386020. 90t3381530. 9982357807772942418011530. 99t3498541. 178422823596352194780241

8、. 17t4184227833424344可见，当条件迅速变化时上期值可能是在目前状况下预测下一个值的唯一相关数据点。3、平均值预测法这种方法使用了序列的全部数据点，并简单的求了平均值, 即预测值 =所有数据求平均值其表如图3-1adjust.皀 dadjustedactualyearjuarterdatadataforecastforecast皀orerr or* exr otseasonal factor1170137541quarter1266697410754167871181387110. 9313677368417475740162839397720. 90148470723972

9、6484992984030. 9921746180237258675071150574241. 17227268807674116670598357902237988806975227446542293325mean absolute deviation248928763176008892361315mad 二40031719677387604707112515527meansquare error32702678077619685716928669mas 二2447423381538235763775615923504943_498548422769289998557305064900048

10、5008000700065006000adjusted dataadj us ted forecast1|500显然，平均预测法只适用于环境稳定的情况下。4、移动平均预测法移动平均预测法仅对最近一段时期的数据求平均。下一个时期的与测值是最后n个值的平均。因此，当环境在几个时期内保持不变时，移动平均方法是一个非常好的方法。yearquarter111213142122232431 n32333441 42434489287196702681539854data70136669移动平均预测祛 seaso:adjusted adjusted actual data754174106773 18470

11、74617268798868417239i 80231 80761 80691 76311 77381 78071 82351 8422725873787545785279497878781178538050forecast forecast errorseasonal factor67506640746991867393709077339188748771162851925819764420666505742393763269081quarter12340. 930. 900. 991.1766717 bean absolute deviation38785 mad二4140176543 m

12、as二444157433lean square error237366由移动平均预测方法的计算得知，该方法只有在当环境在几个时期内保持不变时，才是一个好的预测方法。5、指数平滑预测方法指数平滑预测方法是对移动平均方法的改进将最终的权重赋予时间序列最近的值，将比较轻的权重赋予较老得值。a是一个介于0到1之间的常数,其选值对预测的影响很大,小的q值适合于环境相对稳定的情况，较大的值适合于环境相对变化较快的情况。预测值=a （上期值）+ （1-a ）上次预测值二上次预测值+ a （上期值上次预测值）指数平滑预测法ad just ed ad just edactualyear1quarter1dat

13、adat aforecastforecast7210688274538406670768567768931072496989770893737641errorerror* errorsmoothingconstant570137541775319738772qc1266697410764721368045391113677368417528462507seasonal factor14847072397185644055quarter2174618023721275456813110. 9372688076761741217006820. 907988806978462204840730. 9

14、92489287631795838214619541.173171967738779453276432702678077766371346m absolute deviat3815382357786445197650mad=3284985484228011481231690lean square error411ii 8217mse=159748900085008000500>7000650060006线性回归因果预测销售量带动了呼叫量，对销售量的预测能比比呼叫量的预测更精确。因此可以通过将呼叫量与销售量的预测直接联系起来以获得呼叫量的更好的预测。表6-1ccw's averag

15、e dialy sales and call volumeyear111122223333148946809247036465347486569458448266151927257250867064callquarter sales volume1505269922498568223557679494664796503 551177844 61078724其中，呼叫量是因变量，销售量是自变量。四.小结上期值方法：适用于十分不稳定的时间序列,甚至倒数第二个值对预测下一个值也没有显著相关性o平均值预测法：适用于十分稳定的时间序列,甚至最初的几个数据对预测下一个值也是显著相关的o移动平均方法：适用于中等稳定的时间