第03章：需求管理与预测

1、2022-3-7J.Chen Nanjing Uni. of Sci. & Tech. 2022-3-7J.Chen Nanjing Uni. of Sci. & Tech. 沃尔玛享有盛名，不仅仅是她沃尔玛享有盛名，不仅仅是她”天天平价天天平价”和全球第一零售规模，在数据和全球第一零售规模，在数据库产业同样拥有巨大的影响。之所以能够对通过其分布在全球库产业同样拥有巨大的影响。之所以能够对通过其分布在全球3000多家门店快多家门店快速、低成本满足客户需求的最重要的原因在于的，沃尔玛管理着全球最大的商速、低成本满足客户需求的最重要的原因在于的，沃尔玛管理着全球最大的商业数据库（业

2、数据库（35千兆），并具有利用这些数据进行有效的需求管理的能力，使之千兆），并具有利用这些数据进行有效的需求管理的能力，使之能够比竞争对手更加快速准确了解需求及其相关的信息。能够比竞争对手更加快速准确了解需求及其相关的信息。 其商业数据库包括了各类商品销售、库存、在途运输、市场统计、客户购其商业数据库包括了各类商品销售、库存、在途运输、市场统计、客户购买行为、财务、退换货、供应商及供货等海量信息。沃尔玛能够利用数据库，买行为、财务、退换货、供应商及供货等海量信息。沃尔玛能够利用数据库，对对3000家门店的数十万中货品进行准确预测，从而为货品的供应、配送等提供家门店的数十万中货品进行准确预测，从

3、而为货品的供应、配送等提供决策支持。利用这些信息帮助其作出更加快速准确的决策，包括：需求趋势、决策支持。利用这些信息帮助其作出更加快速准确的决策，包括：需求趋势、存货管理（物流配送）和客户偏好等。存货管理（物流配送）和客户偏好等。2022-3-7J.Chen Nanjing Uni. of Sci. & Tech.2022-3-7J.Chen Nanjing Uni. of Sci. & Tech.- 需求管理和预测概述- 预测的常用方法- 时间序列方法- 因果模型- 预测的精度和有效性2022-3-7J.Chen Nanjing Uni. of Sci. & Tech

4、.2022-3-7J.Chen Nanjing Uni. of Sci. & Tech. 预测预测就是对未来事件发展的预计与推测。一般而言，它不可能绝对准确，即使是仔细就是对未来事件发展的预计与推测。一般而言，它不可能绝对准确，即使是仔细周密的预测也会与未来发生的事件不符或相差甚远，但它在企业的运作过程中仍起着极为周密的预测也会与未来发生的事件不符或相差甚远，但它在企业的运作过程中仍起着极为重要的作用。重要的作用。 预测的种类预测的种类 - - 按预测的对象分：社会预测、经济预测、技术预测、企业预测；按预测的对象分：社会预测、经济预测、技术预测、企业预测； - - 按预测的方法分：主观

5、预测、时间序列、因果模型按预测的方法分：主观预测、时间序列、因果模型 预测的作用预测的作用- - 用于制定企业各类规划用于制定企业各类规划: : 企业中长期计划、产品和服务开发规划、生产能力发展规企业中长期计划、产品和服务开发规划、生产能力发展规划和布局规划等。划和布局规划等。- - 短期和日常计划短期和日常计划 : : 存货计划存货计划, ,人力资源计划、采购计划、生产计划、销售计划、预人力资源计划、采购计划、生产计划、销售计划、预算和调度等算和调度等2022-3-7J.Chen Nanjing Uni. of Sci. & Tech. 定性预测方法定性预测方法- -基于主观判断的预

6、测方法基于主观判断的预测方法. . - - 德尔菲法（德尔菲法（DelphiDelphi） - - 主管领导集体讨论主管领导集体讨论 - - 销售人员意见汇总法销售人员意见汇总法 - - 客户调查法客户调查法 时间序列法时间序列法 - - 移动平均法移动平均法 - - 指数平滑指数平滑 - - 时间序列分解时间序列分解 因果模型因果模型 - - 回归分析法回归分析法 - - 计量法计量法2022-3-7J.Chen Nanjing Uni. of Sci. & Tech.趋势成分季节成分周期成分随机成分图4-3 时间序列分解2022-3-7J.Chen Nanjing Uni. of

7、Sci. & Tech. ：移动平均、加权移动平均、指数平滑法、时间序列分解法等。：移动平均、加权移动平均、指数平滑法、时间序列分解法等。 ：所研究的对象或事件的历史数据（时间序列）所呈现的规律或：所研究的对象或事件的历史数据（时间序列）所呈现的规律或模式在未来仍然有效，潜在的需求是在这些规律的基础上会有随即波动。模式在未来仍然有效，潜在的需求是在这些规律的基础上会有随即波动。 ：从时间序列中消除随机扰动，呈现需求规律，利用规律来预测和推演：从时间序列中消除随机扰动，呈现需求规律，利用规律来预测和推演未来需求。未来需求。 某型号洗洁精每周的发货量某型号洗洁精每周的发货量2022-3-7

8、J.Chen Nanjing Uni. of Sci. & Tech. 移动平均的主要目的是平滑数据，消除随机干扰，使得变化形态显示出来。移动平均的主要目的是平滑数据，消除随机干扰，使得变化形态显示出来。设：时间序列设：时间序列X XT T为为X X1 1,X,X2 2,X,X3 3XXt t其平均值其平均值SMASMAt+1t+1=(X=(Xt t+X+Xt-1t-1+X+Xt-2t-2+X+Xt-N+1t-N+1)/N t=N)/N t=N其中，其中，Xi Xi 为时间段的观察值为时间段的观察值 Ni Ni 为移动平均的时间段为移动平均的时间段则，称则，称SMASMAt+1t+1为

9、时间序列为时间序列X XT T的第的第t+1t+1观测期内的简单移动平均的预测值，随观测期内的简单移动平均的预测值，随t t的变化，的变化，SMASMAt+1t+1也相应第发生变化。在简单移动平均法中，时间序列中的数值对预测值的影响是也相应第发生变化。在简单移动平均法中，时间序列中的数值对预测值的影响是同等看待的。同等看待的。 MA5MA32022-3-7J.Chen Nanjing Uni. of Sci. & Tech. WeekDemand1650267837204785585969207850875898921092011789128442022-3-7J.Chen Nanji

10、ng Uni. of Sci. & Tech.WeekDemand 3-Week6-Week1650267837204785682.675859727.676920788.007850854.67768.678758876.33802.009892842.67815.3310920833.33844.0011789856.67866.5012844867.00854.83SMA4=(720+678+650)/3 =682.67SMA7=(920+859+785 +720+678+650)/6 =768.672022-3-7J.Chen Nanjing Uni. of Sci. &

11、; Tech.5006007008009001000123456789 10 11 12WeekDemandDemand3-Week6-Week参数参数n对预测的影响对预测的影响2022-3-7J.Chen Nanjing Uni. of Sci. & Tech. 对于简单滑动平均预测方法，关键是选择移动时间区间的大小，即对于简单滑动平均预测方法，关键是选择移动时间区间的大小，即n n的的大小。大小。n n的大小的选择与预测者要求的适应性有关。如果管理者追求稳定的大小的选择与预测者要求的适应性有关。如果管理者追求稳定性，性，n n的值应该选择大一些，如果管理着的目标是体现响应性，则应选

12、择的值应该选择大一些，如果管理着的目标是体现响应性，则应选择小一点的小一点的n n。简单、易操作；简单、易操作； N N值的大小的选取取决于预测曲线的灵敏度的期望值的大小的选取取决于预测曲线的灵敏度的期望 ；缺点：每一因素必须要以数据表达，数据涉及量大缺点：每一因素必须要以数据表达，数据涉及量大 ；忽视了需求的自相关性；忽视了需求的自相关性；2022-3-7J.Chen Nanjing Uni. of Sci. & Tech. 加权移动平均法是在简单移动平均法的基础上，将时间序列中的数据对预测的影响加权移动平均法是在简单移动平均法的基础上，将时间序列中的数据对预测的影响做不同看待，对每

13、个序列值乘以不同的加权因子。做不同看待，对每个序列值乘以不同的加权因子。设：时间序列设：时间序列X XT T为为X X1 1,X,X2 2,X,X3 3XXt t其加权平均值其加权平均值WMAWMAt+1t+1=(=(0 0X Xt t+1 1X Xt-1t-1+2 2X Xt-2t-2+N-1N-1X Xt-N+1t-N+1)/N t=N)/N t=N其中，其中，Xi Xi 为时间段的观察值为时间段的观察值 Ni Ni 为移动平均的时间段为移动平均的时间段 j j 为相应的时间段的加权因子，且满足：为相应的时间段的加权因子，且满足： (1 1+2 2+3 3+N-1N-1)/N=1, j=0

14、,1,2N-1 N=t)/N=1, j=0,1,2N-1 N=t当当0 0=1 1=2 2=N-1N-1时，时，WMAWMAt+1t+1=SMA=SMAt+1t+1, ,因此简单移动平均是加权移动平均的特殊形式。因此简单移动平均是加权移动平均的特殊形式。则，称则，称WMAWMAt+1t+1为时间序列为时间序列X XT T的第的第t+1t+1观测期内的简单移动平均的预测值，随观测期内的简单移动平均的预测值，随t t的变化，的变化，WMAWMAt+1t+1也相应第发生变化。在简单移动平均法中，时间序列中的数值对预测值的影响是不同等看也相应第发生变化。在简单移动平均法中，时间序列中的数值对预测值的影

15、响是不同等看待的。待的。 2022-3-7J.Chen Nanjing Uni. of Sci. & Tech.F4=(0.520+121+1.523)/3 =21.832022-3-7J.Chen Nanjing Uni. of Sci. & Tech.-在简单移动平均法中相同，预测值与在简单移动平均法中相同，预测值与N N值的大小有关，值的大小有关，N N越大，对干扰的敏感越大，对干扰的敏感性就越低，预测值的响应性就越小。性就越低，预测值的响应性就越小。- - 在实际预测中往往越近的数据对预测的影响力就越大，因此加权因子是由在实际预测中往往越近的数据对预测的影响力就越大，因

16、此加权因子是由大到小变化的。大到小变化的。- - 在加权移动平均中在加权移动平均中和和N N是影响预测的稳定性和响应性的重要参数是影响预测的稳定性和响应性的重要参数2022-3-7J.Chen Nanjing Uni. of Sci. & Tech. 一次指数平滑一次指数平滑(Single Exponential Smoothing)(Single Exponential Smoothing)是加权移动的又一种形是加权移动的又一种形式。设时间序列式。设时间序列X XT T的的n n次实际测试的记录数据为次实际测试的记录数据为X X1 1,X,X2 2,X,X3 3,X,Xn n；X X

17、0 0为初始值。又为初始值。又设设SASA1 1,SA,SA2 2,SA,SAn n为平滑预测值。若平滑预测值的为平滑预测值。若平滑预测值的SASAt t由下面公式表示：由下面公式表示： SASAt t = SA = SAt-1t-1+(X+(Xt-1t-1-SA-SAt-1t-1) )或或 SASAt t = X = Xt-1t-1 + (1-)SA + (1-)SAt-1t-1其中，其中，为平滑常数为平滑常数(0)(0)， (X(Xt-1t-1-SA-SAt-1t-1) )为上一次的预测误差。为上一次的预测误差。因此，物理上理解平滑指数法是：因此，物理上理解平滑指数法是： 本次预测值本次预

18、测值 = = 上次预测值上次预测值 + + * * 上次预测误差上次预测误差或：本次预测值或：本次预测值 =* *上实测值上实测值 + + （1-1-）* * 上次预测值上次预测值 2022-3-7J.Chen Nanjing Uni. of Sci. & Tech. 与上面的问题的类似，预测的关键是选择与上面的问题的类似，预测的关键是选择 的大小。如果管理者追求稳定性，的大小。如果管理者追求稳定性， 的值应该选择小一些，如果管理着的目标是体现响应性，则应选择大一点的的值应该选择小一些，如果管理着的目标是体现响应性，则应选择大一点的 。 =0.4=0.1实际值2022-3-7J.Che

19、n Nanjing Uni. of Sci. & Tech.如果将如果将SASAt t = X = Xt-1t-1+ (1-)SA+ (1-)SAt-1t-1中中SASAt-1t-1用公式展开用公式展开则，则，SASAt t = X = Xt-1t-1 + (1-)SA + (1-)SAt-1 t-1 =X=Xt-1t-1 + (1-) X + (1-) Xt-2t-2 + (1-)SA + (1-)SAt-2t-2 当当t t很大时，后项可以忽略，因此第很大时，后项可以忽略，因此第t t步的预测值可以看成是前步的预测值可以看成是前t-1t-1步实际测试值的步实际测试值的指数形式的加权

20、和，因此称为一次指数平滑法。指数形式的加权和，因此称为一次指数平滑法。 在所有预测方法中，指数平滑是最为广泛使用的模型，也是计算机预测程序的重要在所有预测方法中，指数平滑是最为广泛使用的模型，也是计算机预测程序的重要组成部分。组成部分。 SAt = 0110)1()1(SAXtjttjj2022-3-7J.Chen Nanjing Uni. of Sci. & Tech.WeekDemand18202775368046555750680277988689977510例题：已知，某商店的某产品周销售历史数例题：已知，某商店的某产品周销售历史数据如表。请用指数平滑法，预测第据如表。请用指数

21、平滑法，预测第1010周的销周的销售量。售量。 分别取值为分别取值为0.10.1和和0.60.6，并假设初始预，并假设初始预测值等于第一周值（测值等于第一周值（F F1 1=D=D1 1）。）。2022-3-7J.Chen Nanjing Uni. of Sci. & Tech.50060070080090012345678910We e kDemandDemand0.10.62022-3-7J.Chen Nanjing Uni. of Sci. & Tech.它具有如下它具有如下(1)(1) 指数模型的精度很高；指数模型的精度很高；(2)(2) 建立指数模型相对容易；建立指数

22、模型相对容易；(3)(3) 用户能了解模型的运行；用户能了解模型的运行；(4)(4) 计算量小。计算量小。- - 预测值依赖于平滑指数常数预测值依赖于平滑指数常数的选择，一般来说的选择，一般来说小一些，预测的稳定性就较大，反之，小一些，预测的稳定性就较大，反之，其响应性就较明显。如果实际图形波动较大，就要求提高模型的响应性，以便迅速跟上数其响应性就较明显。如果实际图形波动较大，就要求提高模型的响应性，以便迅速跟上数据的变化，则据的变化，则值取大一些。值取大一些。- - 一次平滑指数法，对于没有趋势需求的稳定序列是可行的。对于有上升或下降趋势的需一次平滑指数法，对于没有趋势需求的稳定序列是可行的

23、。对于有上升或下降趋势的需求序列，此方法不理想。求序列，此方法不理想。2022-3-7J.Chen Nanjing Uni. of Sci. & Tech. 实际的需求是趋势、季节、周期或随机多种成分共同作用的结果。时间序列分解模型实际的需求是趋势、季节、周期或随机多种成分共同作用的结果。时间序列分解模型试图从已经发生的时间序列中找出各种明显的易于预测的成分，比如：周期性的变化规律，试图从已经发生的时间序列中找出各种明显的易于预测的成分，比如：周期性的变化规律，并在对各种成分进行单独预测的基础上，按照一定的规则综合处理各种成分的预测值，以并在对各种成分进行单独预测的基础上，按照一定的规

24、则综合处理各种成分的预测值，以得到最终的预测结果得到最终的预测结果 乘法模型乘法模型(Additive Model)(Additive Model)：TF=TSCI TF=TSCI 加法模型加法模型(Multiplicative model)(Multiplicative model)：TF=T+S+C+ITF=T+S+C+I 其中：其中：TF TF 为时间序列的预测值为时间序列的预测值 T T 为趋势成分的预测值为趋势成分的预测值; S ; S 为季节成分的度量为季节成分的度量 C C 为周期成分的度量为周期成分的度量; I ; I 为以上未说明的因素的度量为以上未说明的因素的度量 2022

25、-3-7J.Chen Nanjing Uni. of Sci. & Tech. 某成衣制造公司记录了某成衣制造公司记录了20102010和和20112011两年的销售数据，见下表。请根据这些两年的销售数据，见下表。请根据这些数据预测数据预测20122012年的销售情况。年的销售情况。 时间时间 销售额销售额( (万元万元) )时间时间 销售额销售额( (万元万元) )20102010年年1 1季度季度 300 300 2 2季度季度 200 200 3 3季度季度 220 220 4 4季度季度 53053020112011年年1 1季度季度 520 520 2 2季度季度 420 4

26、20 3 3季度季度 400 400 4 4季度季度 700 7002022-3-7J.Chen Nanjing Uni. of Sci. & Tech.Step 1: Step 1: 求出趋势值的直线方程；求出趋势值的直线方程； 趋趋势势值值用最小二乘法，求出：用最小二乘法，求出： T Tt t=170+55=170+55* *t tStep 2: Step 2: 计算季节因子计算季节因子 时间时间实际值实际值趋势值趋势值实际值实际值/ /趋势值趋势值季节因子季节因子1010年年1 1季度季度 2 2季度季度 3 3季度季度 4 4季度季度3003002002002202205305

27、30225225280280335335390390(300/225)=1.33(300/225)=1.33 0.71 0.71 0.66 0.66 1.36 1.36 (1.33+1.17)/2 =1.25(1.33+1.17)/2 =1.25 (0.71+0.84)/2=0.78(0.71+0.84)/2=0.781111年年1 1季度季度 2 2季度季度 3 3季度季度 4 4季度季度520520420420400400700700445445500500555555610610 1.17 1.17 0.84 0.84 0.72 0.72 1.15 1.15 (0.66+0.72)/2=

28、 0.69(0.66+0.72)/2= 0.69 (1.36+1.15)/2 =1.25(1.36+1.15)/2 =1.252022-3-7J.Chen Nanjing Uni. of Sci. & Tech.Step 3: Step 3: 计算计算20122012年的预测值年的预测值 20122012年年 1 1季度季度: (170+55: (170+559) 9)1.25=8311.25=831 2 2季度季度: (170+55: (170+5510)10)0.78=5620.78=562 3 3季度季度: (170+55: (170+5511)11)0.69=5350.69=5

29、35 4 4季度季度: (170+55: (170+5512)12)1.25=10381.25=10382022-3-7J.Chen Nanjing Uni. of Sci. & Tech. 因果模型通过研究影响需求的相关因素与需求结果之间的定量关系，从进行预因果模型通过研究影响需求的相关因素与需求结果之间的定量关系，从进行预测的一种通行方法。测的一种通行方法。回归分析；只要求掌握一元回归模型回归分析；只要求掌握一元回归模型 2022-3-7J.Chen Nanjing Uni. of Sci. & Tech.2022-3-7J.Chen Nanjing Uni. of Sci

30、. & Tech.nFAMADnttt1nFAMSEnttt12)(nFAMFEnttt1)(nttttAFAnMAPE1)100(平均绝对偏差平均绝对偏差 平均平方误差平均平方误差平均预测误差平均预测误差平均绝对百分误差平均绝对百分误差2022-3-7J.Chen Nanjing Uni. of Sci. & Tech. 预测的基本理论基础是，需求的模式或规律在过去、现在和未来均起着同预测的基本理论基础是，需求的模式或规律在过去、现在和未来均起着同样的作用。那么，我们如何知道过去有效的模型在未来仍然有效呢？样的作用。那么，我们如何知道过去有效的模型在未来仍然有效呢？ 常用的方

31、法就是：常用的方法就是： - - 比较预测的精度是否在可以接受的范围之内；比较预测的精度是否在可以接受的范围之内； - - 跟踪信号法，所谓跟踪信号跟踪信号法，所谓跟踪信号TSTS，就是指预测误差滚动，就是指预测误差滚动RSFERSFE与平均绝对偏与平均绝对偏差差MADMAD的比值。的比值。MADFAMADRSFETSnttt1)(可接可接受误受误差范差范围围上限上限下限下限2022-3-7J.Chen Nanjing Uni. of Sci. & Tech. 随着市场环境的变化，需求的变化的速度和幅度在越来越大，市场的规律不随着市场环境的变化，需求的变化的速度和幅度在越来越大，市场的规律不断变化，预测的假定前提常常被打破，可预测程度越来越低，在这种环境下，如断变化，预测的假定前提常常被打破，可预测程度越来越低，在这种环境下，如何管理外部需求？何管理外部需求？ - 建立在合作基础上的信息共享（如：汽车零部件厂商建立在合作基础上的信息共享（如：汽车零部件厂商-整车厂商）；整车厂商）； - 应用应用VMI等方法消除牛鞭效应（如：沃尔玛等方法消除牛鞭效应（如