第六章需求预测.ppt

1、1,第六章 需求预测,6.1 需求预测概述 6.2 定性分析预测 6.3 时间序列分析预测 6.4 因果关系分析预测 6.5 复合趋势分析预测 6.6 预测误差与预测监控,2,6.1 需求预测概述,一、预测、需求预测,预测：是对未来可能发生的情况所作的预计与推测。是利用系统的历史数据来推断未来。 预测的种类：科学预测、技术预测、经济预测、需求预测、军事预测、国际关系预测、社会预测等。 需求预测：对未来一段时间市场与顾客的需求进行的分析、判断与计算。,第六章 需求预测,3,二、需求预测的重要性,“凡事预则立，不预则废” 。 做好需求预测，才能预先研判市场和客户的需求未来会发生什么样的变化，以便及

2、时调整经营策略和产品方向，调整营销策略（产品、价格等）和竞争战略。 正确地预测未来的市场需求，是科学合理编制生产计划、物料需求计划、劳动力需求计划、资金需求计划等的基础，是进行新产品开发的依据。 影响需求的因素很多，要准确地预测未来的市场需求，是比较困难的。 一要综合各种因素，二要合理选择预测模型。,4,三、预测的主要步骤 1. 确定预测的目的和用途； 2. 确定预测的时间跨度； 3. 收集和分析最近几个时期的数据资料； 4. 选择适当的预测方法或模型； 5. 进行预测； 6. 对预测过程进行监控； 7. 对预测结果进行分析，得出结论。,5,定性预测 定量预测,长期预测(三年以上) 中期预测(

3、一个季度至三年) 短期预测(一个季度以下),按主客观因素所起的作用,四、预测的分类,按预测时间的长短,五、需求变动的模式,需求,需求,需求,需求,时间,时间,时间,时间,趋势变动,周期变动,季节变动,带季节的趋势变动,7,6.2 定性预测方法,一、销售人员意见汇总法,由各地的营销主管 和销售业务员预测 本地区的需求量,汇总各地区 预测的需求量,参照其他因素 进行修正， 得出预测结果,优点：由销售一线的人员进行预测，预测结果有可信度，且简单易行。 缺点：带有销售人员的主观偏见，容易出现高估或低估的情况。,8,二、部门主观人员意见法,决策者召集销售、客 服、生产、采购、研 发等部门的主管讨论,每个

4、主管分别 作出预测,用简单平均或加 权平均进行处理 得出预测结果,优点：简单易行，不需要准备和统计历史资料，。 缺点：主观成分多，缺乏科学性，且与会人员容易相互影响，或草率发表意见或随意作出估计。,9,准备背景资料，提出预测项目,预测组织者挑选20位左右专家,将资料E-mail专家，首轮函询,整理汇总各专家意见并反馈给专家,汇总专家的预测结果并反馈给专家,第二轮函询，专家进行具体预测,如果所有增加的预测意见基本一致，即可形成预测结论,三、德尔菲法,第三轮函询，专家重新进行预测,6.3 时间序列分析法,时间序列是指在一个给定的时期内，按照固定的时间间隔（日、周、月、季、年等），把某种变量的数值依

5、发生的时间先后顺序排列而成的序列。 这些变量的数值可能是销售量、收入、产量、需求量、货（客）运量等。 基于时间序列的预测方法是通过过去的数据来推断未来。 一个时间序列的数据变动有趋势、季节、周期、随机等机制情形。 常用的时间序列分析预测方法有简单移动平均法、加权移动平均法、指数平滑法（一次、二次）等。,11,12,数 值,时间,时间序列除上述三种变动成分以外，还有一种变动成分，即周期变动。,时间序列的类型,13,一、简单移动平均法,SMAt+1 =,At + At-1 + At-2 + + At-(n-1),n,=,n,1, Ai,i=t+1-n,t,适用场合：产品需求为不规则地增长或下降，趋

6、势变化不明显，且不存在季节性因素时。 采用这种方法时，选择移动平均的周期数很重要。,SMAt+1 ：第t 周期末的移动平均值，即第t+1周期的预测值；,n：移动平均采用的时期（周期）数；,Ai ： 前期、前两期、前三期直至前n期的实际值。,14,例1：某电脑公司上半年各月的销售量如下表所示。 取 n = 3、n = 4、n = 5，分别预测7月份的销售量。,12700,12725,12580,15,由上例可知：采用简单移动平均法进行预测时，预测值 与所选的移动周期数有关。n 取得越大，预测的响应性就越 差，预测值与实际值的差距就可能越大。 n 取得越小，预测 的响应性就越好，预测值就越接近实际

7、值。一般可以通过试 算的方法找出预测误差最小的所对应的n为最佳值。,另外，最近的数据反映了需求的趋势，对预测今后更有说服力；而相对较前期的数据，对今后的影响要小一些。但简单移动平均法对数据不分远近，同样对待。这是简单移动平均法的不足。,用加权移动平均法进行预测，可以弥补这一不足。,二、加权移动平均法,分别为 Ai 取一个不同的权数 i 。,WMAt+1 =,t At + t-1 At-1 + + t -(n-1) At-(n-1),t + t-1 + + t -(n-1),i,1, i Ai,i=t+1-n,t,=,i 为第 i 周期实际需求的权数。 t t-1 t-2 t -(n-1) 。可

8、取 i = 1。,17,例2：在例1中，当 n = 3 时，若取 6 = 0.5， 5 = 0.3， 4 = 0.2，则7月份的销售预测值为：,当 n = 4 时，若取 6 = 0.4， 5 = 0.3，4 = 0.2， 3 = 0.1， 则7月份的销售预测值为：,三、一次指数平滑法,一次指数平滑法是加权移动平均法的一种变形。 加权移动平均法只考虑最近几个时期的数据，指数平滑法则考虑所有的历史数据，只不过近期的实际数据权重大，远期的实际数据权重小。,SFt +1 = At + (1 )SFt = SFt + ( At SFt ),SFt+1 ：(t + 1)期的一次指数平滑预测值； At ：t

9、期的实际值； ：平滑系数，0 1； SFt ：t期的一次指数平滑预测值。,19,SFt +1 = At+ (1 )SFt = At + (1 )At-1 +(1-)SFt -1 = At+(1 )At-1 +(1-)2SFt -1 = At+(1 )At-1 +(1-)2At-2 +(1-)SFt -2 = At+(1 )At-1 +(1-)2At-2 +(1-)3SFt -2 = At+(1 )At-1 +(1-)2At-2 +(1-)t-1A1 +(1-)tSF1,注：SF1可事先给定或令 SF1 = A1,20,P160 例6-2 某公司的月销售记录如下表，SF1=11.00. 试分别以

10、=0.4 和=0.7 ，计算一次指数平滑预测值。,21,22,23,由P160表6-3、表6-4可知：各月销售额的预测值与实际值有较大的差异，即预测值总是滞后于实际值。当实际值呈上升趋势时(18月)，预测值总是低于实际值；而当实际值呈下降趋势时(812月)，预测值总是高于实际值。但比较而言，当 取值较大时，预测值与实际值的误差要小一些。 由此可见：在有趋势变动的情况下，采用一次指数平滑法进行预测，会出现滞后现象，此时，必须采用二次指数平滑法进行预测。而在出现季节性变动时，则必须采用三次指数平滑法进行预测。,24,二次指数平滑法，是对呈线性上升或下降趋势的时间序列，在一次指数平滑的基础上，再作一

11、次指数平滑。然后，利用两次指数平滑值，建立预测的数学模型。,SAt(2)、SAt-1(2)：第t期、第t-1期的二次指数平滑值；,四、二次指数平滑法（*）,25,二次指数平滑预测的数学模型为：,Yt+T：第T期的预测值 t：预测模型所处的时间周期 T：由预测模型所处的时间周期至需要预测的时间之间的周期数 at、bt：为参数 at=2SAt(1)-SAt(2),Yt+T = at + bt* T,26,例：以P160例6.2前八个月的数据作分析。=0.7， 设 SA0(1)=11，SA0(2)=11.,27,利用8月份的一次、二次指数平滑值作预测模型,五、线性回归分析法,如果时间序列数据具有长期

12、趋势，并在时间坐标图上近似于一条直线，则可以采用线性回归分析法进行预测。,y=a+bx,时间,销售额,.,.,.,.,.,.,.,.,.,.,.,.,式中： a是直线截距 b是直线的斜率,a和b可以用最小二乘法求得：,例：已知某企业的某种产品在过去一年12个月的销售情况如表，请预测来年1-3月的销售量。,解：计算过程如下表：,由上表的计算可知： y = 33350 则：,x = 78 则：,由 a=441.6666，b=359.6154 可得预测模型为： y = 441.6666 + 359.1667x 来年1-3月销售量的预测值分别为： 来年1月：y13 = 441.7+359.613 =

13、5116 来年2月：y14 = 441.7+359.614 = 5476 来年3月：y15 = 441.7+359.615 = 5835,6.4 复合趋势分析预测,实际的需求量是由趋势的变动、季节的变动、周期的变动以及随机的变动等多种成分共同作用的结果。 复合趋势分析预测就是试图从实际值中分离出各种成分，在对各种成分单独进行预测的基础上，综合各种成分的预测值，以得到最终的预测结果。 通常有两种方法进行综合： 一是加法模型：将各种成分相加进行预测。 二是乘法模型：将各种成分相乘进行预测（较多用）。 下面以具有季节波动的线性趋势需求类型为例，介绍乘法模型的应用。,35,例：某品牌洗衣机2010-2

14、012年的销售量如下所示：,解题过程：先求出线性趋势的直线方程：Y=a+bx a、b可用最小二乘法求得。 再求出季节因子SI。 最后两者相乘进行预测：FT=(a+bx)SIT。,36,解：（1）求线性趋势直线方程（最小二乘法）,37,38,（2）求季节系数SIt,某季节的平均值,各季节的总平均值,季节系数SIt,1季度季节系数SI1,(19870+20500+21650)/3,22844012,1.086,2季度季节系数SI2,(15380+16290+18040)/3,22844012,0.871,3季度季节系数SI3,(16050+17100+18940)/3,22844012,0.912

15、,4季度季节系数SI4,(20240+21180+23200)/3,22844012,1.132,39,一季度（16937+32313）1. 086 = 22953.696 二季度（16937+32314） 0.871 = 18690.789 三季度（16937+32315） 0.912 = 19865.184 四季度（16937+32316） 1.132 = 25022.86,（3）预测2013年各季的销售情况,FT =（a+bx）SIT,6.5 因果关系分析预测,在时间序列分析预测中，需求作为因变量，时间作为唯一的自变量，这显然忽略了其他影响需求的因素，如价格、经济形势、政策、信贷等，都会

16、对需求产生影响。 因果关系分析预测，就是通过寻找需求量与其影响因素的内在联系，建立因果分析模型，来进行需求预测。 因果模型包括回归模型、经济计量模型、投入产出模型等。 回归模型又包括：一元线性回归模型、一元非线性回归模型、多元线性回归模型、多元非线性回归模型。,一、概述,二、一元线性回归预测模型,一元线性回归模型：,Y = a+bx,或：,【例6-5】某公司下半年物流业务量与物流成本资料如下表：,假设该公司10月份的物流业务量为13 千吨，请预测该项物流业务的成本。,解：为便于计算，先对资料进行以下处理，见下表：,（万元/万吨）,（万元）,根据上述计算结果，得到回归直线方程为：,y = a +

17、 bx = 87.33 + 5.25x,若10月份该公司的物流业务量为13万吨，则预测物流成本为：,y = 87.33 + 5.2513 = 155.58,（万元）,45,一. 预测精度测量 无论采用何种模型，总会存在预测误差。 误差有正负 之分，好的预测模型应是正、负误差出现的概率相等。 评价预测精度，计算预测误差，通常采用平均误差。,At：时段t的实际值 Ft：时段t的预测值 n：时段个数,1.平均绝对偏差（Mean absolute deviation,MAD),6.6 预测监控,46,2.平均平方误差（Mean Square Error,MSE),3.平均预测误差（Mean Forec

18、ast Error,MFE),4.平均绝对百分误差（Mean Absolute Percentage Error, MAPE),47,48,平均绝对偏差 MAD = At Ft /n =60/6=10 平均平方误差 MSE = (At Ft )2 /n =750/6=125 平均预测误差 MFE = （ At Ft）/n = -10/6= -1.67 平均绝对百分误差 MAPE = =49.86/6=8.3,49,上述四个评价指标中，MAD、MSE能较好地映预测精度，但无法衡量无偏性（即正负偏差）；FE可以很好地衡量预测模型的无偏性，但不能反预测值偏离实际值的程度。 因此，一般应将MAD、MFE两个指标结合起使用。,50,二.预测监控,检验预测模型是否仍然有效； 测试指标：跟踪信号 TS= RSFE/MAD=(At Ft ) /MAD 结论：TS接近0 或在一定的范围内，预测模型仍然有效，可以继续使用。 TS的控制范围一般取 3- 8，多数情况下取4。,51,练习题1：,1、计算两种模型的M