運營管理 課件 第6章 需求預測

運營管理一、學習目標第6章：需求預測學習內(nèi)容

學習目標學習難度重要程度應掌握知識點需求預測概述熟悉☆★需求預測的作用預測方法分類預測程序主觀需求預測方法熟悉☆★★銷售人員意見集中法市場調(diào)查法時間序列預測方法掌握☆☆☆★★★指數(shù)平滑方法時間序列分解法因果關系預測模型了解☆☆★多元回歸模型方法需求預測新趨勢新方法了解☆★預測新趨勢

本章知識結(jié)構(gòu)圖第6章：需求預測需求預測概述需求預測作用需求預測過程需求預測方法選擇主觀需求預測方法PERT預測方法市場調(diào)查法時間序列預測方法時間序列平滑模型時間序列分解模型需求預測新趨勢新方法預測誤差測量基于供應鏈的協(xié)同預測補給系統(tǒng)需求預測重點掌握知識要點因果關系預測模型預測方法發(fā)展趨勢引例：大數(shù)據(jù)需求預測-美國折扣零售商塔吉特與懷孕預測第6章：需求預測1這個零售點對婦女懷孕進行預測對零售點的需求有什么作用？2從這個零售點利用大數(shù)據(jù)預測需求的方法談談數(shù)據(jù)在預測的作用。問題第一節(jié)、需求預測概述一.需求預測的作用第6章：需求預測二.需求預測過程三.需求預測方法選擇一、需求預測的作用第6章：需求預測（一）預測的作用（二）服務業(yè)需求特點與預測預測為管理決策服務，提供決策水平。1需求波動性2服務需求的時效性3服務需求的地域性4服務需求的顧客相關性第6章：需求預測二、需求預測過程現(xiàn)實中，不少企業(yè)對需求預測沒有規(guī)范的程序，隨意性比較大。這種需求預測的結(jié)果并不可靠。下圖描述的是一個規(guī)范的預測程序：分析決策問題，明確預測目的收集資料需求模式與特征分析選擇預測方法預測實施預測結(jié)果分析，模型與工具適應性判斷結(jié)果調(diào)整與控制是否

滿意？否是提交預測報告其他因素確定預測目標與精度要求其他因素第6章：需求預測（一）需求預測方法分類主觀預測法（定性法）德爾菲法部門主管討法用戶調(diào)查法銷售人員意見集中法客觀預測法（定量法）因果模型時間序列模型時間序列平滑模型移動平均法一次指數(shù)平滑法二次指數(shù)平滑法時間序列平滑模型乘法模型加法模型預測方法三、需求預測方法的選擇第6章：需求預測（二）.需求預測方法選擇時需考慮的因素與原則選擇需求預測方法的基本原則是：簡單且實用的方法就是最好的方法。（1）決策問題的要求。（2）數(shù)據(jù)的可獲性和準確性。（3）預測人員對預測方法的掌握水平。（4）預測精度與預測成本。第二節(jié)、主觀需求預測方法第6章：需求預測一、PERT預測法二、市場調(diào)查法1問詢法２展銷調(diào)查法３網(wǎng)上問卷調(diào)查法

主觀需求預測方法，也叫定性方法，主要包括德爾菲法（Delphimethod）、部門意見集中法、銷售人員意見綜合法、市場調(diào)查法等。下面簡單介紹銷售人員意見集中法和市場調(diào)查法。一、PERT預測方法第6章：需求預測PERT預測法來源于PERT(ProgramEvaluationandReviewTechnique)中的工期估計方法。這種方法一般通過銷售人員主觀判斷給出三種需求預測值。1最樂觀（最高）的需求預測值A。也就是市場前景最樂觀情況下的銷售量。2最可能的需求預測值M。也就是正常情況下市場最有可能的需求量。3最悲觀（最低）的需求預測值C。也就是市場最差的需求量。根據(jù)上面三個估計值，可得到某個銷售人員的估計需求：

一、PERT預測方法第6章：需求預測第6章：需求預測二、市場調(diào)查法1問詢法（1）登門走訪顧客法2）電話采訪２展銷調(diào)查法３網(wǎng)上問卷調(diào)查法第三節(jié)、時間序列預測方法第6章：需求預測一、時間序列平滑模型二、時間序列分解模型三、預測誤差測量第6章：需求預測時間序列平滑模型中比較常用的是移動平均法和指數(shù)平滑法（一次指數(shù)平滑法、二次指數(shù)平滑法等）。其中最常用的是指數(shù)平滑法。指數(shù)平滑法比較簡單、直觀，廣泛應用于需求預測一、時間序列平滑模型銷售單價1簡單移動平均法銷售單價2加權(quán)移動平均法（一）簡單移動平均法和加權(quán)移動平均法應用例題6-1：移動平均法預測需求應用范例6-1：某產(chǎn)品2022年12個月的銷售值如表6-1所示。利用簡單移動平均法與加權(quán)移動平均法預測該產(chǎn)品2019年1月份的銷售情況。其中，簡單移動平均分移動周期3月與5月兩種情況。加權(quán)移動平均的移動周期為3月，但是權(quán)重分配也有兩種情況：第6章：需求預測“①

“②

第6章：需求預測時期t（月）實際值At簡單移動平均預測加權(quán)移動平均預測n=3n=5n=3（權(quán)重系數(shù)1）n=3（權(quán)重系數(shù)2）1362373354403635.83654337.333337.937.464739.333338.240.640.274543.333340.244.444840454245.245.4937444342.943.4103140.666742.439.539.71134364034.635.212363437.433.733.41333.666735.634.434.2表6-2加權(quán)移動平均預測第6章：需求預測(二)指數(shù)平滑法

銷售單價一次指數(shù)平滑法:---第t+1期的預測需求---第t期的實際需求---平滑系數(shù)并假設:一、時間序列平滑模型

指數(shù)平滑方法其依據(jù)的基本原理是：（1）厚今薄古，即從信息的作用來說，愈靠近當前的數(shù)據(jù)影響愈大，愈遠離當前，對未來的影響愈小。（2）誤差反饋原理。第6章：需求預測應用范例6-2某公司產(chǎn)品過去1年的銷售需求變化情況如表6-2所示。預測中,設月份實際銷售額(At)不同平滑系數(shù)的模擬與預測(Ft)0．10．50．9110910910910921231091091093135110．4116121．64145112．86125．5133．665156116．074135．25143．8666180120．0666145．625154．78667187126．0599162．8125177．47878190132．1539174．9063186．04799210137．9386182．4531189．604810223145．1447196．2266207．960511231152．9302209．6133221．49612238160．7372220．3066230．049613（預測月）168．4635229．1533237．205表6-2某公司的一次指數(shù)平滑預測表第6章：需求預測從以上例子說明，平滑系數(shù)取小的情況，預測的結(jié)果趨于平緩，響應性比較低，如果平滑系數(shù)取得大一點，則，預測結(jié)果響應性比較好。因此當需求變化平緩的時候，平滑系數(shù)一般取得小一些，而需求變化比較大的時候，平滑系數(shù)取得大一點比較好。三、時間序列分解模型第6章：需求預測時間序列分解模型的建立是基于這樣的觀點：需求隨時間而變化是多種成分的疊加，即任何一個需求值都是趨勢成分、季節(jié)成分、周期成分、隨機成分共同作用的結(jié)果。時間序列分解模型就是試圖從時間序列中找出各種成分，對各種成分單獨進行預測，然后綜合各種成分的預測值得到綜合的需求預測值。第6章：需求預測兩種分解模型：加法模型:把影響預測變量的各種成份分解出來，按照相加作用原理進行合成

乘法模型:則是把各種獨立的預測成分相乘,他們的模型如下：式中：T為趨勢成分，S為季節(jié)成分，C為周期成分，為隨機成分。二、時間序列分解模型應用例題6-3：時間序列分解預測模型某公司歷史銷售數(shù)據(jù)如表6-3所示，用時間序列分解模型預測需求。第6章：需求預測第一步：確定趨勢方程趨勢方程的確定，最簡單的方法是目測法。先把數(shù)據(jù)描在坐標圖上，找出截距后

可以確定趨勢方程，也可以利用最小二乘法求出線性趨勢方程：

Tt=326.500+17.4853t1234567891011121315月份銷售量400350300應用例題6-3：時間序列分解預測模型第6章：需求預測第二步：確定季節(jié)系數(shù)利用求出的趨勢方程，可以求出不同季節(jié)的趨勢預測值，如表6—4中的第四列。

表中第五列為實際值與趨勢預測值的比，也就是每季度的季節(jié)系數(shù)。第六列為平均季節(jié)

系數(shù)，是把各年相同季節(jié)的季節(jié)系數(shù)相加后取平均值，如第一季度的平均季節(jié)系數(shù)：（1.0524+0.9229+0.9773+0.9823）/4=0.9837其他各季度的季節(jié)系數(shù)確定于此相仿第三步：利用趨勢方程預測未來趨勢值利用趨勢方程，我們可以計算出各個時期的趨勢值，比如：我們用趨勢方程計算2020和2021年兩年的趨勢預測值，見表6-4的第四列第四步：用季節(jié)系數(shù)乘以趨勢預測值得出綜合預測值應用例題6-3：時間序列分解預測模型第6章：需求預測年份季節(jié)序列

實際值

趨勢預測值

季節(jié)系數(shù)

平均季節(jié)系數(shù)

2019

1234362385432341343.9853361.4706378.9559396.44121.05241.06511.14000.8602338.4127366.4589428.9402346.132820205678382409498387413.9265431.4118448.8971466.38240.92290.94811.10940.8298407.2209437.3653508.1066407.198520219101112473513582474483.8677501.3530518.8383536.32360.97751.02321.12170.8838476.0790508.2717587.2731468.2641202213141516544582681557553.8088571.2941588.7795606.26480.98231.01871.15660.9187544.8372579.1780666.4395529.32982023（預測年份）17181920

無623.7501641.2354658.7207676.2060

613.6453650.0844745.6060590.39552024（預測年份）21222324無693.6913711.1766728.6619746.1472

682.4535720.9908824.7724651.4611三、預測誤差與控制第6章：需求預測1.平均絕對偏差(MAD)式中Ft——第t

期的預測值；At——第t

期的實際值；n——預測期數(shù)。三、預測誤差測量第6章：需求預測２.平均絕對百分誤差(MAPE)3．平均平方誤差（MSE)三、預測誤差測量第6章：需求預測4．平均預測誤差（MFE）是預測點的誤差的平均值。說明：不同的誤差衡量指標，各有優(yōu)缺點。因為不同的指標考察的側(cè)重點不同，有的精度比較高，但是不能反映預測的偏差情況（即無偏性），反之，有的反映無偏性，但是不能真實反映預測精度。因此需要根據(jù)需要采用不同的指標。第四節(jié)、因果關系預測模型第6章：需求預測

因果關系預測（Causalrelationshipforecasting）模型是使用時間以外的其他變量來構(gòu)建需求量和影響需求的某些變量之間的因果關系模型來預測的一種方法。

教材例題6-4介紹了醫(yī)療服務需求預測是如何利用多元回歸分析進行因果關系預測的。

前面介紹的時間