7.5 時間序列的預測方法（續）.pptVIP

7.7 資訊科技在預測中的角色 供應鏈資訊系統的預測模組，常稱為需求計畫模組(demand planning module)，是供應鏈軟體產品的核心。 預測中善用資訊科技的能力有幾個重要好處： 商業需求計畫模組伴隨許多可能非常先進，並具專利的預測演算規則。 優良的預測配套系統適用於廣大的產品類型，只要輸入任何新需求資訊，系統便能及時更新。 使公司能快速回應市場的改變，並避免因反應延遲而造成的成本。 7.7 資訊科技在預測中的角色 正如需求規劃(demand planning)這個名稱的意義，這些模組可促進需求的實現。 要注意的是，這些工具沒有一種是絕對安全可靠的。 7.8 預測中的風險管理 規劃未來時必須考量預測誤差的風險。 錯誤的預測會造成明顯的存貨、設施、運輸、外包、訂購，甚至資訊管理等資源的誤差分配。 有很多原因會造成預測的誤差，其中有些更是經常發生，所以要特別注意。 前置時間長、季節性因素、產品生命週期短、產品需求不穩定等。 有兩個策略可減緩預測的風險： 提升供應鏈的回應性。 利用機會整合需求。 7.9 預測實務 協同預測的建立和供應鏈夥伴協同常能獲得更精確的預測。 資料的價值依其在供應鏈所處位置而定。 確定要分辨出需求與銷售的差異。 案例研討：特殊包裝公司，A部分 案例研討：特殊包裝公司，A部分（續） 案例研討：特殊包裝公司，A部分（續） 趨勢和季節性修正的指數平滑法（Winter模式） 當需求的系統部分假定有水準、趨勢和季節性因素時，適用於本方法。 假設需求的重複循環期數為 p。 一開始需要水準(L0)、趨勢(T0)和季節性因素(S1, . . ., SP)的起始估計值。使用在靜態性預測方法的程序可得到上述的起始估計值。 對於期間 t，對未來期間的預測可以下式表示： 7.5 時間序列的預測方法（續） 在得到第t＋1期的需求觀測值後，修正水準、趨勢和季節性因素之估計值如下： 　α＝水準的平滑係數 　β＝趨勢的平滑係數 　γ＝季節性因素的平滑係數 例子：例題7-4。 7.5 時間序列的預測方法（續） 7.5 時間序列的預測方法（續） 7.6 預測誤差的衡量 預測誤差： 均方誤差(mean squared error, MSE)： 絕對誤差(absolute deviation)： 平均絕對誤差(mean absolute deviation, MAD)： 7.6 預測誤差的衡量（續） 平均絕對百分比誤差(mean absolute percentage error, MAPE)： 偏態(bias)：要判別是否預測方法持續高估或低估需求，可以使用預測誤差的總和去評估此偏態。 追蹤指標(tracking signal, TS)：是偏態和MAD的比值。 TS值須在 ± 6 的範圍內，否則可以另外選擇一個新的預測方法。 　 7.6 預測誤差的衡量（續） * ? 2011 台灣培生教育出版(Pearson Education Taiwan) * ? 2011 台灣培生教育出版(Pearson Education Taiwan) 學習目標 1. 了解預測在企業和供應鏈中扮演的角色。 2. 分辨需求預測的組成要素。 3. 給定過去資料下，利用時間序列方法在供應鏈上預測需求。 4. 分析需求預測以估計預測誤差。 7.1 預測在供應鏈中的角色 在供應鏈上，未來需求的預測為所有策略和規劃決策的基礎。 同時用於推／拉過程。 以下決策可以強化供應鏈廠商間的協同預測： 生產：排程、存貨控制、總體規劃、採購。 行銷：行銷人員分派、促銷、新產品介紹。 財務：工廠／設備投資、預算規劃。 人事：人力規劃、僱用、解僱。 這些決策會相互影響。 7.2 預測的特性 預測永遠會有誤差，所以必須包含期望值和預測誤差的量測。 長期預測通常較短期預測來得不準確。 總和預測通常比個別預測來得正確。 一般來說，一家公司的供應鏈愈長（也就是公司與顧客之間的距離愈遠），所獲訊息失真的可能性愈大。 7.3 預測的構成要素與預測方法 定性法(qualitative)：定性的預測方法是主觀的，依個人的判斷和意見去進行預測。 時間序列法(time series)：使用歷史需求去進行預測。 靜態性方法；適應性預測方法。 因果關係法(causal)：假設需求預測與環境中的某些特定因子是高度相關。 模擬法(simulation)：模仿消費者的選擇，這些選擇會引起需求，因而導出預測。 能結合時間序列與因果分析。 7.3 預測的構成要素與預測方法（續） 系統部分(systematic component)由需求的期望值予以度量。其組成為： 水準(level)：去除季節性因素的目前需求。 趨勢(trend)：對於下一個週期在需求上成長或衰退的比例。