采购申请与需求分析教材1.pptVIP

只需要序列的历史资料 计算器 适用于一次性的短期预测或在使用其他预测方法前消除季节变动的因素 短期 分解分析法 计算过程复杂、繁琐 只需要因变量的历史资料，但制定并检查模型规格很费时间 只需要因变量的历史资料，是一切反复预测中最简易的方法，但建立模型所费的时间与自适应过滤法不相上下 只需要因变量的历史资料，但初次选择权数时很费时间 应做工作 计算机 计算机 在用计算机建立模型后进行预测时，只需计算器就行了 计算器 计算机硬件 最低要求 适用于任何序列的发展型态的一种高级预测方法 适用于趋势型态的性质随时间而变化，而且没有季节变动的反复预测 具有或不具有季节变动的反复预测 不带季节变动的反复预测 适用情况 短期 短期 短期 短期 时间范围 平稳时间序列预测法 自适应过滤法 指数平滑法 移动平均法 方法 方法 时间范围 适用情况 计算机硬件最低要求 应做工作 干预分析模型预测法 短期 适用于当时间序列受到政策干预或突发事件影响的预测 计算机 收集历史数据及影响时间 景气预测法 短、中期 适用于时间趋势延续及转折预测 计算机 收集大量历史资料和数据并需大量计算 灰色预测法 短、中期 适用于时间序列的发展呈指数型趋势 计算机 收集对象的历史数据 状态空间模型和卡尔曼滤波 短、中期 适用于各类时间序列的预测 计算机 收集对象的历史数据并建立状态空间模型 1.时间序列预测模型 时间序列预测法是应用最广泛的一种方法。一项针对采购专业人士的调研显示，定量预测方法的前三种常用方法是简单移动平均法、权重移动平均法和指数平滑法。 (1)简单移动平均模型 简单移动平均模型（simple moving average forecasting）应用历史数据产生预测结果，对于一段时间内需求稳定的情况比较准确。在n时段内简单移动平均预测用下面的公式来表示： 式中，Ft+1为时段t+1的预测；n为用于计算移动平均的时间段数；At时段t的实际需求。 简单移动平均模型 如果可供使用的时间点数据不多，那么使用平均趋势就更有效。 随机事件会对平均趋势产生负面影响。此时的决策者就需要考虑是根据长期趋势还是根据短期变化做出决策。 这种方法的好处就是简单易懂；缺点就是不能对变化做出快速的反馈。 简单移动平均预测举例 例1 (2)加权移动平均预测模型 加权移动平均预测，是建立在n时段的权重移动平均上，公式如下： 式中，Ft+1为时间t＋1的预测；n为用于计算移动平均的时段数；Ai为在时段i的实际需求；Wi为在时段i的权重（∑Wi=1）。 加权移动平均预测模型举例 利用例1提供的数据，预测第5期的结果，根据时间由近到远的顺序，前4期的数据分别被赋予权重0.1,0.2,0.3,0.4. 解： (3)指数平滑预测模型 指数平滑预测是一种复杂的权重移动平均预测，下一期的需求预测是由本期的实际需求加上一个调整的数值得来的，调整的数值就是本期的实际需求与预测数据的差值乘以一个系数。 只需要两个点的数据就可以算出来。因此最为流行。 这种方法像其他一时间序列模型一样，适合于那些不太能反映趋势和季节性的数据。指数平滑公式如下： 式中，Ft+1为时段t＋1的预测； Ft为时段t的预测；At为在时段t的实际需求；a为移动系数（0≤a ≤ 1)。 指数平滑预测模型 当a的数值接近1，说明近期的数据代表性非常强，导致模型对近期的需求变化反映强烈。当a数值比较低，更多的权重给了以前的数据，那么模型对近期的需求变化反映比较迟钝。 在这里a取值越大，等同于在移动平均计算中取用的样本数越少；反之a取值越小，相当于在移动平均计算中取用的样本数越多。 最初的预测值可以使用定性方法中的一种，如德尔菲法，或者就是简单地将最初的预测值定为那个时段的实际需求。 指数平滑预测模型举例 相关预测模型 Y=ax+b Y=a0+a1x1+a2x2+… 习题 表中为某公司的月需求量，使用至少三种预测方法预测第6年的需求，评估预测的准确性。 销售量 1998 1999 2000 2001 2002 JAN 2000 3000 2000 5000 5000 FEB 3000 4000 5000 4000 2000 MAR 3000 3000 5000 4000 3000 APR 3000 5000 3000 2000 2000 MAY 4000 5000 4000 5000 7000 JUN 6000 8000 6000 7000 6000 JUL 7000 3000 7000 10000 8000 AUG 6000 8000 10000 14000 10000 SEP 10000 12000 15000 16000 20000 OCT 12000 12000 15000 1