产销预测精要.pptVIP

第四章 產銷預測 4.1 產銷預測之分類 4.2 預測方法 4.3 預測方法的評估 4.4 時間數列分析 4.5 因果關係分析 4.6 選擇與監控預測模型 4.7 結論 4.1　產銷預測的分類： 依涵蓋的時間長度(horizon)不同區分 4.2　預測方法 定性預測法(qualitative forecasting methods)： 　如銷售人員調查法、消費者調查法、主管人員共識凝聚法及德爾菲法(Delphi method)等(如表4.2所示)。 定量預測法(quantitative forecasting methods)： 　偏重數學模式的應用，例如迴歸分析法、移動平均法、指數平滑法等，定量預測法需要詳細及具體的歷史銷售資料。 4.2 預測方法 4.3　預測方法的評估 平均絕對差異 預測之標準差 均方差(mean squared error, MSE) 預測之標準差的平方，亦即MSE=s 2 4.4　時間數列分析 4.4.1 時間數列的構成成份 4.4.2 移動平均法 4.4.3 指數平滑法 4.4.4 雙指數平滑法 4.4.5 迴歸分析法 4.4.6 季節性因素處理 4.4.1 時間數列的構成成份 時間數列中包含成份(components)：如圖4.1 長期趨勢(trend) 循環變動(cycle) 季節性變動(seasonality) 隨機變動(random variation或noise) 4.4.2 移動平均法 最常應用於短期預測。 移動平均法計算過去最近數期之平均，並以之預測未來之1期。 例如以4週移動平均法計算第9週之預測值為 F9 = (559+586+572+550)/4 = 566.75 接著我們可計算4週與8週移動平均法之MAD 由上表可知，八週之平均移動法計算出之MAD較低，故以之預測未來之銷售，但仍有繼續評估之必要。最後計算第17週之預測值為 F17 = (585+598+617+591+586+537+570+586)/8 = 583.75 一般來說，期數較多計算出之移動平均，其預測線較平滑。 加權移動平均法 前述之移動平均法，乃假定其過去每一期之權重(weight)相當，故可稱之為簡單移動平均法(simple moving average method)。另一加權移動平均法(weighted moving average method)則賦予過去各期數不同的權重。 譬如，在四期移動平均法中，可給予過去各期數之權重由最近依次往前為0.4、0.3、0.2與0.1，因此，第9週的預測量為 F9=0.1×559+0.2×586+0.3×572+0.4×550=564.70 4.4.3 指數平滑法 由指數平滑法(exponential smoothing method)來預測，其公式如下： Ft = Ft-1 + α(At-1-F t-1) = αAt-1 + (1- α)Ft-1 其中α為平滑常數(smoothing constant) ，介於0與 1之間。 例題4.2 (續例題4.1)王又剛接受一同僚之建議，欲以指數平滑法預測未來之銷售，初步考慮訂定平滑常數為0.1或0.3 。 計算第17週之預測量為 F17=0.3×586.0+0.7×571.26=575.68 4.4.4 雙指數平滑法 雙指數平滑法(double exponential smoothing method)其 公式如下： FITt = Ft + Tt-1 Ft = FITt-1 + α (At-1 – FITt-1) Tt = Tt-1 + β(FITt – FITt-1 – Tt-1) 其中Ft為第t期之不含趨勢預測， Tt為第t期之趨勢預測值， FITt為第t期之含趨勢預測值， α為平均平滑常數， β為趨勢平滑常數。 α 與β皆介於0與1之間。 例題4.3　 一電腦零售商使用指數平滑法預測未來其桌上型電腦之銷售。從過去資料顯示，一上升趨勢似乎存在。假設α = 0.2與 β = 0.4 。過去5個月之銷售分別為12、17 、20 、19 、及24 。據此預測第6月之銷售(假設FIT1 = 11及T1 = 0) 4.4.5 迴歸分析法 1/2 簡單線性迴歸預測公式可表示： 最小平方法(least square method)所配置之迴歸直線， 其斜率與截距公式如下： 首先完成一些加總計算如下： 迴歸分析法 2/2 其中，　為