因果关系预测.PPT

用於整合多階層供應鏈中的所有成員，包含製造商、配銷商與零售商 * 先判斷誤差來源是來自 資料來源誤差(source of error) 量度誤差(measurement of error) 預測誤差 偏差(bias) 採用錯誤的變數 變數間的關係錯誤 錯用趨勢線 誤把季節性因素去除 未知的趨勢所影響 隨機誤差(random) 無法以正常的預測模式解釋 誤差的來源 誤差可用標準差(或平均平方差或變異數)與平均絕對誤差值(mean absolute deviation)，此外亦可使用追蹤訊號表示預測的正向或負向偏差 誤差的衡量 實際值與預測值之間差值的絕對值之總合除以資料的樣本數 平均絕對誤差(MAD) 當預測誤差呈常態分配時， 平均絕對誤差與標準差的關係 1標準差 = 1MAD = 0.8 標準差 信號軌跡 衡量預測的值是否和實際需求值走勢 的步調一致 (上漲或下滑) 定義：兩個或兩個以上相關變數間的關係，可使用一個變數去預測另一個變數稱之為迴歸。 線性迴歸：是迴歸分析法的特例 線性迴歸方程式：Y=a+bX 使用限制：過去的資料和未來的預測資料，均必須落在同一條線上。 線性迴歸分析 所有資料點與其相對應的迴歸線對應點間，垂直距離之平方總和的最小值。 使差值平方總和最小 Y=應變數 y=應變數之實際值 a=Y的截距 b=斜率 x=時間 最小平方回歸分析方法 定義：為資料具有時間順序關係，其包含下列一種或多種的需求因素：趨勢、季節、週期、自我相關性、隨機性。 季節因子：為一修正值，是時間序列分析中，針對季節所做的調整量。雖以週期為表示，並非年度性定期活動的週期，是以年度中特別活動的某段期間稱為「季」。 時間序列的分解 加法性：假設不論趨勢或平均量如何變化，季節量恆為一常數。 預測=趨勢因子＋季節因子 乘法性：季節變動大小與趨勢水準有關，趨勢增加時，季節變化量也隨之增加。 預測=趨勢因子Ｘ季節因子 簡單等比法 歷史銷售量 季平均銷售 (1000/4) 季節因素 春 200 250 200/250=0.8 夏 350 250 350/250=1.4 秋 300 250 300/250=1.2 冬 150 250 150/250=.06 總計 1000 明年之　　　　 預估需求 季平均銷售量 (1100/4) 季節因子 明年之 需求預測 春　　　　　　　　　　　　275　　　Ｘ　　　0.8　　 　＝　　　220 夏　　　　　　　　　　　　275　　　Ｘ　　　1.4　　 　＝　　　385 秋　　　　　　　　　　　　275　　　Ｘ　　　1.2　　 　＝　　　330 冬　　　　　　　　　　　　275　　　Ｘ　　　0.6　　 　＝　　　165 總計　 1100 170 610 目測截點 170 斜率 = (610-170)/8 之間的變化量 趨勢方程式：Trendt = 170 + 55 t 預測下年度結果： FTTSt=趨勢x季節性 I- 2000 FITS9 = (170+55(9))1.25=831 II- 2000 FITS10 = (170+55(10))0.78=562 III- 2000 FITS11 = (170+55(11))0.69=535 IV- 2000 FITS12 = (170+55(12))1.25=1,038 找出此數列之趨勢、季節與週期等基本因素，計算出季節因子與週期因子。再以反向程序來預測趨勢。 步驟 求出季節因子 去除需求的季節效應 找出趨勢因子 考量未來的趨勢因子 將趨勢因子乘上季節因子 最小平方迴歸分析 並未考量 隨機因素 (1) 期 (x) (2) 季 (3) 實際需求 (y) (4) 每年同季 之平均 (5) 季節因子 (6) 去除季節因素(yd) Col.(3)÷Col. (5) (7) x2 (Col.1)2 (8) x×yd Col.(1)×Col. (6) 1 I 600 (600+2,400+3,800)/3 =2,266.7 0.82 735.7 1 735.7 2 II 1,550 (1,550+3,100+4,500)/3=3,050 1.10 1,412.4 4 2,824.7 3 III 1,500 (1,500+2,600+4,000)/3=2,700 0.97 1,544.0 9 4.631.9 4 IV 1,500 (1,500+2,900+4,900)/3=3,100 1.12 1,344.8 16 5,379.0 5 I 2,400 0.82 2,942.6 25 14,713.2 6 II 3,100 1.10 2,824.7 36 16,948.4 7 III 2,600 0.97 2,676.