预测培训课件.pptVIP

誤差的衡量 追蹤訊號（tracking signal） 衡量預測平均數是否與需求變化的方向保持一致。 追蹤訊號（TS）是將預測誤差值的算術平均數除以平均絕對誤差（MAD）求得： 圖13.8　常態分配，平均值=0及MAD=1 圖13.9　計算預測的平均絕對誤差（MAD）、累加誤差（RSFE）及追蹤訊號（TS） 圖13.10　圖13.9的追蹤訊號圖 圖13.11 1至4MAD範圍落在管制界限範圍內的比率 誤差的衡量 MAD值即可用以預測未來誤差的範圍。在庫存管制的範例中，此方法對設定安全存貨水準有很大的幫助。 線性迴歸分析 迴歸可定義為兩個或兩個以上相關（correlated）變數間的關係，它可使用一個變數預測另一個變數，其間的關係可由歷史資料中取得。 線性迴歸分析 線性迴歸線的方程式為： Y＝a＋bX，其中Y是相依變數，亦為我們預測的目標，a是Y的截距，b為斜率，X則是獨立變數（在時間序列分析法中，X為時間單位）。 線性迴歸適用於預測主要觀測值的長期狀況與總合規劃。 範例13.2：最小平方法 一家企業在過去 3 年 12 季的產品銷售額如下所示： 此公司擬預測第 4 年的每一季，即第13、14、15、16季。 範例13.2：最小平方法 解答 線性迴歸的最小平方方程式為： 範例13.2：最小平方法 在最小平方法，決定 a 和 b 的方程式為： 圖13.12　最小平方迴歸線 圖13.13　最小平方迴歸分析 範例13.2：最小平方法 圖 13.13 顯示 12 筆資料的計算結果，結果是：Y的截距等於 441.66，斜率等於 359.6，此斜率表示X 軸上每變動一單位，Y 將變動 359.6。 依據此迴歸方程式，可得第13到16季的預測值如下： 範例13.2：最小平方法 而估計標準差，或是此直線和資料間的配適度為： 標準差的估計可由圖 13.13 之第 2 欄與最後 1 欄計算： 時間序列的分解 時間序列的定義是資料具有時間順序關係，並包含下列一種或多種的需求因素： 趨勢 季節 週期 自我相關 隨機性 時間序列分解是指分解時間序列資料所包含需求因素的過程。 圖13.15　加法性及乘法性季節變動對趨勢的影響 範例13.3：簡單等比例 假設過去幾年，一家企業某產品線的年平均銷售量為 1,000 單位，春季平均銷售 200單位，夏季銷售 350 單位，秋季銷售 300 單位，冬季銷售 150 單位。此季節因子（或指數）等於每季的銷售量除以所有季節的平均值。 13 - * ? The McGraw-Hill Companies, Inc., 2008 ? The McGraw-Hill Companies, Inc., 2008 第13章 預測 大綱 需求管理 預測的類型 需求的組成 定性預測技術 時間序列分析 因果關係預測 焦點預測 基於網路預測：協同規劃、預測與補貨（CPFR） 結論 需求管理 需求管理的目的是協調與控制所有的需求來源，有效率地使用生產系統，以能及時供應產品。 相依需求（Dependent demand） 因其他產品或服務所衍生的產品或服務需求。 獨立需求（Independent demand) 需求不直接來自其他產品的需求。 需求管理 主動影響需求 藉由對銷售人員施壓、給予消費者和員工激勵、採取產品促銷活動、或是減價，這些活動均可增加需求。 消極地回應需求 可能基於某些原因，企業不想改變需求，被動的接受市場的現況。 預測的類型 定性技術 屬於主觀判斷，仰賴估計與個人觀點。 時間序列分析（Time series analysis） 基於需求的歷史資料，預測未來的需求 因果關係 假設需求與環境中許多項因素有關。 模擬模式 允許預測者在假設的條件下，預測未來的情境。 圖13.1　預測方法及常用模式 （續下頁） 圖13.1　預測方法及常用模式（續） 需求的組成 一般產品或服務需求可細分為六種元素： 某段時間的平均需求 趨勢 季節性因素 週期因素 隨機變異 自我相關（Autocorrelation） 圖13.2　產品歷史需求—包含成長趨勢與季節需求 圖13.3常見的趨勢型態 定性預測技術 草根法 草根預測法是由持續加入組織基層的資料來建立預測值，其理論基礎是愈接近顧客或最終產品使用者的人，愈了解產品未來的需求，雖然這並不一定正確，但由許多的例子顯示，這項假設有其可信度。 定性預測技術 市調法 企業經常雇用專精於市場調查的外部公司，進行此類型的預測。 在產品研究中，市調法最常用於尋找新產品構想的靈感、對既有產品的意見，以及在特定產品／服務類別中，最喜愛哪一位競爭者的產品或服務等，最常以問卷和訪談的方式蒐集資料。 定性預測技術 群體意見法 群體意見法的預測值，是經由開放式會議，由所有的管理層級和個人自由交