OM6需求预测.pptxVIP

第六讲 需求预测;一、需求预测概述 二、定性预测方法 三、定量预测方法 ;一、需求预测概述;（2）预测的分类; 按预测时间的长短; 按主客观因素所起的作用;预测方法分类图;两类需求预测方法的应用场合;（3）预测模型选择的依据;2、需求;趋势成分：数据随着时间的变化表现出一种趋向(由于人口、技术等原因)。它按某种规则稳步地上升或下降，或停留在某一水平。;季节成分：在一年里按通常的频率围绕趋势作上下有规则的波动(由于天气、顾客等原因) 。;周期成分：在较长的时间里（一年以上）围绕趋势作有规则的上下波动。这种波动常被称作经济周期。;随机成分：由很多不可控因素引起的、没有规则的波动。;3、需求预测的一般步骤;一、需求预测概述 二、定性预测方法 三、定量预测方法 ;二、定性预测方法;1.销售人员意见汇集法（Field Sales Force）;2.部门主管集体讨论法（Jury of Executives）;3.用户调查法（Users’ Expectation）;美国兰德公司于20世纪40年代发明并用于技术预测 从20世纪40年代至70年代初，德尔菲法在各类预测中的应用比重由20.8%增加到24.2％ 方法的本质是利用专家的知识、经验、智慧等带有很大模糊性的无法量化的信息，通过通信的方式进行信息交换，逐步地取得一致的意见，达到预测的目的 ;Delphi 法的预测过程;简单直观 避免了专家会议的弊端 适用资料不全或不多的情况 专家的选择没有明确的标准，预测结果的可靠性缺乏严格的科学分析，最后趋于一致的意见仍带有随大流的倾向 三原则：匿名性，反馈性，收敛性;领导小组的成立和专家的选择;Delphi 法应遵循的几个原则（1）;Delphi 法应遵循的几个原则（2）;Delphi法的适用范围;一、需求预测概述 二、定性预测方法 三、定量预测方法 ;（一）时间序列模型 （二）因果关系模型 （三）预测监控;（一）时间序列模型：以时间为独立变量，利用过去需求随时间变化的关系来预测未来的需求。 包括：时间序列平滑模型，时间序列分解模型 （二）因果关系模型：利用变量（包括时间，如广告投入vs销量）之间的相互关系，通过一种变量的变化来预测另一种变量的未来变化。 上述模型共同隐含的假设（前提）：过去存在的变量之间的关系和相互作用机理，今后仍然存在并继续发挥作用。 （三）预测监控：通过预测监控来检验过去起作用的预测模型是否仍然有效。;1、时间序列平滑模型 移动平均法（MA、WMA） 指数平滑法（一次、趋势校正） 2、时间序列分解模型;1、时间序列平滑模型;（1）简单移动平均法;（2）加权移动平均法;举例;A.简单移动平均法预测;SMA特点：;B.加权移动平均法预测;SMA与WMA预测值的比较; ;;（3）指数平滑法;A.一次指数平滑法;预测公式;;;α=0.4和α=0.7时的预测值比较;小结;B.指数平滑法中的趋势校正;预测公式;预测基本步骤;;;2.时间序列分解模型;几种可能的时间序列类型;;季节;?求趋势直线方程： y = a + b t y为趋势预测值，t为季节序号，a、b为常数。 可用作图法或最小二乘法求出a、b。;T(t)= 10000 + 167 t;?计算季节系数： 各周期内相应实际值与趋势值的比值的平均值。;季节序列 t;?计算预测值： 预测值=趋势预测值×季节系数 未来一年的夏秋冬春各季对应的t值分别为13,14,15,16, 预测销售量分别为: 夏季:(10,000+167×13)×1.15=13,997 (份) 秋季:(10,000+167×14)×0.99=12,214 (份) 冬季:(10,000+167×15)×0.85=10,629 (份) 春季:(10,000+167×16)×1.00=12,672 (份);（二）因果关系模型;1??一元线性回归模型;最小二乘法?回归直线;;3、预测实例;求解：;;（三）预测监控;1、预测误差;2、预测误差衡量指标;（1）平均绝对偏差（MAD）;（2）平均平方误差（MSE）;（3）平均预测误差（MFE）;（4）平均绝对百分误差（MAPE）;3、预测监控;预测跟踪信号