第三讲 需求预测.pptVIP

第三讲 需求预测 第三讲 需 求 预 测 一 预测及其分类 预测：对未来可能发生的情况的预计与推测。 (一) 预测的种类： 1 科学预测：对科学发展情况的预计与推测。 2 技术预测：对技术进步的预计与推测。 3 经济预测：对未来经济发展状况的预计与推测。 4 需求预测：为未来一段时间的需求期望水平的预计与推测。 5 社会预测：对社会未来发展的预计与推测。 (二) 预测的分类 1按预测时间的长短分类 a 长期预测（5年以上） b 中期预测（季度~2年） c 短期预测（日、周、旬、月） 2按主客观因素所起的作用分类 二 预测的一般步骤 1 决定预测的目的和用途； 2 根据企业不同的产品及其性质分类； 3 决定影响各类铲平需求的因素及其重要性； 4 收集所有可以利用的过去和现在的资料，加以分析； 5 选择适当的预测方法或模型； 6 计算并核实初步预测结果； 7 考虑和设定无法预测的内外因素； 8 对6、7两步进行综合考虑，判断并做出结论； 9 将预测结果用于生产计划中； 10 根据实际发生的需求对预测进行监控。 三 定性预测方法 1 德尔菲法 2 部门主管集体讨论法 3 用户调查法 4 销售人员意见汇集法 四 定量预测方法 时间序列的构成： (一) 时间序列平滑模型 3 一次平滑指数 ※ 这是另一种形式的加权移动平均。加权移动平均只考虑最近的n个实际数据，指数平滑法则考虑所有的历史数据，只不过近期实际数据的权重大。 一次指数平滑指数预测值 SFt+1=αAt+(1-α) SFt SFt+1是t+1期一次指数平滑预测值； At为t期实际值； α为平滑系数，它表示赋予实际数据的权重。 一次平滑指数预测值的公式是一个递推公式，根据该公式可以得出： SFt+1=αAt+(1-α) SFt = αAt+(1-α) [αAt+(1-α) SFt] = αAt+(1-α)αAt-1+(1-α) 2SFt-1 = αAt+α(1-α) At-1+(1-α) 2[αAt-2+(1-α) SFt-2] = αAt+α(1-α) At-1+α(1-α) 2 At-2+ (1-α) 3SFt-2 =········· = a[（1-a）0At+（1-a）1At-1+（1-a）2At-2+···+（1-a）t-1A1]+ （1-a）tSF1 可以事先给定SF1=A1 在t+1期的的预测值可以看作前t期实测值的指数形式的加权和。随着实测值“时间”的增大，其权数以指数形式递减，这正是指数平滑法的由来。 (二) 时间序列分解模型 时间序列分解方法的应用基于如下假设：各种成分单独地作用于实际需求，而且过去和现在起作用的机制将持续到未来。 时间序列分解模型企图从时间序列值中找出各种成分，并对各成分单独预测的基础上，综合处理各种成分的预测值，以得到最终的预测结果。 1 加法模型 TF=T+S+C+I 2 乘法模型 TF=T×S×C×I 式中:TF:为时间序列的预测值； T :为趋势成分； S:为季节成分； C: 为周期性变化成分； I:为不规则的波动成分。 解： 例：下表是某旅游服务点过去三年个季度快餐的销售记录。试预测公司未来一年各季度的销售量。 1 求趋势直线方程。 2 估算季节系数。 所谓季节系数就是实际值At与趋势值Tt的比值的平均值。 3 预测。 下一年夏秋冬春各季对应的t值分别为13，14，15，16，对应的季节系数分别为夏季、秋季、冬季、春季，因此，该公司未来一年销售量分别为： 夏季：（10000+167×１３）×１．１５＝１３９９７ 秋季：（10000+167×１４）×１．００＝１２３３８ 冬季：（10000+167×１５）×０．８５＝１０６２９ 春季：（10000+167×１６）×１．００＝１２６７２ (三) 因果模型 在时间序列模型中，将需求作为因变量，将时间作为唯一的独立变量。这种做法虽然简单，但忽略了其他影响需求的因素。 ※ 因果模型则考虑了一些与需求有关的变量，来对需求进行预测。 ※ 因果模型常见有一次线性回归