生产与作业管理——预测--网路化预测：协同规划、预测与补货

《生产与作业管理——预测--网路化预测：协同规划、预测与补货》由会员分享，可在线阅读，更多相关《生产与作业管理——预测--网路化预测：协同规划、预测与补货（69页珍藏版）》请在装配图网上搜索。

1、蔡幸穎、郭俊宏、宗培倫吳聯稚、蕭婉芝、曾暐鈞1.需求管理2.預測的類型3.需求的組成4.定性預測技巧5.時間序列分析6.因果關係預測7.焦點預測8.網路化預測：協同規劃、預測與補貨9.結論1.需求管理2.預測的類型3.需求的組成4.定性預測技巧5.時間序列分析6.因果關係預測7.焦點預測8.網路化預測：協同規劃、預測與補貨9.結論重大管理決策與長期規劃的基礎 財會方面 預算規劃 成本控制 行銷方面 銷售預測、規劃新產品、獎勵銷售人員 生產作業方面 製程選擇、產能規劃、設備配置、生產規劃排成、存貨控制對於預測的態度 不會完美，需要修正 合理範圍求得最佳預測方法預測需求需求管理之目的是協調和控制所

2、有的需求來源，以有效率使用生產系統，而能即時地供應產品。需求的來源 獨立需求(Independence demand)相依需求(Dependence demand)積極影響 消極反應1.需求管理2.預測的類型3.需求的組成4.定性預測技巧5.時間序列分析6.因果關係預測7.焦點預測8.網路化預測：協同規劃、預測與補貨9.結論定性技術時間序列分析因果關係模擬模式定性法時間序列分析因果關係模擬模型草根法簡單移動平均迴歸分析電腦模型市場研究加權移動平均經濟模型群體意見法迴歸分析投入/產出模型歷史類推法Box Jenkins領先指標Delphi法Shiskin 時間序列趨勢預測1.需求管理2.預測的類

3、型3.需求的組成4.定性預測技巧5.時間序列分析6.因果關係預測7.焦點預測8.網路化預測：協同規劃、預測與補貨9.結論l 某段時間的平均需求l 趨勢l 季節性因素l 週期性因素較難決定的元素，無法知道時間的區間或未考慮到 ex:政治選舉、戰爭l 自我相關事件的持續性任何一點的期望值是與他過去的值高度相關l 隨機變異由偶發事件所引起l線性直接連續的關係lS曲線典型的產品成長和成熟週期l漸近線由較高的需求成長開始，漸漸遞減l指數常見於具有爆炸性成長的產品需求銷售量季銷售量季銷售量季銷售量季1.需求管理2.預測的類型3.需求的組成4.定性預測技巧5.時間序列分析6.因果關係預測7.焦點預測8.網路

4、化預測：協同規劃、預測與補貨9.結論l草根法 持續的加入基層資料建立預測值 愈接近終端顧客的人，越了解產品未來的需要 地區配銷中心區域性配銷中心總公司l市調法 委由市調或行銷顧問公司進行 使用問卷和訪談 ex:滿意度、購買意願l群體意見法 三個臭皮匠勝過一個諸葛亮 開放式會議，自由交換意見 層級：OpenlDelphi法 不同領域具備專業知識的人(匿名)問卷或E-mail，由參與者獲取預測值 綜合結果、回饋、修正 不斷重複上述步驟，通常是三次l歷史類推法 由現有或是同類產品作一預測 參考類似產品的經驗 ex:咖啡壺烤麵包機1.需求管理2.預測的類型3.需求的組成4.定性預測技巧5.時間序列分析

5、6.因果關係預測7.焦點預測8.網路化預測：協同規劃、預測與補貨9.結論使用過去的資料來預測未來的結果企業依據下列要素，選擇預測模型：預測的時間範圍 資料的取得性 需要的準確度 預測之預算多寡 是否可取得適合的人員簡單移動平均加權移動平均指數平滑法迴歸分析使用時機：產品的需求量並非快速的成長或下降不受季節因素的影響有效去除不規律變異對預測的影響Ft=預測值n=期數At-1,At-2,.At-n=實際歷史資料nAAAFntttt.21週需求3 3週9 9週週需求3 3週9 9週1 180016161700220018112 2140017171800200018003 3100018182200

6、183318114 41500106719191900190019115 51500130020202400196719336 61300133321212400216720117 71800143322222600223321118 81700153323232000246721449 91300160024242500233321111010170016001367252526002367216711111700156714672626220023672267121215001567150027272200243323111313230016331556282825002333231114

7、142300183316442929240023002378151520002033173330302100236723784008001,2001,6002,0002,4002,80048121620242832實際3週9週於預測時，它必需放棄一筆舊資料與加入一筆新的資料，再重新計算。這對預測三或六期的移動平均法影響不大。但對於以60天為期數，分別預測倉庫中 20,000個貨品的需求時，就需要處理大量的資料。賦予每一個變數相對應的權重值，權重值的總和等於1選擇加權值的法則：經驗法&試誤法ntntttAWAWAWF.2211niiW11W Wn n為第為第t-nt-n期的比重期的比重為預測的總

8、期數為預測的總期數好處 它可以改變過去每一資料點對未來的影響力缺點 麻煩且費時指數平滑法只需要下列三項資料：最近的預測結果 最近一期的實際需求 平滑常數alphaalpha（）)(111ttttFAFF(0 1)Ft=第第t期的預測值期的預測值Ft-1=第第t-1期的預測值期的預測值At-1=第第t-1期的實際需求期的實際需求=調整係數調整係數廣泛被接受的原因：準確 建構指數平滑的公式簡單 使用者可以理解它是如何運作，運算簡易 僅使用少量的歷史資料，所以資料的儲存空間小 驗證此法則的準確度也很簡單為減低真實資料和預測資料間誤差，除調整外，可加入趨勢值加以修正趨勢值可基於合理的猜測或使用過去資料

9、計算產生ttttttttttttttTFFITFITFTTFITAFITFTFFIT)()(11111111Ft=第第t期的指數平滑預測期的指數平滑預測Tt=第第t期的指數平滑趨勢期的指數平滑趨勢FITt=第第t期的預測期的預測(趨勢趨勢)FITt-1=第第t-1期的預測期的預測(趨勢趨勢)At-1=第第t-1期的實際需求值期的實際需求值 =平滑常數平滑常數=平滑常數平滑常數誤差是預測值和實際值之間的差值，統計學上稱作殘值（Residuals）在統計學上，只要預測值落在信賴區間，則認為誤差不存在誤差可分為偏差(bias)或隨機誤差(random)偏差：多因固定的錯誤造成，如採用錯誤的變數、變數

10、間的關係錯誤、使用錯誤的趨勢線、誤把季節性因素去除等。隨機錯誤：無法以正常的預測模式解釋的部分標準差平均平方差(變異數)平均絕對值誤差(MAD)追蹤訊號平均絕對誤差(MAD)：計算實際值與預測值間差異的絕對值，再將誤差絕對值的總和除以資料筆數當預測誤差呈常態分配時，ntFAMADntt11標準差=MADMAD25.121MAD=0.8標準差將預測誤差值的總和除以MAD RSFE：預測誤差值的總和，正負可相抵 MAD：所有絕對誤差的平均值MADRSFETS 月需求預測實際差異RSFERSFE絕對差絕對差之和MADMADTSTS11000950-50-50505050-1210001070+70+

11、2070120600.33310001100+100+12010022073.31.6441000960-40+8040260651.2510001090+90+17090350702.4610001050+50+2205040066.73.3可預測正向或負向的偏差123456信號軌跡月實際大於預測實際小於預測月需求預測實際差異RSFERSFE絕對差絕對差之和MADMADTSTS11000950-50-50505050-1210001070+70+2070120600.33310001100+100+12010022073.31.6441000960-40+8040260651.2510001

12、090+90+17090350702.4610001050+50+2205040066.73.3一個完美的預測，所有預測誤差的總和應該為零，即信號軌跡值也應該為零 表示高估的誤差可與低估的誤差相抵消MADMAD常用來預測誤差 MAD指數平滑法：類似單一指數平滑法 預測未來的誤差範圍 設定安全庫存量MADt=|At-1-Ft-1|+(1-)MADt-1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：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。bxaY季銷售量160021550315004150052400

13、6310072600829009380010450011400012490012345678910111205001,0001,5002,0002,5003,0003,5004,0004,500$5,000(12-1)(4,950-750).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。Y=應變數 y=應變數之實際值 a=Y的截距 b=斜率 x=時間xbya22xnxyxnxyb12345678910111205001,0001,5002,0002,5003,0003,5004,0004,500$5,000Y1Y2Y3Y4Y5Y6Y7Y8Y9Y10Y11Y12y1.y2.y

14、3y4.y5.y6y7.y8.y9.y10.y11.y12.季銷售bxaY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。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=趨勢因子季節因子a.加法性b.乘法性歷史銷售量季平均銷售(1000/4)(1000/4)季節因素春200250200/250=0.

15、8夏350250350/250=1.4秋300250300/250=1.2冬150250150/250=.06總計1000明年之預估需求季平均銷售量(1100/4)(1100/4)季節因子明年之需求預測春2750.8 220夏2751.4 385秋2751.2 330冬2750.6 165季量I-1998300II-1998200III-1998220IV-1998530I-1999520II-1999420III-1999400IV-1999700200100300400500600700IIIIIIIVIIIIIVII19931994170610目測截點 170斜率=(610-170)/8

16、 之間的變化量趨勢方程式：Trendt=170+55 t19981999季實際需求由趨勢公式Tt=170+55t實際/趨勢季節因素(兩年之平均)1998I3002251.33II2002800.71III2203350.66I-1.25IV5303901.36II-0.781999III-0.69I5204451.17IV-1.25II4205000.84III4005550.72IV7006101.15預測下年度結果：FTTSt=趨勢x季節性 I-2000 FITS9 =(170+55(9)1.25=831II-2000 FITS10=(170+55(10)0.78=562III-2000

17、FITS11=(170+55(11)0.69=535IV-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(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)xydCol.(1)Col.(6)1I600(600+2,400+3,800)/3=2,266.70.82735.71735.7

18、2II1,550(1,550+3,100+4,500)/3=3,0501.101,412.442,824.73III1,500(1,500+2,600+4,000)/3=2,7000.971,544.094.631.94IV1,500(1,500+2,900+4,900)/3=3,1001.121,344.8165,379.05I2,4000.822,942.62514,713.26II3,1001.102,824.73616,948.47III2,6000.972,676.24918,733.68IV2,9001.122,599.96420,798.99I3,8000.824,659.281

19、41,932.710II4,5001.104,100.410041,004.111III4,0000.974,117.312145,290.112IV4.9001.124,392.9 14452,714.5 7833,3501233,350.1*650265,706.95.61278x2.779,212/350,33dy9.554)5.6(2.3422.779,2xbyadxbxaY2.3429.5542.342)5.6(126502.779,2)5.6(129.706,265222xnxyxnxyddb=期數期數季季Y(迴歸線迴歸線)季節因素季節因素預測預測(Y*季節因素季節因素)1315,

20、003.50.824,080.81425,345.71.105,866.61535,687.90.975,525.91646,030.11.126,726.2產生誤差：樣本資料的標準差使用錯誤迴歸所產生的誤差總誤差範圍等於兩條線與所有代表資料分布之直線的誤差，由圖可知誤差範圍將隨預測的期間越遠而擴大。1.需求管理2.預測的類型3.需求的組成4.定性預測技巧5.時間序列分析6.因果關係預測7.焦點預測8.網路化預測：協同規劃、預測與補貨9.結論預測要有價值，任何自變數都必須是主要指標 EX：下雨VS雨具銷售量當一個變數引起另一個變數產生變化，可稱為因果關係，當確定找到肇因的元素時，即可作為預測的

21、基礎。因果關係預測的第一步 找出導致事件發生的真正原因 主要指標不一定代表有因果關係，而是間接地指示可能發生其他的事件。亦有可能將其他非因果關係誤判為有因果關係 Ex:瑞士酒的銷售量vs老師薪資使用因果關係預測的方法：直線回歸分析 多變量回歸分析Carpet City地毯公司，每年銷售的資料與在該地區核准新建置房屋的數目。年度 核准建照數 銷售(平方碼)1989 18 130001990 15 120001991 12 110001992 10 100001993 20 140001994 28 160001995 35 190001996 30 170001997 20 13000經理：只要

22、知道該年度新建置房屋的數目，便可預測公司毛毯的銷售量。資料成直線分佈直線回歸分析1020303620001400010000600020000地毯的銷售新建的房屋數銷售與新建房屋的因果關係Y=7000+350 x1020303620001400010000600020000地毯的銷售新建的房屋數銷售與新建房屋的因果關係7000+350(25)=15750 Y Y 的截點為7000碼，代表即使此地區沒有蓋新房屋，地毯的基本需求量，亦即是毛毯汰舊換新的可能情形。斜率：此地區每蓋一棟新屋，將售出的平均地毯大小。考量所有具有影響作用的項目。EX：新婚比例、新建置的房屋數、個人可支配所得對家具業的影響S

23、=B+Bm(M)+Bh(H)+Bi(I)+Bt(T)S=年度總銷售量 B=基本銷售額 M=年度結婚人數 H=年度新建房屋數 I=年度可支配所得 T=時間趨勢（第一年=1,第二年=2.）Bm、Bh、Bi 代表影響預售銷售量的因素，如新婚人數、新房數、收入和趨勢1.需求管理2.預測的類型3.需求的組成4.定性預測技巧5.時間序列分析6.因果關係預測7.焦點預測8.網路化預測：協同規劃、預測與補貨9.結論由Bernie Smith提出，認為使用統計方法的預測技術，並無法獲得最好的結果，只要能有效的分析歷史資料，即使是簡單的方法也能產生好的預測。使用數種合理且容易理解的法則，分析過去的資料預測未來。這

24、些法則均可是運於電腦模擬程式進行預測，並衡量何種法則最接近真實的需求。1.數種簡單的預測法則 前三個月的銷售量也許即為下三個月的銷售量 去年某季的銷售量即為今年同季的銷售量 下一季的銷售量或許比前一季高10%本年度下一季的銷售量，比去年高50%比較今年前一天和去年同期銷售量改變的程度，或許今年下一季相較去年同期也有相同的變動程度。2.使用電腦模擬這些法則1.需求管理2.預測的類型3.需求的組成4.定性預測技巧5.時間序列分析6.因果關係預測7.焦點預測8.網路化預測：協同規劃、預測與補貨9.結論定義與目標：供應鏈夥伴間透過網路化工具，分享特定的內部資訊，進行協同規劃、預測與補貨作業，協調需求預

25、測、生產、採購規劃與補貨，以提供供應鏈可靠、長期的需求預測。優點：節省供應鏈成本應用：常見於食品業、服飾業與一般零售業零售商注意：實線箭頭代表物流；虛線箭頭代表資訊流第層供應商第層供應商第層供應商第層供應商製造與最後裝配配銷中心預測資訊補貨資訊生產規劃與採購資訊協同作業目的資源需求建立信賴度信賴度建立前端夥伴協定建立前端夥伴協定建立關係策略設計聯合行事曆活動執行次序與頻率訂定交易夥伴間需求預測差異的例外準則聯合企業規劃聯合企業規劃零售商提供銷售點資料使用移動平均法等簡單預測模式配合專知識或銷售資料發展需求預測發展需求預測透過共享伺服器公佈預測資訊差異超過預先建立之安全界線時協調出一致預測分享預測資訊分享預測資訊訂單預測成為實際訂單補貨補貨1.需求管理2.預測的類型3.需求的組成4.定性預測技巧5.時間序列分析6.因果關係預測7.焦點預測8.網路化預測：協同規劃、預測與補貨9.結論預測為規劃的基礎短期：預估需求改變原料、產品、服務變動調整生產排程 使用較簡單的模式，如：指數平滑法+調整性預測+季節指數長期：做為改變策略的基礎 應同時使用數種預測方法，如：迴歸分析、多變量迴歸等運用多種預測方法的網路化協同預測系統，將是許多產業未來的主流預測理想的做法是盡力建立最佳的預測，並考量不可避免的預測誤差以維持系統應變的彈性。