生产与作业管理CHAPTER13.

組員：M964011010陳顯州M974011021董明軒M974011031嚴靖婷M974011032王政鈞M974011035楊雅惠M974011044楊淑琍生產與作業管理CHAPTER13預測指導老師：盧淵源教授•需求管理•預測的類型•需求的組成•定性預測技巧•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AGENDA•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•預測需求預測•需求管理之目的是協調和控制所有的需求來源，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(Independencedemand)–相依需求(Dependencedemand)•積極影響•消極反應需求管理•定性技術•時間序列分析•因果關係•模擬模式預測的類型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BoxJenkins領先指標Delphi法Shiskin時間序列趨勢預測•某段時間的平均需求•趨勢•季節性因素•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•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•隨機變異–由偶發事件所引起需求的六種型態具有成長及季節性因素的產品需求•線性–直接連續的關係•S曲線–典型的產品成長和成熟週期•漸近線–由較高的需求成長開始，漸漸遞減•指數–常見於具有爆炸性成長的產品需求常見的趨勢類型銷售量季銷售量季銷售量季銷售量季•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•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、購買意願定性預測技巧•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：「Open」•Delphi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，通常是三次定性預測技巧•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→烤麵包機定性預測技巧•基於「過去」的資料來預測「未來」。時間序列分析預測方法歷史資料的數量資料型態預測範圍簡單移動平均6~12個月，常使用週資料平穩型短到中加權移動平均與簡單指數平滑以5~10個觀察值為起點平穩型短指數平滑與趨勢5~10個觀察值為起點平穩型與趨勢短線性迴歸10~20個觀察值，針對季節因素，每季至少需五個觀察植平穩型、趨勢與季節短到中※短期:3個月內，中期:3個月到2年，長期:2年以上•企業應依據下列要素來選擇預測模式-預測的時間範圍-資料的可取得性-需要的準確度-預測之預算多寡-是否可獲得適合的人員-企業的彈性(快速反應改變的能力，預測需要的準確性就越低)-預測錯誤的影響•使用時機：當產品的需求量並非快速地成長或下降、亦不受季節因素影響•功能：可以有效去除不規律變異對預測的影響•方法：取相鄰資料的平均值去預測•公式：Ft=預測值n=期數At-1,At-2,….At-n=實際歷史資料簡單移動平均nAAAFntttt...21•關鍵：選擇一個最好的期數，不同的期數有不同的相對性影響簡單移動平均週需求3週9週週需求3週9週1800161700220018112140017180020001800315001822001833181141500106719190019001911513002024001967193361300133321240021672011718001433222600223321118170015332320002467214491300160024250023332111101700160013672526002367216711170015671467262200236722671215001567150027220024332311132300163315562825002333231114230018331644292400230023781520002033173330210023672378•當移動平均期數愈長，會使隨機因素越平滑，預測的資料會出現有地曾獲遞減的趨勢，產生「緩和波動」的缺點。•選擇較短的期數將產生較大的波動，愈接近真正的資料趨勢。簡單移動平均4008001,2001,6002,0002,4002,80048121620242832實際3週9週•缺點：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。簡單移動平均•負於每個變數相對應的權重值，權種植的總和為一。•公式：Wn為第t-n期的比重ｎ為預測的總期數•加權的法則並沒有依訂的規則，只要所有的權數值的總合為一即可。加權移動平均ntntttAWAWAWF....2211niiW11•第5個月的預測如下：F5=0.40(95)+0.30)105+0.20(90)+0.10(100)=38+31.5+18+10=97.5加權移動平均第1個月第2個月第3個月第4個月第5個月1009010595?•選擇加權值的方法：經驗法&試誤法通常最末的資料是對未來的預測最重要的指標，應該有較高的權重。•好處：–它可以改變過去每一資料點對未來的影響力•缺點：–麻煩且費時加權移動平均•為什麼要用指數平滑？因為簡單與加權平均法都需要大量的歷史資料，且當有薪資料加入時，就必須放棄舊資料，但多數的情況是…最近的資料對未來才是具有預測力的指數平滑•名稱來源–來自於所有時間序列因子都相對減少(1-α)倍，若α=0.05，則每期權重如下：指數平滑1.最近的預測結果2.最近一期的實際需求3.平滑常數α所需資料•此數值要由所預測產品的特性以及管理者對反應速度的需求來決定，例如，產品為標準化產品，且需求相當穩定，此時預測值和真實結果間誤差的反應速度將相當小，可能只有5%~10%。但…該如何決定α呢？F：為預測值A：實際值例子：上月預測值為1050單位，實際需求為1000單位，且α為0.05則Ft=1050+0.05(1000-1050)=1047.5公式111ttttFAFF1.預測非常準確2.公式簡單3.計算容易且好理解4.僅使用較少量的歷史資料，占儲存空間少5.驗證模式準確度相當簡單優點因此被廣泛的應用在零售業、批發業與代理商的庫存訂貨•單一指數平滑會有落後需求變化的缺點，即在趨勢增加或減少的情況下，常會出現預測延遲的狀況，當需求方向改變時，又會出現高估或低估的情形。缺點•為了使指數平滑預測更具效力，除了使用平滑常數α外，另外再使用一個平滑常數δ。包含趨勢(FIT)預測之計算公式如下：趨勢效應tttTFFIT111ttttFITAFITF11ttttFITFTT•α會介於0~1之間，若需求量穩定(如食品業)，將選取較小的α值。實際上找出α值非常困難，因此要不斷修正，而控制α值有兩種方式：(1)先決定兩個或兩個以上的α值(2)計算α追蹤值小結•先判斷誤差來源是來自–資料來源誤差(sourceoferror)–量度誤差(measurementoferror)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(meanabsolutedeviation)，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)ntFAMADntt1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=MADMAD25.121MAD=0.8標準差信號軌跡MADRSFETSntttFARSFE1)(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。線性迴歸分析季銷售量1600215503150041500524006310072600829009380010450011400012490012345678910111205001,0001,5002,0002,5003,0003,5004,0004,500$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。•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bxaYxbya22xnxyxnxyb12345678910111205001,0001,5002,0002,5003,0003,5004,0004,500$5,000Y1Y2Y3Y4Y5Y6Y7Y8Y9Y10Y11Y12y1..y2.y3y4.y5..y6y7.y8.y9.y10.y11.y12.季銷售•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200250200/250=0.8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)季節因子明年之需求預測春275Ｘ0.8＝220夏275Ｘ1.4＝385秋275Ｘ1.2＝330冬275Ｘ0.6＝165總計1100假設明年需求季量I-1998300II-1998200III-1998220IV-1998530I-1999520II-1999420III-1999400IV-1999700200100300400500600700IIIIIIIVIIIIIVII19931994170610目測截點170斜率=(610-170)/8之間的變化量趨勢方程式：Trendt=170+55t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-2000FITS9=(170+55(9))1.25=831II-2000FITS10=(170+55(10))0.78=562III-2000FITS11=(170+55(11))0.69=535IV-2000FITS12=(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。