生产与作业管理课件

第二讲，需求预测张志英上海交通大学工业工程与管理系2007年5月7/7/20241主讲：张志英提纲简介定性预测方法定量预测方法预测系统及计算机软件7/7/20242主讲：张志英预测的定义预测预测:猜测出未来变量值，例如需求、库存等7/7/20243主讲：张志英预测的重要性预测方法预测方法需求估计需求估计销售预测销售预测管理队伍管理队伍市场市场商业战略商业战略产品、资源预测产品、资源预测7/7/20244主讲：张志英预测的重要性(Contd)需求预测(Demand estimates)是计划与作业管理的最开始步骤.销售预测（Sales forecasts)部分基于DE.销售预测是商业策略(Business Strategy)和产品资源（Resources)预测的基础.需求预测是中期生产计划和主生产计划的前提条件7/7/20245主讲：张志英预测的重要性(Contd)新设施规划 可能要5年的时间去设计和建设新工厂并实现新的产品流程.产品规划 需求每个月都在改变，而我们可能需要几个月去改变生产线的能力。工作调度 对服务（包括职员）的需求每天都在变，但员工的安排一般都需要提前进行。7/7/20246主讲：张志英预测方法定性定量7/7/20247主讲：张志英定性方法不需要需求的历史，因此适合于新产品或服务直觉到科学推测方法依赖于产品的生命周期a products life cycle stage事物的因果关系事物的发展变化7/7/20248主讲：张志英定性方法(Contd)有根据的推测决定者多数意见Delphi 方法销售人员预测客户调查 历史类推市场调查研究科学直觉7/7/20249主讲：张志英定量预测方法基于假设：历史会重演过去的分析将会为将来的预测提供基础定量方法：因果法基于时间序列的方法 7/7/202410主讲：张志英定量预测方法定量预测方法-因果模型因果模型因果模型p令Y-需要预测的值X1,X2,Xn:决定Y的n个参数 p即 Y=f(X1,X2,Xn).p最简单的因果模型是线性的:Y=0+1X1+2X2+nXn,其中，i(i=1-n)为常系数p确定这些系数的最常用的方法是最小二乘法7/7/202411主讲：张志英假设我们已有n个数据且因果模型为 Y=a+bX.令为极小化g,令定量预测方法定量预测方法-因果模型因果模型7/7/202412主讲：张志英如果所知的数据中，x是自然数（第i 个阶段），即(i,Di),i=1n,则因果模型及计算可简化如下：定量预测方法定量预测方法-因果模型因果模型7/7/202413主讲：张志英时间序列给出一组与时间顺序相关的数（历史数据）时间序列的分析识别一种模式一旦模式被识别，它可以被用来预测未来时间序列分析7/7/202414主讲：张志英时间序列的模式趋势.循环 季节性随机变化7/7/202415主讲：张志英符号符号v令 D1,D2,Dt,作为每一个时期1,2,t,.的需求v预测Dt,假设已知 D1,Dt-1vFt:根据1,Dt-1 的预测值 v一步预测v事实上，我们需要得到系数7/7/202416主讲：张志英如何评价预测？如何评价预测？一步预测多步预测其中，Ft-,t 是提前 个时期预测t 时刻的值v三种常见评价量MAD:绝对平均差MSE:方差MAPE:绝对平均相对百分差7/7/202417主讲：张志英v理想,E(ei)=0.v预测误差 ei 在0的上下浮动如何评价预测如何评价预测7/7/202418主讲：张志英稳定的时间序列预测法稳定的时间序列预测法稳定的时间序列稳定的时间序列:每一阶段的值可表示为其中，m=所有序列的平均值=随机量，且期望与方差分别为 0与2.v方法移动平均指数平滑7/7/202419主讲：张志英v简化计算，基于Ft 求Ft+1 稳定的时间序列预测法稳定的时间序列预测法下一个阶段的预测值是已过去阶段的平均值下一个阶段的预测值是已过去阶段的平均值下一个阶段的预测值是已过去阶段的平均值下一个阶段的预测值是已过去阶段的平均值7/7/202420主讲：张志英预测值稳定的时间序列预测法稳定的时间序列预测法7/7/202421主讲：张志英指数平滑指数平滑其中，01 是平滑系数第t个时期的预测值是过去一个时期的预测值减去预测误差7/7/202422主讲：张志英指数平滑指数平滑7/7/202423主讲：张志英例:Central Call Center（呼叫中心）Day Calls Day Calls1159720322178195318691884161101685173111986157121597/7/202424主讲：张志英例:呼叫中心移动平均AP=3 F13=(168+198+159)/3=175.0 calls7/7/202425主讲：张志英例:Central Call Center（呼叫中心）带权移动平均 F13=.1(168)+.3(198)+.6(159)=171.6 calls 7/7/202426主讲：张志英例:Central Call Center（呼叫中心）l l指数平滑指数平滑F F1212=180.76+.25(198 180.76)=185.07=180.76+.25(198 180.76)=185.07F F1313=185.07+.25(159 185.07)=178.55=185.07+.25(159 185.07)=178.557/7/202427主讲：张志英预测精度 AP=3 a=.25Day Calls Forec.|Error|Forec.|Error|4161187.326.3 186.025.05173188.015.0 179.86.86157173.316.3 178.121.17203163.739.3 172.830.28195177.717.3 180.414.69188185.03.0184.04.010168195.327.3 185.017.011198183.714.3 180.817.212159184.725.7 185.126.1MAD20.518.07/7/202428主讲：张志英例:计算机产品销售（CPC）.CPC 的分析师想预测下一个年度（Epsilon Computers）的销售销售状况.她相信最近8个季度的销售可以代表下一个年度的销售情况。7/7/202429主讲：张志英历史数据年季度($mil.)年季度($mil.)117.4218.3126.5227.4134.9235.41416.1 2418.07/7/202430主讲：张志英季节指数计算季节指数 Seasonal Indexes季节指标第i季节平均值/总季节平均值 季度销售年Q1Q2Q3Q4总数17.46.54.916.1 34.928.37.45.418.0 39.1 总量 15.7 13.9 10.3 34.1 74.0 季度平均7.85 6.95 5.15 17.059.25 季节指数.849.751.557 1.8434.0007/7/202431主讲：张志英CPC Deseasonalize the Data季节化=i季实际销售/i季指数 季度销售年第1季第2季第3季第4季18.72 8.66 8.80 8.7429.78 9.85 9.69 9.777/7/202432主讲：张志英CPC线性回归.线性回归分析Yr.Qtr.xyx2xy1118.7218.721228.66417.321338.80926.401448.741634.962159.782548.902269.853659.102379.694967.832489.776478.16Totals 3674.01 204341.397/7/202433主讲：张志英CPC对季节化后的数据进行线性回归分析 Y=8.357+0.199X7/7/202434主讲：张志英CPC 季节化数据预测 Y9 =8.357+0.199(9)=10.148 Y10 =8.357+0.199(10)=10.347 Y11 =8.357+0.199(11)=10.546 Y12 =8.357+0.199(12)=10.7457/7/202435主讲：张志英CPC返回去季节化预测年 季度指数季节后预测季节预测31.849 10.1488.6232.751 10.3477.7733.557 10.5465.87341.84310.74519.807/7/202436主讲：张志英例3:大学入学简单线性回归学校过去六年入学在不断增长，预测未来三年的入学人数学生学生年份 入学人数(1000s)年份 人数(1000s)1 2.543.2 2 2.853.3 3 2.963.47/7/202437主讲：张志英简单线性回归(Contd)系数的计算 7/7/202438主讲：张志英例子：大学入学xyx2xy12.512.522.845.632.998.743.21612.853.32516.563.43620.4 Sx=21 Sy=18.1 Sx2=91 Sxy=66.57/7/202439主讲：张志英例子：大学入学 Y=2.387+0.180X7/7/202440主讲：张志英例子：大学入学简单回归Y7=2.387+0.180(7)=3.65 or 3,650 students Y8=2.387+0.180(8)=3.83 or 3,830 studentsY9=2.387+0.180(9)=4.01 or 4,010 studentsNote:渴望每年增长180个学生7/7/202441主讲：张志英例4:Railroad Products Co.一个铁路产品的公司想预测公司下三年的销售情况。他想知道自已公司的长期销售情况与运货车箱的车载情况有关。二者过去7年的历史数据见下个ppt.已知下三年的车载情况估计分别为 250,270,and 300 million.7/7/202442主讲：张志英例:Railroad Products Co.(Contd)RPC 销售 车载年($millions)(millions)19.5120211.0 135312.0 130412.5 150514.0 170616.0 190718.0 2207/7/202443主讲：张志英例:Railroad Products Co.(Contd)xyx2xy1209.514,4001,14013511.0 18,2251,48513012.0 16,9001,56015012.5 22,5001,87517014.0 28,9002,38019016.0 36,1003,04022018.0 48,4003,9601,11593.0 185,42515,4407/7/202444主讲：张志英例:Railroad Products Co.(Contd)Y=0.528+0.0801X7/7/202445主讲：张志英例:Railroad Products Co.(Contd)Y8 =0.528+0.0801(250)=$20.55 million Y9 =0.528+0.0801(270)=$22.16 millionY10=0.528+0.0801(300)=$24.56 million注:车载每增加一百万吨，RPC 销售则希望增加$80,100.7/7/202446主讲：张志英相关系数r,r(x,y)系数表示了x与y关系的重要性.r的符号表示关系的方向.大小表示关系的强度.r符号常常与b的符号一致.r：1,+1.7/7/202447主讲：张志英相关系数计算r 可以用下式计算:7/7/202448主讲：张志英决定系数(r2)r2 比r 对相互关系的描述得更加细致.r2 是由 the ratio of explained variation to total variation确定的。7/7/202449主讲：张志英例：RPCxyx2xyy21209.514,4001,14090.2513511.0 18,2251,485121.0013012.0 16,9001,560144.0015012.5 22,5001,875156.2517014.0 28,9002,380196.0019016.0 36,1003,040256.0022018.0 48,4003,960324.001,11593.0 185,42515,4401,287.507/7/202450主讲：张志英例：RPC相关系数 r =.9829 7/7/202451主讲：张志英例：RPC决定系数Coefficient of Determination r2 =(.9829)2 =.966这说明96.6%关于 RPC sales销售状况的变化可以由车载情况来描述.7/7/202452主讲：张志英多回归分析多回归分析7/7/202453主讲：张志英多回归分析多回归分析l l当有两个或更多的独立自变量时，多回归分析则当有两个或更多的独立自变量时，多回归分析则特别有用特别有用.l l例如例如 Y=50.0+0.05X Y=50.0+0.05X1 1+0.10X+0.10X2 2 0.03X 0.03X3 3其中其中:Y=:Y=公司的年收入公司的年收入 X X1 1=工业销售工业销售 X X2 2=地方税收总数地方税收总数 X X3 3=地方债务地方债务7/7/202454主讲：张志英区间预测7/7/202455主讲：张志英区间预测单（点）预测会产生错误面对不确定性，一个较好的方法是预测一个最好的区间值，而真实的数据往往会落入这个区间.预测范围是有置信区间的上下界来确定7/7/202456主讲：张志英Ranging Forecasts预测的上下界可以估计为:上界=Y+t(syx)下界=Y-t(syx)这里:Y =最优的估计预测 t =标准方差 syx =预测的标准方差7/7/202457主讲：张志英区间预测标准方差:7/7/202458主讲：张志英例：RPC通过线性回归得到 RPC 第八年的销售值为$20.55 million.设置一个区间，使得产量落到这个区间之外的概率的为5%.7/7/202459主讲：张志英例：RPC步骤1,协方差步骤2 确定t的适当值.n=7,自由度=n 2=5.05/2=.025查表可得 t=2.571.7/7/202460主讲：张志英例：RPC步骤3 上界=20.55+2.571(.5748)=20.55+1.478=22.028下界=20.55-2.571(.5748)=20.55-1.478=19.072我们 95%相信第 8 年的销售将落在19.072 与$22.028 之内.7/7/202461主讲：张志英预测软件Forecast ProAutoboxSmartForecasts for WindowsSASSPSSSAPPOM Software Libary基础基础有预测有预测模型模型7/7/202462主讲：张志英The End7/7/202463主讲：张志英一致是强有力的，而纷争易于被征服。7月-247月-24Sunday,July 7,2024勤奋是登上知识高峰的一条捷径，不怕吃苦才能在知识的海洋里自由遨游。21:13:2521:13:2521:137/7/2024 9:13:25 PM衷心感谢社会各界对电建事业的明白关心和支持。7月-2421:13:2521:13Jul-2407-Jul-24可怕的不是失败，而是自甘堕落。21:13:2521:13:2521:13Sunday,July 7,2024既然我已经踏上这条道路，那么，任何东西都不应妨碍我沿着这条路走下去。7月-247月-2421:13:2521:13:25July 7,2024没有播种，何来收获；没有辛苦，何来成功；没有磨难，何来荣耀；没有挫折，何来辉煌。2024年7月7日9:13下午7月-247月-24书不记，熟读可记；义不精，细思可精；惟有志不立，直是无着力处。07七月20249:13:25下午21:13:257月-24效率成就品牌，诚信铸就未来。七月249:13下午7月-2421:13July 7,2024经理不是只告诉别人怎么干的家伙，而是要激发队伍产生一定报负，并朝目标勇往直前。2024/7/721:13:2521:13:2507 July 2024想起父母，做子女的是多么为他们感到心痛啊！他们生我育我，花费了多少辛勤的劳动啊！。9:13:25下午9:13下午21:13:257月-24不论你在什么时候开始，重要的是开始之后就不要停止。7月-247月-2421:1321:13:2521:13:25Jul-24惟一持久的竞争优势，也许就是比你的竞争对手学习得更快的能力。2024/7/721:13:25Sunday,July 7,2024笨鸟先飞早入林，笨人勤学早成材。省世格言。7月-242024/7/721:13:257月-24谢谢各位！谢谢各位！