生产与作业管理培训课程

单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,主讲：张志英,第,*,页,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,主讲：张志英,第,*,页,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,主讲：张志英,第,*,页,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,主讲：张志英,第,*,页,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,主讲：张志英,第,*,页,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,主讲：张志英,第,*,页,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,主讲：张志英,第,*,页,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,9/21/2024,1,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,9/21/2024,2,主讲：张志英,预测的定义,预测,:猜测出未来变量值，例如需求、库存等,9/21/2024,3,主讲：张志英,预测的重要性,预测方法,需求估计,销售预测,管理队伍,市场,商业战略,产品、资源预测,9/21/2024,4,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,9/21/2024,5,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。,9/21/2024,6,主讲：张志英,预测方法,定性,定量,9/21/2024,7,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,9/21/2024,8,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,9/21/2024,9,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,9/21/2024,10,主讲：张志英,定量预测方法-因果模型,因果模型,令,Y-,需要预测的值,X,1, X,2, ,X,n,:,决定,Y,的,n,个参数,即,Y=f(X,1, X,2, ,X,n,).,最简单的因果模型是线性的,:,Y=,0,+ ,1,X,1,+ ,2,X,2,+ ,n,X,n,其中，,i,(i=1-n),为常系数,确定这些系数的最常用的方法是最小二乘法,9/21/2024,11,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-因果模型,9/21/2024,12,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, D,i,), i=1n, 则因果模型及计算可简化如下：,定量预测方法-因果模型,9/21/2024,13,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,9/21/2024,14,主讲：张志英,时间序列的模式,趋势.,循环,季节性,随机变化,9/21/2024,15,主讲：张志英,符号,令,D,1, D,2, ,D,t, ,作为每一个时期,1, 2, , t, ,.,的需求,预测,D,t,假设已知,D,1, ,D,t-1,F,t,:,根据,1, ,Dt-1,的预测值,一步预测,事实上，我们需要得到系数,9/21/2024,16,主讲：张志英,如何评价预测？,一步预测,多步预测,其中， F,t-,t,是提前 个时期预测t 时刻的值,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,9/21/2024,17,主讲：张志英,理想,E(e,i,)=0.,预测误差,e,i,在,0,的上下浮动,如何评价预测,9/21/2024,18,主讲：张志英,稳定的时间序列预测法,稳定的时间序列,: 每一阶段的值可表示为,其中，,=,所有序列的平均值,=,随机量，且期望与方差分别为,0,与,2,.,方法,移动平均,指数平滑,9/21/2024,19,主讲：张志英,简化计算，基于,F,t,求,F,t+1,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,9/21/2024,20,主讲：张志英,预测值,稳定的时间序列预测法,9/21/2024,21,主讲：张志英,指数平滑,其中， 0,1 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,9/21/2024,22,主讲：张志英,指数平滑,9/21/2024,23,主讲：张志英,例: Central Call Center（呼叫中心）,DayCallsDayCalls,11597203,22178195,31869188,416110168,517311198,615712159,9/21/2024,24,主讲：张志英,例: 呼叫中心,移动平均,AP = 3,F,13,= (168 + 198 + 159)/3 = 175.0 calls,9/21/2024,25,主讲：张志英,例: Central Call Center（呼叫中心）,带权移动平均,F,13,= .1(168) + .3(198) + .6(159) = 171.6 calls,9/21/2024,26,主讲：张志英,例: Central Call Center（呼叫中心）,指数平滑,F,12,= 180.76 + .25(198 180.76) = 185.07,F,13,= 185.07 + .25(159 185.07) = 178.55,9/21/2024,27,主讲：张志英,预测精度,AP = 3,a,= .25,DayCallsForec.|Error|Forec.|Error|,4161187.326.3186.025.0,5173188.015.0179.86.8,6157173.316.3178.121.1,7203163.739.3172.830.2,8195177.717.3180.414.6,9188185.03.0184.04.0,10168195.327.3185.017.0,11198183.714.3180.817.2,12159184.725.7185.126.1,MAD20.518.0,9/21/2024,28,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。,9/21/2024,29,主讲：张志英,历史数据,年季度($mil.)年季度($mil.),117.4218.3,126.5227.4,134.9235.4,1416.12418.0,9/21/2024,30,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,17.46.54.916.134.9,28.37.45.418.039.1,总量15.713.910.334.174.0,季度平均7.856.955.1517.059.25,季节指数.849.751.5571.8434.000,9/21/2024,31,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,18.728.668.808.74,29.789.859.699.77,9/21/2024,32,主讲：张志英,CPC线性回归.,线性回归分析,Yr.Qtr.xyx,2,xy,1118.7218.72,1228.66417.32,1338.80926.40,1448.741634.96,2159.782548.90,2269.853659.10,2379.694967.83,2489.776478.16,Totals3674.01204341.39,9/21/2024,33,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 + 0.199X,9/21/2024,34,主讲：张志英,CPC ,季节化数据预测,Y,9,= 8.357 + 0.199(9) = 10.148,Y,10,= 8.357 + 0.199(10) = 10.347,Y,11,= 8.357 + 0.199(11) = 10.546,Y,12,= 8.357 + 0.199(12) = 10.745,9/21/2024,35,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,31.84910.1488.62,32.75110.3477.77,33.55710.5465.87,341.84310.74519.80,9/21/2024,36,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),12.543.2,22.853.3,32.963.4,9/21/2024,37,主讲：张志英,简单线性回归(Contd),系数的计算,9/21/2024,38,主讲：张志英,例子：大学入学,xyx,2,xy,12.512.5,22.845.6,32.998.7,43.21612.8,53.32516.5,63.43620.4,S,x=21,S,y=18.1,S,x,2,=91,S,xy=66.5,9/21/2024,39,主讲：张志英,例子：大学入学,Y = 2.387 + 0.180X,9/21/2024,40,主讲：张志英,例子：大学入学,简单回归,Y,7,= 2.387 + 0.180(7) = 3.65 or 3,650 students,Y,8,= 2.387 + 0.180(8) = 3.83 or 3,830 students,Y,9,= 2.387 + 0.180(9) = 4.01 or 4,010 students,Note: 渴望每年增长180个学生,9/21/2024,41,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.,9/21/2024,42,主讲：张志英,例: Railroad Products Co.(Contd),RPC 销售车载,年,($millions),(millions),19.5120,211.0135,312.0130,412.5150,514.0170,616.0190,718.0220,9/21/2024,43,主讲：张志英,例: Railroad Products Co.(Contd),xyx,2,xy,1209.514,4001,140,13511.018,2251,485,13012.016,9001,560,15012.522,5001,875,17014.028,9002,380,19016.036,1003,040,22018.048,4003,960,1,11593.0185,42515,440,9/21/2024,44,主讲：张志英,例: Railroad Products Co.(Contd),Y = 0.528 + 0.0801X,9/21/2024,45,主讲：张志英,例: Railroad Products Co.(Contd),Y,8,= 0.528 + 0.0801(250) = $20.55 million,Y,9,= 0.528 + 0.0801(270) = $22.16 million,Y,10,= 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 .,9/21/2024,46,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.,9/21/2024,47,主讲：张志英,相关系数计算,r,可以用下式计算:,9/21/2024,48,主讲：张志英,决定系数 (,r,2,),r,2,比,r,对相互关系的描述得更加细致.,r,2,是由 the ratio of explained variation to total variation确定的。,9/21/2024,49,主讲：张志英,例：RPC,xyx,2,xyy,2,1209.514,4001,14090.25,13511.018,2251,485121.00,13012.016,9001,560144.00,15012.522,5001,875156.25,17014.028,9002,380196.00,19016.036,1003,040256.00,22018.048,4003,960324.00,1,11593.0185,42515,4401,287.50,9/21/2024,50,主讲：张志英,例：RPC,相关系数,r,= .9829,9/21/2024,51,主讲：张志英,例：RPC,决定系数Coefficient of Determination,r,2,= (.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.,9/21/2024,52,主讲：张志英,多回归分析,9/21/2024,53,主讲：张志英,多回归分析,当有两个或更多的独立自变量时，多回归分析则特别有用,.,例如,Y = 50.0 + 0.05X,1,+ 0.10X,2, 0.03X,3,其中,: Y =,公司的年收入,X,1,=,工业销售,X,2,=,地方税收总数,X,3,=,地方债务,9/21/2024,54,主讲：张志英,区间预测,9/21/2024,55,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,9/21/2024,56,主讲：张志英,Ranging Forecasts,预测的上下界可以估计为:,上界 = Y + t(s,yx,),下界 = Y - t(s,yx,),这里:,Y = 最优的估计预测,t = 标准方差,s,yx,= 预测的标准方差,9/21/2024,57,主讲：张志英,区间预测,标准方差,:,9/21/2024,58,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%.,9/21/2024,59,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.,9/21/2024,60,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.,9/21/2024,61,主讲：张志英,预测软件,Forecast Pro,Autobox,SmartForecasts for Windows,SAS,SPSS,SAP,POM Software Libary,基础,有预测,模型,9/21/2024,62,主讲：张志英,The End,9/21/2024,63,主讲：张志英,