Chapter 11 需求管理與預測 第三組 M014011019 李昭儀 M014011025 呂育慈 M014011035 李家妤

Agenda 1:需求管理 2.預測的類型 3.需求的組成 4.時間序列分析 5.因果關係預測 6.質化預測方法 7.基於網路預測:協同規劃、預測與補貨 8.結論

需求 管理 目的:協調與控制球來源 需求來源: 相依需求:因其他產品或服務而衍生 EX:機車之前輪 獨立需求: EX:機車

預測的 類型 質化 : 主觀判斷 、估計與個人觀點 時間序列分析 : 透過歷史預測未來 因果關係 : 假設需求與環境中多項因素有關 模擬 : 於假設的條件下，預測未來情境

需求的 組成 六種元素: 每段時間的平均需求 趨勢 季節因子

需求的 組成 六種元素: 週期因子 :較難決定 時間的取間無法得知 受特別事件影響 隨機變異: 偶發事件 自我相關:事件持續性

時間序 列分析 模式:基於過去資料預測未來 預測方法考量: 預測的時間範圍 資料的可取得姓 需求的準確度 預測預算的多寡 是否有適合的人員

時間序 列分析

線性迴歸分析 時間序 列分析 迴歸:兩個或兩個以上相關變數間的關係 線性迴歸方程式: Y=a+bX (其中Y:應變數；X:自變數；a:截距；b:斜率) 用途:主要預測長期狀況與總和規劃

最小平方法 時間序 列分析 季 銷售量 1 600 2 1550 3 1500 4 ? A公司過去3季銷量如右:

時間序 列分析 時間序列 趨勢 季節 週期 自我相關 隨機性 需求因子

時間序列分解 時間序 列分析 辨別與分解時間序列資料所包含的需求因子 趨勢 季節 週期 自我相關 隨機性

季節變動的形態 時間序 列分析 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。 b.乘法性 a.加法性

時間序 列分析 季節變動的形態 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」。

簡單等比例 時間序 列分析 題目： 過去幾年來,公司某產品線的平均銷售量為1000單位,春季平均銷售200單位,夏季銷售350單位,秋季銷售300單位,冬季銷售150單位。假設季節因子(或指數)等於沒己的銷售量除以所有季節的平均值。

歷史銷售量 季平均銷售 (1000/4) 季節因素 春 200 250 200/250=0.8 夏 350 350/250=1.4 秋 300 300/250=1.2 冬 150 150/250=.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　　　　　　　　　　　　275　　　Ｘ　　　0.8　　 　＝　　　220 夏　　　　　　　　　　　　275　　　Ｘ　　　1.4　　 　＝　　　385 秋　　　　　　　　　　　　275　　　Ｘ　　　1.2　　 　＝　　　330 冬　　　　　　　　　　　　275　　　Ｘ　　　0.6　　 　＝　　　165 總計　 1100

目測預測模式 時間序 列分析 目測截點 170 斜率 = (610-170)/8 之間的變化量 趨勢方程式：趨勢t = 170 + 55 t 季 量 I-2008 300 II-2008 200 III-2008 220 IV-2008 530 I-2009 520 II-2009 420 III-2009 400 IV-2009 700 2008 2009 目測截點 170 斜率 = (610-170)/8 之間的變化量 趨勢方程式：趨勢t = 170 + 55 t

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) 2008 I 300 225 1.33 II 200 280 0.71 III 220 335 0.66 I-1.25 IV 530 390 1.36 II-0.78 2009 III-0.69 520 445 1.17 IV-1.25 420 500 0.84 400 555 0.72 700 610 1.15 I- 2000 FITS9 = (170+55(9))1.25=831 II- 2000 FITS10 = (170+55(10))0.78=562 III- 2000 FITS11 = (170+55(11))0.69=535 IV- 2000 FITS12 = (170+55(12))1.25=1,038 預測下年度結果： FTTSt=趨勢x季節性

最小平方迴歸分析 時間序 列分析 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，再找出趨勢因子，並使用季節因子與周期因子調整預測的結果。 步驟 拆解時間序列的各項因子 求出季節因子 去除需求的季節效應 找出趨勢因子 預測每項因子的未來值 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) x×yd Col.(1)×Col. (6) 1 I 600 (600+2,400+3,800)/3 =2,266.7 0.82 735.7 2 II 1,550 (1,550+3,100+4,500)/3=3,050 1.10 1,412.4 4 2,824.7 3 III 1,500 (1,500+2,600+4,000)/3=2,700 0.97 1,544.0 9 4.631.9 IV (1,500+2,900+4,900)/3=3,100 1.12 1,344.8 16 5,379.0 5 2,400 2,942.6 25 14,713.2 6 3,100 36 16,948.4 7 2,600 2,676.2 49 18,733.6 8 2,900 2,599.9 64 20,798.9 3,800 4,659.2 81 41,932.7 10 4,500 4,100.4 100 41,004.1 11 4,000 4,117.3 121 45,290.1 12 4.900 4,392.9 144 52,714.5 78 33,350 33,350.1* 650 265,706.9

b = 期數 季 Y (迴歸線) 季節因素 預測 (Y*季節因素) 13 1 5,003.5 0.82 4,080.8 14 2 5,345.7 1.10 5,866.6 15 3 5,687.9 0.97 5,525.9 16 4 6,030.1 1.12 6,726.2

誤差範圍 時間序 列分析 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。

簡單移動平均 時間序 列分析 使用時機： 有效去除不規律變異對預測的影響 公式： 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 Ft=預測值 n=期數 At-1,At-2,….At-n=實際歷史資料

週 需求 3週 9週 1 800 16 1700 2200 1811 2 1400 17 1800 2000 3 1000 18 1833 4 1500 1067 19 1900 1911 5 1300 20 2400 1967 1933 6 1333 21 2167 2011 7 1433 22 2600 2233 2111 8 1533 23 2467 2144 9 1600 24 2500 2333 10 1367 25 2367 11 1567 1467 26 2267 12 27 2433 2311 13 2300 1633 1556 28 14 1644 29 2378 15 2033 1733 30 2100

簡單移動平均法的缺點 時間序 列分析 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。

加權移動平均法 時間序 列分析 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 公式 Wn為第t-n期的比重 ｎ為預測的總期數

時間序 列分析 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 時間序 列分析 (0≦ ≦1) 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alpha（α） Ft=第t期的預測值 Ft -1 =第t-1期的預測值 At-1=第t-1期的實際需求 α=調整係數 (0≦ ≦1)

時間序 列分析 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

趨勢效應與調整式預測 時間序 列分析 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計算產生 趨勢因子公式 Ft=第t期的指數平滑預測 Tt=第t期的指數平滑趨勢 FITt=第t期的預測(趨勢) FITt-1=第t-1期的預測(趨勢) At-1=第t-1期的實際需求值  =平滑常數 δ =平滑常數

預測誤差 時間序 列分析 誤差:預測值與實際值間的差異。 誤差 資源來源誤差 衡量誤差

時間序 列分析 資料來源誤差: 一般對迴歸線設一信賴區間，以讓非預期誤差降到最低，但有時誤差未必落在訂定的信賴區間中，則表示資料不符合預測。 偏差 隨機誤差 因固定的錯誤造成。 例如:採用錯誤的變數 無法以正常的預設模式 解釋的部份

時間序 列分析 衡量誤差 平均絕對誤差(MAD): 預測資料誤差絕對值的平均， 可衡量預測值與觀察值差異的分布情況。 平均絕對誤差(MAD) = I實際需求值-預測值I加總 ÷ 總期數 1MAD = 0.8標準差

時間序 列分析 衡量誤差 平均絕對誤差百分比(MAP): 衡量誤差相對於平均需求的比例， 可估計預測值可能的誤差大小。 MAP = MAD ÷ 平均需求 例如: MAD是10單位，平均需求是20單位 則MAP誤差為 10÷20=50% MAD是10單位，平均需求是1000單位 則MAP誤差為 10÷1000=1%

時間序 列分析 衡量誤差 追蹤訊號(TS): 衡量預測平均值是否與需求變化方向保持一致。 追蹤訊號 = 預測誤差值總和 ÷ MAD 例如: 六月的預測值資料皆為1000 絕對差之和為400 ，預測誤差值總和為220 MAD = 400÷6 = 66.7 TS = 220÷66.7 =3.3MADs

因果關 係預測 因果關係預測: 以自變數作為預測的基礎，當一變數引起另一變數產生變化，此稱為因果關係。 測量方法: 最小平方迴歸分析 多元迴歸分析: 考量所有具有影響作用的因素， 適用於許多因素影響單一目標變數的預測。

( x : 興建房屋的核准數 , Y : 地毯的銷售量 ) 因果關 係預測 Carpet City地毯公司 認為只要得知該年度興建房屋的數目， 便可預測公司地毯的銷售量。 最小平方迴歸分析: Y = a+bx ( x : 興建房屋的核准數 , Y : 地毯的銷售量 ) 預測方程式: Y=7000+350x 假設2013年允許興建房屋數為25 則2013的銷售量預測等於:7000+350x25 =15750 (平方碼)

質化預 測技術 質化預測技術: 基於專家知識，需要較多的人為判斷，並對人員參與預測的流程具有明確的定義。 適合運用於新產品或缺乏銷售經驗之新市場預測。 市場調查 歷史類推法: 以現有或同類產品作為預測的模式。 (例如:DVD光碟與DVD播放器之互補關係)

質化預 測技術 群體意見法: 集合各種不同立場的人，經由開放式會議，由所有的 德爾菲法: 參與人員交換意見產生。 (缺點:低階員工不敢推翻高階主管意見。) 德爾菲法: 讓參與者以匿名方式進行，且每個人的意見有相同的權重。 (步驟: 選擇不同領域參與的專家 經由問卷取得所有參與者的預測值 整理並找出合適的新問題，回饋 修正預測和條件。)

網路 預測 協同規劃、預測與補貨(CPFR) 透過網路協調需求預測、生產、採購規劃與補貨的工具。 可用於整合多階層供應鏈中所有的成員，進一步整合供應鏈上游的預測、生產與補貨計劃。

網路 預測 協同規劃、預測與補貨(CPFR) 步驟: 1) 建立前端夥伴協定 協同作業目的、資源需求、資訊分享信賴度 2) 聯合企業規劃 建立夥伴關係策略 3) 發展需求預測 4) 分享預測資訊 共享伺服器，公布最新產品預測資訊 5) 補貨

結論 預測是所有規劃的基礎 長期預測方法: 迴歸分析、多元迴歸分析等因果關係法 中短期預測方法: 指數平滑法、調整式預測、季節指數 未來產業主流: 連結各方ERP系統分享資訊，形成網路化協同預測系統 維持系統應變彈性

Thanks for Your Attention