Demand Forecasting in a Supply Chain 6 Demand Forecasting in a Supply Chain

Role of Forecasting in a Supply Chain The basis for all planning decisions in a supply chain Used for both push and pull processes Production scheduling, inventory, aggregate planning Sales force allocation, promotions, new production introduction Plant/equipment investment, budgetary planning Workforce planning, hiring, layoffs All of these decisions are interrelated

預測在供應鏈中扮演的角色 在供應鏈上，未來需求的預測為規劃決策的基礎。 同時用於推╱引流程 以下決策可以強化供應鏈廠商間的協同預測： 生產：排程、存貨控制、總體規劃、採購 行銷：行銷人員分派、促銷、新產品介紹 財務：工廠／設備投資、預算規劃 人事：人力規劃、僱用、解僱 所有決策都有相互關係

Forecasting Methods Qualitative Time Series Causal Simulation Primarily subjective Rely on judgment Time Series Use historical demand only Best with stable demand Causal Relationship between demand and some other factor Simulation Imitate consumer choices that give rise to demand Notes:

預測方法 定性法：定性的預測方法是主觀的，其依個人的判斷和意見去進行預測 時間序列法：使用歷史需求去進行預測 靜態方法 適應性預測方法 因果關係法：假設需求預測與環境中的某些特定因子是高度相關 模擬法 模仿消費者的選擇，這些選擇會引起需求，因而推導出預測 能結合時間序列與因果分析 Notes:

Components of an Observation Observed demand (O) =systematic component (S) + random component (R) Systematic component – expected value of demand Level (current deseasonalized demand) Trend (growth or decline in demand) Seasonality (predictable seasonal fluctuation) Random component – part of forecast that deviates from systematic component Forecast error – difference between forecast and actual demand

可觀察到需求的組成 可觀察到的需求(O)＝系統部分(S)＋隨機部分(R) 系統成分：由需求的期望值予以度量 隨機成分：偏離系統成分的預測 水準 (去除季節性因素的目前需求) 趨勢 (在需求上成長或衰退) 季節性因素 (可以預測的季節性變動) 系統成分：由需求的期望值予以度量 隨機成分：偏離系統成分的預測 預測誤差：量測預測與真實需求之間的差距

Time-Series Forecasting Methods Three ways to calculate the systematic component Multiplicative S = level x trend x seasonal factor Additive S = level + trend + seasonal factor Mixed S = (level + trend) x seasonal factor Static Methods Adaptive Forecasting

時間序列的預測方法 任何預測方法的目標都是為了預測需求的系統部分 靜態方法 適應性預測方法 相乘：系統部分＝水準×趨勢×季節性因素 相加：系統部分＝水準＋趨勢＋季節性因素 混合：系統部分＝（水準＋趨勢）×季節性因素 靜態方法 適應性預測方法

Static Methods where L = estimate of level at t = 0 T = estimate of trend St = estimate of seasonal factor for Period t Dt = actual demand observed in Period t Ft = forecast of demand for Period t

靜態方法 假設需求的系統部分是混合的 系統成分＝（水準＋趨勢）×季節性因素 期間t＋l的需求在期間t作預測可以表示如下： 　系統成分＝（水準＋趨勢）×季節性因素 期間t＋l的需求在期間t作預測可以表示如下： 　Ft+1 = [ L + ( t +l ) T ] St+1 　L＝期間0的水準估計 　T＝趨勢估計 　St＝期間t季節性因素的估計 　Dt＝期間t可觀察到的真實需求 　Ft＝期間t的需求預測

© 2011 台灣培生教育出版(Pearson Education Taiwan) 時間序列的預測方法 © 2011 台灣培生教育出版(Pearson Education Taiwan)

© 2011 台灣培生教育出版(Pearson Education Taiwan) 時間序列的預測方法 估計水準和趨勢 在估計水準和趨勢之前，必須將需求資料的季節性因素去除(deseasonalizing)。 去除季節性因素的需求(deseasonalized demand)代表在去除季節變動影響下所觀察到的需求。 週期代號(periodicity) p： 代表每一季節性循環中的週期數。 以Tahoe Salt的需求為例，需求週期數為p＝ 4。 © 2011 台灣培生教育出版(Pearson Education Taiwan)

© 2011 台灣培生教育出版(Pearson Education Taiwan) 時間序列的預測方法 Notes: © 2011 台灣培生教育出版(Pearson Education Taiwan) 14

口訣：（前兩期＋後兩期＋2倍的中間各期總和）/ 8 時間序列的預測方法 去掉季節性因素的需求： 在此例子裡，p＝4是偶數。對於期間 t＝3： 口訣：（前兩期＋後兩期＋2倍的中間各期總和）/ 8 © 2011 台灣培生教育出版(Pearson Education Taiwan)

© 2011 台灣培生教育出版(Pearson Education Taiwan) 時間序列的預測方法 接著加入趨勢T： Dt＝在時間 t 的去除季節性因素需求 　L＝水準（在時間0的去除季節性因素需求） 　T＝趨勢（去除季節性因素需求的成長率） 可以利用線性迴歸估計出這兩個值，利用去除季節性因素需求當作應變數，而時間當成自變數（可以利用Excel完成）。 以Tahoe Salt為例，L＝18,439 和T＝524。 © 2011 台灣培生教育出版(Pearson Education Taiwan)

© 2011 台灣培生教育出版(Pearson Education Taiwan) 時間序列的預測方法 © 2011 台灣培生教育出版(Pearson Education Taiwan)

© 2011 台灣培生教育出版(Pearson Education Taiwan) 時間序列的預測方法 © 2011 台灣培生教育出版(Pearson Education Taiwan)

© 2011 台灣培生教育出版(Pearson Education Taiwan) 時間序列的預測方法 估計季節性因素 利用公式7.4可以得到每一個期間的去除季節性因素需求。 對於期間 t 的去除季節性因素，是真實需求St 對去除季節性需求的比值，可以表示如下 © 2011 台灣培生教育出版(Pearson Education Taiwan)

© 2011 台灣培生教育出版(Pearson Education Taiwan) 時間序列的預測方法 © 2011 台灣培生教育出版(Pearson Education Taiwan)

© 2011 台灣培生教育出版(Pearson Education Taiwan) 時間序列的預測方法 若給定r個季節循環資料，對於任一給定週期 pt＋i，1≦i ≦ p，可以得到季節性因素如下： © 2011 台灣培生教育出版(Pearson Education Taiwan)

© 2011 台灣培生教育出版(Pearson Education Taiwan) 時間序列的預測方法 針對Tahoe Salt，資料總計是12週期，循環週期數p＝4，表示有r＝3的季節性循環週期。利用公式7.6可以得到季節性因素如下： © 2011 台灣培生教育出版(Pearson Education Taiwan)

© 2011 台灣培生教育出版(Pearson Education Taiwan) 時間序列的預測方法 利用靜態預測方法對未來4季求得的預測值如下： © 2011 台灣培生教育出版(Pearson Education Taiwan)

© 2011 台灣培生教育出版(Pearson Education Taiwan) 適應性預測方法 對於適應性預測方法，水準、趨勢和季節性因素的估計都會因為觀測到的需求值而修正。 幾種適應性預測方法： 移動平均法 簡單指數平滑法 趨勢修正的指數平滑法（Holt 模式） 趨勢和季節性修正的指數平滑法（Winter 模式） © 2011 台灣培生教育出版(Pearson Education Taiwan)

© 2011 台灣培生教育出版(Pearson Education Taiwan) 適應性預測方法 適應性預測的基本公式 在第t 期時對第t＋l 期作預測可以下式表示： © 2011 台灣培生教育出版(Pearson Education Taiwan)

© 2011 台灣培生教育出版(Pearson Education Taiwan) 適應性預測方法 適應性預測方法架構中的四個步驟說明如下： 1.計算起始值：計算水準(L0) 、趨勢(T0)及季節性因素(S1,…, Sp)等數個起始值。完成此步驟的方法正如靜態預測方法。 2.預測：利用式7.7 求第t＋l期的預測需求。 3.估計誤差：Et+1＝Ft+1－Dt+1 。 4.修正估計值：在已知預測誤差Et+1下，修正水準(Lt+1)、趨勢(Tt+1)和季節性因素(St+p+1)的估計值。 © 2011 台灣培生教育出版(Pearson Education Taiwan)

© 2011 台灣培生教育出版(Pearson Education Taiwan) 適應性預測方法 (1) 移動平均法 (Moving Average Method) 當需求假設沒有明顯的趨勢和季節性因素時可使用。 N －期間移動平均：以最近N個期間的平均水準當成期間t 水準的估計值。 © 2011 台灣培生教育出版(Pearson Education Taiwan)

© 2011 台灣培生教育出版(Pearson Education Taiwan) 適應性預測方法 所有用於未來期間需求的目前估計值是相同，且是以目前水準估計值來估算。 在觀察完第t＋1期的需求後，可以修正預測值如下： © 2011 台灣培生教育出版(Pearson Education Taiwan)

© 2011 台灣培生教育出版(Pearson Education Taiwan) 適應性預測方法 (2) 簡單指數平滑法(Simple Exponential Smoothing Method) 當需求沒有明顯的趨勢或季節時使用。 水準L0的初始估計值可用所有歷史資料的平均值計算。 © 2011 台灣培生教育出版(Pearson Education Taiwan)

© 2011 台灣培生教育出版(Pearson Education Taiwan) 適應性預測方法 現在對於所有未來期間的預測值都等於現在的水準預測值，且可表示如下： 在觀察到期間t＋1的需求Dt＋1之後，修正水準的估計值如下： © 2011 台灣培生教育出版(Pearson Education Taiwan)

© 2011 台灣培生教育出版(Pearson Education Taiwan) 適應性預測方法 (3) 趨勢修正的指數平滑法（Holt模式） 適用於當需求的系統部分有水準和趨勢的特性，而沒有季節性因素時。 利用求解需求 Dt 和時間週期 t 的線性迴歸式可以得到水準和趨勢的起始值如下式： 第t期未來期間的估計值可表示如下： © 2011 台灣培生教育出版(Pearson Education Taiwan)

© 2011 台灣培生教育出版(Pearson Education Taiwan) 適應性預測方法 觀察第t期的需求後，修正水準和趨勢的估計值如下： α＝水準的平滑係數 β＝趨勢的平滑係數 © 2011 台灣培生教育出版(Pearson Education Taiwan)

© 2011 台灣培生教育出版(Pearson Education Taiwan) 適應性預測方法 趨勢和季節性修正的指數平滑法（Winter模式） 當需求的系統部分假定有水準、趨勢和季節性因素時，適用於本方法。 假設需求的重複循環期數為 p。 一開始需要水準(L0)、趨勢(T0)和季節性因素(S1, . . ., SP)的起始估計值。使用在靜態性預測方法的程序可得到上述的起始估計值。 對於期間 t，對未來期間的預測可以下式表示： © 2011 台灣培生教育出版(Pearson Education Taiwan)

© 2011 台灣培生教育出版(Pearson Education Taiwan) 適應性預測方法 在得到第t＋1期的需求觀測值後，修正水準、趨勢和季節性因素之估計值如下： 　α＝水準的平滑係數 　β＝趨勢的平滑係數 　γ＝季節性因素的平滑係數 © 2011 台灣培生教育出版(Pearson Education Taiwan)

© 2011 台灣培生教育出版(Pearson Education Taiwan) 適應性預測方法 © 2011 台灣培生教育出版(Pearson Education Taiwan)

© 2011 台灣培生教育出版(Pearson Education Taiwan) 預測誤差 預測誤差： 均方誤差(mean squared error, MSE)： 絕對誤差(absolute deviation)： 平均絕對誤差(mean absolute deviation, MAD)： © 2011 台灣培生教育出版(Pearson Education Taiwan)

© 2011 台灣培生教育出版(Pearson Education Taiwan) 預測誤差 平均絕對百分比誤差(mean absolute percentage error, MAPE)： 偏態(bias)：要判別是否預測方法持續高估或低估需求，可以使用預測誤差的總和去評估此偏態。 © 2011 台灣培生教育出版(Pearson Education Taiwan)

© 2011 台灣培生教育出版(Pearson Education Taiwan) 預測誤差 追蹤指標(tracking signal, TS)：是偏態和MAD的比值。 TS值須在 ± 6 的範圍內，否則可以另外選擇一個新的預測方法。 © 2011 台灣培生教育出版(Pearson Education Taiwan)

© 2011 台灣培生教育出版(Pearson Education Taiwan) 預測中的風險管理 規劃未來時必須考量預測誤差的風險。 錯誤的預測會造成明顯的存貨、設施、運輸、外包、訂購，甚至資訊管理等資源的誤差分配。 有很多原因會造成預測的誤差，其中有些更是經常發生，所以要特別注意。 前置時間長、季節性因素、產品生命週期短、產品需求不穩定等。 有兩個策略可減緩預測的風險： 提升供應鏈的回應性。 利用機會整合需求。 © 2011 台灣培生教育出版(Pearson Education Taiwan)

© 2011 台灣培生教育出版(Pearson Education Taiwan) 案例研討： 特殊包裝公司 © 2011 台灣培生教育出版(Pearson Education Taiwan)