預測 預測 服務業作業管理技術

學習目標 概述預測過程與步驟。 描述三種以上定性預測技術，並說明其優缺點。 比較定性與定量預測方法。 描述平均法、趨勢與季節法、及迴歸分析法， 並運用預測分析法解決基本預測問題。 描述三種預測精確性之績效衡量方式。 描述二種評估與管制預測之方法。 了解選擇預測技術時應考量之主要考量因素。 預測 服務業作業管理技術

預測方法與期間 預測方法 預測期間可分成三類 質性方法 量化方法 短期預測 預測期間短於三個月，有時也長達一年。(工作排程、工作指派等。) 中期預測 預測期間在三個月到三年之間的預測。(銷售預測、生產規劃、預算與現金運用之規劃等。) 長期預測 預測期間在三年以上的預測。(新產品規劃、資本支出規劃、設施佈置與設備採購規劃等。) 預測 服務業作業管理技術

中、長期規劃與短期規劃比較 中 /長期預測所需考量範疇通常較為廣泛，並可在產品、廠房等規劃上提供相關決策資訊。 短期預測可使用之預測方法較中、長期預測為多。 短期預測結果較中、長期預測更為精確。 預測 服務業作業管理技術

預測 對一個變數的未來數值(例如需求)所作陳述。 預測必須考慮二種資訊： 目前情況 條件 與因素 過去類似 情況的 處理經驗 我看到你這學期將 得到一個A。 預測 服務業作業管理技術

企業組織中運用預測例子 會計 估計成本 / 利潤 財務 現金流動和籌措資金 人力資源 雇用 / 招募 / 訓練 行銷 定價、促銷、策略 會計　 估計成本 / 利潤 財務 現金流動和籌措資金 人力資源 雇用 / 招募 / 訓練 行銷 定價、促銷、策略 MIS IT/IS 系統、服務 作業 排程、MRP、工作負荷 產品 /服務設計 新產品與服務 預測 服務業作業管理技術

各種預測技術特徵 預測技術通常假設過去存在因果系統(前後具有關連)，且未來將繼續存在。過去 ==> 未來 預測很少完美無缺。 整體項目預測會比單一預測更為精確。(誤差平均分攤掉) 隨著預測時間之範圍愈廣，即增加時間幅度，預測精確性會減少。 預測 服務業作業管理技術

優良預測因素 預測有時間性：預測須涵蓋可能變動所需時間。 預測必須精確，並應該說明其精確程度。 預測必須具備可靠性。 預測必須具備有意義的計量單位(金額、人工小時、單位)。 預測技術必須容易了解、容易使用(減少誤用、增進使用信心)。 預測必須符合成本效益。 預測 服務業作業管理技術

預測步驟 決定預測的目的與何時需要預測 。 建立預測所需時間幅度。 選擇預測方法。 蒐集與分析適當資料。 進行預測。 追蹤預測。 預測 服務業作業管理技術

三種預測技巧 判斷預測法: (定性型預測方法) – 採用主觀投入 時間序列預測法:假設未來將與過去相似，利用歷史資料推估 關聯性模型:利用解釋性變數預測未來 預測 服務業作業管理技術

判斷預測 主管意見 (產能或製造相關決策) 銷售員意見 (銷售與需求量預測) 消費者調查 (問卷或訪談) 其他方法 德菲法:管理者與幕僚的意見達成一致之預測方法 模糊德菲法(認知具有不確定性與模糊性) 第一層 使用黑色小圈圈 第二層 使用小橫槓 預測 服務業作業管理技術

時間序列預測 時間序列乃指一段時間內，以固定時間間隔(小時、日、週…)所得觀察值。可將此類資料繪成圖形並檢視樣型(Pattern) 。 趨勢型 – 長期數據變動(股價變動) 季節型 – 短期數據規律性變動(節日型產品銷售量、淡季/旺季) 循環型 – 超過持續一年以上，數據波浪型變動 不規則變動型 – 起因於不尋常環境變化(政治/經濟) 隨機變動型 – 起因於偶發機會(地震、 豪雨) 預測 服務業作業管理技術

時間序列預測(1/3) 可能之時間序列圖形 趨勢 季節性 循環 不規則變動 隨機變動 預測 服務業作業管理技術

我們上週銷售了250個輪胎.... 所以，我們下週應該銷售.... 天真預測法 噢，等一下.... 我們上週銷售了250個輪胎.... 所以，我們下週應該銷售.... 每一期預測值等於前一期的實際值 預測 服務業作業管理技術

天真預測法 使用前一期數值當作預測基礎。 優點：不需任何成本、方法簡單迅速；因為不用分析資料，易了解。 時間序列的預測(2/3) 天真預測法 使用前一期數值當作預測基礎。 優點：不需任何成本、方法簡單迅速；因為不用分析資料，易了解。 缺點：不能提供高預測精確度，可作為其他預測方法的成本與精確度比較基準。 預測 服務業作業管理技術

天真預測法範例 若上週產品需求量為20箱， 則本週之預測值就是20箱。 若呈現季節性需求量， 則季節變動就是這一季之預測值與上一季數值相同。 例如： 期數 實際值 與前一個值之差 預測值 t-2 50 t-1 53 +3 (下一個)t 53+3 預測 服務業作業管理技術

時間序列預測方法 (3/3) 平均法分析技術 (Averaging methods) 移動平均法 (Moving average)-以近期實際數值之平均作為最新預測值的參考 加權平均法 (Weighted moving average):以愈近期數值乘以愈大權數方法以估算預測值 指數平均法 (Exponential smoothing average) 預測 服務業作業管理技術

平均法分析技術(1/3) 移動平均法 使用數個近期實際資料產生預測值。 Ft: 第t期之預測值 MAn:n期之移動平均 At-1: 第t-1期之實際值 n: 移動平均期數 預測 服務業作業管理技術

移動平均法分析-Example 例如已知過去五期貨車需求量， 求算三期移動平均預測值。 F6 = (43+40+41)/3 = 41.33 期數 需求 1 42 2 40 3 43 4 5 41 最近三期 預測 服務業作業管理技術

平均法分析技術-加權平均法(2/3) 加權平均法 與移動平均法不同之處在於愈近期資料，給定愈大權重。 假設條件—愈近期觀察資料，愈有可能得到最準確預測值，因此應該給予較近期數值較大的權數 權重選擇通常要使用試誤法。 預測 服務業作業管理技術

加權平均法-Example 以之下列需求資料： 最近數值給定權重為0.40 ；次近數值為0.30 ；其次為0.20 ，0.10 。 若第六期實際需求為39 ，使用上一小題權種預測第七期需求量。 F6=0.1(40)+0.2(43)+0.3(40)+0.4(41)=41.0 F7=0.1(43)+0.2(40)+0.3(41)+0.4(39)=40.2 期數 需求 1 42 2 40 3 43 4 5 41 預測 服務業作業管理技術

平均法分析技術-指數平滑法(3/3) 指數平滑法 每一個新預測值以前一個預測值為基礎，再加上預測值與實際值差額的百分比。 Ft=第t期之預測值 Ft-1=前一期之預測值(t-1) α=平滑常數 At-1=前一期實際需求量 預測 服務業作業管理技術

平均法分析技術-指數平滑法 誤差調整速度是由平滑常數α決定。平滑常數愈接近 0，則預測誤差調整的速度愈慢（愈平滑）。相反地，平滑常數愈接近 1，則反應愈大，平滑程度愈小。 A-F 為誤差值，  為回饋百分比 例如前一個預測值為42單位，實際值為40單位，若Alpha=0.1，則新預測值： Ft=42+0.1(40-42)=41.8 若實際值為43，則下一個預測值為：Ft+1=41.8+0.1(43-41.8)=41.92 Example: 下張Slide中數列之預測資料，包含誤差=實際值-預測值，其中一個預測時採用Alpha=0.10，另一個採用Alpha=0.40。 預測 服務業作業管理技術

指數平滑法-Example 42+0.1(42-42)=42 40-42=-2 42+0.1(40-42)=41.8 預測 服務業作業管理技術

指數平滑法 預測 服務業作業管理技術

指數平滑法 預測 服務業作業管理技術

時間序列預測(3/3) 季節性分析技術 某種事件發生的時間序列呈現規則上下反覆變動。 季節性：規則年度變動。 季節變動：可以是指每日、每週、每月及其他規則模式的資料。 (銀行、郵局)、高速公路流量、飯店訂房。 預測 服務業作業管理技術

季節性分析技術 季節性有二種不同的模型：加法模型與乘法模型。 加法模型：季節性是以數量表示，即時間序列之平均數加上或減去某一數量。 乘法模型：季節性以百分比表示，即時間序列值乘以平均趨勢值的某一百分比，又稱為季節相對性(或季節指數)。 假設商店某月份之玩具銷售量之季節相對性為1.20，則表示該越之銷售量超出月平均量的20%。 季節性變動於零售業規劃與排程之重要因素，此外掌握尖峰負荷亦很重要。 預測 服務業作業管理技術

季節性(1/2) 加法模型與乘法模型。 預測 服務業作業管理技術

季節性(2/2) 季節相對性：有兩種不同的使用方式。 消除時間序列的季節性：將季節因素自資料中移除，以得到更清楚的非季節性趨勢。消除季節性乃將每個資料點除以相對應之季節相對比率。 在預測中加入季節性：當需求同時具有趨勢與季節性因素時，加入季節性相對更加準確。 使用季節趨勢方程式並針對目標期間以求得趨勢估計值。 將這些趨勢估計值常以季節相對性將季節性加入趨勢估計值中。 預測 服務業作業管理技術

季節性範例 – 計算季節相對性 中心點移動平均(centered moving average): 與移動平均法相同，其數值卻不能作為預測值，但此數值為該序列之代表值。 期數 星期 實際值 1 Tues 67 2 Wed 75 3 Thur 82 4 Fri 98 5 Sat 90 6 Sun 36 7 Mon 55 8 60 9 73 10 85 11 99 12 86 13 40 14 52 15 64 16 76 17 87 18 96 19 88 20 44 21 50 預測 服務業作業管理技術

預測 生產管理技術 服務業作業管理技術

關聯性預測 關聯性技術重點在於建立出歸納預測變數效果方程式，主要的分析方法為迴歸。 分為簡單線性迴歸，曲線與多元迴歸分析二種。 預測 服務業作業管理技術

簡單線性迴歸 目的是求出一條直線方程式，使每個資料點與此線的垂直距離平方和最小。 此最小平方直線的方程式如下： 預測 服務業作業管理技術

簡單線性迴歸(1/2) 以下的方程式可以計算出係數 a 與 b： 預測 服務業作業管理技術

簡單線性迴歸(2/2) 直線方程式的圖形如下： 預測 服務業作業管理技術

迴歸(1/2) 工廠存貨淨變動量 商業銀行放款利率 工業產出 消費者物價指數 物價指數 股票市場價格 迴歸於預測應用與指標之使用有關，以下為常見指標： 工廠存貨淨變動量 商業銀行放款利率 工業產出 消費者物價指數 物價指數 股票市場價格 預測 服務業作業管理技術

迴歸(2/2) 迴歸相關性衡量二變數之間關係強度與方向。相關係數 r 的範圍為 -1.00到+1.00。 相關係數的平方（ ）可用來衡量線性迴歸對數據的解釋能力。若　值相當高（例如 .80或以上），表示獨立變數是相依變數的優良預測值。 預測 服務業作業管理技術

Regression Example 某公司過去行動電話銷售量，如下表所列。請應用線性趨勢檢測是否適當，並預測第11、12週銷售量。 週 1 3 4 5 6 7 8 9 10 銷售量 700 724 729 728 740 742 758 750 770 775 預測 服務業作業管理技術

Regression Example 預測 服務業作業管理技術

Regression Example 預測 服務業作業管理技術

例題 下表為新房子銷售與落後三個月之失業率。決定失業水準是否能預測新房子需求；若能預測，請推導預測方程式。 預測 服務業作業管理技術

例題說明 將資料繪於圖上，並觀察資料點的範圍，線性模型似乎是適當的。 相關係數 迴歸方程式為 (負相關) 預測 服務業作業管理技術

應用線性迴歸分析要點(1/2) 簡單迴歸分析的應用應滿足下列假設： 在直線附近的變動是隨機的。 在直線附近的偏差應為常態分配。 只在觀察值的範圍內進行預測。 滿足上列假設後，為了得到最佳結果： 經常將資料繪成圖形，驗證線性關係是否恰當。 資料也許會受時間影響，檢查並繪出相依變數相對於時間的圖；若時間模式發生，則使用時間序列替代迴歸分析，或把時間當作多元迴歸分析的獨立變數。 低度相關暗示有其他更為重要變數存在而未受考慮。 預測 服務業作業管理技術

應用線性迴歸分析要點(2/2) 迴歸分析缺點包括： 簡單線性迴歸只能用在包含一項獨立變數的線性關係。 建立這種關係需要大量資料，至少超過20個觀測資料。 所有觀測值之權重皆相等。 預測 服務業作業管理技術

曲線與多元迴歸分析 適用於包含一個以上預測變數而不適合線性模型，或不適用簡單線性迴歸，或是存在有非線性關係時。 雖然這些分析超出範圍，但仍很常使用，並使用電腦計算。(SPSS, MINITAB, MATLAB, Excel+VBA) 預測 服務業作業管理技術

預測精確度與管制 預測精確度與管制對預測來說是相當重要層面。指出預測值偏離實際值的程度是相當重要的，這可以讓使用者知道預測精確度。 要精確地預測這些變數幾乎不可能。 預測 服務業作業管理技術

預測誤差 觀察預測誤差以確定誤差是否在合理範圍之內。 預測誤差是針對給定期數，實際值與預測值的差。因此，誤差＝實際值－預測值 預測 服務業作業管理技術

預測精確度 平均絕對偏差（MAD）- Mean Absolute Deviation. 常用來衡量誤差方法： 平均絕對偏差（MAD）- Mean Absolute Deviation. 平均均方誤差（MSE）- Mean Squared Error. 平均絕對百分比誤差（MAPE）- Mean Absolute Percentage Error. 預測 服務業作業管理技術

平均絕對偏差（MAD） MAD是絕對預測誤差的平均值。 預測 服務業作業管理技術

均方誤差（MSE） MSE 是預測誤差平方的平均值。 預測 服務業作業管理技術

平均絕對百分比誤差（MAPE） MAPE 是絕對百分比誤差的平均值。 預測 服務業作業管理技術

例題 使用下列資料計算 MAD、MSE 和 MAPE 。 e |e| e2 預測 服務業作業管理技術

例題說明 使用表格內的數字，計算過程為： 它們之間差異在於 MAD 對所有誤差的權重都相等，MSE 誤差權重是根據其平方值，而MAPE 則是根據相對誤差。 實際值 預測 服務業作業管理技術

預測管制(1/2) 追蹤並分析預測誤差，有助於檢視預測是否適當。 管制圖是用來偵測非隨機誤差絕佳工具。 預測 服務業作業管理技術

預測管制(2/2) 非隨機性的範例 預測 服務業作業管理技術

管制圖 誤差分配標準差估計值就是MSE的平方根。 管制圖有下列基本假設：當誤差為隨機分配時，誤差會是常態分配，且平均值在 0 的附近。 　因此　管制上限： 　　　　管制下限： 　　　　管制界限： 預測 服務業作業管理技術

追蹤訊號 累積預測誤差與相關的平均絕對偏差（即MAD）的比，目的在偵測誤差的偏差。 追蹤訊號的值可正可負，若為 0 則最理想，通常 　　　 為可接受值。 預測 服務業作業管理技術

選擇預測技巧 選擇預測技巧的二個重要因素： 最佳的預測不一定是精確度最高或成本最低，而是管理者認定的精確度與成本之最佳組合。 精確性 最佳的預測不一定是精確度最高或成本最低，而是管理者認定的精確度與成本之最佳組合。 其他考慮的因素有：歷史資料之使用性、電腦資料之可使用性、決策者使用預測技術之能力、蒐集資料之時間、分析資料並籌劃預測之時間。 預測 服務業作業管理技術

使用預測資訊與使用電腦預測 管理者對預測可能採取反應或先制方法。 於準備定量資料預測實務上，電腦扮演重要角色，其可讓管理者快速建立與修正預測，且無手動計算負擔。 Excel, SPSS, MINITAB 預測 服務業作業管理技術

實務預測案例 某公司採漸進式工廠轉移至上海昆山廠，鑑於現有訂單執行與人員縮編考量，期擬定產能縮減與人員遣散作業。故任命製程工程部進行產能規劃作業與漸進式機台設備移機作業。 利用歷史資料進行直覺式判定-沒有信心與精確達成任務。(壓力與出貨問題) 利用統計方法-利用機率分佈方法建立未來人員/機台利用率預測 – 機率分佈無法對應未來產能需求。 運用時間序列預測方法達成未來產能需求預測，並規劃機台遷移計畫與人員遣散計畫。 預測 服務業作業管理技術

實務預測案例-製造流程 預測 服務業作業管理技術

實務預測案例 如下表所列，歷史產能利用率資料 預測 服務業作業管理技術

實務預測案例-進行預測 預測36~40週產能需求並決定生產線各站別人數與機器數量。 運用OM Explorer 預測 服務業作業管理技術

OM Explorer 預測 服務業作業管理技術

預測 服務業作業管理技術

Results 預測 服務業作業管理技術

Results 實際值 42% 48% 43% 41% 預測 服務業作業管理技術

Regression 迴歸預測 預測 服務業作業管理技術

Results 預測 服務業作業管理技術

Exercise 客戶抱怨次數數據以成對(時期, 抱怨次數)表示之:(第1期, 60) (第2期, 56) (第3期, 66) (第4期, 55) (第5期, 64)；請以下列方法進行預測第6期抱怨次數： (1) 天真法 (2) 三期移動平均 (3) 加權移動平均法，權重分別為0.5, 0.3, 0.2. (4) 指數平滑法，平滑係數為0.4。 服務業作業管理技術

預測 服務業作業管理技術