第十一章　 預測

大綱 需求管理 定性預測方法 簡單與加權移動平均 指數平滑 線性迴歸分析 網路化預測 2

預測的意義 預測（forecasting）: 對某變數未來結果的推測。 企業對未來某一時間內可能銷售的產品或服務的一種推測。 長期預測（long-term forecasting）3年以上 中期預測（ middle-term forecasting ）1~3年 短期預測（ short-term forecasting ）1年以下

優良預測的條件 優良預測的六項條件 預測的時間性。特定時間長度 預測的正確性。必須強調 預測的可靠性。 預測的書面化。評估的依據 預測的單位化。了解需求 預測技術之簡單、易懂、容易使用。

需求管理 需要預測 協調和控制所有的需求來源，以有效生產，即時供貨 由BOM推算 獨立需求: 成品 相依需求: 原物料, 零組件, 等 A B(4) C(2) D(2) E(1) D(3) F(2) 由BOM推算 Bill of Material 3

相依需求(Dependent Demand) 企業應如何管理 採積極角色影響需求 採取消極角色，簡單地反應需求 協調與溝通 4

預測的類型 定性 (Qualitative) 量化 (Quantitative) 時間序列 (Time series) 因果關係 (effect-cause-effect) 模擬 (simulation) 5

需求的型態 某段時間的平均需求 趨勢p266,Fig 11.3 季節性因素 週期因素 隨機變異 自我相關 7

尋找需求的種類 季節變異 1 2 3 4 x 年度 線性 趨勢 銷售 6

定性法 主觀判斷 草根法 市調法 歷史類推法 定性法 Delphi 法 群體意見法

Delphi Method 選擇專家，應包含各個不同領域中具備專業知識的人 經由問卷或電子郵件，從所有參與者取得預測值（包含對預測值的前提和條件） 整理結果，並找出合適的新問題，回饋給所有的參與者 再次整理、修正預測和條件，並再次整理新問題 若有需要，重複步驟4，並將最後結論發給所有參與者 10

時間序列分析 時間序列預測模式嘗試基於按照過去的資料預測未來 企業將依據下列的要素，選擇預測模型： 預測的時間範圍 資料的取得性 需要的準確度 預測之預算多寡 是否可取得適合的人員 14

簡單移動平均 Ft =對第t期的預測值 N =期數 A t-1 =實際歷史資料 當產品的需求量並非快速的成長或下降，亦不受季節性因素所影響，此時移動平均法即可有效地去除不規律變異對預測的影響 公式如下： Ft =對第t期的預測值 N =期數 A t-1 =實際歷史資料 15

簡單移動平均 問題: 對於此需求在第三週與第六週的移動平均預測為多少? 15

計算移動平均需求： F4=(650+678+720)/3 =682.67 F7=(650+678+720 +785+859+920)/6 15 計算移動平均需求： F4=(650+678+720)/3 =682.67 F7=(650+678+720 +785+859+920)/6 =768.67 16

描繪移動平均數，並與趨勢線比較 17

加權移動平均 在簡單移動平均法中，每項元素的權重均是相同。 加權移動平均法，賦予每個變數相對應的權重值。 加權移動平均的公式為 ： wt =第t期的權重 20

加權移動平均 問題:假設一家百貨公司想估計四個月期間的銷售量為多少？ 權重: t-1 0.5 t-2 0.3 t-3 0.2 20

加權移動平均 F4 = 0.5(720)+0.3(678)+0.2(650)=693.4 21

加權移動平均 權重: t-1 0.7 t-2 0.2 t-3 0.1 問題: 每週的需求資訊與權重如下表所示，試計算第五週的移動平均需求量？ 22

加權移動平均 F5 = (0.1)(755)+(0.2)(680)+(0.7)(655)= 672 23

Ft = Ft-1 + a(At-1 - Ft-1) 指數平滑法 新的預測等於舊的預測資料加上誤差值（為前期預測值與真實資料間的誤差） A : 其中 1 - t = a 第 t 期的預測值 第 t-l 期的預測值 第 t-l 期的實際需求值 平滑常數 新的預測等於舊的預測資料加上誤差值（為前期預測值與真實資料間的誤差） 24

指數平滑法 問題: 週需求資料如表所示 其中 a=0.10 與 a=0.60 ，試計算2-10期的預測資料? 假設 F1=D1 25

答案： 26

指數平滑法 請注意，當α越小時，圖形的變化 27

預測誤差 1 MAD 0.8標準差 1標準差 1.25 MAD » 理想的 MAD 為0，亦即無預測誤差 越大的 MAD，則精確度越低 30

MAD 問題 問題: 試依據下表，計算MAD？ 月 銷售 預測 1 220 n/a 2 250 255 3 210 205 4 300 320 5 325 315 31

MAD 問題解答 月 銷售 預測 絕對誤差 1 220 n/a 2 250 255 5 3 210 205 4 300 320 20 325 315 10 40 32

追蹤訊號 TS = RSFE MAD 是衡量預測平均數是否與需求變化的方向保持一致。應用在預測上，追蹤訊號是MAD的倍數 追蹤訊號（TS）是將預測誤差值的算術平均數除以平均絕對誤差（MAD）求得： TS = RSFE MAD 預測誤差值的總和 所有預測誤差的平均值 33

線性迴歸分析 Yt = a + bx 迴歸可定義為兩個或兩個以上相關（Correlated）變數間的關係 a 0 1 2 3 4 5 x (Time) Y a 迴歸可定義為兩個或兩個以上相關（Correlated）變數間的關係 Yt = a + bx 線性規劃模式 其中Y 是相依變數，亦為我們預測的目標，a 是 Y 的截距，b為斜率，X 則是獨立變數 35

線性迴歸分析：計算 a 與 b y x xy x^2 Sum (y) Sum (t) Sum (xy) Sum (x^2) 36

線性迴歸分析 問題：一家企業在過去三年十二季的產品銷售額如下所示： 此公司想預測第四年的每一季，亦即第13、14、15、16季的銷售量 37

33 解答: 計算 “a” 與“b” 38

34 解答: Yt = 143.5 + 6.3x 將預測的資料繪製成下圖： 180 135 140 145 150 155 160 165 170 175 1 2 3 4 5 銷售 預測 期間 39

線性迴歸分析的基本假設及其缺點 各項基本假設 缺點 資料沿著迴歸直線的變動通常是隨機性的。 所有點到迴歸直線的縱向偏差應呈現常態分配。 線性迴歸分析只能在觀察值範圍內遂行其預測。 缺點 簡單線性迴歸只能建立單一獨立變數與單一相依變數之間的線性關係。 線性迴歸分析需要為數可觀的資料。 任何觀察值皆具有相同的權數(weight)。 成本高昂，過程又複雜，故不適合於需要預測許多個別項目的情況。

網路化預測：協同規劃、預測與補貨 自1995起，供應鏈夥伴間已透過網路化工具，進行協同規劃、預測與補貨（Collaborative Planning, Forecasting, and Replenishment, CPFR）作業，協調需求預測、生產、採購規劃與補貨 CPRF用於整合多層供應鏈中所有的成員，其中包含製造商、配銷商與零售商 使用CPFR最佳的作業是零售層級的需求預測，並進一步整合供應鏈上游的預測、生產與補貨計劃 33

CPFR 五個步驟 步驟1：建立前端夥伴協定 步驟2：聯合企業規劃 步驟3：發展需求預測 步驟4：分享預測資訊 步驟5：補貨 33