生產與作業管理CHAPTER13 預測 指導老師：盧淵源 教授 組員 M014011005 丁建忠 M014011008 陳志峰

AGENDA 需求管理 需求的組成 預測的類型 定性預測技巧 時間序列分析 因果關係預測 焦點預測 基於網路預測：協同規劃、預測與補貨(CPFR) 結論

預測 為什麼要學預測 預測是否為萬靈丹?

需求管理 需求管理之目的是協調和控制所有的需求來源，以有效率使用生產系統，而能即時地供應產品。 需求的來源 相依需求(Dependence demand) 不須預測 獨立需求(Independence demand) 需要預測

需求的六種因素 某段時間的平均需求 趨勢 季節性因素 週期性因素 較難決定的元素，無法知道時間的區間或未考慮到 ex:政治選舉、戰爭 自我相關 事件的持續性 任何一點的期望值是與他過去的值高度相關 隨機變異 由偶發事件所引起

常見的趨勢類型 線性 直接連續的關係 S曲線 典型的產品成長和成熟週期 漸近線 由較高的需求成長開始，漸漸遞減 指數 常見於具有爆炸性成長的產品需求 銷售量 季 銷售量 季 銷售量 季 銷售量 季

預測的類型 定性法 時間序列分析 因果關係 模擬模型 草根法 簡單移動平均 迴歸分析 電腦模型 市場研究 加權移動平均 經濟模型 群體意見 法 投入/產出模 型 歷史類推 法 Box Jenkins 領先指標 Delphi法 Shiskin 時間序列 趨勢預測

定性預測技術 草根法 持續的加入基層資料建立預測值 愈接近終端顧客的人，越了解產品未來的需要 地區配銷中心區域性配銷中心總公司 市調法 委由市調或行銷顧問公司進行 使用問卷和訪談 ex:滿意度、購買意願

定性預測技術 群體意見法 『三個臭皮匠勝過一個諸葛亮』 開放式會議，自由交換意見 層級：「Open」 Delphi法 不同領域具備專業知識的人(匿名) 問卷或E-mail，由參與者獲取預測值 綜合結果、回饋、修正 不斷重複上述步驟，通常是三次

定性預測技術 歷史類推法 由現有或是同類產品作一預測 參考類似產品的經驗 ex:咖啡壺→烤麵包機

時間序列分析 基於「過去」的資料來預測「未來」。 預測方法 1.簡單移動平均法 2.加權移動平均法 3.指數平滑法

依據以下要素選擇預測模式 1.預測時間範圍 2.資料可取得性 3.需要的準確度 4.預測預算的多寡 5.能否獲得適當人員

簡單移動平均 使用時機：當產品的需求量無明顯的變動，也不受季節因素影響時，可使用之。 好處：可有效消除不規律的變異數對預測值的影響 壞處：預測時須放棄一筆舊資料且加入一筆新資料，再重新計算。

公式 Ft=預測值 n=期數 At-1,At-2,….At-n=實際歷史資料

範例 週 實際需求 估計期數 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

結論 當計算期數越大，則預測較不準確

加權移動平均 F5=0.40(95)+0.30)105+0.20(90)+0.10(100) 方法： 給予每個變數相對應的權重值，且權重值的總和需為1，較重要的變數需給予較高的權重。 例子： 第1個月 第2個月 第3個月 第4個月 第5個月 100 90 105 95 ? 第5個月的預測如下： F5=0.40(95)+0.30)105+0.20(90)+0.10(100) =38+31.5+18+10 =97.5

加權移動平均-公式 Wn為第t-n期的比重，ｎ為預測的總期數

權數如何給定 方法： 1.經驗法－根據以往給予變數權數的大小來給。 適用－較不易有需求大幅波動產品 EX:賣場預測下期進貨日用品數量 2.試誤法－試試看！(亂給!?) 適用－新產品

加權移動平均 1.好處： 可改變過去每一筆資料對未來預測的影響力。 2.壞處： 麻煩且費時。

指數平滑 -最近的資料對未來才是具有預測力的!! 為什麼要用指數平滑？ 因為簡單、加權平均法都需要大量的歷史資料，且當有薪資料加入時，就必須放棄舊資料，但多數的情況是 -最近的資料對未來才是具有預測力的!!

最近資料的重要性 α=0.05

計算所需資料 最近的預測結果 最近一期的實際需求 平滑常數α

平滑常數α 1.說明：為預測資料與實際資料間的反應速度。 2.特色： 由所要預測的產品特性，與預測者對反應速度需求而定。 EX:產品處於 穩定期－α可能為5%~10% 成長期－α可能為15%~30%

公式 F ：為預測值 A：實際值 例子： 上月預測值為1050單位，實際需求為1000單 位，且α為0.05 則 Ft= 1050+0.05(1000-1050) = 1047.5

平滑指數 優點 預測非常準確 公式簡單 計算容易且好理解 僅使用較少量的歷史資料，占儲存空間少 驗證模式準確度相當簡單 缺點 還是會出現高估或低估需求量的狀況發生

預測誤差 1.說明： 實際發生與預測之間所產生的差距，即稱之為誤差。 2.來源：資料來源誤差(source of error) 量度誤差(measurement of error) 3.分類：偏差(bias)或隨機誤差(random) 4.衡量：可用標準差或平均絕對誤差

平均絕對誤差(MAD) 實際值與預測值之間差值的絕對值之總合除以資料的樣本數

線性迴歸分析 時間序列的分解 因果關係預測 直線迴歸分析 多變量回歸分析 焦點預測 基於網路預測：協同規劃、預測與補貨 (CPFR)

線性迴歸分析 迴歸定義 線性迴歸：變數間的關係成一直線 線性迴歸方程式：Y=a+bX 兩個或兩個以上相關變數間的關係，可使用一個變數去預測另一個變數稱之為迴歸。 線性迴歸：變數間的關係成一直線 線性迴歸方程式：Y=a+bX 使用限制：過去的資料和未來的預測資料，均必須落在同一條線上。

季 銷售量 1 600 2 1550 3 1500 4 5 2400 6 3100 7 2600 8 2900 9 3800 10 4500 11 4000 12 4900

時間序列的分解 定義：為資料具有時間順序關係，其包含下列一種或多種的需求因素：趨勢、季節、週期、自我相關性、隨機性。 -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。

因果關係預測 預測要有價值，任何自變數都必須是主要指標 EX：下雨VS雨具銷售量 當一個變數引起另一個變數產生變化，可稱為因果關係，當確定找到肇因的元素時，即可作為預測的基礎。

因果關係預測 因果關係預測的第一步  找出導致事件發生的真正原因 主要指標不一定代表有因果關係，而是間接地指示可能發生其他的事件。 亦有可能將其他非因果關係誤判為有因果關係 Ex: 瑞士酒的銷售量vs老師薪資 使用因果關係預測的方法： 直線回歸分析 多變量回歸分析

直線回歸分析 Carpet City 地毯公司，每年銷售的資料與在該地區核准新建置房屋的數目。 年度 核准建照數 銷售(平方碼) 年度 核准建照數 銷售(平方碼) 1989 18 13000 1990 15 12000 1991 12 11000 1992 10 10000 1993 20 14000 1994 28 16000 1995 35 19000 1996 30 17000 1997 20 13000

只要知道該年度新建置房屋的數目，便可預測公司毛毯的銷售量。 10 20 30 36 2000 14000 10000 6000 20000 地毯的銷售 新建的房屋數 銷售與新建房屋的因果關係

多變量回歸分析 考量所有具有影響作用的項目。 EX：新婚比例、新建置的房屋數、個人可支配所得對家具業的影響 S = B + Bm(M) + Bh(H) + Bi(I) + Bt(T) S = 年度總銷售量 B = 基本銷售額 M = 年度結婚人數 H = 年度新建房屋數 I = 年度可支配所得 T = 時間趨勢（第一年 = 1, 第二年 = 2….） Bm、Bh、Bi 代表影響預售銷售量的因素，如新婚人數、新房數、收入和趨勢

焦點預測 由Bernie Smith提出，認為使用統計方法的預測技術，並無法獲得最好的結果，只要能有效的分析歷史資料，即使是簡單的方法也能產生好的預測。

焦點預測法須考量的兩項因素 前三個月的銷售量也許即為下三個月的銷售量 去年某季的銷售量即為今年同季的銷售量 數種簡單的預測法則 前三個月的銷售量也許即為下三個月的銷售量 去年某季的銷售量即為今年同季的銷售量 下一季的銷售量或許比前一季高10% 使用電腦模擬法則

基於網路預測： 協同規劃、預測與補貨(CPFR) 定義與目標： 供應鏈夥伴間透過網路化的工具，分享特定的內部資訊，進行協同規劃、預測與補貨作業，協調需求預測、生產、採購規劃與補貨，以提供供應鏈可靠、長期的需求預測。 優點： 節省供應鏈成本 應用： 常見於食品業、服飾業與一般零售業 用於整合多階層供應鏈中的所有成員，包含製造商、配銷商與零售商

多層次供應鏈與零售活動 第n層 供應商 第３層 第２層 第１層 製造與最後裝配 配銷 中心 零售商 預測資訊 補貨資訊 生產規劃與採購資訊 注意：實線箭頭代表物流；虛線箭頭代表資訊流

CPFR 五步驟 步驟一：建立前端夥伴協定 1、協同作業目的 2、資源需求 3、建立信賴度 步驟二：聯合企業規劃 1、協同作業目的 2、資源需求 3、建立信賴度 步驟二：聯合企業規劃 1、夥伴關係策略 2、聯合行事曆 3、活動執行次序與頻率 4、例外準則 步驟三：發展需求預測 1、零售商提供銷售點資料 2、簡單預測模式3、專業知識/銷售資料

CPFR 五步驟 步驟五：補貨 1、訂單預測成實際訂單 步驟四：分享預測資訊 1、透過共享伺服器公佈預測資訊 2、差異超過安全界限協調一致預測資訊 步驟五：補貨 1、訂單預測成實際訂單

結論 預測為規劃的基礎 綜合多種預測方法的網路化協同預測系統，將是產業未來的主流。 盡力建立最佳的預測，並考量不可避免的預測誤差，以維持系統應變的彈性！

Thanks for Your Listening !