生產與作業管理 第十二章 預測 蔡幸穎、郭俊宏、宗培倫 吳聯稚、蕭婉芝、曾暐鈞.

Presentation on theme: "生產與作業管理 第十二章 預測 蔡幸穎、郭俊宏、宗培倫 吳聯稚、蕭婉芝、曾暐鈞."— Presentation transcript:

1 生產與作業管理 第十二章 預測 蔡幸穎、郭俊宏、宗培倫 吳聯稚、蕭婉芝、曾暐鈞

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

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

4 預測 重大管理決策與長期規劃的基礎 對於預測的態度 預測需求 財會方面 行銷方面 生產作業方面 不會完美，需要修正 合理範圍求得最佳預測方法
預算規劃 成本控制 行銷方面 銷售預測、規劃新產品、獎勵銷售人員 生產作業方面 製程選擇、產能規劃、設備配置、生產規劃排成、存貨控制 對於預測的態度 不會完美，需要修正 合理範圍求得最佳預測方法 預測需求

5 12-1 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
獨立需求(Independence demand) 相依需求(Dependence demand) 積極影響 消極反應

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

7 預測的類型 定性技術 時間序列分析 因果關係 模擬模式

8 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

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

10 需求的六種型態 某段時間的平均需求 趨勢 季節性因素 週期性因素 自我相關 隨機變異 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

11 具有成長及季節性因素的產品需求

12 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

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

14 定性預測技巧 (1) 草根法 市調法 ex:滿意度、購買意願 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

15 定性預測技巧 (2) 群體意見法 Delphi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」
不同領域具備專業知識的人(匿名) 問卷或 ，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

16 定性預測技巧 (3) 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

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

18 12-5 時間序列分析 使用過去的資料來預測未來的結果 企業依據下列要素，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
12-5 時間序列分析 使用過去的資料來預測未來的結果 企業依據下列要素，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 其它相關議題(企業的彈性ex快速反應改變的能力愈高，預測需要的準確性就可愈低)

19 時間序列分析方法 簡單移動平均 加權移動平均 指數平滑法 迴歸分析

20 (一)簡單移動平均 使用時機： 有效去除不規律變異對預測的影響 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

21 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

22 故選擇一個最好的期數，對此方法非常重要

23 簡單移動平均法缺點 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。

24 (二)加權移動平均 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 Wn為第t-n期的比重
簡單移動平均法中每一個元素權重值相同 Wn為第t-n期的比重 ｎ為預測的總期數

25 加權移動平均(續) 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

26 (三)指數平滑法 (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）
平滑常數決定平滑的程度，以及對預測資料與真實資料間差異的反應速度。 此數值可由所要預測產品的特性，以及管理者對良好反應速度的認知來決定。 Ex:企業生產標準化的產品且需求也相當穩定，此時對預測值和真實結果間誤差的反應速度將很小，可能只有5%~10%，但當企業正處成長期，其反應速度應定的比較高一點，大約在15%~30%，雨即成長的幅度愈明顯，則反應速度也就愈高。 新的預測=舊的預測資料+誤差值 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)

27 指數平滑法(續) 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

28

29 趨勢效應與調整式預測 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
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 當實際的需求量相當穩定，可選取一個較小的值，以降低短期的效應或隨機變化的影響。 若實際需求是快速的增加或衰退，則可選擇較大的值，以反應其變化

30 預測誤差 誤差是預測值和實際值之間的差值，統計學 上稱作殘值（Residuals） 在統計學上，只要預測值落在信賴區間，則 認為誤差不存在

31 誤差來源 誤差可分為偏差(bias)或隨機誤差(random)
偏差：多因固定的錯誤造成，如採用錯誤的 變數、變數間的關係錯誤、使用錯誤的趨勢 線、誤把季節性因素去除等。 隨機錯誤：無法以正常的預測模式解釋的部 分

32 誤差衡量 標準差 平均平方差(變異數) 平均絕對值誤差(MAD) 追蹤訊號

33 平均絕對誤差(MAD) 平均絕對誤差(MAD)： 計算實際值與預測值間差異的絕對值，再將 誤差絕對值的總和除以資料筆數
當預測誤差呈常態分配時， 1標準差 = 1MAD = 0.8標準差

34 追蹤訊號 (Tracking Signal)
將預測誤差值的總和除以MAD RSFE：預測誤差值的總和，正負可相抵 MAD：所有絕對誤差的平均值

35 追蹤訊號(續) 月 需求預測 實際 差異 RSFE 絕對差 絕對差之和 MAD TS 1 1000 950 -50 50 -1 2 1070
+70 +20 70 120 60 0.33 3 1100 +100 +120 100 220 73.3 1.64 4 960 -40 +80 40 260 65 1.2 5 1090 +90 +170 90 350 2.4 6 1050 +50 +220 400 66.7 3.3

36 追蹤訊號(續) 可預測正向或負向的偏差

37 追蹤訊號(續) 月 需求預測 實際 差異 RSFE 絕對差 絕對差之和 MAD TS 1 1000 950 -50 50 -1 2 1070
+70 +20 70 120 60 0.33 3 1100 +100 +120 100 220 73.3 1.64 4 960 -40 +80 40 260 65 1.2 5 1090 +90 +170 90 350 2.4 6 1050 +50 +220 400 66.7 3.3

38 誤差 一個完美的預測，所有預測誤差的總和應該 為零，即信號軌跡值也應該為零 MAD常用來預測誤差 表示高估的誤差可與低估的誤差相抵消
預測未來的誤差範圍 設定安全庫存量 MADt = α| At-1 - Ft-1 | + ( 1- α)MADt-1

39 線性迴歸分析 定義：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：是迴歸分析法的特例
線性迴歸方程式： 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。

40 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

41 最小平方法 所有資料點與其相對應的迴歸線對應點間， 垂直距離之平方總和的最小值。 Y=應變數 y=應變數之實際值 a=Y的截距 b=斜率
x=時間

42 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。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」。

43 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

44 簡單等比法 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　

45 目測預測模式 目測截點 170 斜率 = (610-170)/8 之間的變化量 趨勢方程式：Trendt = 170 + 55 t 610
季 量 I-1998 300 II-1998 200 III-1998 220 IV-1998 530 I-1999 520 II-1999 420 III-1999 400 IV-1999 700 170 610 1998 1999 目測截點 170 斜率 = ( )/8 之間的變化量 趨勢方程式：Trendt = t

46 預測下年度結果： FTTSt=趨勢x季節性 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)
1998 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 1999 III-0.69 520 445 1.17 IV-1.25 420 500 0.84 400 555 0.72 700 610 1.15 I FITS9 = (170+55(9))1.25=831 II FITS10 = (170+55(10))0.78=562 III FITS11 = (170+55(11))0.69=535 IV FITS12 = (170+55(12))1.25=1,038 預測下年度結果： FTTSt=趨勢x季節性

47 最小平方迴歸分析 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。再以反向程序 來預測趨勢。 步驟 求出季節因子
去除需求的季節效應 找出趨勢因子 考量未來的趨勢因子 將趨勢因子乘上季節因子

48 (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 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

49 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

50 誤差範圍 產生誤差： 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。 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。

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

52 因果關係預測(1) 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。

53 因果關係預測(2) 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

54 因果關係預測(3) 使用因果關係預測的方法： 直線回歸分析 多變量回歸分析

55 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)

56 經理：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。
資料成直線分佈直線回歸分析 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

57 Y 的截點為7000碼，代表即使此地區沒有蓋新房屋，地 毯的基本需求量，亦即是毛毯汰舊換新的可能情形。
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 假設2000年允許新建的房屋數為25，則2000年的銷售預測 Y = x (25) = 15750 Y 的截點為7000碼，代表即使此地區沒有蓋新房屋，地 毯的基本需求量，亦即是毛毯汰舊換新的可能情形。 斜率：此地區每蓋一棟新屋，將售出的平均地毯大小。

58 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

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

60 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。

61 焦點預測的方法論 使用數種合理且容易理解的法則，分析過 去的資料預測未來。這些法則均可是運於 電腦模擬程式進行預測，並衡量何種法則 最接近真實的需求。

62 焦點預測法許考量的兩項因素 數種簡單的預測法則 使用電腦模擬這些法則 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% 本年度下一季的銷售量，比去年高50% 比較今年前一天和去年同期銷售量改變的程度，或許今年下一季相較去年同期也有相同的變動程度。 使用電腦模擬這些法則 收集資料，使用模擬系統測試每一項法則 預測結果準確度很高的法則，便可作為預測未來資料的法則。 可由買方存貨控制的人員負責驗證與修正預測

63 AGENDA 需求管理 預測的類型 需求的組成 定性預測技巧 時間序列分析 因果關係預測 焦點預測 網路化預測：協同規劃、預測與 補貨 結論

64 12-8 網路化預測： 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

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

66 CPFR 五步驟 建立前端夥伴協定 協同作業目的 資源需求 建立信賴度 聯合企業規劃 建立關係策略 設計聯合行事曆 活動執行次序與頻率
訂定交易夥伴間需求預測差異的例外準則 發展需求預測 零售商提供銷售點資料 使用移動平均法等簡單預測模式 配合專知識或銷售資料 分享預測資訊 透過共享伺服器公佈預測資訊 差異超過預先建立之安全界線時協調出一致預測 補貨 訂單預測成為實際訂單 問nick動畫？

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

68 12-9 結論 預測為規劃的基礎 短期： 長期： 運用多種預測方法的網路化協同預測系統，將是許多 產業未來的主流
預估需求改變原料、產品、服務變動調整生產排程 使用較簡單的模式，如：指數平滑法+調整性預測+季節指數 長期： 做為改變策略的基礎 應同時使用數種預測方法，如：迴歸分析、多變量迴歸等 運用多種預測方法的網路化協同預測系統，將是許多 產業未來的主流 預測理想的做法是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。　　　　

69 Thanks for Your Listening !