生管報告：十一章 預測 指導教授 : 盧淵源 教授 M 洪貴燕 M 李佳玲 M 解怡倩

Presentation on theme: "生管報告：十一章 預測 指導教授 : 盧淵源 教授 M 洪貴燕 M 李佳玲 M 解怡倩"— Presentation transcript:

1 生管報告：十一章 預測 指導教授 : 盧淵源 教授 M934011001洪貴燕 M934011026李佳玲 M934011023解怡倩

2 預測的重要性 預測是公司長期規劃的基礎 財務領域 行銷企劃 生產管理 預算規劃、成本控制 新產品企劃、獎勵銷售人員
製程選擇、產能規劃、設備配置、 生產規劃排程與存貨

3 對預測的正確態度 不可能有完美的預測：不穩定的變數 從不同預測方法尋找共識 持續的檢查與更新變數 在合理範圍得到最佳預測方法

4 需求管理 目的 需求來源 相依需求 獨立需求 協調和控制所有的需求來源 需求來自於其他的產品或服務 需求不來自於其他產品 是預測的重點
積極應對 消極應對

5 預測類型 定性 主觀的 時間序列 依據過去的數據預測未來的需求 因果關係 需求與環境中許多要素有關 模擬 對未來情境在一個規範的假設下做預測

6 預測方法 定性法 時間序列分析 因果法 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

7 需求的型態 某段時間的平均需求 趨勢 季節性 循環週期 隨機變異 自我相關性 任何一點的期望值是與他過去自己的值高度相關
等候線理論(waiting line theory) 影響需求的變化性

8 具有成長及季節性因素的產品需求

9 常見的趨勢類型

10 ･草根預測法藉由連續的累加基層的資料 來建立預測值，它假設越接近顧客或最 終產品使用者的人，越瞭解它未來的需 要。
定性預測技巧 草根預測法 ･草根預測法藉由連續的累加基層的資料 來建立預測值，它假設越接近顧客或最 終產品使用者的人，越瞭解它未來的需 要。 ，

11 ･公司常雇用專精於市場調查的外部公司， 來從事這類型的預測， 當公司要做產品 研究時最常使用此法。 ･收集資料的主要方式是問卷和訪談。
定性預測技巧 市調法 ･公司常雇用專精於市場調查的外部公司， 來從事這類型的預測， 當公司要做產品 研究時最常使用此法。 ･收集資料的主要方式是問卷和訪談。

12 定性預測技巧 專家意見法 ･三個臭皮匠勝過一個諸葛亮！ ･集合各種不同單位的人，比小群體更能 發展出可信靠的預測值，經由開放式會
議自由交換意見而來。 ･困難點：較低層員工會被較高管理階層 所壓制。

13 ･嘗試預測新產品需求時，由現有或同類 產品做為一種模式來類推。 ･互補產品﹑替代的競爭產品，及產品是 收入的函數時適用此種方法。
定性預測技巧 歷史類推法 ･嘗試預測新產品需求時，由現有或同類 產品做為一種模式來類推。 ･互補產品﹑替代的競爭產品，及產品是 收入的函數時適用此種方法。

14 定性預測技巧 Delphi法 ･對參與研究的個人採「匿名」方式！ ･步驟如下： 1.挑選參與者，以在不同領域中具備專業知識者佳。
2.經由問卷調查，由參與者獲取預測值。 3.綜合結果，再整理合適的新問題，並再發給參與者。 4.再次歸納，修正預測值和情境，並整理新的問題。 5.如有必要，重覆步驟4 ，將最後結論發給所有參與者。

15 ･重覆三次後，通常能得到滿意的結果。 ･決定所需時間的因素： 1.參與人員的數目。 2.發展預測值需要牽涉多少變數。 3.回覆問卷的速度。
定性預測技巧 Delphi法 ･重覆三次後，通常能得到滿意的結果。 ･決定所需時間的因素： 1.參與人員的數目。 2.發展預測值需要牽涉多少變數。 3.回覆問卷的速度。

16 時間序列預測模式 依照過去資料來預測未來 選擇預測模型的取決條件 預測的時間範圍 資料的取得性 需要的準確度 預測的預算之多寡
合格人員的取得 其他像是公司的彈性及預測錯誤的影響

17 預測的時間範圍 企業界短期預測通常指三個月內，中期是三個月到二年，長期則是超過二年 短期模型為因應隨機變異且因短期改變而調整
～時間的認定～ 企業界短期預測通常指三個月內，中期是三個月到二年，長期則是超過二年 短期模型為因應隨機變異且因短期改變而調整 像消費者對新產品的反應 中期預測對季節影響較有用 長期預測則可看出一般的趨勢，且在認定主要轉折點時特別有用

18 預測模型種類分析 預測方法 歷史資料的數量 資料型態 預測範圍 準備時間 人員背景 簡單指數平滑 5-10個觀察值以設定權數 資料應該固定
短 不複雜 Holt指數平滑 趨勢但無季節性 短到中 有點複雜 Winter指數平滑 每季至少4或5個觀察值 趨勢和季節性 適度複雜 迴歸趨勢模型 10-20 ， 若季節性每季至少5個 因果迴歸模型 每個獨立變數10個觀察值 能處理複雜的型態 短、中或長 發展時間長執行時間短 相當複雜 時間序列分析 足以看到兩個頂點與凹點 處理循環性和季節性型態;能辨別轉折點 短到適度 Box Jenkins 50個以上的觀察值 必須是固定的或轉變為穩定的 長 高度複雜

19 簡單移動平均 使用過去的資料來預測未來的結果 使用時機： 有效去除不規律變異 取相鄰資料的中間值 產品的需求量並非快速的成長或下降
沒有季節因素的影響 有效去除不規律變異 取相鄰資料的中間值

20 三週及九週的簡單平均移動

21 實際需求與三週及九週的移動平均圖 選擇較短的時間為基期，將產生較大的波動，但也和真正的資料點的走勢越接近。
選擇長時間為基期的結果，將是較平滑的曲線，可能會有｛緩和波動｝ 的缺點。 選擇一個最好的期數，對移動 平均法而言是重要的一環

22 加權移動平均法 附予每一個變數相對應的比重值，且比重的加總等於一 簡單移動平均法每一個元素的比重是一樣的
加權的法則也沒有一定的規則，通常使用： 經驗法 試誤法

23 指數平滑法 指數平滑法只需要三個資料 最近的預測結果 最近一期的實際需求 平滑常數alpha（α）

24 指數平滑法 被廣泛接受的原因 準確 建構指數平滑的模式很簡單 使用者可以理解它是如何運作的 運算簡易
因為使用很少的歷史資料，所以計算的儲存空間較少 驗證此法則的準確度也很簡單

25 平滑常數 平滑常數 決定了平準的程度及對預測資料和真實資料間之差值的反應速度 由所要預測產品的特性，以及管理者對較佳反應速度的認知來決定
生產標準的產品且相對的需求穩定 預測值和真實結果的誤差很小，可能只有5到10% 公司正值成長期 反應比例就要高些，可能在15到30%

26 趨勢效應 單一平滑指數有需求變化延緩的缺點 指數預測結果較真實落後 加入趨勢調整因子δ來更正 加入趨勢因素
調整式預測（Adaptive forecasting）：調整α值 指數預測結果較真實落後 加入趨勢調整因子δ來更正 FITt = Ft + Tt Ft = FITt-1 + α( At-1 - FITt-1 ) Tt = Tt-1 + αδ( At-1 - FITt-1 )

27 調整式預測 選取適當的α值： 計算α值的軌跡值： 用來計算預測值是否和實際的需求值之增減幅度跟著改變
先決定兩個或兩個以上的α值，計算預測值與真實值之間的誤差，依不同誤差的程度來決定α值 計算α值的軌跡值： 用來計算預測值是否和實際的需求值之增減幅度跟著改變

28 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） 資料來源誤差（source of error）
以過去的資料點走勢預測未來的趨勢 量度誤差（measurement of error）

29 誤差 誤差的衡量 敘述誤差的程度 標準誤差（Standard error）
平均平方誤差（Mean squared error，Variance） 平均絕對值誤差（Mean absolute deviation） 信號軌跡可用來說明預測中的正向或負向偏差

30 平均絕對誤差（MAD） 量測預測值與觀測值差異的分佈狀況 實際值與預測值之間差值的絕對值總合再除以資料的樣本數
當預測誤差呈常態分配時，平均絕對誤差與標準差的關係 1標準差 = 1MAD = 0.8標準差

31 信號軌跡 衡量預測值是否和實際需求值走勢的上漲或下滑步調一致 信號軌跡是MAD的倍數，這些數字就是預測值和實際值之間的高低 信號軌跡
預測誤差值的總合

32 預測的平均絕對誤差（MAD）、累加誤差（RSFE）、及追蹤信號（TS）
信號軌跡值

33 線性迴歸分析 迴歸分析的定義為兩個或兩者以上相關（Correlated）變數的關係
線性迴歸分析是迴歸分析法的特例，主要就是基於變數間的關係將形成一條直線的分佈 型式： Y = a + bX 目視法 最小平方分析法

34 目視法 過去三年12季的產品銷售狀況 畫一條看起來似乎切合資料樣本分佈的直線(用尺即可) 決定 截點 a 和斜率 b 的值
Y = X

35 最小平方分析法 求出所有的資料點與它相對應之迴歸線對應點間垂直距離的平方加總之最小值 標準差：代表直線和資料間的接近程度

36 b= = 2, a= Sxy = 363.9 Y = X

37 時間數列的分解 時間數列為一有時間先後關係的資料，其中包含了一種或多種的需求因素
趨勢、季節、週期、自我相關（AutoCorrelated ）或隨機性 趨勢和季節因素較易找出 週期、自我相關（AutoCorrelated ）或隨機性不易找出

38 同時包含季節與趨勢效應 預測 = 趨勢 + 季節因素 預測 = 趨勢 * 季節因素 較常見的狀況

39 季節因素（或指標） 是一修正過後的值，在時間數列分析上用來調整年度季節量

40 目測模式預測趨勢及季節性因素 目測截點 170 斜率 = (610-170)/8 之間的變化量
故：趨勢方程式：Trendt = t

41 計算下年度的預測結果 FITSt=趨勢*季節性 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

42 最小平方迴歸分析 決定季節指標 將歷史資料的季節因素去除 為去除季節因素後的資料畫出最小平方迴歸線 以此迴歸線做未來的預測
原始資料除以季節指標 為去除季節因素後的資料畫出最小平方迴歸線 以此迴歸線做未來的預測 將預測結果以季節指標加以調整

43

44 b =

45 因果關係的預測 何謂因果關係: 因一種變數的發生，而導致另一變數發生的情況。 X Y 用做預測的基礎： 此導因的元素發生在很早的時刻時。
因果關係預測的第一步： 找出那些引發事件的真正原因。

46 因果關係的預測 例題：地毯店 年度 核准建照數 銷售(平方碼) 1989 18 13000 1990 15 12000
年度 核准建照數 銷售(平方碼)

47 10 20 30 36 2000 14000 10000 6000 20000 地毯的銷售 Y 新建的房屋數 X 因果關係 Y = x (25) = 15750

48 多變量迴歸分析 多變量迴歸分析 將所有可能產生影響作用的變數都列入考慮。 例題： S=B+Bm(M)+Bh(H)+Bi(I)+Bt(T)
S=年度總銷售量 H=年度新建房屋數 B=基本銷售額 I=年度可支配所得 M=年度結婚人數 T=時間趨勢 適用於許多變數會影響單一變數的預測

49 焦點預測法 不斷嘗試每一個看似合理且易理解的法則， 分析過去資料以預測未來，借助 電腦模擬程式預測需求 兩大前題 1.建立許多簡單預測法則：
Bernie Smith發明，用於成品庫存管理 不斷嘗試每一個看似合理且易理解的法則， 分析過去資料以預測未來，借助 電腦模擬程式預測需求 兩大前題 1.建立許多簡單預測法則： a前三個月銷售量或許是後三個月銷售量 b去年此季銷售量應該是今年本季銷售量 c後三月銷售量或許比前三個月銷售量高10％ d本年下一季銷售量，應該比去年同期銷售量高50％ e今年和去年本季銷售量比較後的改變程度應該 和本年下一季與去年同期的比較是一樣的

50 2.利用電腦模擬： 歷史資料搜集與獲得－重要，預測過去資料， 準確度高，亦可預測未來 例：11­－6平底鍋的需求量預測，利用上述五種法則
其中幾項作預測，從歷史資料與實際資料比較 找出最接近實際需求量的法則買主或對產品 庫存控制負責人可針對法則作驗證與修正， Smith說幾乎8％的結果皆被買者修改 －－知道一些電腦不知道因素

51 建議：（焦點預測法） 1.不嘗試加入季節因素指標 2.預測結果異常－告知被需求量影響的人 3.請買方、庫存計劃者一起參與
4.法則簡單化－－被使用者信任瞭解

52 電腦程式 PC版本的商業預測軟體 　EX ：Wal—Mart利用網際網路作預測 企業最大挑戰：如何使用這套預測軟體， 而非開發時間

53 結論 預測為規劃的基礎 短期： 預估需求改變　　原料、產品、服務變動 調整生產排程 長期：做為策略前導 　　　　EX：開拓新市場、發展新產品

54 結論（續） 預測難完美，需考量許多變數 理想的預測： 1. 完美的預測 2. 保持適彈性 3. 考慮誤差