需求预测(ppt 44页)

需求预测Session1 ForecastingDemandVisual课程目的 解释为什么预测是重要的（重要性）； 通用的预测方法； 识别需求的特征； 介绍对预测数据需要考虑的事项； 概要地介绍了数据分解 流程 快递问题件怎么处理流程河南自建厂房流程下载关于规范招聘需求审批流程制作流程表下载邮件下载流程设计 。1-1Visual什么是预测?“预测是对未来需求的估计。预测可以是应用数学方法对历史数据进行的客观分析，也可以是对非正式信息的主观判断，同时，预测也可以是两种方法和技术的结合。”1-2Visual为什么需要预测? 计划 项目进度计划表范例计划下载计划下载计划下载课程教学计划下载 未来，减少不确定性； 预见和管理变化（革）； 提升计划部门的沟通和整合； 预见库存和能力需求，管理前置期； 将运作成本计划在预算编制过程中； 通过降低成本，提升客户交货水平和反应速度，从而增加竞争力和生产力。1-3Visual预测涉及的领域? 投资决策； 资产设备决策； 库存规划； 能力规划； 运作预算； 前置期管理。1-4Visual预测系统设计问题 决定哪些信息是需要预测的； 为预测赋予责任； 设置预测系统参数； 选择预测模型和技术； 数据收集； 测试模型； 记录实际需求； 报告 软件系统测试报告下载sgs报告如何下载关于路面塌陷情况报告535n,sgs报告怎么下载竣工报告下载 预测的准确性； 确定变异的根本原因； 回顾预测系统，提升预测绩效；1-5Visual通用的预测技术 定性技术 基于知觉和评估 专家意见 信息汇总 关注客户的团体 专家团体 智囊团 调查研究团体 应用 市场调研 定量调查设计的基础1-6Visual通用的预测技术（Cont.） 定量技术 基于数据关联的计算； 历史需求是未来需求的一个很好的指示器； 依靠数学公式； 例子: 移动平均 指数平滑 回归分析 时间序列1-7Visual预测数据来源 内部—基于公司历史数据； 外部—基于公司外部的信息。1-8Visual外部因素S–社会（Social）T–技术（Technology）E–环境规则（Environmentalregulations）E–经济（Economic）E–人的观念（Ergonomics）P–政治（Political）1-9Visual需求对特定产品，部件和服务的需要。1-10Visual需求的来源需求的来源是多方面的: 消费者 客户 经销商 分销商 内部公司 备件1-11Visual需求特征内部因素 产品促销 产品替代外部因素 随即波动 季节性 趋势 经济循环 客户喜好和需求的变化1-12Visual主生产计划在不同制造策略中的应用ETO–没有MPSATO–部件组装MPS/Forecast/装配计划FASMTS–MPS,以预测为主MTO–MPS,预测是可选的，对前置期长的部件，可以应用补货策略MassCustomization–大量，多品种，稳定的需求，采用对物料进行预测的“拉式”生产方式1-13Visual独立需求Vs相关需求这种分类是基于公司内部的需求特点独立需求 外部需求 交易(产成品，备件，内部需求) MPS(销售和需求预测)相关需求 根据物料 清单 安全隐患排查清单下载最新工程量清单计量规则下载程序清单下载家私清单下载送货清单下载 展开 非预测项目1-14Visual季节性需求1-15Visual季节性指数的计算度量需求的季节性变化；联系特定时区内的平均需求和整个时区内的平均需求的关系。1-16Visual某品牌冰淇淋的销售数据：1-17季节性指数的计算（Cont.） 月份 2002 2003 合计 计算 季节指数 1 10 12 22 22/409 0.05 2 10 12 22 22/409 0.05 3 10 12 22 22/409 0.05 4 50 55 105 105/409 0.26 5 150 160 310 310/409 0.76 6 400 420 820 820/409 2.00 7 600 620 1220 1220/409 2.968 8 700 730 1430 1430/409 3.50 9 350 360 710 710/409 1.74 10 100 105 205 205/409 0.50 11 10 12 22 22/409 0.05 12 10 12 22 22/409 0.05 合计 2400 2510 4910 平均 409.1667 四舍五入409Visual经济循环1-18Visual金字塔形的预测方法1-19定性的定量的Visual预测技术—金字塔形预测的例子 X2units－4,845 price－$10.00 －units－13,045 产品组平均price－$16.67 －units－15,000ROLL-UPX1X2 产品层预测 X1units－8,200 price－$20.61 产品族层预测 产品组-调整的预测FORCE-DOWN1-20Visual金字塔形预测中销售收入的应用1-21 A B C D E F X1 X2 Totals units price units price Qty Revenue 1 8,200 $20.61 4,845 $10.00 13,045 $217,452 2 1.15 3 9,430 $20.61 5,572 $10.00 15,002 $250,000 4 $250.070Visual练习历史需求产品A 产品B 区域1 150 区域1 300 区域2 300 区域2 450 单价$4.50单价$8.50管理层已经决定，下一年的总需求将达到$10,000.计算产品A和B分别在区域1和2的预计需求量。1-22Visual定量技术 移动平均； 指数平滑； 回归分析； 适应性平滑； 图示法； 计量经济模型； 生命周期模型。1-23Visual移动平均预测方法优点 简单的计算方法 可以过滤随即变异 时间越长，需求越平滑限制 如果存在需求趋势,很难察觉； 移动平均相对趋势是滞后的1-24Thisslidelistssomeoftheusesandlimitationsofmovingaverageforecasting:-Themovingaverageisaverysimpleforecastingtechniquewhichlendsitselftomanualcalculation.Anadvantageofmovingaveragesisthattheyareagoodwaytofilteroutrandomvariationfromademandseries.Thelongerperiodsthemoresmoothingoccurs.Thismeansthatamonthlyforecastwouldhavemoresmoothingthanaweeklyforecastwhichwouldbesmootherthanadailyforecast.Alimitationformovingaverageforecastsisthattheydonotdetectorreacttotrendsverywell.Bytheverynatureofcalculationamovingaveragewilllaganytrendsandhencethismethodofforecastingisnotgoodforproductssubjecttoseasonalordynamicchangesindemand.Visual预测（新）=ax实际需求+(1-a)x预测（老）预测（新）=预测（老）+aX(实际需求–预测（老））指数平滑 提供了更新产品预测的常规方法； 对需求要素来说，a是一个权重因数； 适合相当稳定需求产品的预测； 适合短期预测； 滞后需求趋势，不能察觉趋势。1-25Exponentialsmoothingisaformofmovingaverageforecastingwhichusesweightingfactorstomodifytheemphasisplacedonmorerecenttimeperiods.Exponentialsmoothingusesaweightingfactorcalledalphawhichisexpressedasadecimalquantity.Thisfactorisusedtoweightthemostrecentpastperiod,withthereciprocalbeingusedtoweightthemoredistantpastperiod.Itisnotnecessarytoexplaintheexponentialsmoothingformulainthiscourse,butthekeyconceptsofexponentialsmoothingshouldbecovered.Exponentialsmoothingworkswellwithitemsthataresubjecttostabledemand,I.enoseasonalityortrendcomponents.Exponentialsmoothingisgoodforshortrangeforecasts,anditcandetecttrends,butlikeanymovingaverageprogramitlagsthetrend.Explainthatanextensionofthismethodiscalleddoubleexponentialsmoothingandthisrequirestheuseoftwoweightingfactors,alphaandbeta,andthepurposeofthistechniqueistorespondVisual1-26平滑因数 参照a因数的定义 决定了历史数据在预测中的权重； 调整预测对需求变化的反应度 范围Visual1-27平滑因数(Cont.) 确定了预测过程中需要考虑的实际需求的期数（n）；1.00=1period0.50=3periods0.29=6periods0.15=12periods0.10=19periodsVisual0.1低权重–非常平滑0.9高权重–接近实际指数平滑因数a不同，预测需求的趋势变化实际销售1-28Visual1-29指数平滑（例子）预测（新）=预测（老）+移动因数（a）x(实际销售–预测（老））例子:预测（老） =160,实际=200,a=0.1预测（新）=160+(0.1x(200–160)) =160+(0.1x40)=164例子:预测（老） = 160,实际=200,a=0.8 预测（新）=160+(0.8x(200–160)) =160+(0.8x40)=192Visual定性技术 专家意见 市场调研 聚焦团体 历史推理 Delphi方法 座谈会1-30Visual内部（内在）因数 产品生命周期管理； 计划价格变更； 销售能力变化； 资源约束 市场营销和促销 广告1-31Visual外部（外在）因数 竞争 新客户 主要客户计划 政府政策 其他调整 经济条件 环境问题 全球趋势1-32Visual先行指数Indicators（原因要素）房地产投资出生率网站的点击率健康趋势更健康的生活方式影响建筑 材料 关于××同志的政审材料调查表环保先进个人材料国家普通话测试材料农民专业合作社注销四查四问剖析材料 家具婴儿产品电子商务销售医药供应营养产品适宜产品1-33Visual1-34新产品每个新产品/服务都存在预计的风险。每个新产品/服务的上市都有可能出现以下状况： 扭转市场颓势； 强烈地刺激市场，市场份额急剧扩大； 损失 灾难 无尽的责任和义务BCGMatrixVisual波士顿矩阵1-35相对市场份额明星（Star）问号（QuestionMark）瘦狗（Dog）现金牛（CashCow）高市场增长率低小大Visual1-36聚焦预测假设 离现在越近的数据，越能更好地预见未来的需求； 选择更好的预测模型；方法 所有预测模型得到的结果都需要最近的销售数据进行比较； 最接近结果的预测模型将作为这一次的预测模型； 下次可能会选择不同的预测模型。Visual预测数据问题 数据的有效性 数据的一致性 需求的历史数据量 预测频率 模型选择的频率 成本和时间 记录真实的需求 订单日起vs.出货日期 产品单位vs.财务单位 数据集合的层次 客户1-37Visual计划范围和时区时区（周数）预测时间范围短中长周月季度12345678910111213172126303439434752657891104计划范围1-38Visual数据准备和收集 销售数据记录和预测数据的周期相同（天，周，月）； 监控需求，而不是销售和出货； 记录异常需求的环境详情； 记录需求时要分单独的客户群和市场单元。1-39Oneoftheimportantaspectsofforecastingishowthedataiscollectedandrecorded.Thedatashouldbecollectedinthesametermsastheforecastisrequired.Forexampleiftheforecastisrequiredtobeexpressedinweeklyintervals,thenthedatashouldbecollectedinweeklyintervalsaswell.Itisimportanttorecordsalesnumbersinhistorynotmerelyshipments.ThesalesnumbersshouldalsoincludelostsalesOneoftheconcernsinforecastingistheideaofoutliers,thesearedatapointsthatdonotfittheregularpatternofsales.Recordinformationbygroupsofcustomers,thegroupsofcustomerscanbeorganizedbyanyclassificationthatmakessense,itcouldbebytypeofcustomer,industry,market,demographicsetc.Visual异常数据的处理1-40Outlier(outsidetherange)Visual何谓“异常”在一定的时间范围内，某一点的数据和前后数据有明显的差异，这就是异常。例如，某个产品的平均需求10个单元每个月，但是，某个月它的需求达到了500个单位，这个销售点可能会认为是一个异常点。1-41Visual如何处理这些“异常”在应用预测技术时将这些“异常”去掉。现实中: 促销的结果 循环发生的可能性1-42Visual1-43数据的分解 净化数据 调整数据 取得基线 鉴别需求的组成 趋势 季节性 非年度循环 随机误差 测量随机误差 设计系列 重新安排Thisslidelistssomeoftheusesandlimitationsofmovingaverageforecasting:-Themovingaverageisaverysimpleforecastingtechniquewhichlendsitselftomanualcalculation.Anadvantageofmovingaveragesisthattheyareagoodwaytofilteroutrandomvariationfromademandseries.Thelongerperiodsthemoresmoothingoccurs.Thismeansthatamonthlyforecastwouldhavemoresmoothingthanaweeklyforecastwhichwouldbesmootherthanadailyforecast.Alimitationformovingaverageforecastsisthattheydonotdetectorreacttotrendsverywell.Bytheverynatureofcalculationamovingaveragewilllaganytrendsandhencethismethodofforecastingisnotgoodforproductssubjecttoseasonalordynamicchangesindemand.Exponentialsmoothingisaformofmovingaverageforecastingwhichusesweightingfactorstomodifytheemphasisplacedonmorerecenttimeperiods.Exponentialsmoothingusesaweightingfactorcalledalphawhichisexpressedasadecimalquantity.Thisfactorisusedtoweightthemostrecentpastperiod,withthereciprocalbeingusedtoweightthemoredistantpastperiod.Itisnotnecessarytoexplaintheexponentialsmoothingformulainthiscourse,butthekeyconceptsofexponentialsmoothingshouldbecovered.Exponentialsmoothingworkswellwithitemsthataresubjecttostabledemand,I.enoseasonalityortrendcomponents.Exponentialsmoothingisgoodforshortrangeforecasts,anditcandetecttrends,butlikeanymovingaverageprogramitlagsthetrend.Explainthatanextensionofthismethodiscalleddoubleexponentialsmoothingandthisrequirestheuseoftwoweightingfactors,alphaandbeta,andthepurposeofthistechniqueistorespondOneoftheimportantaspectsofforecastingishowthedataiscollectedandrecorded.Thedatashouldbecollectedinthesametermsastheforecastisrequired.Forexampleiftheforecastisrequiredtobeexpressedinweeklyintervals,thenthedatashouldbecollectedinweeklyintervalsaswell.Itisimportanttorecordsalesnumbersinhistorynotmerelyshipments.ThesalesnumbersshouldalsoincludelostsalesOneoftheconcernsinforecastingistheideaofoutliers,thesearedatapointsthatdonotfittheregularpatternofsales.Recordinformationbygroupsofcustomers,thegroupsofcustomerscanbeorganizedbyanyclassificationthatmakessense,itcouldbebytypeofcustomer,industry,market,demographicsetc.