Transcript 7.5 時間序列的預測方法（續）

© 2011 台灣培生教育出版(Pearson Education Taiwan)
1
學習目標
1. 了解預測在企業和供應鏈中扮演的角色。
2. 分辨需求預測的組成要素。
3. 給定過去資料下，利用時間序列方法在供應鏈上
預測需求。
4. 分析需求預測以估計預測誤差。
© 2011 台灣培生教育出版(Pearson Education Taiwan)
2
7.1 預測在供應鏈中的角色
在供應鏈上，未來需求的預測為所有策略和規劃
決策的基礎。
同時用於推／拉過程。
以下決策可以強化供應鏈廠商間的協同預測：
–生產：排程、存貨控制、總體規劃、採購。
–行銷：行銷人員分派、促銷、新產品介紹。
–財務：工廠／設備投資、預算規劃。
–人事：人力規劃、僱用、解僱。
這些決策會相互影響。
© 2011 台灣培生教育出版(Pearson Education Taiwan)
3
7.2 預測的特性
預測永遠會有誤差，所以必須包含期望值和預測
誤差的量測。
長期預測通常較短期預測來得不準確。
總和預測通常比個別預測來得正確。
一般來說，一家公司的供應鏈愈長（也就是公司
與顧客之間的距離愈遠），所獲訊息失真的可能
性愈大。
© 2011 台灣培生教育出版(Pearson Education Taiwan)
4
7.3 預測的構成要素與預測方法
定性法(qualitative)：定性的預測方法是主觀的，
依個人的判斷和意見去進行預測。
時間序列法(time series)：使用歷史需求去進行
預測。
– 靜態性方法；適應性預測方法。
因果關係法(causal)：假設需求預測與環境中的
某些特定因子是高度相關。
模擬法(simulation)：模仿消費者的選擇，這些選
擇會引起需求，因而導出預測。
– 能結合時間序列與因果分析。
© 2011 台灣培生教育出版(Pearson Education Taiwan)
5
7.3 預測的構成要素與預測方法（續）
– 系統部分(systematic component)由需求的期望值予以度
量。其組成為：
» 水準(level)：去除季節性因素的目前需求。
» 趨勢(trend)：對於下一個週期在需求上成長或衰退的比例。
» 季節性因素(seasonality)：在需求上可以預測的季節性變
動。
– 隨機部分(random component)是偏離系統部分的預測。
– 預測誤差(forecast error)是量測預測與真實需求之間的差
距。
© 2011 台灣培生教育出版(Pearson Education Taiwan)
6
7.4 需求預測的基本方法
了解預測目標
整合供應鏈中的需求規劃和預測
了解與確認顧客的類別
確認影響需求預測的主要因素
決定適當的預測技術
建立預測的績效與誤差衡量
© 2011 台灣培生教育出版(Pearson Education Taiwan)
7
7.5 時間序列的預測方法
目標都是為了預測需求的系統部分。
–相乘：系統部分＝水準×趨勢×季節性因素
–相加：系統部分＝水準＋趨勢＋季節性因素
–混合：系統部分＝（水準＋趨勢）×季節性因素
靜態性方法
–假設需求的系統部分是混合的：
© 2011 台灣培生教育出版(Pearson Education Taiwan)
8
7.5 時間序列的預測方法（續）
– 第t＋l 期的需求在期間 t 作預測可以表示如下：
© 2011 台灣培生教育出版(Pearson Education Taiwan)
9
7.5 時間序列的預測方法（續）
– 估計水準和趨勢
» 在估計水準和趨勢之前，必須將需求資料的季節性因
素去除(deseasonalizing)。
» 去除季節性因素的需求(deseasonalized demand)代
表在去除季節變動影響下所觀察到的需求。
» 週期代號(periodicity) p：
代表每一季節性循環中的週期數。
以Tahoe Salt的需求為例，需求週期數為p＝ 4。
© 2011 台灣培生教育出版(Pearson Education Taiwan)
10
7.5 時間序列的預測方法（續）
© 2011 台灣培生教育出版(Pearson Education Taiwan)
11
7.5 時間序列的預測方法（續）
© 2011 台灣培生教育出版(Pearson Education Taiwan)
12
7.5 時間序列的預測方法（續）
» 去掉季節性因素的需求：
» 在此例子裡，p＝4是偶數。對於期間 t＝3：
© 2011 台灣培生教育出版(Pearson Education Taiwan)
13
7.5 時間序列的預測方法（續）
» 接著加入趨勢T：
» Dt＝在時間 t 的去除季節性因素需求
L＝水準（在時間0的去除季節性因素需求）
T＝趨勢（去除季節性因素需求的成長率）
» 可以利用線性迴歸估計出這兩個值，利用去除季節
性因素需求當作應變數，而時間當成自變數（可以
利用Excel完成）。
» 以Tahoe Salt為例，L＝18,439 和T＝524。
© 2011 台灣培生教育出版(Pearson Education Taiwan)
14
7.5 時間序列的預測方法（續）
© 2011 台灣培生教育出版(Pearson Education Taiwan)
15
7.5 時間序列的預測方法（續）
© 2011 台灣培生教育出版(Pearson Education Taiwan)
16
7.5 時間序列的預測方法（續）
– 估計季節性因素
» 利用公式7.4可以得到每一個期間的去除季節性因素
需求。
» 對於期間 t 的去除季節性因素，是真實需求St 對去
除季節性需求的比值，可以表示如下：
© 2011 台灣培生教育出版(Pearson Education Taiwan)
17
7.5 時間序列的預測方法（續）
© 2011 台灣培生教育出版(Pearson Education Taiwan)
18
7.5 時間序列的預測方法（續）
» 若給定r個季節循環資料，對於任一給定週期 pt＋i，
1≦i ≦ p，可以得到季節性因素如下：
© 2011 台灣培生教育出版(Pearson Education Taiwan)
19
7.5 時間序列的預測方法（續）
» 針對Tahoe Salt，資料總計是12週期，循環週期數p
＝4，表示有r＝3的季節性循環週期。利用公式7.6可
以得到季節性因素如下：
© 2011 台灣培生教育出版(Pearson Education Taiwan)
20
7.5 時間序列的預測方法（續）
» 利用靜態預測方法對未來4季求得的預測值如下：
© 2011 台灣培生教育出版(Pearson Education Taiwan)
21
7.5 時間序列的預測方法（續）
適應性預測方法
– 對於適應性預測方法，水準、趨勢和季節性因素
的估計都會因為觀測到的需求值而修正。
– 幾種適應性預測方法：
» 移動平均法
» 簡單指數平滑法
» 趨勢修正的指數平滑法（Holt 模式）
» 趨勢和季節性修正的指數平滑法（Winter 模式）
© 2011 台灣培生教育出版(Pearson Education Taiwan)
22
7.5 時間序列的預測方法（續）
適應性預測的基本公式
– 在第t 期時對第t＋l 期作預測可以下式表示：
© 2011 台灣培生教育出版(Pearson Education Taiwan)
23
7.5 時間序列的預測方法（續）
適應性預測方法架構中的四個步驟說明如下：
– 1.計算起始值：計算水準(L0) 、趨勢(T0)及季節性
因素(S1,…, Sp)等數個起始值。完成此步驟的方法
正如靜態預測方法。
– 2.預測：利用式7.7 求第t＋l期的預測需求。
– 3.估計誤差：Et+1＝Ft+1－Dt+1 。
– 4.修正估計值：在已知預測誤差Et+1 下，修正水準
(Lt+1)、趨勢(Tt+1)和季節性因素(St+p+1)的估計值。
© 2011 台灣培生教育出版(Pearson Education Taiwan)
24
7.5 時間序列的預測方法（續）
移動平均法
– 當需求假設沒有明顯的趨勢和季節性因素時可使用。
– N －期間移動平均：以最近N個期間的平均水準當成
期間t 水準的估計值。
© 2011 台灣培生教育出版(Pearson Education Taiwan)
25
7.5 時間序列的預測方法（續）
– 所有用於未來期間需求的目前估計值是相同，且是以
目前水準估計值來估算。
– 在觀察完第t＋1期的需求後，可以修正預測值如下：
– 例子：例題7-1。
© 2011 台灣培生教育出版(Pearson Education Taiwan)
26
7.5 時間序列的預測方法（續）
簡單指數平滑法
– 當需求沒有明顯的趨勢或季節時使用。
– 水準L0的初始估計值可用所有歷史資料的平均值計算。
© 2011 台灣培生教育出版(Pearson Education Taiwan)
27
7.5 時間序列的預測方法（續）
– 現在對於所有未來期間的預測值都等於現在的水準
預測值，且可表示如下：
– 在觀察到期間t＋1的需求Dt＋1之後，修正水準的估
計值如下：
– 例子：例題7-2。
© 2011 台灣培生教育出版(Pearson Education Taiwan)
28
7.5 時間序列的預測方法（續）
趨勢修正的指數平滑法（Holt模式）
– 適用於當需求的系統部分有水準和趨勢的特性，而
沒有季節性因素時。
– 利用求解需求 Dt 和時間週期 t 的線性迴歸式可以得
到水準和趨勢的起始值如下式：
– 第t期未來期間的估計值可表示如下：
© 2011 台灣培生教育出版(Pearson Education Taiwan)
29
7.5 時間序列的預測方法（續）
– 觀察第t期的需求後，修正水準和趨勢的估計值如下：
α＝水準的平滑係數
β＝趨勢的平滑係數
– 例子：例題7-3。
© 2011 台灣培生教育出版(Pearson Education Taiwan)
30
7.5 時間序列的預測方法（續）
趨勢和季節性修正的指數平滑法（Winter模式）
– 當需求的系統部分假定有水準、趨勢和季節性因素
時，適用於本方法。
– 假設需求的重複循環期數為 p。
– 一開始需要水準(L0)、趨勢(T0)和季節性因素(S1, . . .,
SP)的起始估計值。使用在靜態性預測方法的程序可
得到上述的起始估計值。
– 對於期間 t，對未來期間的預測可以下式表示：
© 2011 台灣培生教育出版(Pearson Education Taiwan)
31
7.5 時間序列的預測方法（續）
– 在得到第t＋1期的需求觀測值後，修正水準、趨勢
和季節性因素之估計值如下：
α＝水準的平滑係數
β＝趨勢的平滑係數
γ＝季節性因素的平滑係數
– 例子：例題7-4。
© 2011 台灣培生教育出版(Pearson Education Taiwan)
32
7.5 時間序列的預測方法（續）
© 2011 台灣培生教育出版(Pearson Education Taiwan)
33
7.6 預測誤差的衡量
預測誤差：
均方誤差(mean squared error, MSE)：
絕對誤差(absolute deviation)：
平均絕對誤差(mean absolute deviation, MAD)：
© 2011 台灣培生教育出版(Pearson Education Taiwan)
34
7.6 預測誤差的衡量（續）
平均絕對百分比誤差(mean absolute percentage
error, MAPE)：
偏態(bias)：要判別是否預測方法持續高估或低估
需求，可以使用預測誤差的總和去評估此偏態。
© 2011 台灣培生教育出版(Pearson Education Taiwan)
35
7.6 預測誤差的衡量（續）
追蹤指標(tracking signal, TS)：是偏態和MAD
的比值。
– TS值須在 ± 6 的範圍內，否則可以另外選擇一個
新的預測方法。
© 2011 台灣培生教育出版(Pearson Education Taiwan)
36
7.7 資訊科技在預測中的角色
供應鏈資訊系統的預測模組，常稱為需求計畫模
組(demand planning module)，是供應鏈軟體產
品的核心。
預測中善用資訊科技的能力有幾個重要好處：
– 商業需求計畫模組伴隨許多可能非常先進，並具專
利的預測演算規則。
– 優良的預測配套系統適用於廣大的產品類型，只要
輸入任何新需求資訊，系統便能及時更新。
» 使公司能快速回應市場的改變，並避免因反應延遲
而造成的成本。
© 2011 台灣培生教育出版(Pearson Education Taiwan)
37
7.7 資訊科技在預測中的角色
– 正如需求規劃(demand planning)這個名稱的意義，
這些模組可促進需求的實現。
要注意的是，這些工具沒有一種是絕對安全可靠
的。
© 2011 台灣培生教育出版(Pearson Education Taiwan)
38
7.8 預測中的風險管理
規劃未來時必須考量預測誤差的風險。
錯誤的預測會造成明顯的存貨、設施、運輸、外
包、訂購，甚至資訊管理等資源的誤差分配。
有很多原因會造成預測的誤差，其中有些更是經
常發生，所以要特別注意。
–前置時間長、季節性因素、產品生命週期短、產品
需求不穩定等。
有兩個策略可減緩預測的風險：
–提升供應鏈的回應性。
–利用機會整合需求。
© 2011 台灣培生教育出版(Pearson Education Taiwan)
39
7.9 預測實務
協同預測的建立和供應鏈夥伴協同常能獲得更精
確的預測。
資料的價值依其在供應鏈所處位置而定。
確定要分辨出需求與銷售的差異。
© 2011 台灣培生教育出版(Pearson Education Taiwan)
40
案例研討：特殊包裝公司，A部分
© 2011 台灣培生教育出版(Pearson Education Taiwan)
41
案例研討：特殊包裝
公司，A部分（續）
© 2011 台灣培生教育出版(Pearson Education Taiwan)
42
案例研討：特殊包裝公司，A部分（續）
© 2011 台灣培生教育出版(Pearson Education Taiwan)
43