六、因果预测
因果关系
影响因素
需求
n
—— 移动平均的时期个数；
At −1 , At − 2 , At −3 , At − n —— 前期、前两期、前三期直至前n期的实际值
二、加权移动平均
简单移动平均的各期数据权重都相等，一般而言，最近期 的数据最能预示未来的情况，因而其权重应大些。因此我们可 使用加权移动平均，给各期数据不同的权重。 加权移动平均， 应根据预测的产品需求的变化特点选择合理的权重分配。 应根据预测的产品需求的变化特点选择合理的权重分配。
0.5×100 + 0.25×90 + 0.15×105 + 0.1×95 = 97.75
三、指数平滑法
如果越远的数据其重要性就越低，且其影响力呈几何级数 减少，则指数平滑法就是逻辑性最强且最为简单的方法。 在预测方法中，使用频率最高的是回归分析法，指数平滑 法居第2位。
1、一次指数平滑法
计算公式： 计算公式：
第二年的预期 需求量 季平均销售量 季节因子 第二年的季节 预测值
春季 夏季 秋季 冬季 总计
275 275 275 275 1100
× × × ×
0.8 1.4 1.2 0.6
= = = =
220 385 330 165
作业：计算趋势和季节因子，预测1998年度的各季节的销 售量。假设历史数据为： 年—季度 1996-Ⅰ 1996-Ⅱ 1996-Ⅲ 1996-Ⅳ 销售 300 200 220 530 年—季度 1997-Ⅰ 1997-Ⅱ 1997-Ⅲ 1997-Ⅳ 销售 520 420 400 700
短期预测：可用于为采购件或自制件确定恰当的 订货量与订货时机的安排并计划恰当的制造能力，并 考虑提前３至６个月平整工作负荷是否值得。 近期预测：可用于每周或每日的装配进度与成品 库存的分配。
二、预测的目的和作部门来负责预测。生产主管决定买进更多物料是 因为他相信会销售更多的产品；他决定雇佣多一名工人，因为 他相信工作负荷将继续增加。二次大战前若干年，许多公司开 始认识到正规预测的潜在利益，他们设置专门的小组、化了许 多钱去开发使用统计方法或其它复杂的预测方法。这一时期处 于预测的过分乐观时代。人们认为只要对预测投入足够的钱、
指数平滑中的参数选择： 指数平滑中的参数选择： 初始值：无历史数据则以主观估计；历史数据较少则用历史数据
的算术平均值；历史数据较多时用第一个值。 平滑常数α 平滑常数α： α小，预测的稳定性较好； α大，预测的响应性较
好。
2、二次指数平滑法
计算公式： 计算公式：
⑵ ⑴ ⑵
Ft +1= αFt+1+(1-α) Ft Yt+T=at+btT at= 2Ft - Ft
四、预测的一般步骤
历史数据 选择预测方法 初步预测结果 决策人员经验 预测结果 计划应用 预测偏差 预测控制系统
2.2、定性预测
• 定性预测是主观预测法，一般不需要复杂的计算公式。 • 主要方法有： 一般预测 市场调研 小组共识法 历史类比 德尔菲法
一、一般预测（销售人员意见综合法 ）
基本观点：预测是基于来自低层经验的逐步累加。 假设前提：处于最低层的销售人员，那些离顾客最近的、 最了解产品最终用途的人，最清楚产品未来的的需求。 做法： 由销售人员收集情报，然后逐级上报的做法。
五、德尔菲法 德尔菲法
2.2、定量预测
• 利用历史数据，建立数学模型来进行预测。 • 主要方法：
简单移动平均法 简单移动平均法 加权移动平均法
时间序列分析
指数平滑法 线性回归分析 时间序列分解
因果预测 期因素、随机因素。
• 需求构成 ： 平均需求、需求趋势、季节因素、周
需求构成
一、简单移动平均
适用场合：产品需求为随机波动，既不快速上升也不快速下 降，且不存在季节性因素时。移动平均法能有效消除预测中 的随机波动。选择移动平均的最佳区间很重要。
计算公式为： 计算公式为：
Ft =
A t −1 + A t − 2 + A t − 3 + L + A t − n n
F t —— 对下一期的预测值；
春季 夏季 秋季 冬季 总计 历史 200 350 300 150 1000 季节平均产量 250 250 250 250 1000/4=250 季节因子 200/250=0.8 350/250=1.4 300/250=1.2 150/250=0.6
假如我们预计次年的需求为1100，根据上述季节因子，可 预测下一年各季度需求为：
4、利用趋势方程计算出无季节性因素的预测值，将该值 乘以季节指数则可得到最终的预测值。 相加式季节变动 预测=趋势+季节变动量 相乘式季节变动 预测=趋势×季节因子
例. 假设在过去一年内，某企业平均每年售出1000单位某产 品，其中春季售出200，夏季300，秋季300，冬季150。季节 因子（季节指数）等于各季度销售量除以季度平均销售量所 得的比值。 解：在本例中，将年销售量均摊到各季度上，得各季节平均 销售量1000÷4=250.则季节因子为：
第二章 需求预测
2.1、基本概念 2.2、定性预测 2.3、定量预测
第二章 需求预测
• 生产计划的编制依赖于市场的需求。
订单生产
市场的订单（确定） 产品的需求
备货生产
对市场的预测（不定）
各类预测及其用途
预
住户数┃ 未来５年所需的总生产量 未来２年所需的设备小时数（按类别） 明年按产品系列分组的个别产品的销售 量
一、预测的定义及分类
1、定义：预测是指对未来不确定事件的推断和测定，是
研究未来不确定事件的理性表述，是对事物未来发展变化的趋 向，以及人们从事活动所产生后果而做的估计和测定。
预测可以是主观的推断，也可以是根据以往资料 进行的客观推测。 2 、分类 按预测的时间跨度： 长期预测：可用于工厂扩展与添置新机器、新设 备，以便提前3年或更早地去计划资本投资。 中期预测：可用于长提前期物料的购买或作业率 的计划，提前１至２年考虑季节性或周期性的产品。
时间序列可定义为按时间顺序排列的数列，它包含一 个或多个需求量分量：趋势，季节性，周期性，随机 性 。我们这里只研究趋势，季节性这2个分量，周期 性，随机性确定比较困难，视具体情况而定。 步骤： 1、根据历史数据计算1年内的移动平均值（消除季节 性因素）。 2、通过实际需求与移动平均值计算各个时期的季节因 素（当期实际需求/移动均值）和季节指数（所有季节 因素的平均值）。 3、利用消除季节性因素的数据（当期实际需求/季节 指数）拟合出趋势方程。
⑴ ⑵
α ⑴ ⑵ bt= 1-α (Ft - Ft )
适用范围： 适用范围：
当有上升或下降的直线趋势时，用二次指数平滑法。当有非线性 趋势时，可使用三次指数平滑法。
四、线性回归分析
适用于变量呈严格直线关系。时间序列分解和因果预测中 的线性趋势都可用线性回归。 常用方法：最小二乘法。
五、时间序列分解
Ft = αDt-1+(1-α) Ft-1
F t 、 F t − 1 第t期和第t-1期的指数平滑预测值；
Dt-1 第t-1期的实际需求；
α
平滑常数。
之所以称之为指数平滑是因为每靠前一期其权重就降低 1- α 。例如，设α=0.05，则各个时期的权重如下所示
α×（1- α ）0 = 0.0500 α×（1- α ）1 = 0.0475 α×（1- α ）2 = 0.0451 α×（1- α ）3 = 0.0429
计算公式： Ft+1= wtDt+wt-1Dt-1+ wt-2Dt-2 + … +wt-(n-1)Dt-(n-1)
i=t-(n-1)
Σ wi = 1
t
wt> wt-1>wt-2 > … > wt-(n-1)
例： 一家百货店采用4月加权移动平均法预测其销售额，其权重 是wt=0.5 ， wt-1=0.25， wt-2=0.15， wt-3=0.1，6月份前四 个月的销售额分别为100,90,105,95。6月的销售额预测值为：
测
需
要
者
市场营销：确定总的潜在的市场成长 制造：工厂扩展规划 制造：明年的资本预算 销售：报价 财务：开支预算 制造：工人与机器能力 物料控制：季节性库存需求与采购订单 物料控制：工作中心能力，自制与采购 的组件 物料控制：装配日程与调度优先级
个别产品下季度销售量 个别产品下周销售量
2.1、基本概念
物品的平均预测误差
1、预测的目的
提出可靠的预估资料，供决策人员参考。
2、预测的作用
企业编制长期计划的基础 为预算和成本控制提供依据 为开发新产品提供信息 为补充销售人员提供依据 是作出关键决策的基础 用于编制生产作业计划
三、需求分析
独立需求（Independent Demand）：产品的需求由市 场决定与其他产品、服务无关。（不确定） 相关需求（Dependent Demand）：由对其他产品、服 务的需求所导致的对某种产品、服务的需求。（可推 导出来）
二、市场调研（顾客期望法）
通常是聘请第三方专业市场调研公司进行预测。 数据收集方法有问卷调查和上门访谈两种。 要注意顾客的期望与其实际购买行为的偏差。
三、小组共识
由不同部门，不同层次的人集体讨论，进行预测。
四、历史类比
预测某些产品的需求时，用同类型产品（互补产品，替代 产品、竞争性产品）作为类比模型。
一个基本的统计事实是虽然总体中每一个体的行为是随机 的，但总体作为整体具有相当稳定的特征。例如，要预测个别 人的预期寿命是极为困难的，但保险公司能以高准确度预测大 群个人的平均预期寿命。
某工具厂三季度销售预测
物 品 #7147 - 灯 #8014 - 钳子 #8663 - 锉刀 #8726 - 纤维切断机 #8933 - 螺刀 #9250 - 剪切机 #9261 - 剪刀 #9337 - 耙 #9604 - 锄 #9638 - 铲 总 计 预 测* 47,600 12,800 1,505 22,500 10,100 17,450 28,500 68,000 27,200 3,320 238,975 实 际 42,784 9,125 1,157 28,392 11,394 14,860 27,733 68,105 17,566 4,638 226,284 差 额 - 4816 - 3675 - 348 + 5892 + 1834 - 2590 - 767 + 105 - 9644 + 1318 - 12,691 = 19.9 差额％ - 10.1 - 28.7 - 23.1 + 26.1 + 18.1 - 14.8 - 2.7 + 0.2 - 35.4 + 39.8 - 5.3