第3章 需求管理与预测
Demand Management and Forecasting
第1节 需求管理(Demand Management)
需求管理的重要性
Speed to compliance
Lower inventory
Cross-docking
Value-added services
Higher number of SKUs
Direct-to-consumer
Configure-to-order
Customer / retailer satisfaction
Operational productivity
Transportation efficiency
Improved in-stock positions
Lower inventory
Flexible business practices
Customer Requirements
Supplier Requirements
Imperfect Information
生产/运作管理的计划与控制系统(Production Planning and Control System, PPC)
生产/运作管理的主要工作之一，就是要把来自市场（用户）的需求，转换成企业组织制造资源的最优（最起码应是满意）的生产计划。
因此，市场的需求是最优利用企业制造资源的前提之一，是企业任何运作的“驱动源”。
为此，我们可先了解生产计划与控制系统的构成情况，看其与需求管理的关系。
生产运作管理的计划与控制系统构成
Inventory
status data
Bill of
Material
能力需求计划
资源计划
Resource Planning
生产计划
Production
Planning
需求管理
Demand
Management
主生产计划
Master Production
Scheduling
详细物料需求计划
Detailed Materials
Requirement planning
时间分段的物料需求计划
Time-phased requirement
Planning
物料与能力计划
Material and Capacity Planning
供应商系统
Vender Systems
车间生产系统
Shop-floor systems
需求市场
采购市场
需求管理(Demand Management)的含义
需求管理的含义
所谓需求管理,需求管理的任务就是协调、控制各种需求的来源，从而有效地利用生产系统，并按时发货。是对包括预测、接受定货决策、交货期设置、用户订货、服务、物流管理及其他与用户交往活动的总称.
需求管理是将市场上（企业外部）的需求信息转化为企业生产系统所能接受的特定信息，是生产系统的计划与控制的出发点和依据。
本章所讨论的需求管理, 主要涉及一个企业日常的生产管理中，用户需求与企业生产活动之间的交互关系，目的是通过对需求的管理, 最大限度地运用企业的能力满足用户需求。
第2节 需求的内容和方法
需求的主要内容
需求管理与生产计划（Production Planning）
需求管理的工作做好了,企业可以从中得到许多好处, 尤其是与生产管理相关的问题，例如：
· 可以较好地使用和控制生产能力；
· 可以恰如其分地设置用户的交货期, 得用户的信任；
· 可以改进物流的运输和库存, 等等.
需求管理与主生产进度计划（MPS）
需求管理与MPS之间的交往非常频繁、内容非常详细。对MTS、ATO和MTO三种类型，需求管理的内容也有很大不同。
MTS是考虑库存的变化而不是根据与用户签定的销售合同，MPS的任务是通过补充消耗掉的库存来满足需求。
ATO(Assembly-to-order)考虑短期内的订单，按订单的交货期下达装配生产计划。
MTO很难通过预测获得需求信息。
需求管理的任务之一，就是把每天的用户订单处理成MPS。
不同生产类型企业的MPS时间栅栏(Time fence)
需求栅栏
计划栅栏
Make-to-
Stock
Assembly-
to-Order
Make-to-
Order
用户订货
冻结
半固定(雪)
可变动(水)
当前时间
企业
能力
预测订货
需求管理的方法
产品与零部件需求预测
MTS的需求管理
ATO的需求管理
MTO的需求管理
电子商务环境下的需求管理
电子商务环境下用户需求信息传递的特性:
信息发生频率高
需求品种和需求量随机变化
用户要求能即时反馈
“724”的服务能力
对需求管理提出了更高的要求
自动处理机制
小订单处理模式(优先准则)
生产能力状态的实时反映
与合作伙伴的结盟
物流状态跟踪
供应链运行的评价
第3节 需求预测
(Demand Forecasting)
预测的概念与分类
预测是对未来事件发展的预计与推测。
预测的种类
社会预测、经济预测、技术预测、企业预测(Business forecasting)
预测的作用
Plan the system: long term planning: concerning the product & service provided, what facilities and equipment to have, where to locate, and so on.
Plan the use of the system: short-term or intermediate-term planning: involve planning inventory, work force level, planning purchasing and production, budgeting, and scheduling.
预测方法
·定性预测方法
·定量预测方法：时间序列预测模型；因果关系预测模型
定性预测方法(qualitative method)
基于主观判断的预测方法.
Delphi method
Executive Opinions
Sales Force Composite
Customer Surveys
定量预测方法(quantitative method)
时间序列预测模型(Forecasting based on time series data)
T 时间
平均值
趋势值
季节值
销售量
时间序列模型的重点: 趋势值和季节值
时间序列的构成：
－趋势因素
－季节因素
－周期因素
－随机因素
－平均值
－自相关性
预测模型
历史数据的数量
数据形态
预测范围
准备时间
人员背景
移动平均
5-10个观测值
必须为静态
短期
短
简单
简单指数平滑
5-10个观测值以确定权重
必须为静态
短期
短
简单
霍特指数平滑
10-15个观测值以确定权重
呈变动但不含季节性
短、中期
短
略复杂
温特指数平滑
每季度4-5个观测值
趋势变动且含季节性
短、中期
短
一般复杂
回归趋势模型
10-20个；对于有季节因素时每季节至少5个
趋势变动且含季节性
短、中期
短
一般复杂
时间序列分解
能出现两个波峰和波谷即可
可处理季节性、周期性数据，能识别拐点
短、中期
短
简单
因果回归模型
每个独立变量需要10个观测值
可处理复杂类型的数据
短、中、长期
开发时间长
相当复杂
Box-Jenkins
50个以上
必须静态
或转换为静态
短、中、长期
开发时间长
很复杂
预测模型的选用指南
企业选择预测模型的基本原则：
- 预测的时间范围
- 能否获得相关的数据
- 所需要的预测精度
- 预测预算的规模
－ 预测人员的背景
1）、移动平均值(Moving Average)
简单移动平均(Simple Moving Average)
移动平均的主要目的是平滑数据，消除随机干扰，使得变化形态显示出来。
设：时间序列XT为X1,X2,X3…Xt…
其平均值SMAt+1=(Xt+Xt-1+Xt-2+…+Xt-N+1)/N t>=N
其中，Xi 为时间段的观察值
Ni 为移动平均的时间段
则，称SMAt+1为时间序列XT的第t+1观测期内的简单移动平均的预测值，随t的变化，SMAt+1也相应第发生变化。在简单移动平均法中，时间序列中的数值对预测值的影响是同等看待的。
MA5
MA3
注意要点：
对于简单滑动平均预测方法，关键是选择移动时间区间的大小，即n的大小。n的大小的选择与预测者要求的适应性有关。如果管理者追求稳定性，n的值应该选择大一些，如果管理着的目标是体现响应性，则应选择小一点的n。
主要特点：
－简单、易操作；
－N值的大小的选取取决于预测曲线的灵敏度的期望 ；
－缺点：每一因素必须要以数据表达，数据涉及量大 ；
－忽视了需求的自相关性；
(2)加权移动平均法 （Weighted Moving Average）
加权移动平均法是在简单移动平均法的基础上，将时间序列中的数据对预测的影响做不同看待，对每个序列值乘以不同的加权因子。
设：时间序列XT为X1,X2,X3…Xt…
其加权平均值WMAt+1=(α0Xt+α1Xt-1+α2Xt-2+…+αN-1Xt-N+1)/N t>=N
其中，Xi 为时间段的观察值
Ni 为移动平均的时间段
αj 为相应的时间段的加权因子，且满足：
(α1+α2+α3+…+αN-1)/N=1, j=0,1,2…N-1 N<=t
当α0=α1=α2=…=αN-1时，WMAt+1=SMAt+1,因此简单移动平均是加权移动平均的特殊形式。
则，称WMAt+1为时间序列XT的第t+1观测期内的简单移动平均的预测值，随t的变化，WMAt+1也相应第发生变化。在简单移动平均法中，时间序列中的数值对预测值的影响是不同等看待的。
注意要点：
在简单移动平均法中预测值与N值的大小有关，N越大，对干扰的敏感性就越低，预测值的响应性就越小。
- 在实际预测中往往越近的数据对预测的影响力就越大，因此加权因子是由大到小变化的,但是如果数据是季节性的则权值的选取也应是季节性的。采用加权移动平均更能反映实际情况。
- 在加权移动平均中α和N是影响预测的稳定性和响应性的重要参数。
2）、指数平滑法(Exponential smoothing)
一次指数平滑(Single Exponential Smoothing)是加权移动的又一种形式。
设时间序列XT的n次实际测试的记录数据为X1,X2,X3…,Xn；X0为初始值。又设SA1,SA2…,SAn为平滑预测值。若平滑预测值的SAt由下面公式表示：
SAt = SAt-1+α(Xt-1-SAt-1)
或
SAt = αXt-1 + (1-α)SAt-1
其中，α为平滑常数(<1&>0)， (Xt-1-SAt-1)为上一次的预测误差。
因此，物理上理解平滑指数法是：
本次预测值 = 上次预测值 + α* 上次预测误差
或：本次预测值 =α*上实测值 + （1-α）* 上次预测值
例如，上期预测值可卖出42个产品，实际卖出40个，取=, 则下一期的预测值为：
与上面的问题的类似，预测的关键是选择的大小。如果管理者追求稳定性，的值应该选择小一些，如果管理着的目标是体现响应性，则应选择大一点的。
=
=
实际值
如果将SAt = αXt-1+ (1-α)SAt-1中SAt-1用公式展开
则，SAt = αXt-1 + (1-α)SAt-1 =αXt-1 + (1-α)[ αXt-2 + (1-α)SAt-2]
当t很大时，后项可以忽略，因此第t步的预测值可以看成是前t-1步实际测试值的指数形式的加权和，因此称为一次指数平滑法。
在所有预测方法中，指数平滑是最为广泛使用的模型，也是计算机预测程序的重要组成部分。
SAt = α
它具有如下特点：
(1) 指数模型的精度很高；
(2) 建立指数模型相对容易；
(3) 用户能了解模型的运行；
(4) 计算量小。
重要结论：
- 预测值依赖于平滑指数常数α的选择，一般来说α小一些，预测的稳定性就较大，
反之，其响应性就较明显。如果实际图形波动较大，就要求提高模型的响应性，以便迅速跟上数据的变化，则α值取大一些。(参见P47)
- 一次平滑指数法，对于没有趋势需求的稳定序列是可行的。对于有上升或下降趋势的需求序列，此方法不理想。
例题：参见p45
时间分解预测模型------解决季节性预测问题(Seasonal variations)
基本思想：
实际的需求是趋势、季节、周期或随机多种成分共同作用的结果。时间序列分解模型试图从已经发生的时间序列中找出各种明显的易于预测的成分，比如：周期性的变化规律，并在对各种成分进行单独预测的基础上，按照一定的规则综合处理各种成分的预测值，以得到最终的预测结果
常用季节性预测模型
加法模型(Additive Model)：TF=TSCI
乘法模型(Multiplicative model)：TF=T+S+C+I
其中：TF 为时间序列的预测值
T 为趋势成分的预测值
S 为季节成分的度量
C 为周期成分的度量
I 为以上未说明的因素的度量
时间序列分解模型计算示例：
有一个公司记录了1997和1998两年的销售数据，见下表。请根据这些数据预测1999年的销售情况。
时间 销售额(万元)
时间 销售额(万元)
1997年1季度 300
2季度 200
3季度 220
4季度 530
1998年1季度 520
2季度 420
3季度 400
4季度 700
Step 1: 求出趋势值的直线方程。
趋势值
用最小二乘法，求出： Tt=170+55*t
Step 2: 计算季节因子
时间
实际值
趋势值
实际值/趋势值
季节因子
97年1季度
2季度
3季度
4季度
300
200
220
530
225
280
335
390
(300/225)=
(+)/2 =
(+)/2=
98年1季度
2季度
3季度
4季度
520
420
400
700
445
500
555
610
(+)/2=
(+)/2 =
Step 3: 计算1999年的预测值
1999年1季度: (170+55×9)×=831
2季度: (170+55×10)×=562
3季度: (170+55×11)×=535
4季度: (170+55×12)×=1038
第4节 预测误差与监控
(Accuracy and Control of Forecasts)
预测精度（误差的大小）与控制是预测中的重要环节。如果不注意预测环境的变化，原来使用的预测模型可能会由于种种原因产生较大的偏差，从而影响预测结果的精度，使管理人员产生错觉，导致某些决策错误。
4.１预测误差的度量(Measurement of forecast error)
预测误差是指预测值与实际值之间的偏差。其计算方法是：
平均绝对偏差
平均平方误差
平均预测误差
MAD和MSE用于度量预测误差的大小
MFE用于度量预测的无偏性
预测值
实际值
实际值中线
预测监控(Monitoring Forecasting)
较多的场合是采用跟踪信号法(Tracking signal)
可接受误差范围
上限
下限
控制界限
MAD数 标准偏差相关数 落在控制界内点数的百分比
1
2
3
例：
400
50
220
50
1050
1000
6
70
350
90
170
90
1090
1000
5
65
260
40
80
-40
960
1000
4
220
100
120
100
1100
1000
3
60
120
70
20
70
1070
1000
2
50
50
50
-50
-50
950
1000
1
TS
MAD
|A-F|
|A-F|
(A-F)
偏差
实际值
需求预测
月份
3MAD
2MAD
1MAD
TS 0
-1MAD
-2MAD
-3MAD
MTS可以在近期内确定生产计划,实际用户的定单很少,主要靠库存调节供需矛盾.
ATO要差一些,主要用“available-to-order”技术满足用户定单.
MTO大部分是变动性的,能够冻结下来的部分很少
