需求预测
Session 1
Forecasting Demand
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。
1-1
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。”
1-2
为什么需要预测?
计划未来，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。
1-3
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。
1-4
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；
1-5
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
1-6
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
1-7
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。
1-8
外部因素
S – 社会（Social）
T – 技术（Technology）
E – 环境规则（Environmental regulations）
E – 经济（Economic）
E – 人的观念（Ergonomics）
P – 政治（Political）
1-9
需求
对特定产品，部件和服务的需要。
1-10
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
1-11
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
1-12
主生产计划在不同制造策略中的应用
ETO – 没有MPS
ATO – 部件组装 MPS/Forecast/装配计划FAS
MTS – 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
Mass Customization – 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
1-13
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
根据物料清单展开
非预测项目
1-14
季节性需求
1-15
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。
1-16
季节性指数=
整个时区内的平均需求
特定时区内的平均需求
季节性指数的计算（Cont.）
某品牌冰淇淋的销售数据：
四舍五入 409
平均
4910
2510
2400
合计
22 /409
22
12
10
12
22 /409
22
12
10
11
205 /409
205
105
100
10
710 /409
710
360
350
9
1430 /409
1430
730
700
8
1220 /409
1220
620
600
7
820 /409
820
420
400
6
310 /409
310
160
150
5
105/409
105
55
50
4
22/409
22
12
10
3
22/409
22
12
10
2
22/409
22
12
10
1
季节指数
计算
合计
2003
2002
月份
1-17
经济循环
1-18
金字塔形的预测方法
产品的量
（单位）
产品族的量
（单位/金额）
总业务量
（金额）
Roll up Actual Demand
Force down Forecasts
1-19
定性的
定量的
预测技术—金字塔形预测的例子
ROLL-UP
X2 units－4,845
price－$
－units－13,045
产品组平均 price－$
－units－15,000
X1
X2
产品层预测
X1units－8,200
price－$
产品族层预测
产品组-调整的预测
FORCE-DOWN
1-20
金字塔形预测中销售收入的应用
$
4
$250,000
15,002
$
5,572
$
9,430
3
2
$217,452
13,045
$
4,845
$
8,200
1
Revenue
Qty
price
units
price
units
Totals
X2
X1
F
E
D
C
B
A
1-21
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 $ 单价 $
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。
1-22
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。
1-23
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
1-24
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。
预测（新） = a x 实际需求 + (1- a) x 预测（老）
预测（新） =预测（老） + a X (实际需求 –预测（老） ）
1-25
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
1-26
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 period
= 3 periods
= 6 periods
= 12 periods
= 19 periods
1-27
指数平滑因数a不同，预测需求的趋势变化
低权重 –非常平滑
高权重 – 接近实际
实际销售
1-28
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 =
预测（新） = 160 + ( x (200 – 160))
= 160 + ( x 40) = 164
例子 :预测（老） = 160, 实际 = 200, a =
预测（新） = 160 + ( x (200 – 160))
= 160 + ( x 40) = 192
1-29
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
1-30
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
1-31
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
1-32
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
家具
婴儿产品
电子商务销售
医药供应
营养产品
适宜产品
1-33
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
1-34
BCG Matrix
波士顿矩阵
1-35
相对市场份额
明星（Star）
问号（Question Mark）
瘦狗（Dog）
现金牛（Cash Cow）
高
市场增长率
低
小
大
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。
1-36
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
1-37
计划范围和时区
时区 （周数）
预测时间范围
短 中 长
周 月 季度
1 2 3 4 5 6 7 8 9 10111213 17 21 26 30 34 39 43 47 52 65 78 91 104
计划范围
1-38
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。
1-39
异常数据的处理
1-40
0
5
10
15
20
25
J
F
M
A
M
J
J
A
S
O
N
D
J
F
M
A
M
J
J
A
S
O
N
D
500
505
Outlier (outside the range)
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。
1-41
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
1-42
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
1-43
This slide lists some of the uses and limitations of moving average forecasting:-
The moving average is a very simple forecasting technique which lends itself to manual calculation.
An advantage of moving averages is that they are a good way to filter out random variation from a demand series. The longer periods the more smoothing occurs. This means that a monthly forecast would have more smoothing than a weekly forecast which would be smoother than a daily forecast.
A limitation for moving average forecasts is that they do not detect or react to trends very well. By the very nature of calculation a moving average will lag any trends and hence this method of forecasting is not good for products subject to seasonal or dynamic changes in demand.
Exponential smoothing is a form of moving average forecasting which uses weighting factors to modify the emphasis placed on more recent time periods.
Exponential smoothing uses a weighting factor called alpha which is expressed as a decimal quantity. This factor is used to weight the most recent past period, with the reciprocal being used to weight the more distant past period.
It is not necessary to explain the exponential smoothing formula in this course, but the key concepts of exponential smoothing should be covered.
Exponential smoothing works well with items that are subject to stable demand, no seasonality or trend components.
Exponential smoothing is good for short range forecasts, and it can detect trends, but like any moving average program it lags the trend.
Explain that an extension of this method is called double exponential smoothing and this requires the use of two weighting factors, alpha and beta, and the purpose of this technique is to respond
One of the important aspects of forecasting is how the data is collected and recorded. The data should be collected in the same terms as the forecast is required. For example if the forecast is required to be expressed in weekly intervals, then the data should be collected in weekly intervals as well.
It is important to record sales numbers in history not merely shipments. The sales numbers should also include lost sales
One of the concerns in forecasting is the idea of outliers, these are data points that do not fit the regular pattern of sales.
Record information by groups of customers, the groups of customers can be organized by any classification that makes sense, it could be by type of customer, industry, market, demographics etc.
