《需求预测优秀PPT.ppt》由会员分享，可在线阅读，更多相关《需求预测优秀PPT.ppt（13页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、德尔菲法bb德尔菲法，是接受背对背的通信方式征询专家德尔菲法，是接受背对背的通信方式征询专家小组成员的预料看法，经过几轮征询，使专家小组成员的预料看法，经过几轮征询，使专家小组的预料看法趋于集中，最终做出符合市场小组的预料看法趋于集中，最终做出符合市场将来发挥在那趋势的预料结论。德尔菲法又名将来发挥在那趋势的预料结论。德尔菲法又名专家看法法，是依据系统的程序，接受匿名发专家看法法，是依据系统的程序，接受匿名发表看法的方式，即团队成员之间不得相互探讨，表看法的方式，即团队成员之间不得相互探讨，不发生横向联系，只能与调查人员发生关系，不发生横向联系，只能与调查人员发生关系，以反覆的填写问卷，以集结
2、问卷填写人的共识以反覆的填写问卷，以集结问卷填写人的共识及搜集各方看法，可用来构造团队沟通流程，及搜集各方看法，可用来构造团队沟通流程，应对困难任务难题的管理技术应对困难任务难题的管理技术德尔菲法第一步：选择参与预料的专家。其次步：向每个参与者发放预料的问题及说明第三步：收集并整理各参与者预料的结果第四步：把整理后的结果再分发给各参与者，供其考虑是否修正以前的预料结果。第五步：重复二至四的步骤多次，直到大家看法基本一样或大家不想再对自己的看法进行修改时为止。关键:1选择好专家2确定适当的预料专家的规模，一般以10至50人为宜3拟定好调查表，因为它的质量干脆影响预料的精确度。时间序列分解法有些经
3、济数据的长期趋势可以用线性回来模型来估计，但是有些数据序列的长期趋势往往受季节性、周期性和一些不规则因素的影响，在这种状况下，就可以用时间序列分解法来分别这些因素。Q=T*S*C*I,其中Q为销售量预期值，T为长期趋势値，S为季节性因子，C为周期性因子，I为不规则因子1.用4季度移动平均法确定季节性指数4,P463。其基本原理是用移动平均法来度量趋势和周期性组合(TC)。这种做法可以消退季节性和随机变动的影响，即S和I。做法如下：(1)计算时间序列中的4季度移动平均值(TC_1)，例：(500+350+250+400)4=375。(2)对4季度移动平均值再求其移动平均值的中点值(TC_2)，例
4、：(375+362.5/2=368.75)。计算真实销售额(3)计算真实销售额(Y_1)与移动平均值(TC_2)的比率，这个比率事实上表示的季节性和随机变动综合作用的部分即SI=Q/TC。(4)把计算处的比率值按季度排列，例如 第一季度的SR值分别是：1.263、1.367、1.467、1.222、1.348；其次季度的SR值分别是：1.037、0.762、0.812、0.853、0.879；第三季度的SR值分别是：0.678、0.640、0.522、0.588、0.700；第四季度的SR值分别是：1.003、1.067、1.206、1.275、1.116。然后后按季度分别计算平均比率以便剔除
5、随机变动(R)的影响，而该平均比率称为季节性因子(S_1)。例：对于第一季度的计算：(1.263+1.367+1.467+1.222+1.348)5=1.333 4。依次类推计算其次、三、四季度的s1分别得：1.33 4、0.908 6、0.625 6、1.153 4。(5)对季节性因子(S1)进行调整，调整后的季节性因子(用S2表示)。例：第一季度的S2计算：1.333 40-0.005 25=1.328 15，其中0.00525=(1.333 4+0.908 6+0.625 6+1.153 4-4)/5。同样，其次、三、四季度的S2分别是：0.903 35、0.620 35、1.148 1
6、5。上述(1)、(2)、(3)、(4)、(5)的计算结果如上表。2.从原始时间序列中剔除季节性变更影响，即进行非季节性处理。从附图中观测销售额与时期是否有线性变更趋势。通过观测发觉：19941995年销售额有下降的趋势，1996-1999年销售额有上升的趋势。但是，前两年下降的趋势不明显，后四年始终是上升趋势。因此，可以近似看作销售额(Y)与时间(t)有线性关系，并依据非季节性数据作线性回来方程：Y2=a+bt其中。将表中的数据代入上述公式得：Y=149.673+20.882t 3.将t=25、26、27、28代人其次步求得的回来方程(3)，并乘上相应的季节性因子S2，则得出2000年每一季度
7、的销售额预料值。即：Y25=892.149、Y26=625.665、Y_27=442.612、Y28=843.1664，在附图上作出上述回来方程(3)的图形。接受时间序列分解法时，必需视察时间t与非季节性数据Y_2的趋势关系。若t与Y2的趋势变更是近似于线性的，则可用线性回来方程预料;若Y2对t来说是呈几何级数增长，则宜用指数曲线回来方程;若是其他变更，必需接受相应的其他回来方程。接受线性回来方程来预料，但是由于前两年的数值是下降的，后四年的数值是上升的，因此，使得该回来方程的拟合度不是很好。但是，这种影响程度会随着t的增加而减弱，最终不会影响预料的精确度，因为总趋势是上升的。，接受时间序列分
8、解法预料时，由于前两年的数值有下降的趋势，而拟合的是上升趋势的线性回来方程，因此，用该方法预料短期(1-2年)的销售额不精确，通过附图可以看出。指数平滑法假如人们想要预料一个相对平稳（不存在上升或下降的趋势，但有确定的不规则运动）的销售量t序列，可以运用简洁的指数平滑模型。它是通过对过去全部各期的实际和预料值进行加权平均来预料的。由于时间越远，对过去各期所用的权値越小，而这种变小是按指数方式变的，故名指数平滑法。尽管这一方法本身考虑了过去的全部各期，但所幸的是它可以简化为：只要知道当切实际销售量At、过去对当期销售量的预料Ft、以及权値W，就能预料下一期的销售量Ft+1,其模型为Ft+1=Ft
9、+W(At-Ft)经过整理，上式可变为：Ft+1=WAt+(1-w)Ft下表中列出了大明食品公司2003年一季度至2006年一季度各季的实际销售量，以及依据五种不同的权値计算出来的销售量预料值0.2770.2920.3110.3410.3741.901.901.721.431.491.771.621.601.872.262.662.342.121.901.901.761.511.501.711.631.611.812.152.542.372.181.901.901.801.601.551.681.641.621.721.902.142.332.221.901.901.841.711.651.6
10、91.661.651.721.902.142.192.161.901.901.881.831.801.801.781.761.781.831.911.951.971.91.71.41.51.81.61.61.92.32.72.32.10.72003/12003/22003/32003/42004/12004/22004/32004/42005/12005/22005/32005/42006/1W=0.9W=0.7W=0.5W=0.3W=0.1W取不同值时的销售量预测值（万件）实际销售量（万件）时间（年/季）12表中第一行全部的预料值都是1.90，是因为第一期预料值无法用指数平滑模型预料，因为他没有以前的数据可供运用。因此，不管权値是多少，第一期预料值都依据实际销售量来定。RMSE越小说明精确度越高