物流与供应链管理(研)第八章.ppt

物流及供应链管理第八章,预测供应链需求,物流决策的三角形,客户服务目标 产品 物流服务 信息系统,运输战略：运输基础知识运输决策,库存战略：预测仓储基础知识库存决策采购和供应决策仓储决策,选址战略：选址决策网络规划流程,有关物流需求预测的几个问题,在快速反应的供应链中，是否还需要对物流需求进行预测？物流需求预测包含哪些内容？是否存在最好的预测方法？,有关物流需求预测的几个问题,规划、控制物流活动需要准确估计供应链所处理的产品或服务的数量，即物流需求。物流部门对物流活动，例如库存控制、车辆调度、经济采购、成本控制等的规划、控制，也需要对提前期、价格和成本进行预测。物流需求预测偏向于中短期的预测。,8.1 需求的特性,需求的空间和时间特征不规律需求和规律性需求派生需求和独立需求,需求的空间和时间特征,时间特征：需求量在何时发生。随着时间的变化或季节性的不同而导致销售量的增长或下降。空间特征：需求量在何处发生。规划仓库位置，平衡物流网络中的库存水平和按地理位置分配运输资源都需要知道需求的空间位置。,需求的空间和时间特征,物流需求具有时间和空间维度。物流包括产品的运输、库存、包装、装卸搬运、流通加工等各个环节，既涉及到产品的时间效用，如库存，又涉及到产品的空间效用，如运输。作为一个物流管理者不仅需要知道物流需求随时间的变化规律，还要知道其空间的需求，如运输距离、仓库的分布与库容，并根据企业物流预计的需求量规划仓库的位置等等。,不规律需求和规律性需求,物流为产品服务的，与产品相关的各个因素如原材料的采购、产成品需求、销售渠道等都会对物流需求产生影响。产品需求的规律性与不规律性就会直接体现为物流需求的规律性与不规律性。不规律需求：如果某种产品的需求由于总体需求量偏低，需求时间和需求水平非常不确定，导致需求是间歇式的。规律性需求：一般可以用需求模式表示，该模式可以分解为趋势、季节性、和随机性因素。,不规律需求和规律性需求,通常企业会为不同的产品确定不同的物流服务水平，如产品的可得率、现货率等。相应的物流需求就会呈现出不同规律。产品本身的需求存在某种特定的趋势，也会在物流需求中体现出来。通常刚刚投入市场，还处于投入期和成长期的产品，其市场需求不稳定，客户是一个较小的群体，相应的物流需求也是不平稳的，难以找到一般的规律对其进行概括。而进入成熟期的产品，市场分布确定，销售量会随着季节、时间的变化呈现出一定的趋势，其相应的物流服务也会呈现出某种趋势，能够采用一定的方法对其进行预测。,派生需求和独立需求,独立需求：一般成品的需求都是独立需求。派生需求：由一种产品的需求导致对另一种产品的需求。例如：汽车和轮胎。物流需求与企业提供的或是需要的产品和服务的数量直接相关。这些估计一般由营销、市场或专门的计划人员完成。物流管理者独自为企业做综合预测的情况并不多见。通常物流管理者所需要制定的规划主要是诸如库存控制或车辆调度之类的短期计划，包括对提前期、价格和物流成本等进行预测。,派生需求和独立需求,如果需求是独立的，采用统计预测的方法会有较好的效果，多数短期预测模型都要求预测对象是独立随机的；而对于派生需求，只要最终产品的需求确定，就可得出非常准确的派生需求的预计值。因此我们主要讨论具有独立性的物流需求的预测。,8.2 预测方法,物流需求预测可使用的技术大致可分为三类：定性法、历史映射法和因果法。每一类方法对长期和短期预测的相对准确性不同，定量分析的复杂程度不同，产生预测方法的逻辑基础也不同（历史数据、专家意见或调查）。物流需求预测可以根据预测对象、预测条件的不同而选择不同的定性或定量预测方法。,定性法（Qualitative Method）,定性法是那些利用判断、直觉、调查或比较分析对未来做出定性估计的方法。它的特点是简便易行，不需复杂运算。但所需时间较长，费用较高，不能够提供以精确数据为依据的预测值，而只能提供市场未来发展的大致趋势。通常，当影响物流需求预测的相关信息是非量化的、模糊的、主观的，而且有关物流的历史数据或者没有，或者与当前的预测相关程度很低时，我们需要选择定性的方法进行预测。中期到长期的预测更多选用此方法。,定性法（Qualitative Method）,德尔菲法：预测专家各自独立预测对第一轮意见进行汇总、整理并反馈进行第二轮预测依次进行下去。小组意见法：集中讨论进行预测。销售人员估计法：预测时征求销售人员的意见。实践中比较重要。臆想预测法：个人主观预测。,历史映射法（Historical Projection Method）,如果拥有相当数量的历史数据，时间序列的趋势和季节性变化稳定、明确，那么将这些数据映射到未来将是有效的短期预测方法。该方法的基本前提是未来的时间模式将会重复过去，至少大部分重复过去的模式。数学和统计模型成为主要的预测工具。,因果法（Casual Method）,因果预测模型的基本前提就是预测变量的水平取决于其他相关变量的水平。只要能够准确地描述因果关系，因果模型在预测时间序列主要变化、进行中长期预测时就会非常准确。问题：真正有因果关系的变量常常很难找到。即使找到，他们与预测变量的关系也常常很弱。,8.3 对物流管理者有用的方法,物流管理者的工作一般仅限于协助库存控制、运输计划、仓库装卸计划及类似活动的管理部门做短期预测。中长期的预测通常由其他部门提供给物流管理者。下面只讨论三种最基本的时间序列预测方法。,指数平滑法,短期预测中最有效的方法可能就是指数平滑法。该方法只需很少的数据量就可以连续使用。指数平滑法在同类预测方法中被认为是最精确的，当预测数据发生根本性变化时还可以进行自我调整。指数平滑法是移动平均法的一种，只是会给过去的观测值不一样的权重，较近期观测值的权重比较远期观测值的权重要大。下一次预测值=（实际需求值）+（1-）（前期的预测值）,指数平滑法,“拉平”模型：Ft+1=At+(1-)Ft式中 t 本期的时间 指数平滑系数At 第 t 期的需求值 Ft 第 t 期的预测值 Ft+1 对第 t+1，或下期的预测值注意：所有历史因素的影响都包含在前期的预测值内，这样，在任何时候只需保有一个数字就代表了需求的历史情况。,指数平滑法,注意：指数平滑系数的选择。值既代表预测模型对时间序列数据的反应速度，又决定预测模型修匀误差的能力。值越大，对近期实际需求情况给的权数越大，模型就能越快的对时间序列的变化作出反应。值越小，预测未来需求时给需求历史数据的权数越大，在反应需求水平根本性变化时需要的时滞就越长。,指数平滑法,值的范围一般在之间。如某些异常情况发生，如经济萧条、促销活动、某些产品将退出生产线时，或在掌握很少的销售历史数据或根本没有数据的情况下自动启动预测程序时，短期内预测者应使用较高的值进行预测。寻找合适的值的一个重要原则就是使得预测模型能够跟踪时间序列的重大变化，同时平衡随机波动。此时将使预测误差最小。,选取的原则,对初始值有疑问，取较大的值，以扩大近期数据的作用，减少初始值的影响，一般取=0.40.7。当时间序列有迅速且明显的变化趋势时，取较大的，以便使新数据对平滑结果有较大作用，一般取=0.30.6。当时间序列变化较小时，取较小的，一般取=0.10.3。,指数平滑法,例：下列季度数据代表了某产品需求的时间序列。我们希望预测今年第三季度的需求。将去年四个季度的平均数作为以前的预测值。即：F0=（1200+700+900+1100）4=975分别取的值为0.1、0.5和0.9，我们从预测今年第一季度的需求开始，继续计算过程直到我们得到第三季度的预测需求。,指数平滑法,指数平滑法,模型的校正：随机、水平发展，无趋势或季节因素的时间序列，或者趋势和季节性变化不很显著的时间序列，使用指数平滑模型可以收到很好的效果。但是如果数据中有明显的趋势和季节性特征，这类模型的内在滞后性就会造成令人无法接受的预测误差。如果数据中的趋势和季节性因素很明显，有别于随机特征，我们可以对模型加以扩充以更好地进行预测。,指数平滑法,校正趋势模型：St+1=At+(1-)(St+Tt)Tt+1=(St+1-St)+(1-)Tt Ft+1=St+1+Tt+1 式中，Ft+1第t+1期校正趋势后的预测值 St第t期的最初预测 Tt第t期的趋势 趋势平滑系数,指数平滑法,校正趋势和季节性因素模型：St+1=(At/It-L)+(1-)(St+Tt)Tt+1=(St+1-St)+(1-)Tt It=(At/St)+(1-)It-L Ft+1=(St+1+Tt+1)It-L+1Ft+1第t+1期校正趋势和季节性因素后的预测值季节性指数基础上的平滑系数 It第t期的季节性指数 L一个完整季节的期间,指数平滑法,校正趋势和季节性因素模型应用前，有两个条件需要满足：需求模式的季节性高峰和低谷产生的原因必须已知，这些高峰和低谷必须在每年的同一时间出现；季节性变化要比随机波动大。,经典时间序列分解,如果拥有相当数量的历史数据，时间序列的趋势和季节性变化稳定、明确，那么时间序列分解法将是有效的短期预测方法。该方法的基本前提就是未来的时间模式将会重复过去，至少大部分地重复过去的模式。因此可以首先识别出这种模式，然后采用外推的方式就可以进行预测了。这种预测方法通常适用短期预测，如预测时间的跨度小于六个月，准确性会比较好。,经典时间序列分解,经典时间序列分解的指导思想是，历史上的销售模式可以分解为四个组成部分：趋势、季节性变动、周期性变动和残差（或随机）波动。F=TSCR式中：F 需求预测（单位或美元）T 趋势水平（单位或美元）S 季节指数 C 周期指数 R 残差指数,经典时间序列分解,实践中，模型常常简化为只包括趋势和季节性因素。这是因为：较好的模型的残差指数等于1.0，在很多情况下很难将周期性的变化从随机模型中分离。令周期性指数等于1.0，也不会造成很大影响，因为随着新数据的获得，模型常常会更新，预测者会考虑周期变化的影响。,经典时间序列分解,趋势水平（T）的决定方法：目测某种滑动平均法最小二乘法拟合一条曲线,经典时间序列分解,季节指数的计算：某给定时期实际需求与平均需求之比：St=Dt/Tt平均需求 Tt 的计算：某一时期实际需求的平均数滑动平均数趋势线,例：有一个公司记录了2008和2009两年的销售数据，见下表。请根据这些数据预测2010年的销售情况。,求解步骤,一、根据历史数据，求出趋势值的直线方程。,该直线方程可以简单绘图确定，一般采用最小二乘法计算。,Yt=170+55 t,最小二乘法计算公式,在时间序列模型里，销量是时间序列t的函数。在这个公式里，Y取实际销售量的值，x取时间序列t的值。,带入相应数值求得Yt=170+55 t,二、计算季节因子。,三、计算2010年的预测值。2010年1季度:(170+559)1.25=831 2季度:(170+5510)0.78=562 3季度:(170+5511)0.69=535 4季度:(170+5512)1.25=1038,多元回归分析,多元回归是用来判断某些选定的变量和需求之间的关联程度的统计技术。回归模型：=b0+b1*x1+bm*xm 应用软件：Excel SPSS SAS等,8.4 物流管理者的特殊预测问题,启动：在没有足够的、用于预测的历史数据的情况下预测新产品和服务，常用到的方法：将最初的预测任务交给营销人员，直到积累一定的销售历史数据；由类似产品的需求模式进行估计；如使用指数平滑法预测，可将指数平滑系数定得高一点。,不规律需求,需求模式中的随机波动非常大，使得趋势和季节性特征非常模糊。本质上很难用数学方法准确预测不规律需求。三条建议：寻找导致需求不规律的明显原因，利用这些因素预测。如果没有找到需求偏移的原因，就不对这类产品或需求模式的变化迅速反应。由于不规律需求多发生在低需求产品上，因此预测精度并不是最重要，可多保有一些库存来抵消预测的不精确。,地区性预测,预测的地理分解和汇总值得关注。物流管理者必须决定是否进行总量预测，并按地区（如工厂或仓库的供货范围）分配，或者对某一地区单独进行预测。,地区性预测,分解法（top-down approach）先对产品或服务的总需求进行预测，然后根据历史的销售模式把流量分摊到各个地点。这种方法对于稳定的需求环境或者当需求水平在整个市场统一变化时，是一种集中化和适当的预测方法。汇总法（bottom-up approach）在每个地点独立地展开预测，将预测结果进行综合。每次的预测都能更精确地跟踪和考虑在特定市场内的需求波动。经常保持销售纪录。,预测误差,未来物流需求的变化不可能完全重复过去，我们的预测与未来实际需求之间必然会有一定程度的误差。预测误差指预测和实际需求水平接近的程度。预测误差=实际需求-预测需求最后要考虑的是要充分利用现有的预测方法。实际上，没有哪个预测模型在所有的时间都是最好的。相反，综合几个模型的结果可能会使预测值更稳定和准确。,协同预测,利用来自多方的输入信息预测。信息可来自生产、营销、物流、财务、采购等企业内部门，也可来自供应商、承运人和买方。该方法的目的是减少预测误差。买方和营销人员最接近最终用户，能最准确“感觉”最终需求；供应商和采购人员了解供给短缺和产能限制情况，可为需求设定上限，或最终影响产品价格，进而影响定价和产品需求水平；运输部门和承运人可以预测送货时间对客户服务和销售的影响；协同预测有专门软件支持且软件在不断完善。,8.5 灵活性和快速反应预测问题的另一种解决方法,坐等收到客户订单比任何预测都要好。如果供应链流程非常灵活，可以对需求做出快速反应，就没有必要进行预测。,思考与讨论,以下企业的物流管理者在多大程度上对需求预测感兴趣？为什么？食品厂飞机制造厂大型连锁零售店医院,