Chapter 6: Demand Forecasting PDF

‫فصل ششم‬ ‫پیشبینی تقاضا‬ ‫❑ نقش و ویژگیها‬ ‫❑ گامهای الزم‬ ‫❑ طبقهبندی روشها‬ ‫❑ پیشبینهای کیفی‬ ‫❑ پیشبینیهای کمی‬ ‫‪175‬‬ ‫نقش‌پيش‌بيني‌تقاضا‌در‌زنجيره‌ي‌تأمين‬ ‫▪ فراهم آوردن زمينه‌اي جهت تصميمات برنامه‌ریزي راهبردي‬ ‫زنجيره‌ي تأمين‪.‬‬ ‫▪ دیدياه‌فشاري‪‌/‬كششي‌زنجيره‌ي‌تأمين‪‌:‬‬ ‫‪ ‬تمام...

‫فصل ششم‬ ‫پیشبینی تقاضا‬ ‫❑ نقش و ویژگیها‬ ‫❑ گامهای الزم‬ ‫❑ طبقهبندی روشها‬ ‫❑ پیشبینهای کیفی‬ ‫❑ پیشبینیهای کمی‬ ‫‪175‬‬ ‫نقش‌پيش‌بيني‌تقاضا‌در‌زنجيره‌ي‌تأمين‬ ‫▪ فراهم آوردن زمينه‌اي جهت تصميمات برنامه‌ریزي راهبردي‬ ‫زنجيره‌ي تأمين‪.‬‬ ‫▪ دیدياه‌فشاري‪‌/‬كششي‌زنجيره‌ي‌تأمين‪‌:‬‬ ‫‪ ‬تمام فرآیند‌هاي فشاري در پاسخ به جواب مشتري اجرا مي‌شوند و‬ ‫مدیر بایست براي آن‌ها ميزان توليد و براي فرآیند‌هاي كششي ميزان‬ ‫ظرفيت را برنامه‌ریزي كند؛ كه در هر دو مورد اولين يام پيش‌بيني‬ ‫تقاضاي آتي مشتري خواهد بود‪.‬‬ ‫‪176‬‬ ‫نقش‌پيش‌بيني‌تقاضا‌در‌زنجيره‌ي‌تأمين‪ -‬ادامه‬ ‫▪ تصميمات مهم نفحدها نظيف ف بر پاي‬ ‫پيشبيني تقاضا‪:‬‬ ‫‪ ‬توليد‪ :‬برنام رير زماني‪ ،‬کنترل مواود ‪ ،‬برنام رير تجميعي‬ ‫‪ ‬بازاریابي‪ :‬تخصيص نيرن‬ ‫رنش‪ ،‬تر يع‪ ،‬معر ي محصوست‬ ‫اديد‬ ‫‪ ‬مالي‪ :‬رماي گذفر تجهيرفت‪ /‬کارخان ‪ ،‬برنام رير بودا ف‬ ‫‪ ‬پرسنلي‪ :‬برنام رير نيرن فنساني‪ ،‬ف تخدفم ن فخرفج‬ ‫‪177‬‬ ‫ویژيي‌ها‌و‌متغيرهاي‌اصلي‌پيش‌بيني‬ ‫▪ تصمیمات مدیریت زنجیرهی تأمین مبتنی بر پیشبینی نوع وتعداد‬ ‫محصوالت مورد نیاز و همچنین زمان نیاز به این محصوالت میباشد‪.‬‬ ‫▪ پیشبینی تقاضا پایهای اساسی برای شرکتها است تا عملیات داخلی‬ ‫خود و مشارکت در تأمین تقاضای بازار را برنامهریزی کنند‪.‬‬ ‫‪178‬‬ ‫ویژيي‌ها‌و‌متغيرهاي‌اصلي‌پيش‌بيني‪ -‬ادامه‬ ‫▪ متغيرهاي اصلي پيشبيني‪:‬‬ ‫‪ .1‬تقاضا‪:‬كل تقاضاي بازار براي يروهي از محصوالت یا خدمات‬ ‫‪ .2‬عرضه‪ :‬تعداد محصولي كه به وسيله‌ي تعداد توليدكننديان آن و‬ ‫زمان‌هاي تأخير مربوطه مشخص مي‌شود‪.‬‬ ‫‪ .3‬ویژيي‌هاي محصول‪ :‬مشخصاتي كه بر تقاضاي محصول تأثير‬ ‫هستند‪.‬‬ ‫‪ .4‬محيط رقابت‪ :‬فعاليت‌هاي رقبا در بازار‬ ‫‪179‬‬ ‫مؤلفه‌هاي‌پيش‌بيني‌و‌روش‌هاي‌آن‬ ‫▪ سایر‌عوامل‌مرتبط‌با‌پيش‌بيني‌تقاضا‌‬ ‫‪ ‬تقاضاهاي‌پيشين‬ ‫‪ ‬اقدامات‌تبليغاتي‌و‌بازاریابي‌برنامه‌ریزي‌شده‌‬ ‫‪ ‬وضعيت‌سابقه‌ي‌كاري‌و‌شهرت‌شركت‌ها‬ ‫‪ ‬وضعيت‌اقتصاد‌ملّي‌و‌بين‌المللي‬ ‫‪ ‬تخفيف‌هاي‌قيمتي‌برنامه‌ریزي‌شده‌‬ ‫‪ ‬عملكرد‌‌رقبا‬ ‫‪180‬‬ ‫نکات پیش بینی‬ ‫شرایط وعناصر یک پیش بینی خوب‬ • Forecasts rarely perfect because of randomness. ‫به موقع‬ ‫بودن‬ ‫قابلیت‬ ‫اطمینان‬ ‫صحت‬ ‫ودقت‬ ‫مکتوب‬ ‫ورسمی‬ ‫بودن‬ 181 • Forecasts more accurate for groups vs. individuals • Forecast accuracy decreases as time horizon increases. ‫گامهای الز برای پیش بینی‬ ‫پیش بینی‬ ‫نظارت بر پیش بینی‬ ‫آماده نمودن وانجام وپیاده سازی پیش بینی‬ ‫جمع آوری وتجزیه وتحلیل داده ها‬ ‫انتخاب یک روش یا تکنیک پیش بینی‬ ‫تعیین محدوده وحیطه زمانی مورد نظر‬ ‫تعیین هدف از انجام پیش بینی‬ ‫‪182‬‬ ‫انواع روشهای پیش بینی بر اساس دوره زمانی‬ • Short-range forecast – Up to 1 year; usually less than 3 months – Job scheduling, worker assignments • Medium-range forecast – 3 months to 3 years – Sales & production planning, budgeting • Long-range forecast – 3+ years – New product planning, facility location 183 ‫انواع روشهای پیش بینی بر اساس کاربرد‬ • Economic forecasts – Address business cycle, inflation rate, money supply etc. • Technological forecasts – Predict rate of technological progress – Predict acceptance of new product • Demand forecasts – Predict sales of existing product 184 ‫انواع پیش بینی بر اساس مبنا‬ 1. Judgmental - uses subjective inputs. 2. Time series - uses historical data assuming the future will be like the past. 3. Associative models - uses explanatory variables to predict the future. 185 ‫رویکرد های انجام پیش بینی‬ )‫شخصی وجمعی‬، ‫روشهای کیفی(قضاوتی‬ )‫روشهای کمی(سری های زمانی وسببی‬  Used when situation is  Used when situation is vague & little data ‘stable’ & historical exist data exist  New products  Existing products  New technology  Current technology  Involves intuition, experience. 186  Involves mathematical techniques. )‫روشهای کیفی پیش بینی(ادامه‬ )‫ نظر متخصصین(مدیران‬-1  Involves small group of high-level managers.  Group estimates demand by working together.  Combines managerial experience with statistical models.  Relatively quick.  ‘Group-think’ 187 disadvantage. )‫روشهای کیفی پیش بینی(ادامه‬ ‫ نظر خواهی از فروشندگان‬-2  Each salesperson projects his or her sales.  Combined at district & national levels.  Sales reps know customers’ wants.  Tends to be overly optimistic. 188 )‫روشهای کیفی پیش بینی(ادامه‬ ‫ روش دلفی‬-3 • Iterative group process. • 3 types of people – Decision makers. – Staff. – Respondents. • Reduces ‘groupthink’. 189 )‫روشهای کیفی پیش بینی(ادامه‬ ‫ نظر سنجی از مشتریان‬-4  Ask customers about purchasing plans.  What consumers say, and what they actually do are often different.  Sometimes difficult to answer. 190 How many hours will you use the Internet next week? ‫اجزاء سریهای زمانی‬ ‫انواع تغییرات در سریهای زمانی‬ ‫سیکلی‬ ‫روند‬ ‫تصادفی‬ ‫فصلی‬ ‫‪191‬‬ )T(‫ جزء روند‬-1 • Persistent, overall upward or downward. pattern • Due to population, technology etc. • Several years duration. Response Mo., Qtr., Yr. 192 )S(‫ جزء فصلی‬-2 • Regular pattern of up & down fluctuation.s • Due to weather, customs etc. • Occurs within 1 year . Summer Response © 1984-1994 T/Maker Co. Mo., Qtr. 193 )C(‫ جزء سیکلی یا دوره ای‬-3 • Repeating up & down movements. • Due to interactions of factors influencing economy. • Usually 2-10 years duration . Cycle Response Mo., Qtr., Yr. 194 )I(‫ جزء تصادفی یا نامنظم‬-4 • Erratic, unsystematic, ‘residual’ fluctuations. • Due to random variation or unforeseen events: – Union strike. – Tornado. • Short duration & non repeating . 195 ‫مدلهای عمومی سریهای زمانی‬ • Any observed value in a time series is the product (or sum) of time series components: • Multiplicative model Yi = Ti · Si · Ci · Ri • Additive model Yi = Ti + Si + Ci + Ri 196 ‫روشهای کمی ومحاسباتی پیش بینی‬ ‫روشهای سریهای زمانی‬ ‫روشهای سببی‬ ‫روش نایو‬ ‫میانگین ساده‬ ‫میانگین متحرک‬ ‫میانگین متحرک وزنی‬ ‫هموار سازی نمایی‬ ‫•‬ ‫•‬ ‫•‬ ‫•‬ ‫•‬ ‫روش رگرسیون •‬ ‫رو‬ ‫سری های زمانی‬ ‫تعریف‪:‬‬ ‫سری زمانی مجموعه ای از مشاهدات است که بر حسب زمان مرتب شده‬ ‫باشد‪ .‬کاربرد ا لی سری زمانی در پیش بینی است‪.‬‬ ‫‪198‬‬ ‫سری های زمانی‪ -‬ادامه‬ ‫رو‬ ‫انواع مدلهای پیش بینی‬ ‫‪ -1‬روش نایو‪)Naive (:‬‬ ‫در این روش فروش یا تقاضای واقعی دوره قبل به عنوان پیش بینی تقاضای دوره‬ ‫آینده در نظر گرفته میشود‪.‬‬ ‫نکته‪ :‬برای دوره اول پیش بینی نمیکنیم‪.‬‬ ‫‪Ft = At −1 → Forecastt = Actualt −1‬‬ ‫مثال‪:‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪1‬‬ ‫ماه‬ ‫‪20‬‬ ‫‪22‬‬ ‫‪21‬‬ ‫‪20‬‬ ‫‪22‬‬ ‫فروش واقعی‬ ‫‪199‬‬ ‫سری های زمانی‪ -‬ادامه‬ ‫رو‬ ‫انواع مدلهای پیش بینی‪ -‬ادامه‬ ‫‪ -2‬میانگین ساده‪)Simple Average ( :‬‬ ‫‪n‬‬ ‫این روش تغییرات فصلی را در نظر نمیگیرد‪.‬‬ ‫‪A‬‬ ‫‪t −1‬‬ ‫برای دوره اول پیش بینی نمیکنیم‪.‬‬ ‫‪t =1‬‬ ‫‪n −1‬‬ ‫پیش بینی ماه دوم برابر است با فروش واقعی دوره اول‪.‬‬ ‫= ‪Ft‬‬ ‫مثال‪:‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪1‬‬ ‫ماه‬ ‫‪20‬‬ ‫‪22‬‬ ‫‪21‬‬ ‫‪20‬‬ ‫‪22‬‬ ‫فروش واقعی‬ ‫‪200‬‬ ‫سری های زمانی‪ -‬ادامه‬ ‫رو‬ ‫انواع مدلهای پیش بینی‪ -‬ادامه‬ ‫‪ -3‬میانگین متحرک‪)Moving Average ( :‬‬ ‫در این روش فروش دوره فعلی به تعدادی از دوره های قبلی وابسته است‪.)k(.‬‬ ‫مقدار‪ k‬داده میشود‪.‬‬ ‫‪n‬‬ ‫‪A‬‬ ‫‪t −1‬‬ ‫به تعداد ‪ k‬دوره اول پیش بینی نمیکنیم‪.‬‬ ‫‪t =n−k‬‬ ‫‪k‬‬ ‫مثال‪:‬روش میانگین متحرک ‪ 3‬ماهه‬ ‫= ‪Ft‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪1‬‬ ‫ماه‬ ‫‪20‬‬ ‫‪22‬‬ ‫‪21‬‬ ‫‪20‬‬ ‫‪22‬‬ ‫فروش واقعی‬ ‫‪201‬‬ ‫سری های زمانی‪ -‬ادامه‬ ‫رو‬ ‫انواع مدلهای پیش بینی‪ -‬ادامه‬ ‫‪ -4‬میانگین متحرک وزنی‪)Weighted Moving Average ٌ( :‬‬ ‫تاثیر دوره های قبلی به یک میزان نبوده و میزان اثرگذاری هر دوره متفاوت است‪.‬‬ ‫تعیین وزن هر دوره به نوع کاال و میزان فروش آن بستگی دارد‪.‬‬ ‫‪n‬‬ ‫‪i = 1‬‬ ‫برای ‪ k‬دوره اول پیش بینی نداریم‪.‬‬ ‫‪t =n−k‬‬ ‫‪n‬‬ ‫‪if‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪A‬‬ ‫⎯‬ ‫→⎯‬ ‫‪ i t −1‬‬ ‫‪t =n−k‬‬ ‫= ‪Ft‬‬ ‫مثال‪:‬روش میانگین متحرک وزنی ‪ 3‬ماهه‪%50 -‬ماه قبل‪ %30-‬دوماه قبل‪ %20 -‬سه‬ ‫ماه قبل‪.‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪1‬‬ ‫ماه‬ ‫‪20‬‬ ‫‪22‬‬ ‫‪21‬‬ ‫‪20‬‬ ‫‪22‬‬ ‫فروش واقعی‬ ‫‪202‬‬ ‫سری های زمانی‪ -‬ادامه‬ ‫رو‬ ‫انواع مدلهای پیش بینی‪ -‬ادامه‬ ‫‪ -5‬نمو هموار ساده‪)Single Exponential Smoothing( :‬‬ ‫هر قدر ‪ a‬با ضریب نمو هموار به صفر نزدیک تر باشد‪ ،‬نمایانگر بی ارزش بودن داده‬ ‫های اخیر فروش واقعی است و هر قدر به یک نزدیک شود‪ ،‬نشاندهنده با ارزش‬ ‫بودن داده های اخیر است‪.‬‬ ‫⎯ ) ‪Ft +1 = Ft + a ( At − Ft‬‬ ‫‪⎯→ 0 a 1‬‬ ‫‪if‬‬ ‫‪2‬‬ ‫=‪a‬‬ ‫‪n +1‬‬ ‫مثال( ‪)a=0.3‬‬ ‫برای دوره اول پیش بینی نداریم‪.‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪1‬‬ ‫ماه‬ ‫‪20‬‬ ‫‪22‬‬ ‫‪21‬‬ ‫‪20‬‬ ‫‪22‬‬ ‫فروش واقعی‬ ‫‪203‬‬ ‫سری های زمانی‪ -‬ادامه‬ ‫رو‬ ‫انواع مدلهای پیش بینی‪ -‬ادامه‬ ‫‪ -6‬نمو هموار تعدیل شده‪)Adjusted Exponential Smoothing (:‬‬ ‫‪Ft '+1 = Ft +1 + Tt +1‬‬ ‫‪Tt +1 =  ( Ft +1 − Ft ) + (1 −  )Tt‬‬ ‫نماد شاخص‬ ‫‪Tt‬‬ ‫مثال( ‪)a=0.3‬‬ ‫تعریف آن‬ ‫شاخص روند دوره های گذشته‪-‬‬ ‫برای دوره دوم ‪ 0‬است‬ ‫‪‬‬ ‫ضریب نمو هموار بین ‪1‬و ‪0‬‬ ‫‪Ft '+1‬‬ ‫پیش بینی تقاضای دوره بعد‬ ‫‪Ft +1‬‬ ‫پیش بینی به کمک نمو ساده‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪1‬‬ ‫ماه‬ ‫‪20‬‬ ‫‪22‬‬ ‫‪21‬‬ ‫‪20‬‬ ‫‪22‬‬ ‫فروش واقعی‬ ‫‪204‬‬ ‫رو‬ ‫سببی‬ ‫انواع مدلهای پیش بینی‪ -‬ادامه‬ ‫‪ -7‬روش حد اقل مجذورات‪:‬‬ ‫‪− n.x . y‬‬ ‫‪n‬‬ ‫‪i‬‬ ‫‪− n.x 2‬‬ ‫‪ x .y‬‬ ‫‪i‬‬ ‫‪i =1‬‬ ‫‪n‬‬ ‫‪x‬‬ ‫‪2‬‬ ‫‪i‬‬ ‫=‪b‬‬ ‫‪i =1‬‬ ‫‪y = a + b.x‬‬ ‫‪a = y − b.x‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪1‬‬ ‫ماه‬ ‫‪20‬‬ ‫‪22‬‬ ‫‪21‬‬ ‫‪20‬‬ ‫‪22‬‬ ‫فروش واقعی‬ ‫‪205‬‬ ‫بررسی صحت پیش بینی‬ ‫شاخص های بررسی صحت پیش بینی‪:‬‬ ‫‪− Ft‬‬ ‫‪ -1‬میانگین قدر مطلق مجموع انحرافات‬ ‫‪t‬‬ ‫‪n‬‬ ‫‪2‬‬ ‫(‬ ‫‪A‬‬ ‫‪−‬‬ ‫‪F‬‬ ‫)‬ ‫‪ t t‬‬ ‫‪ -2‬میانگین مجذور خطای پیش بینی‬ ‫‪n‬‬ ‫‪ -3‬میزان انحراف از فروش واقعی‬ ‫‪ -4‬میانگین قدر مطلق در صد انحراف‬ ‫‪A‬‬ ‫‪‬‬ ‫= ‪MAD‬‬ ‫= ‪MSE‬‬ ‫) ‪et = ( At − Ft‬‬ ‫‪A −F‬‬ ‫‪‬‬ ‫= ‪MAPD‬‬ ‫‪A‬‬ ‫) ‪CE =  e =  ( A − F‬‬ ‫‪e‬‬ ‫‪‬‬ ‫= ‪E‬‬ ‫‪t‬‬ ‫‪t‬‬ ‫‪t‬‬ ‫‪ -5‬خطای تجمعی‬ ‫‪ -6‬میانگین خطای تجمعی‬ ‫‪t‬‬ ‫‪t‬‬ ‫‪t‬‬ ‫‪t‬‬ ‫‪n‬‬ ‫‪206‬‬