1. 第13章 預測

2. 大綱 需求管理 預測的類型 需求的組成 定性預測技術 時間序列分析 因果關係預測 焦點預測 基於網路預測：協同規劃、預測與補貨（CPFR）結論

3. 需求管理 需求管理的目的是協調與控制所有的需求來源，有效率地使用生產系統，以能及時供應產品。 相依需求（Dependent demand）
因其他產品或服務所衍生的產品或服務需求。
獨立需求（Independent demand)
需求不直接來自其他產品的需求。

4. 需求管理 主動影響需求 消極地回應需求 藉由對銷售人員施壓、給予消費者和員工激勵、採取產品促銷活動、或是減價，這些活動均可增加需求。
可能基於某些原因，企業不想改變需求，被動的接受市場的現況。

5. 預測的類型 定性技術 時間序列分析（Time series analysis） 因果關係 模擬模式 屬於主觀判斷，仰賴估計與個人觀點。
基於需求的歷史資料，預測未來的需求
因果關係
假設需求與環境中許多項因素有關。
模擬模式
允許預測者在假設的條件下，預測未來的情境。

6. 圖13.1　預測方法及常用模式
（續下頁）

7. 圖13.1　預測方法及常用模式（續）

8. 需求的組成 一般產品或服務需求可細分為六種元素： 某段時間的平均需求 趨勢 季節性因素 週期因素 隨機變異
自我相關（Autocorrelation）

9. 圖13.2　產品歷史需求—包含成長趨勢與季節需求

10. 圖13.3 常見的趨勢型態

11. 定性預測技術
草根法
草根預測法是由持續加入組織基層的資料來建立預測值，其理論基礎是愈接近顧客或最終產品使用者的人，愈了解產品未來的需求，雖然這並不一定正確，但由許多的例子顯示，這項假設有其可信度。

12. 定性預測技術 市調法 企業經常雇用專精於市場調查的外部公司，進行此類型的預測。
在產品研究中，市調法最常用於尋找新產品構想的靈感、對既有產品的意見，以及在特定產品／服務類別中，最喜愛哪一位競爭者的產品或服務等，最常以問卷和訪談的方式蒐集資料。

13. 定性預測技術 群體意見法 歷史類推法 群體意見法的預測值，是經由開放式會議，由所有的管理層級和個人自由交換意見而得。
在預測新產品需求時，理想的情況是可以現有或同類產品做為預測的模式。

14. 定性預測技術 Delphi法 Delphi 法於 1950 年由 Rand 公司所提出，此方法的步驟如下：
1. 選擇專家，應包含不同領域專業知識的人。
2. 經由問卷或電子郵件，取得所有參與者的預測值（包含參與者對預測值的前提與條件）。
3. 整理結果，並找出合適的新問題，回饋給所有的參 與者。
4. 再次整理、修正預測和條件，並再次整理新問題。
5. 若有需要，重複步驟4，並將最後結論發給所有的 參與者。

15. 時間序列分析 時間序列分析 時間序列預測模式是基於過去的資料預測未來，企業應依據下列的要素，選擇預測模式： 1. 預測的時間範圍。
2. 資料的可取得性。
3. 需要的準確度。
4. 預測之預算多寡。
5. 是否可獲得適合的人員。

16. 圖13.4　選擇正確預測模式的原則

17. 簡單移動平均
簡單移動平均法的公式：

18. 圖13.5　3週及9週簡單移動平均的需求預測

19. 圖 週及9週的移動平均預測值相對於實際需求

20. 加權移動平均
加權移動平均的公式為：

21. 選擇加權值
選擇加權值最簡單的方法是經驗法與試誤法
通常，最近的資料是對未來的預測最重要的指標，應該有較高的權重。

22. 指數平滑 上述兩種方法（簡單、加權移動平均法）有一個共同的缺點：需要連續且大量的歷史資料。
每當有新的資料加入時，必須放棄舊的資料，重新計算新的預測值。
指數平滑法是最常用的預測技術，廣泛地應用在零售業、批發業與代理商的庫存訂貨，許多電腦預測程式都包含了這個方法。

23. 指數平滑 指數平滑法之所以廣被接受的原因如下： 1. 指數平滑法非常準確。 2. 建構指數平滑的公式相當簡單。
3. 使用者可以理解方法是如何運作。
4. 模式的計算相當容易。
5. 僅使用少量的歷史資料，所需的資料儲存空 間較小。
6. 驗證模式的準確度也很簡單。

24. 指數平滑
使用指數平滑法只需要下列三項資料：最近的預測結果、最近一期的實際需求、與平滑常數 α（Smoothing constant alpha）。
簡單指數平滑預測的公式如下所示：

25. 圖13.7　指數平滑預測的時間延遲效應
單一平滑指數也有落後需求變化的缺點。圖13.7中顯示，相對於真實資料，指數預測的落後現象，即在趨勢增加與減少的狀況下，常出現預測延遲的狀況，但當需求方向改變時，又會出現高估或低估的狀況。

26. 趨勢效應
在一段連續的期間，若資料出現上升或下降的趨勢，則指數預測的結果將不符合真實資料的情況（將在其上方或下方）。此時可使用趨勢調整因子加以修正。

27. 趨勢效應
包含趨勢（FIT）預測之計算公式如下：

28. 預測誤差
所謂誤差是指預測值和實際值間的差異，在統計學上，這些差異值稱作殘值（residuals），只要預測值落在信賴界限內，則認為誤差不存在。
在討論預測誤差時，必須先判斷誤差是資料來源誤差（source of error）還是量度誤差（measurement of error）。

29. 誤差的來源
誤差的來源很多，使用歷史資料預測未來趨勢是最常見但也是預測者最常忽略的誤差。
偏差（bias）
隨機誤差（random）

30. 誤差的衡量 平均絕對誤差（mean absolute deviation, MAD）
在一般的情況下，當預測誤差服從常態分配，此時平均絕對誤差與標準差的關係為：
亦可寫成：

31. 誤差的衡量 追蹤訊號（tracking signal） 衡量預測平均數是否與需求變化的方向保持一致。
追蹤訊號（TS）是將預測誤差值的算術平均數除以平均絕對誤差（MAD）求得：

32. 圖13.8　常態分配，平均值=0及MAD=1

33. 圖13.9 計算預測的平均絕對誤差（MAD）、累加誤差（RSFE）及追蹤訊號（TS）

34. 圖13.10　圖13.9的追蹤訊號圖

35. 圖 至4MAD範圍落在管制界限範圍內的比率

36. 誤差的衡量
MAD值即可用以預測未來誤差的範圍。在庫存管制的範例中，此方法對設定安全存貨水準有很大的幫助。

37. 線性迴歸分析
迴歸可定義為兩個或兩個以上相關（correlated）變數間的關係，它可使用一個變數預測另一個變數，其間的關係可由歷史資料中取得。

38. 線性迴歸分析 線性迴歸線的方程式為： 線性迴歸適用於預測主要觀測值的長期狀況與總合規劃。
Y＝a＋bX，其中Y是相依變數，亦為我們預測的目標，a是Y的截距，b為斜率，X則是獨立變數（在時間序列分析法中，X為時間單位）。
線性迴歸適用於預測主要觀測值的長期狀況與總合規劃。

39. 一家企業在過去 3 年 12 季的產品銷售額如下所示：
範例13.2：最小平方法
一家企業在過去 3 年 12 季的產品銷售額如下所示：
此公司擬預測第 4 年的每一季，即第13、14、15、16季。

40. 範例13.2：最小平方法 解答
線性迴歸的最小平方方程式為：

41. 範例13.2：最小平方法
在最小平方法，決定 a 和 b 的方程式為：

42. 圖13.12　最小平方迴歸線

43. 圖13.13　最小平方迴歸分析

44. 範例13.2：最小平方法
圖 顯示 12 筆資料的計算結果，結果是：Y的截距等於 ，斜率等於 359.6，此斜率表示X 軸上每變動一單位，Y 將變動 359.6。
依據此迴歸方程式，可得第13到16季的預測值如下：

45. 範例13.2：最小平方法
而估計標準差，或是此直線和資料間的配適度為：
標準差的估計可由圖 之第 2 欄與最後 1 欄計算：

46. 時間序列的分解 時間序列的定義是資料具有時間順序關係，並包含下列一種或多種的需求因素：趨勢 季節 週期
自我相關
隨機性
時間序列分解是指分解時間序列資料所包含需求因素的過程。

47. 圖13.15　加法性及乘法性季節變動對趨勢的影響

48. 範例13.3：簡單等比例
假設過去幾年，一家企業某產品線的年平均銷售量為 1,000 單位，春季平均銷售 200單位，夏季銷售 350 單位，秋季銷售 300 單位，冬季銷售 150 單位。此季節因子（或指數）等於每季的銷售量除以所有季節的平均值。

49. 範例13.3：簡單等比例 解答
在此範例中，每年的量平均分至每一季為：1,000/4＝250，季節因子等於：

50. 使用這些因子，並假設明年的期望需求等於 1,100單位，則可預測需求分布為：
範例13.3：簡單等比例
使用這些因子，並假設明年的期望需求等於 1,100單位，則可預測需求分布為：

51. 範例13.4：使用目測預測模式計算趨勢及季節因子
圖13.16
季需求之歷史資料

52. 圖13.17　季節因子的計算

53. 範例13.4：使用目測預測模式計算趨勢及季節因子
我們可使用趨勢與季節因子，計算2006年的預測結果：

54. 使用最小平方迴歸分析 整個分析的程序如下： 1. 將時間序列拆解出各項因子 2. 預測每項因素未來的值 a. 求出季節因子。
b. 去除需求的季節效應。
c. 找出趨勢因子。
2. 預測每項因素未來的值
a. 考量未來的趨勢因子。
b. 將趨勢因子乘上季節因子

55. 使用最小平方迴歸分析 使用最小平方迴歸分析進行時間序列的分解之步驟： 步驟 1：決定季節指數。 步驟 2：去除原始資料的季節效應。
步驟 3：針對去除季節效應的資料，繪製最小平方迴歸線。
步驟 4：使用迴歸線預測。
步驟 5：使用季節指數調整預測結果。

56. 因果關係預測
當一個變數引起另一個變數產生變化，可稱為因果關係（causal relationship），當確定找到肇因的元素時，即可做為預測的基礎。

57. 範例13.5：使用因果關係預測
在 Carpenteria 城的 Carpet City 地毯公司，每年銷售的資料（平方碼）與在此地區核准新建置房屋的數目資料如下表所示：

58. Carpet City 地毯公司的經理認為，只要知道該年度新建置房屋的數目，便可預測公司毯的銷售量。首先，如圖 13.21 所示：

59. 範例13.5：使用因果關係預測
斜率的計算為：
預測方程式為：

60. 多變量迴歸分析 多變量迴歸分析考量所有具有影響作用的項目。
例如，對家具業而言，新婚比例、新建置的房屋數、個人可支配所得等均有影響，其趨勢可使用多變量迴歸分析表示為：

61. 焦點預測
焦點預測的方法論
焦點預測（focus forecasting）使用數種合理且容易理解的法則，分析過去的資料，預測未來，這些法則可應用電腦模擬程式進行預測，並衡量何種法則最接近真實的需求。

62. 基於網路預測： 協同規劃、預測與補貨（CPFR）
協同規劃、預測與補貨（Collaborative Planning, Forecasting, and Replenishment, CPFR）於 1995 年提出，目前已進展至透過網路化的工具，協調需求預測、生產、採購規劃與補貨。
CPRF 用於整合多階層供應鏈中所有的成員，包含製造商、配銷商與零售商。

63. 圖13.22　多階層供應鏈與零售活動

64. 基於網路預測： 協同規劃、預測與補貨（CPFR)
步驟 1：建立前端夥伴協定。
步驟 2：聯合企業規劃。
步驟 3：發展需求預測。
步驟 4：分享預測資訊。
步驟 5：補貨。

65. 結論 短期預測中，預測必須估計因需求改變而造成原料、產品、服務與其他資源的變動，以調整生產排程規劃、改變人力與原料。
長期預測中，預測為改變策略的基礎，如：發展新市場、新產品或服務、與擴展或建立發明新的設施。

66. 結論
結合多種預測方法的網路化協同預測系統，將是產業未來的主流，藉由直接連結各交易夥伴的 ERP 系統分享資訊，可以非常低的成本快速取得正確的資訊。