1、第十章 預測,正修科技大學工業工程與管理系 陳君涵,生產管理,預測是企業決策中重要的環節，也常是最早發生的環節。企業的決策中，舉凡財務規劃、投資選擇、廠址選定、生產規劃以至於新產品開發，這些都需要正確的預測結果方能做成決策。不論是經營環境的預測、消費行為預測、需求預測、競爭產品預測均可能是企業經營時需要考慮的重點。,需求管理,美國生產及存貨管理學會(APICS)對需求管理(Demand Management)的定義如下： 需求管理的主要功能在於瞭解市場對產品與服務的需求，包含當供給大於需求時，如何刺激需求的產生，以及當供給不足時，如何將需求做分級優序處理。 一個適當的需求管理能使得資源的規劃與
2、使用產生較有利的結果，需求管理包含了需求預測、訂單處理、訂單允諾、配銷需求規劃等活動。需求管理為一個流程，在生產計畫與管制架構中連結了生產與市場；需求管理以資訊貫穿整個流程，包括需求資訊的獲得、在生產產品或服務的過程中適時提供需求的資訊、一直到產品或服務滿足顧客的整個過程，提供資訊使得供給與需求互相符合。 簡言之，需求管理為一個通往市場、與顧客溝通的管道，同時也與廠內製造、庫房需求、廠際間活動有關。,需求管理在生產計畫與管制上的重要性： 需求管理為生產管理的基礎。 需求管理為生產計畫及生產時序的起始點。 需求管理能指示出擴充時機，預先計畫籌措資金，以便擴充廠房、購買機器設備及充裕營運資金。,需
3、求管理與總體計畫之關係,需求管理與總體計畫連結的程度視總體計畫的操作而定，但基本上應具備以下的功能以與總體計畫結合：1. 以銷售數量為單位的短期需求計畫應與以財務衡量的中長期總體計畫一致，達成相同的目標。(雖然單位不一、時間長短不一，但需要轉換做同步化，以滿足同一目標。)2. 需求管理應將市場和配送方面的活動與總體計畫連結，作為總體計畫與市場溝通的管道。(如：當訂單的配送時間改變或配送存貨策略改變影響到總體計畫時，都應將有關市場、配送方面的資訊傳遞給總體計畫。),需求管理與總體計畫之關係,3. 需求管理須確保需求資訊的完整，且應指出所有的需求，包括製造資源的需求，如：備用零件的需求、廠際間移轉
4、的需求、促銷的需求、在途需求量等，各種需求來源皆須有足夠的資訊，才能將需求的數量與總體計畫和資源計畫連結。總之，需求管理必須考量所有可能的需求來源，並與總體計畫結合後，才能將所有的需求資訊傳遞到其他的PPC活動上。例如：MRP考慮 BOM上每一個項目的物料需求，有關產品族(family item)的物料需求應何時被考慮？在總體計畫階段須先考慮長期的物料需求，而此需求資訊則需從需求管理中獲得。,需求管理與主生產排程之關係,需求管理與主生產排程之間的連結較頻繁，雖在不同的生產模式下，內容有所不同，但唯一相同的概念是，預測的數量會被實際訂單的數量消耗掉。在第四章主生產排程中提及之需求預測與客戶訂單即
5、是透過需求管理而獲得，需求預測是由過去銷售資料加以統計預測得到，客戶訂單則是透過訂單處理之接單作業流程加以確認。,需求預測,需求預測是需求管理的重要一環。任何一個製造業為有效利用其內部資源必須針對未來一段時間內的需求進行預估，以便作為與生產相關之產能與物料計畫的決策基礎。若需求預測愈可掌握，則對生產計畫和決策結果愈佳。此處使用需求而非銷售，其差別為銷售是指實際的銷售，而需求是指客戶或市場所需要的品項，有時需求無法被滿足，且銷售可能會少於需求。,需求預測,預測乃是以歷史資料所構成的情報為基礎，分析真實情況的演變規律，瞭解並掌握變化原因與狀態，以便對未被觀察或未知的現象予以預計和推斷，並據以探取因
6、應策略，以期減少決策過程中不確定性的風險，並提供管理者發展有效目標、策略和計劃的最佳決策基礎。一般需求預測是以時間序列資料為基礎之預測假設未來數列值能從過去數列值估算出來。所謂時間序列(time series)乃指一段時間內，以固定時間間隔(每小時、每日、每週、每月、每季、每年) ，依時間先後得到之觀察值。,需求的各種型態,一般來說，對產品或服務的需求可分為六種型態，可見需求類型圖：1. 平均需求(Average demand)：在某段時間內的平均需求。2. 趨勢(Trend)：指在某一範圍內，觀測值逐漸且緩慢地上升或下降，例如：逐年增加的人口。3. 季節性(Seasonal element)
7、：由於氣候或人為因素，使得觀測值在短期(多為一年)內十分規則且定期的變化。例如：冷氣機的銷售量在夏季比在其他季節高。,需求的各種型態,需求的各種型態,4. 循環週期(Cyclical element)：超過一年以上(通常為4-8年)的循環，觀測值如波浪式變化，此現象大多是因政治選舉、戰爭、經濟蕭條或社會性壓力所引起的。例如：經濟景氣循環影響塑膠公司的產品銷售量。5.自我相關性(Autocorrelation)：表示事件的持續特性。更明確的說，任何一點的期望值與自己過去的實際值具有高度相關。6. 隨機變異(Random variation)：因偶發事件所引起的。去除上述對需求的已知因素(如：平均
8、、趨勢、季節、循環、自我相關)外的其他變動影響因素稱之。,預測目的,預測是對未知事項的一種預期或說明，其主要目的在於推算並預估某些未來事件或現象發生的相關資料，並據以探取因應策略，以期減少決策過程中不確定性的風險，並提供管理者最佳的決策基礎。雖然預測之結果有時準、有時卻不可靠，但預測卻是管理者建立並發展有效目標、策略與計畫的重要基本假設與前提。,預測目的,預測的目的有下列幾點： 判斷市場上的需求是否足夠，是否有獲利空間，值得進入市場。 規劃長期的產能需求、生產設備需求。 瞭解市場中長期的需求變化，避免因短視造成公司長期的不利。 察明短期的需求變化，作為生產規劃、物料規劃、人力安排或其他用途。
9、藉由預測將需求做分類，只針對可被預測的需求做預測，然後將剩餘的產能保留給那些無法被預測的需求。銷售預測為生產計畫之基礎，預測愈準確，生產計畫於執行時所需變動的情況愈少，生產計畫與管制工作也愈簡單。,預測程序與要素,預測的程序： 1. 決定預測的目的、詳細度和時機 2. 確定預測所需涵蓋的時間 3. 選擇預測方法 4. 蒐集、整理、分析資料，然後進行預測工作。 5. 預測控制：檢討方法、假設、數據的有效性，依需要做修正。,一般而言，一個好的預測模式應能符合以下條件： 1. 預測結果能以實體單位表示，如汽車台數、金錢。 2. 能將需求變動的情形顯示出來。 3. 可針對產品線中每一產品項目做預測。
10、4. 預測時應將活動所需的前置時間納入考慮。,從事預測時，須考慮的要素包括： 1. 預測的目的(目標) 2. 所欲預測的產品項目(單一或一群產品) 3. 運用何種技術？何種途徑？ 4. 衡量單位(重量、貨幣) 5. 預測的時格(time bucket)：週、月或季 6. 預測的時程(time horizon)：週、月或季 7. 預測之準確度 8. 預測模式中參數之修正 9. 預測之元素(趨勢、季節、循環、隨機變動),預測細緻度,需求管理的一個重要流程需求預測應提供適當的細緻度，且不論對單一產品或產品族群做預測，規劃的結果必須一致。預測的細緻度可分為三個層次： 對整體銷售情形做預測，以貨幣單位衡
11、量，多用於高階管理者做營運規劃、預算時使用。 對產品族群做預測，以貨幣單位衡量產品品牌或以重量衡量包裝大小等，多用於產品經理開發市場計畫、促銷、廣宣、配銷計畫時使用。 對單一產品做預測，以數量單位衡量，多用於生產規劃排程作業(scheduling operations)。產品結構的概念可用來幫助從事預測，若已有物料清單存在，則可以很清楚地瞭解預測的對象、細緻度以及各階層的關係，各階層都可以獨立做預測，以下介紹一些常用的方法。,預測方法,預測方法可分為四種不同的類型：定性(Qualitative)：主要是基於專業知識的判斷，依不同的資訊獲得方式、來源或判斷者，而有各種不同的方法。時間序列分析(T
12、ime series analysis)：為一種定量分析方法，認為過去需求的相關資料可以用來預測未來的需求。因果關係(Causal relationships)：假設需求與環境中的許多因素有關。例如：銷售可能會受廣告、品質、競爭者所影響，一般以線性迴歸來討論。模擬(Simulation)：屬於一種動態模型，通常以電腦為基礎，允許預測者在一個規範的假設下，對未來的情境做預測。,預測方法一般可概略分成兩大類：定性預測方法與定量預測方法。定性的(Qualitative)預測方法並不是完全不用數字，而是指未採用數量化的模型進行預測。 定量的預測方法，則應用數學模型或步驟，採取較嚴謹、較少人為判斷的方式
13、進行預測，常見的定量預測方法有兩類：一是時間序列分析法，另一則是因果關係法。一般而言，為期3個月內的短期需求預測，可以使用時間序列分析法、因果關係法或定性預測法；而3個月至2年的中期需求預測，則建議採用因果關係法或定性預測法；至於大於2年的長期需求預測如中期預測一樣，建議使用因果關係法或定性預測法。,定性需求預測方法,定性需求預測的方法主要是基於專業知識的判斷，常用於缺乏歷史數據資料或未來狀況為不可預測時，例如：新產品引進市場前無任何銷售資料可供參考；因政治、經濟條件變遷，使得原有的資料失去效用，而更新後的資料一時收集不到，因此不得不採用判斷及經驗法從事預測。依資訊獲得方式、來源或判斷者的不同
14、，而有各種不同的方法。常見的定性需求預測方法敘述如下：,專家意見法,所謂的專家係指對於某些領域的認知與瞭解非常深入的一小部份人或群體，在銷售預測中常見的有銷售經理、相關管理人員、學者等。專家意見法認為集合各種不同單位的人會比個別單位更能發展出可信的預測值，專家意見法預測值的發展，是經由開放式的會議，由來自所有層級管理和個體的意見，自由交換而得。專家意見法的優點在於預測成本低、方便、快速；而最大的缺點在於太過主觀，因為此法的預測結果常伴隨著專家個人或周遭環境的變化，而產生較大的起伏，因此預測的結果較不穩定。此外，這種開放風格的困難點在於較低層的員工會被較高層管理人員所壓制，而不願貢獻其真實的理念
15、。另一種方法Delphi法可修正對自由交換意見的損害。當預測是在決定一個較廣泛或較高的層級時，如：導入新產品線或有關新行銷區域的策略性產品決策，一般會採納主管的判斷。,市場調查法,市場調查法大多使用普查、訪問、問卷等方式，收集資料以預測有關市場之假設，這種方法通常運用在長期預測和新產品的開發與銷售。市場調查法有助於對市場狀況、消費者行為、行銷通路等的瞭解，以做為生產決策的基礎，尚且可以收到第一手資料。但此法需要較高的人力成本、郵寄費用，且經常會遭遇低問卷回收率的狀況。市場調查法可藉由雇用專精於市場調查的公司，或是在公司的行銷部門，從事這類型的預測工作。,草根式預測法,草根式預測是藉由連續累加基
16、層的資料來建立預測值。這裡所謂的基層乃是指接近顧客或最終產品使用者的人員，通常這些人較瞭解其未來的需要。雖然草根式預測所得出的值不全然正確，但在許多實例中顯示草根式預測是十分有效的。例如：公司整體的銷售預測也許是整合每一個銷售點的資料，再加上安全存量及影響訂單量大小的調整值，成為上一層級的輸入值，反覆此過程直到最高層級為止。,Delphi預測法,在專家意見法中，高階的陳述或意見可能會比低層人員更受重視，甚至有些時候，低層人員會感受到威脅而不願貢獻其真實的理念。為了避免此類的問題產生，Delphi法是對參與研究的個人採匿名的方式進行，每個人有相同的比重。程序上，參與者先行回答問卷，由主席收集結果
17、，然後再形成一份新的問卷，再請參與者填答。其優點為可以避免群體壓力以及被具有支配慾的個體所影響。,Delphi法是1950年Rand公司所發展出來的方法，其施行步驟如下： 1. 挑選參與的專家：在不同領域中具備專業知識的人。 2. 經由問卷或E-mail由參與者獲取預測值，以及對於預測值的前提或限制條件等。 3. 綜合結果再整理成合適的新問題發給參與者。 4. 再次歸納、修正預測值和情境，並整理成新的問題。一般而言，重複三次後，通常能得到較好的結果。決定所需花費時間的因素有：參與人員的數目、發展預測值所牽涉的工作量以及回覆問卷的時間等等。,定量需求預測方法,依採用的原理又可分為時間序列模式(T
18、ime series model)和因果分析法(Casual method)。時間序列模式是以一段固定時間間隔(如：每小時、每天、每週、每月、每季、每年)為基礎，假設未來的預測值可由過去的資料估計得到，利用過去的經驗或資料以尋找未來軌跡，此模式又可稱為投射預測法(projective method)。常見的時間序列方法有：移動平均法、指數平滑法等，並可與季節、趨勢等因素結合。,因果分析法主要是在找尋與需求量最有相關的各種經濟指標(如：國民所得、失業率、消費者物價指數、躉售物價指數、貨幣供給額等)，建立迴歸模式進行預測的工作。此種方法的假設前提是：需求量會隨著這些指標的變化作正向(或反向)的變化
19、，故被稱為因果分析法或經濟指標法。由於預測主要是針對未來的事件，因此常用領先指標做預測，且一般人總認為影響需求量的經濟指標可能有一個以上，因此常見的因果分析法有：多元迴歸、關聯性預測法等。,補充：領先指標,領先指標綜合指數是由數項能提前反映景氣變動情況的指標所構成，用來預測短期未來景氣變化。意義上，領先指標的高峰與谷底會比經濟循環的階段要出現得早，因此是重要的預測與規劃工具。按照過往的經驗，經濟轉折時，領先指標綜合指數會先連續三個月出現同方向變動。例如，當領先指標近三個月出現-0.2%、-0.2%與-0.1的同方向變動，是經濟“可能”陷入衰退的訊號。國民生產毛額(GDP)衰退可能影響面板業景氣
20、,線性迴歸,迴歸分析的定義為兩個或兩個以上的變數具有相關性，主要是用來預測其中一個變數在其他影響變數中的應變值，而線性迴歸為迴歸分析法中的一個特例，假設變數間的關係為一直線。線性迴歸分析可被用來作為時間數列與因果關係的預測工具。 當變數(Y)隨著時間(X)的改變而改變時，這就是時間數列；若某一變數因為另一變數的改變而改變，這就是因果關係。線性迴歸分析通常運用於長期規劃，因為在長期規劃中的短期資料大多呈直線。,移動平均法,移動平均法是求時間數列中最近資料的平均數，如此一方面可以保持反應近期的市場狀況，另一方面亦可以將隨機變動的因素平均分攤於各期，使其對預測的影響減至最少，以增加預測的正確性。對於
21、移動平均法而言，最重要的在於選擇一個適當的期數。當移動平均法所用的期數愈少時，平均數愈敏感，雖會產生較大的波動，但與真正的資料走勢較為接近；當移動平均法所用的期數愈多時，則其中影響預測的變動因子愈不易被發現，雖表現較平穩，但對實際的反應能力較差。,加權移動平均法,在移動平均法中，每一期的權重都是一樣的，但在加權移動平均法中，可以賦予每一期相對應的權重值，而這些權重的總和必須等於一。加權移動平均法比(簡單)移動平均法佔優勢之處，在於加權移動平均法較能反應最近的事件。選擇權重最常用的方法是經驗法和試誤法，一般來說，最近期的資料在預測上為較重要的指標，故可設較高的權重；若資料是屬於季節性的，那麼就可
22、根據季節的變動來分配權重。,指數平滑法,指數平滑法為一種常用的預測方法，此法給予各期已知資料的權重呈現指數分配的型態，且近期的權重較大，廣義而言，此法亦為一種加權移動平均法。指數平滑法需三項資料：最近的預測結果、最近一期的實際需求以及平滑係數。指數平滑法以最近一期的預測值為基礎，每一預測值可從上一期的預測值和實際值計算得到，此法的優點在於所需儲存的歷史資料數量最少。平滑係數是用來決定預測平準的程度，以及對預測值與實際值之差值的反應速度，一般使用的平滑係數多介於0.050.5之間。,趨勢性指數平滑法,季節性預測法,時間序列中的季節變動是指在時間序列中某事件規則地向上或向下反覆變動。季節性可能是規
23、則的年度變動(如：氣候的變動冬季與夏季冷氣的銷售量)或假期變動(如：航空旅遊、賀卡銷售)。季節變動一詞也應用在每日、每週、每月及其他出現規則性的模式，例如：每天上下班交通尖峰時段、餐廳和戲院在週末時人潮較多、銀行在中午和下班前顧客流量較多等等，都是與季節變動相關的應用例。在時間序列中的季節性是以實際值偏離平均值的數量來表示。若趨向於在平均值附近變動，則其季節性就可用該平均值來表示；若呈現趨勢性，則季節性應以趨勢值來表示。,季節性有兩種不同的處理模式：加法模型(additive model)和乘法模型(multiplicative model)。在加法模型裡，利用加上或減去一特定的數量來表示季節
24、性；在乘法模型裡，季節性以平均數量的百分比來表示，利用乘上一數值加入季節性。實務上乘法模型比加法模型應用廣泛，以下只介紹乘法模型。當不同季節中的變動情形具有規則性時，可用季節指數(seasonal indexes)加以調整或消除季節性，通常季節指數以數量的百分比來表示，介於0與1之間。在預測中所用的季節相對性，有兩種不同的方式，一種方式為消除數據的季節性，另一種方式是在預測中加入季節性。消除數據的季節性，是指將季節的因素從數據中去除，以便得到一個更清楚、不含季節因素的數值；當需求同時具有趨勢性與季節性因素時，則可在預測值中加入季節性。,1. 加入季節性因素的方法 根據趨勢預測值，乘以相對應的季
25、節指數，將季節性加入預測值中。,2. 計算季節指數的方法第i期的季節指數第i期實際需求量一期平均需求量 (年度需求預測量期數) 第i期的季節指數 調整後之第i期需求預測量,預測誤差控管與方法選擇,各種預測方法的共同特徵,假設過去存在的因果關係，未來將會循著一定的軌跡繼續存在。事實的結果往往出乎預測之外，因為太多的因素會影響預測的結果，致使無法一一周全地加以考慮，何況其間尚存在著許多隨機性的因素，因此實際的結果經常與預測值不同。群體項目的預測遠較個別項目的預測為準確，因為群體產品的預測誤差常可相互抵消。預測的準確度隨著預測時間的長度而遞減：預測的時程愈長，預測的準確性愈差。由於短程預測所面臨的不
26、確定因素較長程預測少，故短程預測較長程預測準確。,預測方法的選擇,雖然有許多不同種類的預測方法，但沒有一種預測方法可以適用於所有情況，因此，在選擇預測方法時，管理者必須考慮許多因素，最重要的兩個因素是成本和準確度。一般而言，準確度愈高的預測，其成本愈高，所以在成本與準確度之間必須做一取捨；最佳的預測並不一定要最準確或成本最低，而是管理階層所認同某種準確度與成本最佳的組合。其他考慮因素包括：歷史資料的有效性、收集資料和分析資料所需的時間、管理者的能力等等。此外，預測所包含的時間亦相當重要，有些預測適用於長期預測(如：趨勢法)，有些預測適用於短期預測(如：移動平均法、指數平滑)，一些不需使用歷史資
27、料的定性方法，也較常被用於長期預測(如：德菲法、主管意見法等等)。,運用前述幾種方法來進行預測統計分析時，可依下列步驟進行以獲得較適當的預測值： 資料累計 (Accumulation)：將歷史銷售紀錄等獲得的資料分佈於各時間點上，再將各時間點的資料累計為時段式(time series)資料，並依據各產品的特性來決定時段(time series)的長短。例如，每日累計成時段式資料則為每週。資料處理 (Data Cleansing)：若所得的時段式(time series)資料有不正常的資料點時，不論是已知或未知原因造成都需先做調整。例如：將原始的銷售資料除去已知的需求影響因素，像是促銷活動、例外
28、事件，或未知因素，以得到適當的需求基準。 診斷 (Diagnostic)：根據資料的特性，選出所有適合的預測模組 (forecasting models)。,模組篩選 (Model Selection)：從適合的預測模組群中，決定最有可能產生最準確預測的模組。步驟如下： (1)將所有可利用的歷史銷售(時段性)資料分為前段與後段。 (2)將前段資料套用於預測模組來產生預測。 (3)將產生的預測與保留的後段歷史銷售資料作一比較並計算預測誤差。 (4)選出誤差最小的預測模組來做未來的銷售預測模組。預測演算 (Forecasting)：將所選出的預測模組運用到所有存在的歷史資料，來演算未來的需求預測。結果評估 (Evaluation)：定期的計算預測與實際銷售誤差來評估預測模組的適合性。需求的特性(Demand Pattern)有可能會隨時間而改變，因此須定期衡量預測模組是否仍適合。,
