在讨论预测的技法之前,懂得预测的一般特征是重要的。最重要的特征可简述
如下:
1、预测将是错的
2、预测附上对误差的估计是最有用的
3、对于较大的物品组合,预测更准确些
4、对于较短的时间,预测更准确些
当前合理的方法承认预测总是有误差的,而且虽然有许多工具可以改善预测的
艺术,应用这些工具需投入的金钱与努力迅速达到报酬递减点。超过了这一点,对
预测误差采取灵活态度将比试图改善预测要有利得多。最好的办法是去开发一个正
式的预测计划与一种发现与度量预测误差的体制,然后快速地反应去校正这些误差。
本章将详述这种办法。可以使用根据以往的实际与预测数据的对比或根据有识人士
的意见作出的误差估计去制订应急计划。这些办法将使为响应预测误差而采取的校
正行动加速并更为有效。每一预测应包含一个对预测误差的估计──该预测可能错
到什么程度的表达式。这一估计可用预测的百分数(正或负)或作为最大值与最小
值之间的一个范围。如第5章所述,在建立订货点时,有必要知道在提前期间估计
的平均使用量以及最大的预期使用量这二者。后者,当然,是提前期间该需求预测
的准确度的一个函数。预测误差的估计提供设置确定何时要采取行动(诸如重新计
算EOQ或改变某一部门的生产率)的决策规则的基础。当实际需求落在预测范围
之外时,可能有非随机性的影响存在因而采取行动是必要的。
虽然进入市场的新产品最难预测,但在新产品预测中使用预测误差的估计往往
比其它情况更为有利。新产品可能同在大类产品中已相当稳定的东西相当地相似。
这种情况下,由于销售部门有销售类似物品的一些经验,市场营销部门有过去预测
类似产品的经验,预期的预测误差可能是低的。另一方面,对市场上全新的一个产
品,由于公司没有经验,预测可能失误到300%之多。本书后面将详述在生产与
库存控制中作出决策时预测误差的使用。
一个基本的统计事实是即使总体作为整体具有非常稳定的特征,总体中每一个
体的行为却是随机的。例如,要预测个别人的预期寿命是极为困难的,但保险公司
能以高准确度预测大群个人的平均预期寿命。同理,虽然对个别物品的预测要受高
度误差的支配,但对大系列制造产品作出相当高准确度的预测却是可能的。
┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┓
┃ 第 三 季 度 ┃
┣━━━━━━━━━┳━━━━┳━━━━┳━━━━┳━━━━┫
┃ 物 品 ┃预 测*┃ 实 际 ┃ 差 额 ┃差 额 %┃
┣━━━━━━━━━╋━━━━╋━━━━╋━━━━╋━━━━┫
┃#7147 - 灯 ┃ 47,600┃ 42,784┃ - 4816┃ - 10.1┃
┣━━━━━━━━━╋━━━━╋━━━━╋━━━━╋━━━━┫
┃#8014 - 钳子 ┃ 12,800┃ 9,125┃ - 3675┃ - 28.7┃
┣━━━━━━━━━╋━━━━╋━━━━╋━━━━╋━━━━┫
┃#8663 - 锉刀 ┃ 1,505┃ 1,157┃ - 348┃ - 23.1┃
┣━━━━━━━━━╋━━━━╋━━━━╋━━━━╋━━━━┫
┃#8726 - 纤维切断机┃ 22,500┃ 28,392┃ + 5892┃ + 26.1┃
┣━━━━━━━━━╋━━━━╋━━━━╋━━━━╋━━━━┫
┃#8933 - 螺刀 ┃ 10,100┃ 11,394┃ + 1834┃ + 18.1┃
┣━━━━━━━━━╋━━━━╋━━━━╋━━━━╋━━━━┫
┃#9250 - 剪切机 ┃ 17,450┃ 14,860┃ - 2590┃ - 14.8┃
┣━━━━━━━━━╋━━━━╋━━━━╋━━━━╋━━━━┫
┃#9261 - 剪刀 ┃ 28,500┃ 27,733┃ - 767┃ - 2.7┃
┣━━━━━━━━━╋━━━━╋━━━━╋━━━━╋━━━━┫
┃#9337 - 耙 ┃ 68,000┃ 68,105┃ + 105┃ + 0.2┃
┣━━━━━━━━━╋━━━━╋━━━━╋━━━━╋━━━━┫
┃#9604 - 锄 ┃ 27,200┃ 17,566┃ - 9644┃ - 35.4┃
┣━━━━━━━━━╋━━━━╋━━━━╋━━━━╋━━━━┫
┃#9638 - 铲 ┃ 3,320┃ 4,638┃ + 1318┃ + 39.8┃
┣━━━━━━━━━┻━━━━┻━━━━┻━━━━┻━━━━┫
┃ 物 品 的 平 均 预 测 误 差 = 19.9┃
┣━━━━━━━━━┳━━━━┳━━━━┳━━━━┳━━━━┫
┃ 全 组 总 计 ┃ 238,975┃ 226,284┃- 12,691┃ - 5.3┃
┗━━━━━━━━━┻━━━━┻━━━━┻━━━━┻━━━━┛
* 第二季度末的预测
图4-3 个别物品与全组物品的预测误差
图4-3所示为对一组10个物品的基本观察数据。对每一物品作出了该年度
第三季度的预测。到该季度末,实际销售量与预测值作比较,可看出误差的百分数。
对个别物品的预测,其平均误差为19.9%,范围为高35%到低40%。但全
组产品的预测误差只有5.3%,虽然其中只有两个物品的预测误差是这样小。
图4-4所示为某一物品在一长期间中预测需求与实际需求的比较。该物品原
来预测每周销量900件,此预测值用了50周没有修改,累计预测需求等于该预
测值乘以周数,而累计实际需求是50周内实际需求的总和。随着预测的延伸,累
计预测误差呈增加趋势。例如,第二周未,偏离预测的数量是200,等于周预测
┏━━━━━━━━━━━━━━━━━━━━━━━━━━┓
┃ #9 物 品 ┃
┃ 预 测 = 每 周 900件 ┃
┣━━━┳━━━━┳━━━━┳━━━━┳━━━━━━━┫
┃周 次┃累计预测┃累计实际┃偏离预测┃ 偏离值表达为 ┃
┃ ┃ 需求 ┃ 需求 ┃的近似值┃周预测值的倍数┃
┣━━━╋━━━━╋━━━━╋━━━━╋━━━━━━━┫
┃ 2 ┃ 1800 ┃ 2004 ┃ 200 ┃ 0.2 ┃
┣━━━╋━━━━╋━━━━╋━━━━╋━━━━━━━┫
┃ 5 ┃ 4500 ┃ 5230 ┃ 700 ┃ 0.8 ┃
┣━━━╋━━━━╋━━━━╋━━━━╋━━━━━━━┫
┃ 10 ┃ 9000 ┃ 10224 ┃ 1200 ┃ 1.3 ┃
┣━━━╋━━━━╋━━━━╋━━━━╋━━━━━━━┫
┃ 15 ┃ 13500 ┃ 15465 ┃ 2000 ┃ 2.2 ┃
┣━━━╋━━━━╋━━━━╋━━━━╋━━━━━━━┫
┃ 20 ┃ 18000 ┃ 19912 ┃ 1900 ┃ 2.1 ┃
┣━━━╋━━━━╋━━━━╋━━━━╋━━━━━━━┫
┃ 25 ┃ 22500 ┃ 24472 ┃ 2000 ┃ 2.2 ┃
┣━━━╋━━━━╋━━━━╋━━━━╋━━━━━━━┫
┃ 30 ┃ 27000 ┃ 28712 ┃ 1700 ┃ 1.9 ┃
┣━━━╋━━━━╋━━━━╋━━━━╋━━━━━━━┫
┃ 35 ┃ 31500 ┃ 33312 ┃ 1800 ┃ 2.0 ┃
┣━━━╋━━━━╋━━━━╋━━━━╋━━━━━━━┫
┃ 40 ┃ 36000 ┃ 39120 ┃ 3100 ┃ 3.5 ┃
┣━━━╋━━━━╋━━━━╋━━━━╋━━━━━━━┫
┃ 45 ┃ 40500 ┃ 46785 ┃ 6300 ┃ 6.9 ┃
┣━━━╋━━━━╋━━━━╋━━━━╋━━━━━━━┫
┃ 50 ┃ 45000 ┃ 54242 ┃ 9200 ┃ 10.2 ┃
┗━━━┻━━━━┻━━━━┻━━━━┻━━━━━━━┛
图4-4 预测视界上的预测误差
值的0.2倍,而到了第35周未,累计误差已达1800件──约相当于2周的
供应量。到第50周未,累计误差约为10周的供应量。一般,随着预测视界长度
的增加,预测误差将趋于增大。
随着预测者对于预测艺术知道得越来越多,一个好的预测系统将总是处于一种
流动状态。该预测者可能开发新的技法,并希望用实际的公司数据去检验它。如果
预测人要确定一种新的预测技法是否有效,他无需等待销售量的实现。他可以假设
这预测是1年或2年前作出的,而用实际发生的数字去检验这种预测方法。
图4-5所示为一简单例子。此例中,根据去年以前5年的销售量的平均值作
出了每一季度销售指数。这一计算中不包括去年的实际销售量。这些数据要留作检
┏━━━━━━━━━━━━━━━━━━━━━━━━━━┓
┃ 季 度 销 售 百 分 数 的 估 计 ┃
┣━━━━━━━━━━━━━━━┳━━━━━━━━━━┫
┃估计的季度销售百分数(根据去年┃去年实际的季度销售百┃
┃以前五年的实际销售量的平均值)┃分数 ┃
┣━━━━━━━━━━━━━━━╋━━━━━━━━━━┫
┃ 第一季度 21% ┃ 20.50% ┃
┣━━━━━━━━━━━━━━━╋━━━━━━━━━━┫
┃ 第二季度 29% ┃ 30.30% ┃
┣━━━━━━━━━━━━━━━╋━━━━━━━━━━┫
┃ 第三季度 29% ┃ 28.90% ┃
┣━━━━━━━━━━━━━━━╋━━━━━━━━━━┫
┃ 第四季度 21% ┃ 20.30% ┃
┣━━━━━━━━━━━━━━━╋━━━━━━━━━━┫
┃ 总 计 100% ┃ 100.00% ┃
┗━━━━━━━━━━━━━━━┻━━━━━━━━━━┛
图4-5 预测技法的检验
验预测技法之用。这一非常简单的检验指出,对于去年,这一确定季度销售百分数
的预测技法可算是相当准确的。如果检验年度是用于建立预测值的五年中一年,此
技法将不是有效的,因为这些指数很可能同用来产生它们的历史数据很相关。检验
的重要好处是预测人可以通过仿真他的预测技法去犯廉价的错误。如果一个预测系
统被检验表明是好的,则在实用时它也可能将是好的。在重点预测法(10)中,
有一计算程序使用多种预选的预测模型来做这样一种仿真,并使用其中表现最好的
一个模型于最近的数据去推测将来的需求。