供应链管理定义.doc

供应链管理定义

83
2020年5月29日
文档仅供参考
第一章 绪论
1.1研究动机与目的

供应链的定义大致如下:供应链管理是制造商和配销场所所连接而成的网络,在各层级的活动(制造商、配销商、批发商、零售商、终端顾客),包含原料的取得,将原料制成最终产品,一直到产品送至顾客手中的过程称之(Lee and Billington,1992)。
終端顧客 ( Customer )

零售商 ( Retailer )

批發商 ( Wholesaler )

配銷商 ( Distributor )

製造商 ( Factory )

圖1.1 供應鏈示意圖

供应链管理在现今的社会逐渐兴起,原因在于企业知道光是生产高质量的产品,如果没有一个健全的供应链体系,再好的产品如不能预测它准确的需求量,就会造成需求过多或缺乏,因而影响到厂商的作业成本的不稳定和存货水平。供应链管理在近几年来有长足的进步,主要是运用信息科技改进企业组织结构和作业流程,可是在存货管理方面的技术应需对其程度有相当性地提升。
在现今的社会里,供货商正面临着无止境的计划及决策问题。准确的需求预测能够减少存货的不确定性,并提供供货商做决策时的依据。
由此可知需求的预测可说是驱动整个供应链的重要因素,预测的低错误率是大家所追求的共同目标,而如何达成低错误率的方法没有一定。在好几种方法中,那一种预测方法最好到现在还没有定论。
有鉴于此,本研究拟以配销商(distributor)的立场,针对各种需求预测的方法进行回顾,并配合假设的情境,使用Beer Game 软件来测试比较各种需求预测方法。
1.2研究范围与内容

根据图1所知供应链分成5个层级,分别是制造商、配销商、批发商、零售商、终端顾客,而除了终端顾客和制造商外,其它的供应链中的各角色都可向上游订购及向下游出货。
本研究中所假设之供应链情境为:只有一家零售商、一家批发商、一家配销商及一家制造商之情形,并据此发展适当的需求预测模式。

相关的假设如下:

1. 供应链中零售商、批发商和配销商所采用的预测周期和预测方法皆相同。
2. 供应链中除了终端顾客向零售商订购,如果零售商有货,终端顾客即能马上拿到货品之外,其余的各层级之间从订购到收到货品都有前置时间。
3. 不考虑信息的传递时间和运送时间。
4. 供应链中除了零售商无法与终端顾客事后补货外,其余的各层级皆有考虑事后补货。
5. 制造商的供货能力为100 %,即不论产品原物料数量多寡,供货商都能在前置时间内送达。
6. 不考虑制造商产能限制问题。

w 本组的研究内容如下列四点:
(1) 回顾各种需求预测方法。
(2) 针对假设情境选择设计适当的需求预测方法(模式)。
(3) 应用Beer Game软件进行测试。
(4) 提出结论与建议。

共使用4种方法, 24种商品 ( 以 Beer Game 产生4年需求量,其需求型态为水平、季节性产品 ) 来进行预测,并比较上述 4 种方法,评估最佳的预测模式。

第二章 文献回顾
2.1啤酒游戏 Beer Game

啤酒游戏模拟下列的情境:
• 单一零售商、批发商、单配销商,及单一啤酒原料没有限制的工厂。
• 各供应链构成元素没有库存容量的限制,另外在各元素之间有一个固定的供应前置时间(supply lead time)及订单延滞时间(order delay time)。
• 每周供应链中各元素尝试满足下游元素的需求,任何没有被达到的需求将会被纪录成待补订单,尽速达成。
• 零售商、批发商、配销商及工厂的目标在于总成本最小化(不是个别成本最小化就是系统成本最小化)。

2.2长鞭效应

在供应链中,零售商是唯一能够直接接触到终端顾客得知需求,其它的供应链成员都是由下游所下的订单来得知市场需求。而需求是具有季节性的变化再加上预测的误差,会随着供应链中各层的信息传递而被扭曲,离终端顾客越远信息被扭曲的情况就越严重。当下游发生些许变异时,就会有如抽打牛鞭一样的向上传递,而此种需求扭曲现象就称为『长鞭效应』。

2.3预测方法简介

预测方法依据分析过程不同,可分成定性型(qualitative)与定量型(guantitative)2种。定量型的预测方法常见的有:
1. 移动平均法。
2. 指数平滑法。
3. 回归分析法。
4. 时间数列分析法。

移动平均、指数平滑法的目的皆在于去除由不规则变动所造成的随机变异,因此称为平滑法。平滑法适用于稳定的时间序列,也就是说并未显示出明显的长期趋势、旋环变动及季节变动的时间序列。如果不符合上述条件,必须稍做修正,否则以平滑法做预测的效果将不尽理想。
2.4移动平均法

移动平均法中,我们利用最接近的我们利用最接近的n个数据值得平均数来作为下期的预测值,计算公式如下。

移動平均 =

Σ(最近的n個資料)
n

使用「移动」这个字眼是因为,每当我们取得一个最新的观察值时,就要以这个新观察值取代上述公式中最旧的观察值而得到新的平均数,也就是说,平均数会随着新观察值出现而改变或移动。
例如以三周的移动平均做为例子。前四周的资料值分别为:17、21、19、23。则我们预测第四周的预测值为:

移動平均 ( 第1週 – 第3週 ) = = 19

17+21+19
3

因此,预测值的误差为:23 – 19 = 4 。

移动平均计算过程:

第一步:
使用啤酒游戏来产生水平需求、年中需求高、年后需求高等三类商品需求型态,共计有二十四种商品,而产生的需求值有四年的数据,第一 〜 三年数据即作为已知数据,第四年数据作为验证数据。

第二步:
把所有二十四种物品的实际值数据全输入在Excel中,并经由Excel的处理,算出前三年期数 2 〜 10所有的预测值。

第三步:
找出二十四种物品的前三年最小MSE之期数为何;再用最小MSE的期数代入,预测第四年的预测值。让第四年预测值,和使用Beer Game软件所产生的第四年实际值,来作比较。

第四步:
求得第四年的预测值和实际值之MSE。
我们以乳品1做为范例:

乳品1
2.00

3.00

Yt
Ft
Yt-Ft

Ft
Yt-Ft

第1个月
90

第2个月
51
70.50
-19.5
380.25

第3个月
140
95.50
44.5
1980.25
93.67
46.33
2146.78
第4个月
221
180.50
40.5
1640.25
137.33
83.67
7000.11
第5个月
309
265.00
44
1936.00
223.33
85.67
7338.78

90+51
2

当期数为2的时候,第2个月的预测值为: ＝ 70.50,第
51+140
2

3个月的预测值为: ＝ 95.5,以此类推;当期数为3的时候,
90+51+140
3

第3个月的预测值为: ＝ 93.67,第4个月的预测值为:
51+140+221
3

＝ 137.33。

之后以同样的步骤,算出期数由2至10所有数据;在套进求MSE的公式,找出乳品1在期数2时有小之MSE = 962.22。用期数 = 2,来代近第4年求出第4年的预测值;让第4年预测值,和使用Beer Game软件所产生的第4年实际值,来作比较;求得第四年的预测值和实际值之MSE。
移动平均之所有商品MSE:

商品
乳品1
乳品2
乳品3
咖啡1
咖啡2
咖啡3
MSE值
5652.85
5738.95
2470.78
3186.45
3199.25
3125.75

商品
口香糖1
口香糖2
口香糖3
糖果1
糖果2
糖果3
MSE值
178.98
147.73
31.68
43.83
13.13
71.95

商品
饼干1
饼干2
饼干3
泡面1
泡面2
泡面3
MSE值
30.63
25.53
23.33
9.18
550.7
452.15

商品
免洗餐具1
免洗餐具2
免洗餐具3
卫生纸1
卫生纸2
卫生纸3
MSE值
33.43
11.75
7.65
335.7
76.3
29.25
表2.1 移動平均之所有商品MSE

2.5指数平滑法

指数平滑法以过去数据值的加权平均做为预测值,它是加权移动平均的特例。此时,我们只选择一个权重,即最近数据值的权重,其它数据值的权重则可由模式依数据愈旧权重愈小的型态自动求得。而指数平滑法的基本模式如下:
Ft+1 = α Yt + ( 1-α ) Ft
其中
Ft+1 =第 t+1 期的預測值
Yt =第 t 期的實際值
Ft =第 t 期的預測值
α =平滑指數 ( 0≦α≦1 )

由上述公式可看出,第 t+1 期的预测值是第 t 期的实际值与预测值的加权平均;特别要注意的是,实际值得权重为α,预测值的权重则为1-α。我们能够说明指数平滑法所求得的任何时期的预测值,其实是前三期的资料值 ( 表示为 Y1,Y2,Y3 ) 的加权平均。令F1等于时间序列中的第1期数据值,也就是F1 =Y1。因此,第2期的预测值为
F2 = α Y1 + ( 1-α ) F1
= α Y1 + ( 1-α ) Y1
= Y1

指数平滑计算过程:
第一步:
使用啤酒游戏来产生水平需求、年中需求高、年后需求高等三类商品需求型态,共计有二十四种商品,而产生的需求值有四年的数据,第一 〜 三年数据即作为已知数据,第四年数据作为验证数据。
第二步:
把所有二十四种物品的实际值数据全输入在Excel中,并经由Excel的处理,算出前三年α( α = 0、0.1、0.2 ～ 1 ) 所有的预测
第三步:
找出二十四种物品的前三年最小MSE 之α为何;再用最小MSE的α代入,预测第四年的预测值。让第四年预测值,和使用Beer Game软件所产生的第四年实际值,来作比较。
第四步:
求得第四年的预测值和实际值之MSE。
我们以乳品1做为范例:
之后以同样的步骤,算出期数由2至10所有数据;在套进求MSE的公式,找出乳品1在期数2时有小之MSE = 962.22。
用期数 = 2,来代近第4年求出第4年的预测值;让第4年预测值,和使用Beer Game软件所产生的第4年实际值,来作比较;求得第四年的预测值和实际值之MSE。

指数平滑法之所有商品MSE:

商品
乳品1
乳品2
乳品3
咖啡1
咖啡2
咖啡3
MSE值
2594.83
2694.08
1463.25
1842.5
1732.83
1494.25

商品
口香糖1
口香糖2
口香糖3
糖果1
糖果2
糖果3
MSE值
118.75
65.64
15.42
23.75
6.88
26.05

商品
饼干1
饼干2
饼干3
泡面1
泡面2
泡面3
MSE值
17.31
14.57
19.5
7.12
345.91
234.55

商品
免洗餐具1
免洗餐具2
免洗餐具3
卫生纸1
卫生纸2
卫生纸3
MSE值
19.7
67.11
4.95
225.52
27.08
21.93
表2.2 指數平滑法之所有商品MSE

2.6 回归分析法
回归分析是一项统计工具,一般被用来表示两个或两个变量以上计量变量间的关系,它能够从一群变量中预测某一变量所需要的数据,例如:某人知道市场中某产品的价格和需求量间的关系,她就能够藉回归分析从价格来预测需求量,或某工程师知道存放在仓库中的某一种合成纤维原料的含水成份、及湿度之关系,则她能够藉由回归分析从含水成份,来预测纤维原料中的湿度,或以家庭收入来预测家庭在医疗方面的资出等。
我们不能正确的预测某一特定学院的毕业生,在她毕业后十年中能赚多少钱,但由已知的数据中,我们能够预测所有学院的毕业生在毕业后十年中平均能赚取的金额,同样地,我们能够运用已知的第一年商品需求数据,去预估第二年商品平均的需求量,这种运用一个已知的变量来预测一个变量的平均值的问题,称为回归问题。

回归方程式

在许多的方程式之中有一种方程式,可由一自变量X,来预测一因变量值Y,最简单且最被广泛采用的就是,这种在两未知值下的直线方程式,它的形式为:

Y= a + b X

上式中a为Y的截距(X = 0时的Y值)。
b为线段上的斜率,亦即一单位X的变动伴随着Y的变动之意。

一般,a、b的值是由已知数据来预估,一旦它们被决定后,我们能够将X的值,代入方程式中计算对应的Y值,直线方程式是相当有效且重要的,不只是因为在这种形式中确实有许多关系存在,而且它们一般对能所存在的关系提供近似估计值。

回归分析计算过程
第一步:
采用最简单回归线性方程式 Y= a + b X,来求得适合本研究虚拟的需求情境。使用啤酒游戏来产生水平需求、年中需求高、年后需求高等三类商品需求型态,共计有二十四种商品,而产生的需求值有四年的数据,第一 〜 三年数据即作为已知数据Y1,第四年数据Y2作为验证数据。
第二步:
利用Excel中的回归来产生预测方程式。将第一 〜 三年已知资料Y1,和X值(X=1、2、3…11、12)代入计算,即求得二十四种商品的预测方程式。
第三步:
将已知的X值(X=1、2、3…11、12)代入求得二十四种商品的预测方程式,因而求得二十四种商品第四年的预测需求值Y3。让第四年预测值Y3 ,和使用Beer Game软件所产生的第四年实际需求值Y2,来作比较。
第四步:
求得 ” 预测需求值Y3和实际需求值Y2 ” 的比较值MSE。
MSE = Σ [ (Y3 - Y2 )2] ≒ n ( n=12)

例:乳品一 (年中需求高)
第一步:第一 〜 三年已知资料Y1即为90、51、140、221、309…等36笔数据(订购周期为一个月)。第四年数据Y2为95、66…等12笔验证数据。

第二步:第一 〜 三年已知资料Y1代入Y, X依序代入1、2、…12循环三次,再利用Excel中的回归来产生预测方程式 y=179.2778-1.4103x

第三步:预测方程式 y=179.2778-1.4103x中,使X代1、2、…12因而估算出第四年需求预测值Y3。

第四步:使用预测需求值Y3、实际需求值Y2,求乳品一之MSE。

回归分析之所有商品MSE:

商品
乳品1
乳品2
乳品3
咖啡1
咖啡2
咖啡3
MSE值
6239.29
6624.64
2595.84
2156.34
2165.53
1885.90

商品
口香糖1
口香糖2
口香糖3
糖果1
糖果2
糖果3
MSE值
115.53
92.49
14.05
22.82
5.68
30.04

商品
饼干1
饼干2
饼干3
泡面1
泡面2
泡面3
MSE值
20.30
13.51
15.91
24.17
263.42
199.09

商品
免洗餐具1
免洗餐具2
免洗餐具3
卫生纸1
卫生纸2
卫生纸3
MSE值
108.58
53.58
68.30
125.56
141.03
167.77
表2.3 迴歸分析之所有商品MSE

2.7 时间数列分析法

时间数列是由不同时间点上对同一变项的观察结果组成,一般每隔一段时间固定观察一次,因而能掌握数据的变化过程。因此也能够说这类数据是动态变化数据。时间数列的数据一般由下列四种变动要素组成:
• 趋势变动 ( Trend )
• 循环变动 ( Cyclical fluctuations )
• 季节变动 ( Seasonal variations )
• 不规则变动 ( Irregular variations )

本研究中,以季节变动做预测(每3个月为单位,作一次预测)。
n 商品可能具有季节性,会影响预测结果之准确性。
n 在时间数列的计算中以移动平均法来去除季节因子,可更准确预测未来之趋势。
n 利用回归分析,以最小平方法,来求出各种商品之需求预测模式模式。
n 将季节因子加入第4年的需求预测模式中,成为更准确的预测订单数量。
n 最后求出各商品之ＭＳＥ。

时间序列分析计算过程

使用啤酒游戏来产生水平需求、年中需求高、年后需求高等三类商品需求型态,共计有二十四种商品,而产生的需求有四年的数据,第一 〜 三年数据即作为已知数据,第四年数据作为验证数据。
第一步:

季移動平均 ( 第1個月 ～ 第3個月 ) =

Σ(最近的3個月資料)
3

依此类推1～3月,4～6月,计算至10～12月,计算之结果为季移动平均。
第二步:
去除季节因子
将季移动平均有顺序的两两加总平均:

中央移動平均 A=

Σ(1～3月,4～6月)
2

依续推出所有的中央移动平均
将中央移动平均数值依顺序除以原始订单的单一月份,即为季节效应。

季節效應 A=

中央移動平均 A
原始訂單第3月

将同一季之季节效应值加总求其平均值,即为季节因子,季节因子则分为春夏秋冬,4个季节;而4个季节之季节因子加总需等于4。

季節因子(秋)=

(第1年季節效應 A)＋(第2年季節效應 A)
2

将原始订单值依序除以季节因子,此一步骤便成功除去了原始订单值中的季节因素。

去除季節因子之訂單=

第1年1～3月訂單
季節因子(春)

第三步:
求出商品之需求预测模式模式:利用回归分析,求出商品之需求预测模式模式;此一步骤利用Excel中的回归功能变量,选取最小平方法,来求出商品之需求预测模式模式。
第四步:
将季节因子加入:将新求出的第四年度订单数值加入季节因子,依序算出需求模式第四年度的新订单。
第四年度新訂單＝新求出之1～3月數值 ×季節因子(春)

以下依此类推
第五步:
求出各商品之ＭＳＥ:将原始订单与新年度订单比较求出ＭＳＥ值。
Σ(新年度訂單-原始訂單)2
MSE=
12 (N＝12)

时间序列之所有商品MSE

商品
乳品1
乳品2
乳品3
咖啡1
咖啡2
咖啡3
MSE值
258.25
200.17
433.75
117.08
10.18
1595.84

商品
口香糖1
口香糖2
口香糖3
糖果1
糖果2
糖果3
MSE值
52.88
62.33
25.77
27.38
2.58
4.99

商品
饼干1
饼干2
饼干3
泡面1
泡面2
泡面3
MSE值
93.79
25.49
64.05
197.88
35.21
100.37

商品
免洗餐具1
免洗餐具2
免洗餐具3
卫生纸1
卫生纸2
卫生纸3
MSE值
222.45
86.68
40.30
151.11
82.98
101.13
表2.4 時間數列之所有商品MSE

MSE值最小之商品:乳品1,乳品2,乳品3,咖啡1,咖啡2,口香糖1,口香糖2,糖果2,糖果3,泡面2,泡面3;共11种商品。

第三章 研究步骤与方法
3.1 研究项目与步骤
本组的工作项目可由图3.1清楚的表示:

資料收集與文獻回顧
尋找需求預測方法
結論與建議
確定需求預測方法
計算預測結果
使用Beer Game比較預測結果
圖3.1 研究流程圖

本组研究步骤说明:

1. 产生需求:
2. 用Beer Game产生四年数据,产品型态为:
A. 水平季节。
B. 年中需求高(产品需求集中在夏季)。
C. 年后需求高(产品需求集中在冬季),总共三类产品。

3.2 三类产品需求型态图例:

圖3.2.1水平季節訂單圖示

圖3.2.2 年中需求高(產品需求集中在夏季)訂單圖示

圖3.2.3 年後需求高(產品需求集中在冬季)訂單圖示

3.3 介绍MSE
选移动平均、指数平滑、回归分析、时间数列,4种方法来比较,选出最小的MSE ( 误差平方和的平均数称为误差均方 ) 。

Σ(預測值-實際值)2
MSE=
N

利用前 3 年的需求量产生数个模式,来预测第 4 年的需求量,之后再跟实际第 4 年(使用Beer Game 所产生)相比较。最小的MSE即为预测其商品情境的最佳方法解。

第四章 研究进度与时程

月份

工作项目
第一个月
第二个月
第三个月
第四个月
第五个月
第六个月
第七个月
第八个月
第九个月
第十个月
第十一个月
第十二个月
资料收集与文献回顾

回顾需求预测方法

确定需求预测方法

计算预测结果

使用Beer Game比较预测结果

结论与建议

表4.1 甘特圖

第五章 计算结果与比较:
5.1 各商品预测方法之比较说明

1. 移动平均 2. 指数平滑

α = 1
N = 2

MSE = 2594.83
MSE = 5652.85

3. 回归分析 4. 时间数列

MSE = 258.25
MSE = 6239.29

圖5-1 乳品1之4種預測方法比較圖

如上图所示,我们能够很明显地看出来,时间数列为乳品1 ( MSE = 258.25 )是四种需求预测方法MSE的最小值,即为较佳的需求预测方法,因为时间数列中的季节因子将商品的季节因子纳入计算,将乳品1的趋势,较准确的测量。

1. 移动平均 2. 指数平滑

N = 2
α = 1

MSE = 2694.08
MSE = 2738.95

3. 回归分析 4. 时间数列

MSE = 6624.64

MSE = 200.17

圖5-2 乳品2之4種預測方法比較圖

如上图所示,我们能够很明显地看出来,时间数列为乳品2 ( MSE = 200.17 )是四种需求预测方法MSE的最小值,即为较佳的需求预测方法,因为时间数列中的季节因子将商品的季节因子纳入计算,将乳品2的趋势,较准确的测量。

1. 移动平均 2. 指数平滑

α = 1
N = 2

MSE = 1463.25
MSE = 2470.78

3. 回归分析 4. 时间数列

MSE = 433.75
MSE = 2595.84

圖5-3 乳品3之4種預測方法比較圖

如上图所示,我们能够很明显地看出来,时间数列为乳品3 ( MSE = 433.75 )是四种需求预测方法MSE的最小值,即为较佳的需求预测方法,因为时间数列中的季节因子将商品的季节因子纳入计算,将乳品3的趋势,较准确的测量。

1. 移动平均 2. .指数平滑

α = 1
N = 2

MSE = 1842.50
MSE = 3186.45

3. 回归分析 4. 时间数列

MSE = 117.08
MSE = 2156.34

圖5-4 咖啡1之4種預測方法比較圖

如上图所示,我们能够很明显地看出来,时间数列为咖啡1 ( MSE = 117.08 )是四种需求预测方法MSE的最小值,即为较佳的需求预测方法,因为时间数列中的季节因子将商品的季节因子纳入计算,将咖啡1的趋势,较准确的测量。

1. 移动平均 2. 指数平滑

α = 1
N = 2

MSE = 1732.83
MSE = 3199.25

3. 回归分析 4. 时间数列

MSE = 10.18
MSE = 2156.53

圖5-5 咖啡2之4種預測方法比較圖

如上图所示,我们能够很明显地看出来,时间数列为咖啡2 ( MSE = 10.18 ) 是四种需求预测方法MSE的最小值,即为较佳的需求预测方法,因为时间数列中的季节因子将商品的季节因子纳入计算,将咖啡2的趋势,较准确的测量。

1. 移动平均 2. 指数平滑

α = 1
N = 2

MSE = 1494.25
MSE = 3125.75

3. 回归分析 4. 时间数列

MSE = 1595.84
MSE = 1885.90

圖5-6 咖啡3之4種預測方法比較圖

如上图所示,可看出咖啡3在指数平滑 ( MSE = 1494.25 ) 是四种需求预测方法MSE的最小值;基本上季节性商品之较佳方法应为时间数列,但因为咖啡3前三年的变动起伏过大,导致了季节因子的加乘作用,使预测订单没有预期中的完美。

1. 移动平均 2. 指数平滑

α = 0
N = 2

MSE = 118.75
MSE = 78.98

3. 回归分析 4. 时间数列

MSE = 52.88
MSE = 115.53

圖5-7 口香糖1之4種預測方法比較圖

如上图所示,我们能够看出来,时间数列为口香糖1 ( MSE = 52.88 ) 是四种需求预测方法MSE的最小值,即为较佳的需求预测方法。

1. 移动平均 2. 指数平滑

α = 0.1
N = 2

MSE = 65.64
MSE = 147.73

3. 回归分析 4. 时间数列

MSE = 62.33
MSE = 92.49

圖5-8 口香糖2之4種預測方法比較圖

如上图所示,我们能够看出来,时间数列为口香糖2 ( MSE = 62.33 ) 是四种需求预测方法MSE的最小值,即为较佳的需求预测方法。

1. 移动平均 2. 指数平滑

α = 0
N = 2

MSE = 15.42
MSE = 31.68

3. 回归分析 4. 时间数列

MSE = 25.77
MSE = 14.05

圖5-9 口香糖3之4種預測方法比較圖

如上图所示,我们能够看出来,回归分析为口香糖3( MSE = 14.05 ) 是四种需求预测方法MSE的最小值,即为较佳的需求预测方法。

1. 移动平均 2. 指数平滑

α = 0.2
N = 2

MSE = 23.75
MSE = 43.83

3. 回归分析 4. 时间数列

MSE = 27.38
MSE = 22.82

圖5-10 糖果1之4種預測方法比較圖

如上图所示,我们能够看出来,回归分析为糖果1 ( MSE = 22.82 ) 是四种需求预测方法MSE的最小值,即为较佳的需求预测方法。

1. 移动平均 2. 指数平滑

α = 0.2
N = 2

MSE = 6.88
MSE = 13.13

3. 回归分析 4. 时间数列

MSE = 2.58
MSE = 5.68

圖5-11 糖果2之4種預測方法比較圖

如上图所示,我们能够看出来,时间数列为糖果2 ( MSE = 2.58 ) 是四种需求预测方法MSE的最小值,即为较佳的需求预测方法。

1. 移动平均 2. 指数平滑

α = 0.1
N = 2

MSE = 26.05
MSE = 41.95

3. 回归分析 4. 时间数列

MSE = 4.99
MSE = 30.04

圖5-12 糖果3之4種預測方法比較圖

如上图所示,我们能够看出来,时间数列为糖果3 ( MSE = 4.99 ) 是四种需求预测方法MSE的最小值,因为糖果3的3年订单有一定的变化,因此时间数列中的季节因子便能够将商品的订单预测的较为准确。

1. 移动平均 2. 指数平滑

α = 0.2
N = 2

MSE = 17.31
MSE = 30.63

3. 回归分析 4. 时间数列

MSE = 93.79
MSE = 20.30

圖5-13 餅乾1之4種預測方法比較圖

如上图所示,可看出饼干1在指数平滑 ( MSE = 117.31 ) 是四种需求预测方法MSE的最小值。

1. 移动平均 2. 指数平滑

α = 0.1
N = 2

MSE = 14.57
MSE = 26.53

3. 回归分析 4. 时间数列

MSE = 25.49
MSE = 13.51

圖5-14 餅乾2之4種預測方法比較圖

如上图所示,我们能够很明显地看出来,回归分析中的饼干2 ( MSE = 117.31),预测值与实际值趋势较吻合,因此,回归分析为饼干2为较佳方法。

1. 移动平均 2. 指数平滑

α = 0
N = 2

MSE = 19.50
MSE = 23.33

3. 回归分析 4. 时间数列

MSE = 64.05
MSE = 15.91

圖5-15 餅乾3之4種預測方法比較圖

如上图所示,我们能够很明显地看出来,回归分析中的饼干3 ( MSE = 15.91),预测值与实际值趋势较吻合,因此,回归分析为饼干3为较佳方法。

1. 移动平均 2. 指数平滑

α = 0.3
N = 9

MSE = 7.12
MSE = 9.18

3. 回归分析 4. 时间数列

MSE = 197.88

MSE = 24.17

圖5-16 泡麵1之4種預測方法比較圖

如上图所示,我们能够很明显地看出来,指数平滑中的泡面1 ( MSE =7.12),预测值与实际值趋势较吻合,因此,指数平滑为泡面1为较佳方法。

1. 移动平均 2. 指数平滑

α = 0.3
N = 2

MSE = 345.90
MSE = 55.70

3. 回归分析 4. 时间数列

MSE = 35.21
MSE = 263.42

圖5-17 泡麵2之4種預測方法比較圖

如上图所示,我们能够看出来,时间数列为泡面2 ( MSE =35.21 )的最佳方法,因为泡面2的3年订单有一定的变化,因此时间数列中的季节因子便能够将商品的订单预测的较为准确。

1. 移动平均 2. 指数平滑

α = 0.1
N = 6

MSE = 234.55
MSE = 452.15

3. 回归分析 4. 时间数列