服装行业的需求分类与预测手册

合集下载
相关主题
  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
需求的不确定性
个人的需求变化 需求的相关关系的変化 订货生産
需求的连续性
時序列分析 将来需求的预测可能性
需求的种类及其关系
显在需求
已决定购买的 到期更新的设备 已支付货款
潜在需要
不满足需求的实现条件(资金、空间等)
零需求
没有购买欲望的潜在需求
创出需求
经过企业的努力、顾客产生了购买欲望的需求
????
有欲望、有条件、但还没有购买的需求
????
没有欲望、有条件的需求
需求变动的分类
确定、动态稳定 不确定、动态不稳定 确定、动态稳定 不确定、动态不稳定
例1
汽车组装厂与零部件供应商
每月供应坐位10万
空调组装与压缩机供应
4月-6月:每月供应1万台 其他时间每月供应2千台
预测方法的评价标准
精度(Accuracy) 柔性(Bending) 合理性(Convincing) 持续性(Durability) 简便性(Easiness)
需求预测与销售预测
社会总需求与市场占有率
销售预测与销售计划
供不应求(能力限制对销售计划起主导作用) 供过于求(潜在需求的开发、积极竞争的销
trend factor
ARIMA模型
自回归模型(AR:auto regression)
AR(1)
zt 1zt1at
AR(2)
zt1zt 12zt 2a t
Z(t-1)
a(t)
Z(t)
自回归演算
AR的性质
协方差与相关系数
λ(p)= Cov (z(t),z(t-p))=E(z(t)z(t-p)
2. Demand forecasting
内容
需求的分类 预测方法
移动平均法 指数平滑法 ARIMA模型 BASS模型 其他方法
需求的分类
需求的含意
对某一商品有需求
消費者有购买欲望 而且能够购买
需求的例子
衣,食,住,行
需求的特征
需求的相关性
第1产业,第2产业,第3产业之间(投入产出) 产品的生产需要人,财,物 气温上升导致空调需求增加
Beta:seasonal factor Gamma:trend factor
Trend factor
t(y t y t 1 ) ( 1 )t 1
Seasonal factor
Lt xztt (1)Lt1
预测方法
y t T (zt T t)t T
Seasonal factor Basic value
Stationary condition (定常性条件)
Var(z(t))= Var(z(t-1)) E(z(t)×z(t))=Φ×Φ×Var(z(t-1))+0+σ×σ |Φ|<1
移动平均模型(MA)
MA(1)
zt 1zt1 a t a t a t 1a t1 1 0 zt a t 1a t1
λ(1)= E((Φ(1)×z(t-1)+a(t))×z(t-1)) =Φ(1)×λ(0)+E(z(t-1))×E(a(t)) = Φ(1)×λ(0)
λ(p)=Φ(1)p×λ(0) ρ(p)=λ(p)/λ(0)= Φ(1) p
记忆函数
z(t)=Φ(1)× z(t-1)+a(t) z(t)=a(t)+Φ(1)× a(t-1)+ Φ(21)× a(t-1)+…
原系列
移動平均 k= t - H/2
指数平滑法
指数平滑法的思路
好的预测方法的条件
去除不规则变动 对趋势变化敏感 误差的方差小 实用方便 预测逻辑明了 误差范围明确
指数平滑法的计算方法
yˆ实t质1上是加xt权移(动1平均法)yˆt
(1)i xti i1
Brown式平滑法
例2
汽车的月生产量
1月、2月、3月、4月、5月 100、100、100、100、100
1月份的销售量
第1週、第2週、第3週、第4週 20、 30、 25、 25
汽车销售商的月销售量
– 1月、2月、3月、4月、5月 – 100、200、300、400、500
2月份的每周销售量
– 1週、2週、3週、4週 – 40、 50、 80、 30
需求4种变动曲线的示意图




時間
時間




時間
時間
预测方法
预测种类
需求预测 经济预测 销售预测 生产预测 价格预测 其他(赛马、垒球、足球) 彩票?
需求预测的实用条件
预测精度
種類 短期 中期 長期
期間
3ヶ月 1年 5年
应用
精度
日常経営活動 ±2%
生産、販売 ±5%
設備投資 ±15%
Winter式平滑法
Complete exponential model Naïve model Simple forecasting model
Basic Value Trend factor Seasonal factor
Basic Value zt xt t1(1)y (t1rt1)
售计划)
需求预测的数学模型
移动平均法 指数平滑法 ARIMA模型 BASS模型
移动平均法
实测值:x1, x2, x3, x4,… xn 预测值:y1, y2, y3, y4,… yn yt+1=(xk + xk+1+xk+2…+xk+H)/H
k= t - H k= t - H/2
简单平滑法 2次平滑法
y(t+1)=αx(t)+ (1-α)y(t) z(t+1)=αy(t)+ (1-α)z(t) u=2y-z
b(t+1)=α(y(t+1)-y(t))+(1-α)b(t) z(t+1)=y(t)+(1/α)b(t+1)
3次平滑法
– y(t+1)=α x(t)+ (1-α) y(t) – z(t+1)= α y(t)+(1- α)z(t) – u(t+1)= α z(t)+(1- α)u(t) – v=3y-3z+u
a(t-1),a(t)
Z(t)
移動平均演算子
自回归移动平均模型
ARMA(1,1)
zt 1zt1 at zt 1zt1 at at at 1at1 zt 1zt1 at 1awk.baidu.com1
ARMA(p,q)
zt 1zt12zt2•••pztpat1at12at2•••qatq
Non-stationary model
相关文档
最新文档