đề tài dự báo cung cầu

Do đó, thể thao Obermeyer trung bình dự báo cá nhân của từng thành viên ủy ban để cung cấp cho nhu cầu tổng thể *Phương pháp Delphi: Một nhóm các chuyên gia trong và ngoài nước được khả

CHƯƠNG 5: DỰ BÁO NHU CẦU

6 Lê Thị Hoàng Nhi

7 Lê Văn Anh

8 Trần Thị Mộng Nhi

9 Lê Thị Thùy

10 Đặng Thị Ngọc ánh

11 Sayahoummany Sayaveth

MỤC TIÊU:

Sau khi hoàn thành chương này, bạn sẽ có thể

• Giải thích vai trò của dự báo nhu cầu trong chuỗi cung ứng

• Xác định các thành phần của một dự báo

• So sánh và tương phản kỹ thuật dự báo định tính và định lượng

• Đánh giá độ chính xác của dự báo

• Giải thích kế hoạch hợp tác, dự báo và bổ sung

I DỰ BÁO NHU CẦU:

Dự báo là một yếu tố quan trọng của quản lý nhu cầu Nó cung cấp một ước tính nhu cầu trong tương lai và là cơ sở cho các quyết định kinh doanh Vì tất cả tổ chức phải đối phó với một tương lai vô định , một số trường hợp có sự khác nhau giữ dự báo với nhu cầu thực Như vậy , mục tiêu của một kỹ thuật dự báo tốt là để giảm thiểu độ lệch giữa nhu cầu thực tế và dự báo Vì dự báo là một dự đoán trong tương lai tương lai nên yếu tố nhu cầu ảnh hưởng và tác động của những yếu tố này, và liệu nó sẽ tiếp tục ảnh hưởng đến nhu cầu trong tương lai, phải được xem xét một chính xác

Ngoài ra , người mua và người bán nên chia sẻ tất cả các thông tin có liên quan tạo ra sự đồng thuận tốt nhất giữa hai bên để quyết định chính xác về cung và cầu có thể thực hiện Cải thiện dự báo lợi ích không chỉ đối với các công ty đầu mốimà còn là đối tác thương mại trong chuỗi cung ứng Dự báo nhu cầu chính xác giúp cho việc thu mua đúng số lượng sản phẩm, điều chỉnh các hoạt động sản xuất, giúp bộ phận hậu cần cung cấp đúng

số lượng sản phẩm.Do đó , nhu cầu thông tin kịp thời và chính xác là một phần quan trọng của một chuỗi cung ứng hiệu quả Dự báo không chính xác sẽ dẫn đến sự mất cân bằng trong cung cấp và nhu cầu Trong môi trường kinh doanh cạnh tranh ngày nay , sự hợp tác ( hay hợp tác và chia sẻ thông tin ) giữa người mua và người bán là quy luật hơn

là ngoại lệ hóa Lợi ích của việc dự báo tốt hơn là hàng tồn kho thấp hơn, giảm chi phí và cải thiện dịch vụ khách hàng

Trong hơn 60 năm qua, Viện quản lý nguồn cung (ISM) đã đưa ra các chỉ số cho các lĩnh vực sản xuất như Hàng tồn kho, Đơn đặt hàng mới, sản xuất, giao hàng cung cấp, tồn kho, Giá, tồn đọng của đơn đặt hàng, đơn đặt hàng xuất khẩu mới và nhập khẩu Nhiều giám đốc điều hành kinh doanh sử dụng các chỉ số dự báo định hướng tổng thể của nền kinh tế và trong lĩnh vực sản xuất Ví dụ, mua và quản lý sử dụng các nguồn cung cấp Hàng tồn kho Index để giúp dự báo đơn đặt hàng mới trong tương lai để ra quyết định sản xuất và đo lường những thay đổi trong hoạt động chuỗi cung ứng

Nhiều người đã cho rằng dự báo nhu cầu là cả một nghệ thuật và khoa học Tuy nhiên việc dự báo nhu cầu chính xác 100% là không thể ở mọi thời điểm Tác động của giao tiếp kém và dự báo không chính xác cộng hưởng dọc theo chuỗi cung ứng và kết quả

là mất cơ hội bán hàng , chi phí tồn kho cao, tình trạng thiếu nguyên liệu, đáp ứng kém với động thái thị trường , và lợi nhuận giảm

Rất nhiều ví dụ cho thấy những vấn đề mà các công ty phải đối mặt khi dự báo doanh số bán hàng không phù hợp với nhu cầu khách hàng trong thời gian giới thiệu sản phẩm mới .Ví dụ, Nintendo Wii , được giới thiệu vào khoảng cùng thời gian như PlayStation 3 của Sony ( PS3 ) , đã vượt quá cả sự mong đợi và bán chạy hơn Sony và có lợi nhuận rất lớn vì Nintendo do đấu tranh để đáp ứng nhu cầu bất ngờ cao cho máy Wii Một ví dụ khác là Apple, có đơn đặt hàng của 600.000 đơn vị cho iPhone4 trong một ngày Theo Apple, lượng đặt hàng iPhone4 cao gấp mười lần so với iPhone 3G S trong ngày đầu tiên Do tỷ lệ đặt hàng trước cao ,hệ thống bị trục trặc nên việc cung cấp điện thoại bị trì hoãn ít nhất một tháng Ví dụ này chỉ ra những thách thức phải đối mặt của các công ty trong dự báo doanh số và việc đẩy mạnh sản xuất đáp ứng nhu cầu khách hàng và bảo vệ vị thế thị trường của họ

Trong ngành công nghiệp hàng không, cả Airbus và Boeing là hai đối thủ cạnh tranh lớn Cạnh tranh đã khốc liệt, với mỗi nhà sản xuất đang cố gắng để có được thế thượng phong Khi Airbus giới thiệu máy bay A380 , máy bay chở khách lớn nhất từng được thực hiện với công suất hơn hơn 500 hành khách , nó đã được báo trước như các phát minh lớn tiếp theo và sẽ thay đổi như thế nào trong lĩnh vựa hàng không Để thích ứng

với A380 , sân bay trên toàn thế giới sẽ phải chi nhiều triệu đô la để nâng cấp cơ sở hạ tầng của họ Ví dụ , Los Angeles Sân bay quốc tế dự kiến sẽ dành 53.000.000 $ trên đường băng mới, và cải tiến sân bay Airbus cũng đang chậm tiến độ trong việc cung cấp các máy bay A380, sản xuất gặp vấn đề làm việc giao hàng trễ hẹn nhiều lần, và vượt chi phí Trong khi có tổng cộng 202 máy bay đã được đặt hàng , chỉ có 29 đã được giao cho Air Pháp, Emirates, Lufthansa , Qantas , Singapore Airlines Boeing quyết định rằng điều quan trọng là có máy bay cỡ vừa với hiệu quả nhiên liệu cao 787 Dreamliner được phát triển bởi Boeing cho các chuyến bay đường dài có thể chở khoảng từ 210 và 330 hành khách và có thể phục vụ cả nhỏ và lớn Nhu cầu về máy bay tiết kiệm nhiên liệu như 787 Dreamliner dự kiến sẽ tăng như giá năng lượng tiếp tục tăng Như vậy đến nay , Boeing

đã nhận được đơn đặt hàng với tổng giá trị 866 máy bay Boeing 787 là một trong những máy bay bán chạy nhất trong lịch sử hàng không Tuy nhiên , thiết kế và sản xuất gặp đề

đã trì hoãn việc giao hàng đầu tiên Giai đoạn này có thể ảnh hưởng đến doanh số bán hàng trong tương lai của máy bay Do đó , chúng ta có thể thấy rằng dự báo nhu cầu về các sản phẩm mới là một đề xuất khó khăn

II KỸ THUẬT DỰ BÁO

1 Các phương pháp định tính

Phương pháp dự báo định tính dựa trên trực giác hay phán xét và đánh giá thường được sử dụng khi dữ liệu còn hạn chế, không có sẵn, hoặc hiện tại không có liên quan Trong khi phương pháp này chi phí có thể rất thấp , hiệu quả của nó phụ thuộc phần lớn vào kỹ năng và kinh nghiệm của các dự báo và số lượng thông tin có liên quan có sẵn Các kỹ thuật định tính thường được sử dụng để phát triển các dự báo tầm xa khi dữ liệu hiện nay là không hữu dụng , và giới thiệu sản phẩm mới khi dữ liệu hiện tại không tồn tại Thảo luận về bốn mô hình dự báo định tính chung theo :

*Ban điều hành các ý kiến:

Một nhóm các giám đốc điều hành quản lý cấp cao có kiến thức về thị trường, đối thủ cạnh tranh và môi trường kinh doanh chung phát triển các dự báo Kỹ thuật này có lợi thế

khi một vài cá nhân có nhiều kinh nghiệm làm việc cùng nhau , nhưng nếu một thành viên chi phối các cuộc thảo luận , giá trị và độ tin cậy của kết quả có thể được giảm bớt Kỹ thuật này được áp dụng cho kế hoạch dài hạn và giới thiệu sản phẩm mới

Dự báo thời trang cao cấp là một ví dụ nguy hiểm vì thường là không có cơ sở lịch sử

để tạo ra các dự báo Ủy ban thể dục thể thao mua Obermeyer của ước tính nhu cầu của mình dựa trên một sự đồng thuận chung đạt được của các thành viên ủy ban Bởi vì một thành viên chi phối của nhóm có thể có trọng lượng hơn trong các cuộc thảo luận , dự báo kết quả có khả năng bị sai lệch , không chính xác Do đó, thể thao Obermeyer trung bình

dự báo cá nhân của từng thành viên ủy ban để cung cấp cho nhu cầu tổng thể

*Phương pháp Delphi:

Một nhóm các chuyên gia trong và ngoài nước được khảo sát nhiều vòng về các sự kiện trong tương lai và dự báo dài hạn của nhu cầu Thành viên trong nhóm không thể đáp ứng và do đó tránh được những kịch bản mà một hoặc một vài chuyên gia có thể thống trị một cuộc thảo luận

Những câu trả lời từ các chuyên gia được tích lũy và tóm tắt sau mỗi vòng của cuộc điều tra Tóm tắt các câu trả lời sau đó gửi tới tất cả các chuyên gia trong các vòng tiếp theo , trong đó các chuyên gia cá nhân có thể thay đổi phản ứng của họ dựa trên bản tóm tắt phản ứng của nhóm Điều này lặp đi lặp lại quá trình tiếp tục cho đến khi có sự đồng thuận Quá trình này có thể rất tốn kém cả về thòi gian lẫn tiền bạc Phương pháp này được áp dụng cho dự báo công nghệ có nguy cơ cao, rộng lớn , các dự án tốn kém , hoặc chính, hoặc giới thiệu sản phẩm mới.Chất lượng của dự báo phụ thuộc phần lớn vào kiến thức của các chuyên gia

*Lực lượng bán hàng hỗn hợp:

Lực lượng bán hàng đại diện cho một nguồn cung cấp thông tin thị trường Đây là loại dự báo được tạo ra dựa trên kiến thức của lực lượng bán hàng của thị trường và ước tính nhu cầu khách hàng Do sự gần gũi của các nhân viên bán hàng với người tiêu dùng ,

dự báo trở nên đáng tin cậy, nhưng những thành kiến tiêu cực của cá nhân có thể tác động

đến hiệu quả của phương pháp này Ví dụ, nếu tiền thưởng được thanh toán khi bán hàng thực tế vượt quá dự báo , có một xu hướng các lực lượng bán hàng dự báo thấp

*Khảo sát người tiêu dùng

Một câu hỏi được phát triển để tìm kiếm đầu vào từ khách hàng về các vấn đề quan trọng như thói quen mua sắm trong tương lai, ý tưởng sản phẩm mới và ý kiến về các sản phẩm hiện có Cuộc khảo sát được tiến hành qua điện thoại, mail, Internet , hoặc các cuộc phỏng vấn cá nhân Dữ liệu thu thập được từ cuộc điều tra được phân tích bằng việc sử dụng công cụ thống kê và đánh giá để đưa ra một tập hợp các kết quả có ý nghĩa Ví dụ , Wyeth - Ayerst các công ty dược phẩm lớn thứ 9 thế giới , sử dụng loại nghiên cứu thị trường để tạo ra các dự báo về sản phẩm mới Thách thức là để xác định một mẫu người được hỏi là người đại diện cho dân số lớn hơn và để có được một tỷ lệ đáp ứng chấp nhận được

2 Các phương pháp định lượng:

Mô hình dự báo định lượng sử dụng các kỹ thuật toán học được dựa trên dữ liệu lịch

sử và có thể bao gồm các biến nhân quả để dự báo nhu cầu Chuỗi thời gian dự báo là dựa trên giả định rằng tương lai là một phần kéo dài của quá khứ, do đó, dữ liệu lịch sử có thể được sử dụng để dự đoán nhu cầu trong tương lai Nguyên nhân và kết quả dự báo thừa nhận rằng một hoặc nhiều nhân tố (biến độc lập) có liên quan đến nhu cầu và do đó có thể được sử dụng để dự đoán nhu cầu trong tương lai

Bởi vì các dự báo này chỉ dựa vào duy nhất dữ liệu về nhu cầu trong quá khứ, tất cả các phương pháp định lượng trở thành ít chính xác nên tầm nhìn về thời gian dự báo tăng

Do đó, tầm nhìn về thời gian dự báo dài, có đề nghị sử dụng kết hợp cả kỹ thuật định lượng và định tính

a Phương pháp dự báo theo dãy số thời gian

Thành phần của chuỗi thời gian

Một chuỗi thời gian thường có bốn thành phần: biến xu hướng, biến theo chu kỳ, biến theo mùa và biến ngẫu nhiên :

- Biến xu hướng

Xu hướng đại diện hoặc tăng hoặc giảm sự chuyển động trên nhiều năm, và là do các yếu

tố như tăng trưởng dân số, thay đổi dân số,thay đổi văn hóa và thay đổi thu nhập Đường

xu hướng chung là đường tuyến tính, đường cong- S, theo cấp số nhân hoặc tiệm cận

- Biến theo chu kỳ

Biến đổi theo chu kỳ là các phong trào từng đợt dài hơn một năm và bị ảnh hưởng bởi

các yếu tố kinh tế vĩ mô và chính trị Một ví dụ là chu kỳ kinh doanh (giai đoạn suy

thoái hoặc phát triển) Chu kỳ kinh doanh gần đây ở Mỹ bị ảnh hưởng bởi sự kiện toàn cầu như lệnh cấm vận dầu mỏ đầu năm 1973 và năm 1991.Cuộc khủng hoảng tài chính Mexico, cuộc khủng hoảng kinh tế châu Á vào năm 1997, cuộc tấn công khủng bố ở Mỹ vào ngày 11 tháng 9 năm 2001 và cơn bão Katrina và Rita năm 2005

- Các biến theo mùa

Thay đổi theo mùa cho thấy điểm cao nhấtvà thấp nhất đó lặp lại trong một khoảng thời gian nhất quán như vậy như giờ, ngày, tuần, tháng, năm, hoặc mùa Do tính thời vụ, nhiều công ty làm tốt trong những tháng nhất định và rất không tốt trong các tháng khác Ví dụ, máy hút tuyết bán hàng có xu hướng cao hơn vào mùa thu và mùa đông, nhưng giảm dần vào mùa xuân và mùa hè Một nhà hàng thức ăn nhanh sẽ thấy doanh số bán hàng cao hơn trong bữa ăn sáng, bữa trưa và bữa tối Khách sạn Hoa Kỳ đông khách hơn trong các kì nghỉ lớn như ngày 04 tháng bảy, ngày lễ Lao Động, Lễ Tạ Ơn, Giáng sinh và năm mới

- Biến ngẫu nhiên

Biến ngẫu nhiên là do sự kiện bất ngờ hoặc không thể đoán trước của thiên tai (bão, lốc xoáy, lửa), đình công và chiến tranh Một ví dụ là gần đây phun trào núi lửa Eyjafjallajökull ở Iceland đã gây ra những đám mây tro khắp lục địa châu Âu Nhiều chuyến bay tới nước Anh và châu Âu đã bị đóng cửa, dẫn đến sự gián đoạn về du lịch hàng không cao nhất kể từ chiến tranh thế giới thứ hai Một thảm họa tự nhiên khác là trận động đất cường độ 7.0 ở Haiti gần đây Chính phủ Haiti cho biết 250.000 căn hộ và

30.000 tịa nhà thương mại bị hư hỏng nặng; 230.000 người chết, 300.000 là bị thương và 1.000.000 mất nhà cửa do hậu quả của trận động đất.

Mơ hình dự báo chuỗi thời gian

sử dữ liệu Dự báo được ước tính bằng cách ngoại suy các dữ liệu trong quá khứ và tương lai Một khảo sát của mơ hình dự báo được sử dụng cho thấy mơ hình chuỗi thời gian là

sử dụng rộng rãi nhất (72 %) và các mơ hình phê phán là ít được sử dụng (11 %) Nghiên cứu cũng cho thấy rằng trong các mơ hình chuỗi thời gian, mơ hình thường được sử dụng

là các mơ hình đơn giản (trung bình và xu hướng đơn giản) và làm mịn theo cấp số nhân Nhìn chung, dự báo nhu cầu được sử dụng trong lập kế hoạch mua sắm, cung cấp, bổ sung và thu nhập doanh nghiệp

Một số các chuỗi thời gian phổ biến hơn phương pháp tiếp cận như dự báo ngây thơ, trung bình chuyển động đơn giản, trọng trung bình và làm mịn mũ được thảo luận tiếp theo

 Dự báo Ngây thơ (Nạve Forecast)

Sử dụng dự báo ngây thơ, ước tính cho giai đoạn tiếp theo là bằng với thực tế nhu

cầu về thời gian qua ngay lập tức:

Ft +1 =At

Trong đĩ Ft +1 = Dự báo cho giai đoạn t +1;

At = Thực tế nhu cầu trong khoảng thời gian t

Ví dụ, nếu nhu cầu thực tế của giai đoạn này là 100 đơn vị, sau đĩ dự báo thời gian tới là 100 đơn vị Phương pháp này là khơng tốn kém để hiểu, phát triển, lưu trữ dữ liệu

và hoạt động Tuy nhiên, khơng cĩ xem xét các mối quan hệ nhân quả, và phương pháp này cĩ thể khơng tạo ra dự báo chính xác Nhiều bộ phim kinh tế và kinh doanh được coi

là ứng cử viên tốt cho việc sử dụng dự báo ngây thơ vì hàng loạt các hoạt động giống như

đi ngẫu nhiên

 Dự báo trung bình chuyển động đơn giản

Dự báo trung bình chuyển động đơn giản sử dụng dữ liệu lịch sử để tạo ra một dự

báo và hoạt động tốt khi nhu cầu tương đối ổn định theo thời gian Công thức cho các chuyển động n-thời gian dự báo trung bình được thể hiện dưới đây:

Ft+1

Trong đó Ft +1 = Dự báo cho giai đoạn t +1;

n = số lượng thời gian sử dụng để tính toán di chuyển trung bình;

Ai = nhu cầu thực tế trong khoảng thời gian i

Khi n bằng 1, dự báo trung bình chuyển động đơn giản là dự báo ngây thơ Trung bình có xu hướng đáp ứng tốt hơn nếu các điểm dữ liệu ít được sử dụng để tính toán mức trung bình Tuy nhiên, các sự kiện ngẫu nhiên cũng có thể ảnh hưởng xấu đến trung bình

Vì vậy, người ra quyết định phải cân bằng chi phí của phản ứng chậm với những thay đổi

so với chi phí đáp ứng với sự thay đổi ngẫu nhiên Ưu điểm của phương pháp này là nó rất dễ sử dụng và dễ hiểu Một điểm yếu của phương pháp trung bình chuyển động đơn giản là nó không có khả năng đối phó với sự thay đổi một cách nhanh chóng của xu hướng Ví dụ 5.1 minh họa dự báo trung bình chuyển động đơn giản

Ví dụ 5.1 Dự báo trung bình chuyển động đơn giản

F5 = dự báo cho giai đoạn

Giải pháp bảng tính Excel được thể hiện trong hình 5.1

Hình 5.1 Dự báo trung bình chuyển động đơn giản sử dụng bảng tính Excel

 Trọng dự báo trung bình động có trọng (Weighted Moving Average Forecast)

Dự báo trung bình động giản đơn đặt trọng lượng bằng nhau (1 / n) trên mỗi quan sát n-giai đoạn Trong một số trường hợp, một dự báo có thể quyết định rằng có trọng lượng

tương đương là không mong muốn N-giai đoạn Dự báo trung bình động có trọng số là

trung bình có trọng số của các quan sát n-giai đoạn, sử dụng trọng số không đồng đều Hạn chế duy nhất là trọng lượng nên không âm và tổng hợp Công thức cho các n-giai đoạn dự báo trung bình động có trọng số được hiển thị bên dưới:

F t+1 =

Trong đó Ft+1= dự báo cho giai đoạn t+1;

n = số thời gian sử dụng trong việc xác định đường trung bình;

Ai = Nhu cầu thực tế trong giai đoạn i;

Wi= Trọng lượng được phân công thời gian i; Σ Wi= 1.

3 kỳ trọng dự báo trung bình chuyển động với trọng lượng (0.5, 0.3, 0.2) là;

Ft = 0.5 (At−1 + 0.3 At−2 + 0.2 At−3)

Lưu ý rằng nó thường chú trọng nhiều hơn (do đó trọng lượng cao nhất) được đặt trên hầu hết quan sát gần đây và, do đó, dự báo sẽ phản ứng nhanh hơn so với 3 giai đoạn dự báo trung bình chuyển động đơn giản Tuy nhiên, thay vì dự báo có thể muốn áp dụng trọng lượng nhỏ nhất đến các dữ liệu gần đây nhất như vậy mà dự báo sẽ ít bị ảnh hưởng bởi sự thay đổi đột ngột trong dữ liệu gần đây Trọng lượng sử dụng do đó có xu hướng dựa trên kinh nghiệm của các dự báo và điều này là một trong những ưu điểm của phương pháp dự báo này Mặc dù theo dự báo là phản ứng nhanh hơn với những thay đổi cơ bản trong nhu cầu, dự báo nhu cầu vẫn còn chậm trể do kết quả bình quân Như vậy, phương pháp trọng dự báo trung bình chuyển động không làm tốt công việc theo dõi sự thay đổi

xu hướng trong dữ liệu Ví dụ 5.2 minh họa trọng dự báo trung bình chuyển động

Ví dụ 5.2 Trọng dự báo trung bình chuyển động.

Dựa trên số liệu trong ví dụ 5.1, tính toán dự báo cho giai đoạn 5 sử dụng bốn giai đoạn di chuyển trung bình có trọng số Trọng lượng là 0.4, 0.3, 0.2 và 0.1 được giao gần đây nhất, lần hai gần đây nhất, lần ba gần đây nhất và lần bốn trong giai đoạn gần đây nhất, tương ứng

Giải Pháp

F5 = 0.1(1600) + 0.2(2200) + 0.3(2000) + 0.4(1600) = 1840

Giải pháp bảng tính Excel được thể hiện trong hình 5.2

Hình 5.2 Trọng dự báo trung bình chuyển động Sử dụng bảng tính Excel

 Dự báo san bằng hàm mũ (Exponential Smoothing Forecast)

Dự báo làm san bằng hàm mũ là một phương pháp dự báo trung bình động có trọng

số phức tạp, trong đó dự báo nhu cầu giai đoạn tiếp theo là giai đoạn hiện tại của dự báo được điều chỉnh bằng một phần nhỏ của sự khác biệt giữa nhu cầu thực tế trong giai đoạn hiện tại Cách tiếp cận này đòi hỏi dữ liệu ít hơn so với phương pháp trung bình động có trọng số bởi vì chỉ có hai điểm dữ liệu là cần thiết Do sự đơn giản của nó và yêu cầu dữ liệu tối thiểu, san bằng hàm mũ là một trong những phương pháp dự báo được sử dụng rộng rãi Mô hình này, như các mô hình chuỗi thời gian khác, phù hợp cho dữ liệu cho thấy sự xu hướng hoặc theo mùa Bậc cao mô hình san bằng hàm mũ khác (mà không được đề cập ở đây ) có thể được sử dụng cho dữ liệu trưng bày xu hướng và thời vụ Công thức dự báo san bằng hàm mũ là :

Ft = Dự báo cho thời gian t;

At = Thực tế nhu cầu về thời gian t;

α = hằng số san bằng ( 0 ≤ α ≤ 1 )

Dự báo làm mịn theo cấp số nhân tương đương với dự báo ngây thơ khi α bằng 1 Với giá trị α gần 1, có sự nổi trội hơn về số liệu gần đây dẫn đến một điều chỉnh lớn của các lỗi trong dự báo thời kỳ trước Vì vậy, với giá trị α cao, mô hình phản ứng nhanh hơn với những thay đổi trong nhu cầu gần đây Khi α có giá trị thấp , trọng lượng hơn được đặt theo yêu cầu qua (được chứa trong các dự báo trước đó), và mô hình đáp ứng chậm hơn với những thay đổi trong nhu cầu Tác động của việc sử dụng một giá trị nhỏ hay lớn của α cũng tương tự như tác dụng của việc sử dụng một số lượng lớn hay nhỏ quan sát trong tính toán trung bình chuyển động Nhìn chung, dự báo sẽ tụt hậu bất kỳ xu hướng trong thực tế dữ liệu bởi vì chỉ điều chỉnh cục bộ để các lỗi dự báo gần đây nhất có thể được thực hiện Dự báo ban đầu có thể được ước tính bằng cách sử dụng phương pháp ngây thơ, có nghĩa là, dự báo cho giai đoạn tiếp theo là nhu cầu thực tế trong giai đoạn này Ví dụ 5.3 minh họa dự báo làm mịn theo cấp số nhân

Ví dụ 5.3 Dự báo làm mịn theo cấp số nhân

Dựa trên số liệu trong ví dụ 5.1, tính toán dự báo cho giai đoạn 3 sử dụng phương pháp làm mịn theo cấp số nhân Giả sử dự báo cho giai đoạn 2 là 1600 Sử dụng liên tục làm mịn (α) là 0,3

Giải Pháp

Đưa ra: F2 = 1600, α = 0.3

Ft+1 = Ft + α(At − Ft )

F3 = F2 + α(A2 − F2) = 1600 + 0.3(2200 − 1600) = 1780

Do đó, dự báo cho tuần 3 là 1780

Giải pháp bảng tính Excel được thể hiện trong hình 5.3

Hình 5.3 Dự báo làm mịn theo cấp số nhân sử dụng bảng tính Excel

 Dự báo xu hướng tuyến tính

Dự báo xu hướng tuyến tính có thể được ước tính bằng hồi quy tuyến tính đơn giản

để phù hợp với một dòng vào một loạt các dữ liệu xảy ra theo thời gian Mô hình này cũng được gọi là xu hướng đơn giản Đường xu hướng được xác định bằng cách sử dụng phương pháp bình phương tối thiểu, giảm thiểu tổng các phương sai để xác định các đặc tính của phương trình tuyến tính Phương trình đường xu hướng được thể hiện như:

Ŷ = b0 + b1x

Trong đó Ŷ = dự báo hoặc biến phụ thuộc;

X = biến thời gian;

b0 = đánh chặn của trục dọc;

b1 = độ dốc của đường hồi quy

Các hệ số b0 và b1 được tính như sau:

b0

Trong đó x = giá trị biến độc lập;

y = giá trị biến phụ thuộc;

n = số quan sát

Ví dụ 5.4 minh họa dự báo xu hướng tuyến tính

Ví dụ 5.4 Dự báo xu hướng tuyến tính

Nhu cầu về đồ chơi được sản xuất bởi Công ty Sản xuất Miki được thể hiện trong bảng dưới đây

Dự báo cho giai đoạn 13 = 1236.4 + 286.7 (13) = 4963.5 = 4964 đồ chơi.

Giải pháp bảng tính Excel được thể hiện trong hình 5.4

Hình 5.4 Dự báo xu hướng tuyến tính sử dụng bảng tính Excel

Các mô hình nguyên nhân và kết quả

Các mô hình nguyên nhân và kết quả có thể một nguyên nhân (biến độc lập hoặc biến) và một kết quả (biến phụ thuộc) Một trong những mô hình được sử dụng phổ biến

là phân tích hồi quy Trong dự báo nhu cầu, các biến bên ngoài có liên quan đến nhu cầu phải được xác định đầu tiên Một khi các biến bên ngoài và nhu cầu được xác định, thì nó

có thể được sử dụng như một công cụ dự báo Chúng ta hãy xem một số mô hình nguyên nhân và kết quả

Dự báo hồi quy tuyến tính giản đơn

Khi chỉ có một biến giải thích, thì chúng ta có một dự báo hồi quy giản đơn tương đương với dự báo xu hướng tuyến tính được mô tả trước đó Sự khác biệt là biến x không còn là thời gian mà thay vào đó là một biến giải thích nhu cầu Ví dụ, nhu cầu có thể phụ thuộc vào kích thước của ngân sách quảng cáo Phương trình hồi quy được thể hiện như:

Ŷ = b0 + b1x

Trong đó Ŷ = dự báo hoặc biến phụ thuộc;

x = biến giải thích hoặc độc lập;

b0 = đánh chặn của trục dọc;

b1 = độ dốc của đường hồi quy

Ví dụ 5.5 minh họa dự báo hồi quy tuyến tính giản đơn

Ví dụ 5.5 Dự báo hồi quy tuyến tính giản đơn

Số liệu về doanh số bán hàng và tiền quảng cáo cho sáu tháng qua được trình bày dưới đây.

Ŷ =2589.04+48.44x

Kết quả hồi quy tuyến tính cho thấy sự gia tăng một đô la trong quảng cáo sẽ tăng doanh thu là 48,44 $ Hơn nữa, theo kế hoạch hàng tháng chi phí quảng cáo là $ 4000 thì

sẽ mang lại doanh số bán hàng dự báo 196.349 $

Dự báo hồi quy phức tạp

Khi có nhiều biến giải thích được sử dụng để dự đoán biến phụ thuộc, thì dự báo hồi quy phức tạp được áp dụng Phân tích hồi quy phức tạp hoạt động tốt khi các mối quan

hệ giữa nhu cầu (biến phụ thuộc) và một số yếu tố khác (biến độc lập hoặc giải thích) ảnh hưởng đến nhu cầu rất mạnh và ổn định theo thời gian Phương trình hồi quy phức tạp được thể hiện như:

Ŷ = b0 + b1x1 + b2x2 + … + bkxk

Trong đó Ŷ = dự báo hay biến phụ thuộc;

xk = kth biến giải thích hoặc độc lập;

b0 = hằng số;

bk = hệ số hồi quy của xk biến độc lập

Mặc dù việc xác định các thông số của phương trình có sự tham gia của toán học rất phức tạp, thì có rất nhiều phần mềm như Excel, SAS và phần mềm thống kê SPSS có thể được sử dụng để giải quyết các phương trình Bất kỳ sách giáo khoa các thống kê nên cung cấp các công thức để tính toán các giá trị hệ số hồi quy và thảo luận về các giả định

và những thách thức của việc sử dụng phương pháp hồi quy phức tạp Dự báo hồi quy phức tạp đòi hỏi dữ liệu nhiều hơn so với bất kỳ các phương pháp khác được thảo luận trước đó, và các chi phí bổ sung phải được cân đối với cải thiện để có dự báo ở mức độ chính xác

III ĐỘ CHÍNH XÁC CỦA DỰ BÁO:

thiên vị Các chi phí liên quan đến dự báo lỗi có thể là đáng kể và bao gồm các chi phí bán hàng bị mất, chứng khoán an toàn, khách hàng không hài lòng và mất thiện chí Công

ty phải cố gắng làm tốt công việc theo dõi lỗi dự báo và thực hiện các bước cần thiết để cải thiện kỹ thuật dự báo của họ Thông thường, lỗi dự báo tại tách biệt (cổ phiếu giữ đơn vị)

Phần 3 Vấn đề hoạt động trong quản lý chuỗi cung ứng

Mức độ cao hơn ở cấp tổng hợp (công ty như một toàn thể) Lỗi dự báo là sự khác biệt giữa số lượng thực tế và dự báo Lỗi dự báo có thể được thể hiện như:

e t = A t – F t

với et = dự báo lỗi trong khoảng thời gian t;

At = thực tế nhu cầu về thời gian t;

Ft = dự báo cho giai đoạn t

Một số biện pháp chính xác dự báo được hiển thị dưới đây:

Có nghĩa là độ lệch tuyệt đối (MAD):

MAD= et

Có nghĩa là lỗi phần trăm tuyệt đối (MAPE):

MAPE= e t / A t

Có nghĩa là lỗi vuông (MSE): et2

Chạy tổng các lỗi dự báo (RSFE): et

et = dự báo lỗi trong khoảng thời gian t;

At = thực tế nhu cầu về thời gian t;

n = số thời gian đánh giá.

Các RSFE là một chỉ số sai lệch trong dự báo Dự kiến biện pháp xu hướng dự báo là phải luôn cao hơn hoặc thấp hơn so với nhu cầu thực tế Một RSFE tích cực cho thấy rằng dự báo nói chung là thấp hơn so với nhu cầu thực tế có thể dẫn đến stockouts Một RSFE tiêu cực cho thấy các dự báo thường cao hơn so với nhu cầu thực tế, có thể dẫn đến hàng tồn kho dư thừa thực hiện chi phí

Tín hiệu theo dõi được sử dụng để xác định xem sự thiên vị dự báo là trong giới hạn kiểm soát chấp nhận được Nó được thể hiện như:

GE Silicon đang bắt đầu giới hạn kiểm soát tín hiệu theo dõi của họ 4 Theo thời gian, chất lượng dự báo được cải thiện, và các giới hạn kiểm soát đã được giảm xuống còn 3 Như giới hạn chặt chẽ được thiết lập , có một xác suất lớn hơn của việc tìm kiếm ngoại lệ

mà thực sự không đòi hỏi hành động , nhưng nó cũng có nghĩa là bắt những thay đổi trong nhu cầu trước đó Cuối cùng , với những cải tiến thêm trong hệ thống dự báo của họ , theo dõi giới hạn kiểm soát tín hiệu của GE đã tiếp tục giảm đến 2.2 Độ nhạy lớn hơn cho phép họ nhanh chóng xác định xu hướng thay đổi và kết quả cải thiện hơn nữa trong

dự báo của họ

Ví dụ 5.6 minh họa việc sử dụng các biện pháp dự báo chính xác

Trong một nghiên cứu, các nhà nghiên cứu phát hiện ra rằng thiên vị trong dự báo có thể

là cố ý, định hướng bởi các vấn đề về tổ chức như động lực của nhân viên và sự hài lòng