供应链之需求预测

需求预测模型有多种。

  1. 简单时间序列平移:基于历史数据(近几个月,近几周)等预测,这种没有考虑趋势,没有考虑历史数据对预测数据的影响。比如过去很久时间的数据对当前的预测参考意义不大。
  2. 加权平均:针对历史数据(近几个月,或者近几周)等预测,考虑到历史数据对预测数据的影响,最近的数据对预测数据更有效,所以最近的实际数据权重大些,历史数据权重小些。但衍生的问题是每期的实际数据的权重应该是多少呢?完全靠经验赋值,被人诟病。
  3. 指数平缓预测:针对历史数据(近几个月,或者近几周)等预测,同时考虑到上次预测值的情况,上一次的实际值权重+上一次的预测值(1-权重)来计算预测值。这种模型规避了每个历史期数权重如何赋值问题,如果最新的实际数据对预测值影响大,权重可以赋值1,如果最新的实际数据对预测值影响小,权重可以赋值0 ,权重的取值范围(0-1).但是这种模型没有考虑到需求的趋势。
  4. 二次指数平滑方法:针对历史数据(近几个,或者近几周)等预测,考虑到了历史实际需求及历史的预测值,同时考虑到了需求的趋势。
    二、需求构成因素
  5. 季节性因素 2. 趋势因素 3. 周期性 4. 自相关 5. 随机性
  6. 季节性因子 :需要找到数据之间是否有季节的关联。

你可能感兴趣的:(供应链之需求预测)