一、预测的概论与步骤
(一) 预测的概念
预测指对未来可能发生的情况的预计和推测。
(二) 预测的一般步骤
(1) 决定预测的目的和用途。预测的目的是什么? 何时进行预测?
(2) 对产品及其性质分类。产品需求可以分为相关需求产品和独立需求产品。
(3) 决定影响预测的因素。包括商业周期、产品生命周期、顾客习惯、突发事件、随机因素等等。
(4) 确定预测跨度。当预测跨度增大时，预测的精确度将降低。
(5) 收集分析资料。
(6) 选择预测方法和模型。
(7) 计算并核实预测结果。
(8) 求出预测值。
(9) 应用预测结果。
(10) 预测监控。监控是为了确定预测是否像预期的那样进行，如果不是，要重新检查所用的方法以及数据的合理性等，必要时，要做出适当的调整再进行预测。
二、定量预测法
(一) 定量预测法的含义
定量预测法是在掌握完整的统计资料为基础，并假定这些资料所描述的趋势适用于被测事物的未来情况的条件下，运用数学方法对数据进行加工处理，通过数学模型反映数据间的内在规律性，最后据此作出预测的方法。定量预测法的应用中，建立数学模型是最重要的一步。
定量预测的假设: 过去存在的变量间关系和相互作用机理，今后仍存在并继续发挥作用。
预测之前首先应了解什么是时间序列。
(二) 定量预测方法的种类
1. 简单平均法
依据简单平均数的原理，将预测对象过去各个时期的数据平均，以这个平均数作为预测值。这个方法只适用于没有明显波动或较大增减变化的事件的预测。
［例5-1］ 已知某产品第1、2、3周的需求量，如表5-1所示。请用简单平均法预测第4周的需求量。
表5-1 第1、2、3周的需求量
解:第四周的预测值 =(149+156+184)/3 =163
2. 加权平均法
在用于预测之前N期间资料值乘上合为1的加权值，然后求出和作为下一期的预测值。
［例5-2］ 已知某产品第1、2、3周的需求量，及其对应的权重，如表5-2所示。请用加权平均法预测第四周的需求量。
表5-2 第1、2、3周的需求量及其权重
解:第四周的预测值 =1/6×140+2/6×156+3/6×184 =167。
3. 简单移动平均法
简单移动平均法是不断向前移动的、n个数据的平均的方法，它通过引进越来越近的新数据，不断修改平均值作为预测值，这样就可以反映数值的变化趋势。
简单移动平均的各元素的权重都相等。简单的移动平均的计算公式如下:
Ft=(At-1+At-2+At-3+…+At-n)/n
式中:
Ft——对下一期的预测值;
n——移动平均的时期个数;
At-1——前期实际值;
At-2，At-3和At-n分别表示前两期、前三期直至前n期的实际值。
［例5-3］ 简单移动平均法的应用如表5-3所示。
表5-3 简单移动平均法应用实例(n=3)
预测值同简单移动平均所选的时段长n有关，具有滞后性。n越大，对干扰的敏感性越低，预测的稳定性越好，滞后性越强，响应性就越差。
4. 加权移动平均法
加权移动平均预测法是在移动平均预测法的基础上，进一步赋予时间序列中各期实际值以不同的权重，距离预测期较近的数据以较大的权重。
其原理是: 历史各期产品需求的数据信息对预测未来期内的需求量的作用是不一样的。除了以n为周期的周期性变化外，远离目标期的变量值的影响力相对较低，故应给予较低的权重。
加权移动平均法的计算公式如下:(www.xing528.com)
Ft=α1At-1+α2At-2+α3At-3+…+αnAt-n
式中:
α1——第t-1期实际销售额的权重;
α2——第t-2期实际销售额的权重;
αn——第t-n期实际销售额的权重;
n——预测的时期数。
若对最近的数据赋予较大的权重，则预测数据与实际数据的差别较简单移动平均法的结果要小。
近期数据的权重越大，则预测的稳定性就越差，响应性就越好。
［例5-4］ 加权移动平均法的实际应用，如表5-4所示。
表5-4 加权移动平均法的实际应用
加权值为4月0.4，3月份0.3，2月份0.2，1月份0.1。
解:
5月的需求预测值F5:
F5=0.4×95+0.3×105+0.2×100=97.5
如果，5月的实际需求为110时，6月的需求预测值:
F6=0.4×110+0.3×95+0.2×105+0.1×90=102.5
5. 一次指数平滑法
指数平滑法是在移动平均法基础上发展起来的一种时间序列分析预测法，它是通过计算指数平滑值，配合一定的时间序列预测模型对现象的未来进行预测。其原理是任一期的指数平滑值都是本期实际观察值与前一期指数平滑值的加权平均。
当时间数列无明显的趋势变化，可用一次指数平滑预测。其预测公式为:
Ft+1=a At+(1-a)Ft
式中:
Ft+1——t+1期的预测值;
At——t期的实际值;
Ft——t期的预测值。
［例5-5］ 一次指数平滑预测法的应用，如表5-5所示。
表5-5 一次指数平滑法的应用(a=0.1)
6. 季节性预测
这是指以市场的循环周期(一般为一年)为跨越期值求得移动平均值，并在移动平均值的基础上求得季节指数，然后以最后一个移动平均值、趋势增长值和季节指数为依据，对市场未来的发展趋势做出量的预测的方法。
［例5-6］ 季节性预测的应用，如表5-6所示。
表5-6 季节性预测的应用
假设下年度总需求预测值为830，那么下年度各季度的需求预测值应是多少?
解:
第1季度的需求预测值=830×448/2090=830×21.43%=178
第2季度的需求预测值=830×810/2090=830×38.76%=322
第3季度的需求预测值=830×550/2090=830×26.32%=218
第4季度的需求预测值=830×282/2090=830×13.49%=112。
7. 回归分析预测模型
回归分析是把需求作为函数，影响需求的因素作为变量来预测需求量，包括单一变量和多个变量分析。单一变量指单一线形回归分析，多变量指多重线形回归分析。这里我们主要讨论单一线形回归分析。
单一线形回归分析的公式是:
Y——函数Y的推定值(即，回归线上值);
X——独立变量(需求对需求影响最大的因素);
a——Y轴的截距;
b——回归线(直线)的斜率。
用最小自乘法求a，b下列式子:
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
