Kỹ thuật Dự báo: “đoán” các sự kiện trong tươnglai tạo ra thông tin, dữ liệu cho hoạch định.+ DỰ BÁO Số liệu quá khứ của đại lượng cầnđoán có sẵn hoặc có thể thu thập được,+ HỒI QUI Nếu đại lượng cần “đoán” liên quanđến những nhân tố khác. Hồi Qui Bội (Multiple Regression)
Trang 1Chương 3
KỸ THUẬT DỰ BÁO
Trang 21 Giới thiệu
+ Kỹ thuật Dự báo: “đoán” các sự kiện trong tương lai tạo ra thông tin, dữ liệu cho hoạch định
+ DỰ BÁO Số liệu quá khứ của đại lượng cần
đoán có sẵn hoặc có thể thu thập được,
+ HỒI QUI Nếu đại lượng cần “đoán” liên quan
đến những nhân tố khác
Hồi Qui Bội (Multiple Regression)
Trang 32 Đặc trưng của Dự báo
Trang 42 Đặc trưng của Dự báo
Các PP định lượng: có thể nhóm lại thành hai loại:
Loại thứ nhất: số liệu quá khứ là số chỉ thị của số liệu tương lai
Mô hình ngoại suy, chuỗi thời gian hay mô hình
ánh xạ: kỹ thuật làm trơn, kỹ thuật phân tích chuỗi
thời gian
Loại thứ nhì: mô hình nhân quả với giả thiết là đại
lượng cần dự báo là hàm số của các biến số độc lập khác
Trang 52 Đặc trưng của Dự báo
Các mô hình định tính (chủ quan) dự báo dài hạn
Mô hình định tính cũng được dùng để hỗ trợ mô hình định lượng (khi thiếu thông tin, sản phẩm mới,…)
Trang 62 Đặc trưng của Dự báo
- Thời đoạn dự báo tổng quát:
+ Dự báo dài hạn quan tâm đến việc xác định chiều hướng thay đổi dài hạn của đại lượng cần dự báo
+ Dự báo trung hạn thích hợp cho việc tổng hợp các nhân tố theo mùa
+ Dự báo ngắn hạn thì cần thiết cho việc điều độ và các mức độ tồn kho
Trang 72 Đặc trưng của Dự báo
- Kỹ thuật áp dụng:
+ Mô hình dài hạn ta dùng kỹ thuật dự báo định tính, + Mô hình trung hạn ta sử dụng mô hình nhân quả + Mô hình ngắn hạn ta dùng kỹ thuật chuỗi thời gian (ánh xạ)
Trang 82 Đặc trưng của Dự báo
- Chi phí dự báo:
Chi phí chính chi phí cố định cho việc xây dựng
mô hình, thu thập và thao tác trên dữ liệu (máy tính
và nhân lực);
Chi phí để thực hiện kỹ thuật và chi phí phụ thuộc
vào độ không chính xác của kỹ thuật
- Tính dễ hiểu của dự báo:
Nhà quản lý sẽ không dùng kỹ thuật nào họ không
hiểu
Trang 93 Kỹ thuật Dự báo định tính (chủ quan)
Nếu số liệu quá khứ có sẵn, tin tưởng được và thích hợp các phương pháp dự báo định lượng sẽ cực
kỳ hữu dụng
Có nhiều trường hợp dùng đến các phương pháp dự báo định tính
Trang 103 Kỹ thuật Dự báo định tính (chủ quan)
Trang 113 Kỹ thuật Dự báo định tính (chủ quan)
PP “Quan điểm của người quản lý”:
+ Phương pháp này đơn giản, dễ sử dụng: thu thập
các số liệu dự báo (dự đoán) của một số người
quản lý cấp cao, thể hiện qua các Báo cáo hoặc
phát biểu
+ Hai mục tiêu trong quá trình tổng hợp:
- Phải loại bỏ những dự báo hoàn toàn trái ngược
làm ảnh hưởng đến số liệu dự báo toàn bộ
- Phải loại nhà quản lý lấn át số liệu dự báo toàn bộ
Trang 123 Kỹ thuật Dự báo định tính (chủ quan)
PP “Quan điểm của người quản lý”:
+ Hai vấn đề cần lưu ý là:
- Thứ tự trình bày số liệu dự báo và
- Trọng số cho từng quan điểm cá nhân
+ Rà soát, xem lại của dự báo tổng hợp này
Trang 133 Kỹ thuật Dự báo định tính (chủ quan)
PP “Quan điểm của người quản lý”:
Dữ liệu
GĐ Tiếp thị
GĐ Sản xuất
GĐ Tài chính
GĐ Thiết kế
DỰ BÁO
Trang 143 Kỹ thuật Dự báo định tính (chủ quan)
- Khó khăn khi chọn lựa chuyên gia,
- Cuối cùng là ngay cả khi đạt được một sự thống
nhất, nó có thể sai!
Trang 153 Kỹ thuật Dự báo định tính (chủ quan)
PP “Tổng hợp từ lực lượng bán hàng”:
Dự báo từ lực lượng bán hàng Phương pháp “gốc của cỏ”
Cảm nhận sản phẩm nào sẽ bán được hoặc không,
cũng như lượng bán được sẽ như thế nào
Trang 163 Kỹ thuật Dự báo định tính (chủ quan)
PP “Tổng hợp từ lực lượng bán hàng”:
+ Thuận lợi (về mặt lý thuyết): lực lượng bán hàng là lực lượng đạt tiêu chuẩn nhất để giải thích về nhu
cầu của SP, đặc biệt là trong vùng bán hàng của họ
+ Bất lợi: lực lượng bán hàng có thể trở nên “quá lạc quan” về dự báo của họ nếu họ tin rằng một dự báo
thấp có thể dẫn đến việc sa thải công nhân Điều
ngược lại cũng được suy diễn tương tự
- Khuyến khích lực lượng này có dự báo tốt là có
những thưởng và phạt cho dự báo tốt và xấu
Trang 174 Đo lường sai số Dự báo
lệch âm giá trị của độ lệch nhỏ
Trang 184 Đo lường sai số Dự báo
Trang 194 Đo lường sai số Dự báo
Độ lệch tuyệt đối trung bình MAD:
Trang 204 Đo lường sai số Dự báo
( 1 )
Năm
( 2 )
Doanh thu thật
( 6 )
Trị tuyệt đối của sai số
Trang 215 Kỹ thuật Dự báo định lượng
Kỹ thuật làm trơn chuỗi số liệu, ví dụ doanh số trong quá khứ của công ty Hạ Long
Trang 225 Kỹ thuật Dự báo định lượng
1 Trung bình di động (moving average)
Chỉ tính trung bình của n dữ liệu quá khứ gần nhất
Ưu điểm: Chỉ cần lưu trữ ít số liệu, việc cập nhật
cũng đơn giản
Xác định n ?
Thử nhiều số n khác nhau, tính toán dự báo cho
từng trường hợp rồi so sánh độ lệch tuyệt đối trung
bình cho mỗi phương án Phương án n nào cho trị
số độ lệch nhỏ nhất sẽ là phương án thích hợp nhất cho chuỗi số liệu tương ứng
Trang 235 Kỹ thuật Dự báo định lượng
1 Trung bình di động (moving average)
Bảng sau cho thấy số người nhập viện ở
Trung tâm Cấp cứu Sài Gòn hàng tuần Người quản lý muốn ước
lượng số ca nhập viện cho tuần tới
Trang 245 Kỹ thuật Dự báo định lượng
1 Trung bình di động (moving average)
Ví dụ: xét trung bình dịch chuyển với n = 2 tuần
Trang 255 Kỹ thuật Dự báo định lượng
1 Trung bình di động (moving average)
Ví dụ: xét trung bình dịch chuyển với n =
Trang 265 Kỹ thuật Dự báo định lượng
2 Trung bình di chuyển có trọng số (Weighted MA)
- Trọng số khác nhau được gán cho các thời điểm
giá trị dự báo cho tuần kế tiếp sẽ là:
0.5x(dữ liệu tuần vừa rồi) + 0.3 x( dữ liệu 2 tuần trước
đó ) + 0.2x(dữ liệu 3 tuần trước)
Trang 275 Kỹ thuật Dự báo định lượng
2 Trung bình di chuyển có trọng số (Weighted MA) Tuần Số lượng thực Trung bình di chuyển 3-tuần có trọng số Sai số tuyệt đối
Trang 285 Kỹ thuật Dự báo định lượng
3 Kỹ thuật làm trơn hàm số mũ (Exponential smoothing)
Kỹ thuật này tương tự như KT trung bình di chuyển
có trọng số nhưng yêu cầu dữ liệu ít hơn
Phương pháp này sử dụng công thức sau:
F t + 1 = F t + (Y t - F t )
với F t = giá trị dự báo tại thời điểm t;
Y t = giá trị số thực của thời điểm t;
= hằng số giữa 0 và 1
Trang 295 Kỹ thuật Dự báo định lượng
3 Kỹ thuật làm trơn hàm số mũ (Exponential smoothing)
F t+1 = F t + (Y t - F t )
Một giá trị dự báo ban đầu phải được đưa ra trước
tiên sau đó các trị số dự báo sẽ lần lượt được tính
Cần giá trị ban đầu (F 1): lấy thí dụ với việc dự báo số
ca nhập viện ở trên, giả sử lượng nhập viện cho tuần thứ nhất là 25 và được chọn là 0,5
Trang 305 Kỹ thuật Dự báo định lượng
3 Kỹ thuật làm trơn hàm số mũ (Exponential smoothing) Tuần Số lượng thực Số lượng dự báo Sai số tuyệt đối
Trang 315 Kỹ thuật Dự báo định lượng
3 Kỹ thuật làm trơn hàm số mũ (Exponential smoothing)
Ta thấy rằng KT làm trơn bằng hàm số mũ cho kết
quả chính xác hơn các PP khác đã được sử dụng
Tuy nhiên, chúng ta mới thử cho giá trị của là 0,5;
có thể những giá trị khác như = 0,4 hay = 0,6 sẽ cho kết quả tốt hơn
Cách để tìm ra trị số tốt nhất là thử với nhiều trị số khác nhau và so sánh MAD với nhau
Thông thường thì một trị số lớn sẽ cho lượng DB