Η παρουσίαση φορτώνεται. Παρακαλείστε να περιμένετε

Η παρουσίαση φορτώνεται. Παρακαλείστε να περιμένετε

需要予測. 需要と予測 1.需要 2.予測 3.手法 1.需要 需要の分類 需要の意味 ある商品に対して需要があるということは、 消費者がその商品を購入したいと思い、か つ実際に購入することができることを意味 する。 需要の例 衣食住行.

Παρόμοιες παρουσιάσεις


Παρουσίαση με θέμα: "需要予測. 需要と予測 1.需要 2.予測 3.手法 1.需要 需要の分類 需要の意味 ある商品に対して需要があるということは、 消費者がその商品を購入したいと思い、か つ実際に購入することができることを意味 する。 需要の例 衣食住行."— Μεταγράφημα παρουσίασης:

1 需要予測

2 需要と予測 1.需要 2.予測 3.手法

3 1.需要

4 需要の分類 需要の意味 ある商品に対して需要があるということは、 消費者がその商品を購入したいと思い、か つ実際に購入することができることを意味 する。 需要の例 衣食住行

5 需要の特徴 需要の相関性 第 1 次産業、第 2 次産業、第 3 次産業(分野) 最終製品の生産には人、物、金が必要(系列) 気温が上昇するとエアコンが売れる(要因) 需要の不確実性 個人の需要が変化する 需要の相関関係が変化する 注文生産と確実需要 需要の連続性 時系列分析(経線) 将来需要予測可能性

6 需要の構造 顕在需要 購入計画が決まった需要 取替需要 購入済需要 潜在需要 ある種の条件を満たす時に顕在化する需要 需要の実現条件(金、スペースなど) ゼロ需要 欲望も条件もない潜在需要 創出需要 企業の努力により欲望と条件を満たしたゼロ需要

7 需要の分類(SCMの観点から) 確実、安定需要 確実、変動需要 不確実、安定需要 不確実、変動需要

8 例 自動車メーカー(組み立て)と部品工場 シートを毎月 10 万個ずつ供給する エアコンメーカーと部品工場 4 月から 6 月、 10 月から 12 月までは毎月 1 万個 ずつ供給(例えば、センサー)

9 例 月ベース販売実績 1 月、 2 月、 3 月、 4 月、 5 月 –100 、 200 、 300 、 400 、 月の週ベース販売実績 1 週、 2 週、 3 週、 4 週 20 、 30 、 25 、 25 2 月の週ベース販売実績 2 月の週ベース販売実績 1 週、 2 週、 3 週、 4 週 40 、 50 、 80 、 30

10 需要の4タイプ 時間

11 2.予測

12 なぜ予測するのか ビジネスにおける競争優位のため 投資 製造 販売 需要が不確実であるため 機会損失が発生するため 死蔵在庫が発生するため 生産リードタイムが存在するため 生産準備が必要なため 人物金

13 どう予測するのか? プロットして観察する 予測戦略を立てる パターンを抽出する トレンド 周期 相関関係を利用する 天気と傘 誤差を抑える フラクタル

14

15 セメント

16 月別トレンドを見る

17 年度別トレンドを見る

18 移動平均

19 誤差比較とモデルの同定

20 相関分析

21

22 対象選択 組織 産業 企業 店舗 商品 カテゴリー アイテム 需要予測の手順

23 手法選択 市場調査 アンケート ディープ・インタビュー(スクリプト分析) デルファイ法 モデル構築 時系列モデル 回帰モデル

24 需要予測と販売予測 総需要とマーケットシェアー 売れる予測と売る予測 顕在需要と能力制限(販売量制限) 潜在需要と売る予測(販売量拡大)

25 正確性 (Accuracy) 柔軟性 (Bending) 納得性 (Convincing) 持続性 (Durability) 簡便性 (Easiness) 予測方法の評価基準

26 モデル構築 移動平均 指数平滑法 ARIMA モデル BASS モデル

27 移動平均法 実測 値: 予測 値:

28

29 原系列 移動平均 k= t - H/2

30 指数平滑法 指数平滑法の考え方 よい予測とは 需要の不規則な変動を滑らかにする 需要の傾向変化に敏感である 予測誤差のばらつきが小さい 予測方法が簡単である 予測方法のメカニズムが明確である 予測誤差の範囲が明確である

31 指数平滑法の計算方法 移動平均法は期待値による予測である。 指数平滑法は期待値に傾向を加える予測。 指数平滑法=f(期待値+バイアス) 予測値=( 1 ‐ α ) × 前期予測値+ α× 現在値 指数平滑法は一種の加重移動平均法である。

32 計算方法 y(t+1)=αx(t)+(1-α)y(t) y(t)=αx(t-1)+(1-α)y(t-1) … y(t+1)=αx(t)+α(1-α)x(t-1)+α(1-α)(1-α)x(t-2)+ … α(1+(1-α)+(1-α)(1-α)+ … )=1( 等比数列) 0 ≦ α ≦1

33 指数平滑法の分類 ウインター流(季節変動がある場合) ブラウン流 単純平滑法(傾向の見られない場合) 2 次平滑法 一定に伸びているか、またはすたれつつある製品 3 次平滑法 同上

34 ブラウン流指数平滑法 単純平滑法 2 次平滑法 y(t+1)=αx(t)+ (1-α) y(t) z(t+1)= α y(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)

35 v 3 次平滑法 –y(t+1)=αx(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

36 ウインター流平滑法 完全指数モデル ( Complete exponential model ) 純真なモデル ( Na ï ve model ) 単純予測モデル ( Simple forecasting model ) 基本値 トレンドファクター 季節変動指数

37 基本値 z(t)=α ( x(t)/β(t))+(1-α)(z(t-1)+γ(t-1)) t期の実績から季節変動を除去した値と、そ の値の 1 期前における予測値とを定数 α で平滑 化した値を新しく第t期の基本値とする。

38 トレンドファクター γ(t)=A(z(t)-z(t-1))+(1-A)γ(t-1) 基本値の差を定数Aで平滑化した値を、新し く第t期のトレンドファクタとする

39 季節変動指数 β(L+t)=B(x(t)/z(t))+(1-B)β(L+t-1) L は季節変動の周期(1つの周期の前計算し た値を今期に使用する)

40 予測方法 v(t+T)=(z(t)+T×γ(t))×β(t+T) (基本値+トータルトレンド) × 季節変動指 数

41 γ β

42 原系列 例題

43

44 ARIMA モデル 自己回帰モデル( AR ) z(t)= Φ(1) × z(t-1)+a(t) Φ(1) :自己回帰パラメータ a(t) :ランダムショック(ホワイトノイズ) z(t)=y(t)-μ 、平均値からの偏差( y(t): 原系列) AR(1) z(t)= Φ(1) × z(t-1)+ Φ(2) × z(t-2) +a(t) AR(2)

45 自己回帰演算子 Z(t-1) a(t) Z(t)

46 AR の性質 自己共分散と自己相関 λ(p)= Cov (z(t),z(t-p))=E(z(t)z(t-p) 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) ×λ(0) ρ(p)=λ(p)/λ(0)= Φ(1) p p

47 記憶関数 z(t)= Φ(1) × z(t-1)+a(t) z(t)=a(t)+Φ(1)× a(t-1)+ Φ(1)× a(t-1)+ … 定常性条件 分散一定: Var(z(t))= Var(z(t-1)) ≧ 0 相関性: E(z(t)×z(t))=Φ×Φ×Var(z(t-1))+0+σ×σ( タ イムラグに依存,異時点一定 ) 記憶性:| Φ |<1 2

48 移動平均モデル (MA) z(t)= Φ(1) × z(t-1)+a(t) z(t)= Φ(1) × z(t-1)+a(t)-θ(1)×a(t-1) Φ(1)=0 として, z(t)=a(t)-θ(1)×a(t-1) θ(1): 移動平均のパラメータ MA(1)

49 移動平均演算子 a(t-1),a(t) Z(t)

50 自己回帰移動平均モデル ARMA(1,1) モデル z(t)-Φ(1)z(t-1)=e(t) e(t)=a(t)-θ(1)a(t-1) z(t)-Φ(1)z(t-1) =a(t)-θ(1)a(t-1) ARMA(1,1) ARMA(p,q)

51 非定常モデル ランダムウォーキング z(t)=z(t-1)+a(t) 連続する株価の変化は本質的に独立である 記憶関数 z(t)=a(t)+a(t-1)+a(t-2)+ … 過去すべてのランダムショックが同じ強さで影響

52 例 株価の動き

53 自己回帰和分移動平均モデル ARIMA 階差をとることにより非定常系列を定常系列 にする w(t)=z(t)-z(t-1) w(t)= Φ(1)w(t-1)+a(t)-θ(1)a(t-1) ARIMA(1,1,1) 一般的には、 ARIMA(p,d,q) 和分: z(t)=w(t)+w(t-1)+w(t-2) …

54 原系列

55

56

57 バスモデル 成長曲線

58 潜在市場規模 m, 革新係数 p, 模倣係数 q すでに購入済の人: y(t) p(t):t 時点における購入確率 p(t)=p+q×y(t)/m x(t):t 時点における購入者数 x(t)=p(t)× 未購入者数 =p(t)×(m-y(t)) x(t)=p×(m-y(t))+q×y(t)(m-y(t))/m 革新者 模倣者

59 p=0.008,q=0.08,m=

60 p=0.09,q=0.08,m=

61 需要の変動分析 傾向分析 周期分析 相関分析

62 傾向分析

63


Κατέβασμα ppt "需要予測. 需要と予測 1.需要 2.予測 3.手法 1.需要 需要の分類 需要の意味 ある商品に対して需要があるということは、 消費者がその商品を購入したいと思い、か つ実際に購入することができることを意味 する。 需要の例 衣食住行."

Παρόμοιες παρουσιάσεις


Διαφημίσεις Google