chapter 3 kt du bao

1/31

Bộ môn Quản lý sản xuất và điều hành\Khoa Quản lý Công nghiệp\Đại học Bách khoa Tp. HCM.

GV: Đường Võ Hùng\Quản lý sản xuất cho kỹ sư\Chương 3: Kỹ thuật dự báo

Chương 3

KỸ THUẬT DỰ BÁO

2/31



1. 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)

3/31



2. Đặc trưng của Dự báo

Kỹ thuật dự báo có thể áp dụng:

+ Kỹ thuật định lượng: thể hiện các mối liên hệ của

các đại lượng (thông số) bằng biểu thức/mô hình

toán,

+ Kỹ thuật định tính: dựa trên phỏng đoán, cảm nhận

của người dự báo,

Kiểm soát sai số bởi vì dự báo thì thường không

chính xác.

4/31




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.

5/31




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,…)

6/31




- 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.

7/31




- 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).

8/31




- 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.

9/31



3. 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.

10/31




Các mẫu dự liệu:

Lượng

dự báo

Thời gian

Lượng

dự báo

Thời gian

Lượng

dự báo

Thời gian

Lượng

dự báo

Thời gian

11/31




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.

12/31





+ 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.

13/31





Dữ liệu

GĐ

Tiếp thị

GĐ

Sản xuất

GĐ

Tài chính

GĐ

Thiết kế

Dự báo

Dự báo

Dự báo

Dự báo

Quá trình

tổng hợp

DỰ

BÁO

14/31




PP “Delphi”:

- Kỹ thuật Delphi là PP để tổng hợp quan điểm của

chuyên gia.

- Có tính vô danh và tính phản hồi,

Nhược điểm:

- Thời gian dài dẫn đến các ý kiến sẽ lẫn lộn, khó

phân biệt.

- Khó khăn khi chọn lựa chuyên gia,

- Cuối cùng là ngay cả khi đạt được một sự thống

nhất, nó có thể sai!

15/31




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.

16/31




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.

17/31



4. Đo lường sai số Dự báo

Độ lệch:

với n số thời đoạn (quá khứ) được sử dụng.

Độ lệch = 1

n

i

(Sai số trong thời đoạn thứ i)

n

Độ lệch = 1

n

i

(Giá trị thực – Giá trị dự báo)i

n

Nhược điểm: sai lệch dương có thể bù trừ cho sai

lệch âm giá trị của độ lệch nhỏ

18/31




Sai số chuẩn:

+ Sai số bình phương trung bình MSE

MSE = 1

n

i

(Sai số trong thời đoạn thứ i)2

n

+ Sai số chuẩn SE:

SE MSE

19/31




Độ lệch tuyệt đối trung bình MAD:

MAD = 1

n

i

|Sai số trong thời đoạn thứ i|

n

20/31




(1)

Năm

(2)

Doanh

thu thật

(3)

Doanh thu

dự báo

(4)

Độ lệch

[(2)-(3)]

(5)

Sai số

bình phương

(6)

Trị tuyệt đối

của sai số

1

2

3

4

5

6

7

27000

35000

29000

33000

37000

41000

35000

23000

25000

31000

30000

32000

34000

38000

4000

10000

2000

3000

5000

7000

3000

16000000

100000000

4000000

9000000

25000000

49000000

9000000

4000

10000

2000

3000

5000

7000

3000

Tổng 24000 212000000 34000

21/31



5. 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.

2 3 4 5 6 7

0

42

44

Năm

Do

anh

số

($

10

00)

40

38

36

34

32

30

28

26

22/31




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.

23/31





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.

+ Số ca nhập viện trung

bình: 30,7

Tuần Số ca nhập viện

1 22

2 21

3 25

4 27

5 35

6 29

7 33

8 37

9 41

10 37

Tổng 307

24/31





Ví dụ: xét trung

bình dịch chuyển

với n = 2 tuần.

(*) giá trị dự báo

tuần 3:

(22+21)/2=21.50

MAD2 = 4,188

Tuần Số ca nhập viện n = 2 Độ lệch tuyệt đối

1 22

2 21

3 25 (*) 21.50 3.50

4 27 23.00 4.00

5 35 26.00 9.00

6 29 31.00 2.00

7 33 32.00 1.00

8 37 31.00 6.00

9 41 35.00 6.00

10 37 39.00 2.00

11 ??? 39.00 MAD = 4.188

25/31





Ví dụ: xét trung bình

dịch chuyển với n =

3 tuần.

(*) giá trị dự báo

tuần 4:

(22+21+25)/3=22.67

MAD3 = 4,334

Tuần Số ca nhập viện n = 3 Độ lệch tuyệt đối

1 22

2 21

3 25

4 27 (*) 22.67 4.33

5 35 24.33 10.67

6 29 29.00 0.00

7 33 30.33 2.67

8 37 32.33 4.67

9 41 33.00 8.00

10 37 37.00 0.00

11 ??? 38.33 MAD = 4.334

26/31




2. Trung bình di chuyển có trọng số (Weighted MA)

- Trọng số khác nhau được gán cho các thời điểm

khác nhau,

- Thường trọng số lớn nhất được gán cho dữ liệu gần

nhất và trọng số sẽ giảm dần cho các dữ liệu xa hơn

- Tổng các trọng số phải bằng 1.

+ VD: nếu trọng số được dùng là 0.5; 0.3; và 0.2

giá trị dự báo cho tuần kế tiếp sẽ là:

0.5x(dữ liệu tuần vừa rồi) + 0.3x(dữ liệu 2 tuần trước

đó) + 0.2x(dữ liệu 3 tuần trước)

27/31




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

1 22

2 21

3 25

4 27 0,5(25) + 0,3(21) + 0,2(22) = 23,2 3,8

5 35 0,5(27) + 0,3(25) + 0,2(21) = 25,2 9,8

6 29 0,5(35) + 0,3(27) + 0,2(25) = 30,6 1,6

7 33 0,5(29) + 0,3(35) + 0,2(37) = 30,4 2,6

8 37 0,5(33) + 0,3(29) + 0,2(35) = 32,2 4,8

9 41 0,5(37) + 0,3(33) + 0,2(29) = 34,2 6,8

10 37 0,5(41) + 0,3(37) + 0,2(33) = 38,2 1,2

11 ? 0,5(37) + 0,3(41) + 0,2(37) = 38,2

(MAD = 4.37) Tổng 30,6

28/31




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:

Ft + 1 = Ft + (Yt - Ft)

với Ft = giá trị dự báo tại thời điểm t;

Yt = giá trị số thực của thời điểm t;

= hằng số giữa 0 và 1.

29/31





Ft+1 = Ft + (Yt - Ft)

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 (F1): 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.

30/31




3. Kỹ thuật làm trơn hàm số mũ (Exponential smoothing) Tuần Số lượng thực Số lượng dự báo Sai số tuyệt đối

1 22 25 3.00

2 21 25 + 0,5(22 - 25) = 23,50 2.50

3 25 23,50 + 0,5(21 - 23,50) = 22,25 2.75

4 27 22,25 + 0,5(25 - 22,25) = 23,63 3.37

5 35 23,63 + 0,5(27 - 23,63) = 25,32 9.68

6 29 25,32 + 0,5(35 - 25,32) = 30,16 1.16

7 33 30,16 +0,5(29 - 30,16) = 29,58 3.42

8 37 29,58 + 0,5(33 - 29,58 ) = 31,29 5.71

9 41 34,29 + 0,5(37 - 31 ,29) = 34,15 6.85

10 37 34,15 + 0,5(41 - 34,15) = 37,58 0.58

11 ?? 37,58 + 0,5(37- 37,58) = 37,29

(MAD = 3.90) Tổng 39.02

31/31





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

đáp ứng hơn còn nhỏ sẽ cho lượng DB trơn hơn.

chapter 3 kt du bao

Documents