D Báo

Dự báo
Copyright © 2020 Pearson Education Ltd. All Rights Reserved. 4-1

Nội dung
! Dự báo là gì?
! Tầm quan trọng chiến lược của dự báo
! Bảy bước trong hệ thống dự báo
! Các phương pháp dự báo
! Dự báo chuỗi thời gian
! Phương pháp dự báo: Phân tích hồi quy và
tương quan

Mục tiêu học tập
Khi bạn hoàn thành chương này, bạn sẽ
có thể:
3.1 Giải thích khi nào sử dụng các mô hình định
tính
3.2 Áp dụng các phương pháp Dự báo thô,
Phương pháp bình quân diễn tiến, Phương
pháp liên tiến lũy thừa, và Dự báo xu hướng
3.3 Tính toán ba phép đo độ chính xác của dự báo
3.4 Phát triển các chỉ số theo mùa
3.5 Tiến hành phân tích hồi quy và tương quan
Dự báo là gì?
▶ Quy trình dự đoán một
sự kiện trong tương lai
▶ Cơ sở của tất cả các
quyết định kinh doanh
??
▶ Sản xuất
▶ Hàng tồn kho
▶ Cơ sở vật chất

Thời hạn dự báo
1. Dự báo ngắn hạn
▶ Lên đến 1 năm, thường là dưới 3 tháng
▶ Mua hàng, lập kế hoạch công việc, cấp độ lao
động, phân công công việc, cấp độ sản xuất
2. Dự báo trung hạn
▶ 3 tháng đến 3 năm
▶ Lập kế hoạch bán hàng và sản xuất, lập ngân sách
3. Dự báo dài hạn
▶ 3 năm trở lên
▶ Lập kế hoạch sản phẩm mới, vị trí cơ sở, chi
tiêu vốn, nghiên cứu và phát triển
Phân biệt sự khác biệt
1. Dự báo trung hạn/dài hạn giải quyết các vấn
đề toàn diện hơn và hỗ trợ các quyết định
quản lý liên quan đến lập kế hoạch và sản
phẩm, nhà máy và quá trình
2. Dự báo ngắn hạn thường sử dụng các
phương pháp khác với dự báo dài hạn
3. Dự báo ngắn hạn có xu hướng chính xác
hơn dự báo dài hạn

Ảnh hưởng của vòng đời
sản phẩm
Introduction – Growth – Maturity – Decline
▶ Giới thiệu và tăng trưởng đòi hỏi dự báo dài

hơn so với thời kỳ trưởng thành và suy giảm
▶ Khi sản phẩm trải qua vòng đời, các dự báo
sẽ hữu ích trong việc tính toán:
▶ Mức tồn kho
▶ Công suất nhà máy

Vòng đời sản phẩm
Introduction Growth Maturity Decline
Best period to Practical to change Poor time to Cost control

increase market price or quality change image, critical
share image price, or quality
Company Strategy/Issues
R&D engineering is Competitive costs

critical become critical
Defend market
position
Hybrid engine vehicles Xbox One
Boeing 787
3D printers
Boeing 747
Life Cycle Curve Electric vehicles

DVDs
Autonomous Video
vehicles Virtual reality physical
rentals
Figure 2.5
Vòng đời sản phẩm
Introduction Growth Maturity Decline
Product design and Forecasting critical Standardization Little product
development Product and Fewer rapid differentiation
critical process reliability product changes, Cost
Frequent product Competitive more minor minimization
and process changes
Strategy/Issues
product Overcapacity in
OMStrategy/Issues
design changes improvements and Optimum capacity the industry

Short production options Increasing stability Prune line to
runs
Increase capacity of process eliminate items
High production Shift toward not returning
costs product focus good margin
Limited models Enhance Reduce
Long production capacity
Attention to quality distribution runs
OM
Product
improvement and
cost cutting
Figure 2.5
Các loại dự báo
1. Dự báo kinh tế
▶ Giải quyết chu kỳ kinh doanh - tỷ lệ lạm phát,
tiền.
2. Dự báo công nghệ
▶ Dự đoán tốc độ tiến bộ công nghệ
▶ Tác động đến sự phát triển của sản phẩm mới
3. Dự báo nhu cầu
▶ Dự đoán doanh số bán các sản phẩm và dịch
vụ hiện có
Copyright © 2020 Pearson Education Ltd. All Rights Reserved. 4 - 10

Tầm quan trọng chiến lược
của dự báo
▶ Quản lý chuỗi cung ứng - Quan hệ nhà
cung cấp tốt, lợi thế về đổi mới sản
phẩm, chi phí và tốc độ đưa sản phẩm
mới ra thị trường
▶ Nhân sự - Tuyển dụng, đào tạo, sa thải
công nhân
▶ Công suất - Tình trạng thiếu công suất có
thể dẫn đến giao hàng không đạt yêu
cầu, mất khách hàng, mất thị phần
Bảy bước trong dự báo
1. Xác định việc sử dụng dự báo
2. Chọn các mục được dự báo
3. Xác định thời gian dự báo
4. Chọn mô hình dự báo
5. Thu thập dữ liệu cần thiết để đưa ra dự
báo
6. Dự báo
7. Xác thực và triển khai kết quả

Thực tế!
▶ Dự báo hiếm khi hoàn hảo, các yếu
tố bên ngoài không thể đoán trước
có thể ảnh hưởng đến dự báo
▶ Hầu hết các kỹ thuật giả định một
sự ổn định cơ bản trong hệ thống
▶ Dự báo nhóm sản phẩm chính xác
hơn các dự báo sản phẩm riêng lẻ

Các phương pháp dự báo
Phương pháp định tính
▶ Được sử dụng khi tình huống mơ

hồ và ít dữ liệu tồn tại
▶ Sản phẩm mới
▶ Công nghệ mới
▶ Liên quan đến trực giác, kinh
nghiệm
▶ e.g., dự báo doanh số bán hàng
trên Internet
Các phương pháp dự báo
Phương pháp định lượng
▶ Được sử dụng khi tình hình "ổn định"

và có dữ liệu lịch sử
▶ Sản phẩm hiện có
▶ Công nghệ hiện tại
▶ Liên quan đến các kỹ thuật toán học
▶ e.g., dự báo doanh số bán tivi màu

Tổng quan về các phương pháp
định tính
1. Jury of executive opinion
▶ ý kiến của các chuyên gia, đôi khi được
bổ sung bởi các mô hình thống kê
2. Delphi method
▶ Ban chuyên gia, được truy vấn lặp đi
lặp lại

Tổng quan về các phương pháp
định tính
3. Sales force composite
▶ Các ước tính từ từng nhân viên bán
hàng được xem xét về tính hợp lý, sau
đó tổng hợp
4. Khảo sát thị trường
▶ Hỏi khách hàng

Jury of Executive Opinion
▶ Có sự tham gia của một nhóm nhỏ gồm các
chuyên gia và nhà quản lý cấp cao
▶ ước tính nhu cầu bằng cách làm việc cùng
nhau
▶ Kết hợp kinh nghiệm quản lý với các mô
hình thống kê
▶ Tương đối nhanh

Delphi Method
▶ Quy trình nhóm lặp
đi lặp lại, tiếp tục Người ra quyết định
(Đánh giá phản hồi và
cho đến khi đạt đưa ra quyết định)
được sự đồng thuận
▶ Ba loại người tham Nhân Viên
(Quản lý khảo sát)
gia
▶ Người ra quyết
định
▶ Nhân Viên
Người trả lời
▶ Người trả lời (Những người có thể
đưa ra những đánh giá
Copyright © 2020 Pearson Education Ltd. All Rights Reserved.
có giá trị) 4 - 19
Sales Force Composite
▶ Mỗi nhân viên bán hàng dự kiến

doanh số của mình
▶ Đại diện bán hàng biết mong muốn
của khách hàng
▶ Có thể lạc quan quá mức

Khảo sát thị trường
▶ Hỏi khách hàng về kế hoạch mua
hàng
▶ Hữu ích cho thiết kế sản phẩm và lập
kế hoạch nhu cầu

Tổng quan về các phương
pháp định lượng
1. Dự báo thô
2. Phương pháp bình
quân diễn tiến
Mô hình
3. Phương pháp liên tiến chuỗi thời
lũy thừa gian
4. Dự báo xu hướng
Mô hình
5. Hồi quy tuyến tính toán

Dự báo chuỗi thời gian
▶ Tập hợp dữ liệu số

▶ Có được bằng cách quan sát các biến
trong một khoảng thời gian
▶ Dự báo chỉ dựa trên các giá trị trong
quá khứ
▶ Giả định rằng các yếu tố ảnh hưởng
trong quá khứ và hiện tại sẽ tiếp tục
ảnh hưởng trong tương lai

Thành phần chuỗi thời gian
Xu Chu kỳ
hướng
Theo mùa Ngẫu nhiên

Các thành phần của nhu cầu
Xu hướng:
(Tăng/giảm –
dài hạn)
Nhu cầu về sản phẩm hoặc dịch vụ
Đỉnh mùa vụ
Nhu cầu thực
Nhu cầu trung

bình trong 4 năm
Ngẫu nhiên
| | | |
1 2 3 4
Thời gian (năm)
Hình 4.1

Thành phần xu hướng
▶ Mô hình tổng thể tăng hoặc giảm
liên tục
▶ Những thay đổi do dân số, công
nghệ, tuổi tác, văn hóa, v.v.
▶ Thời hạn thường là vài năm

Thành phần theo mùa
▶ Mô hình biến động lên xuống
thường xuyên
▶ Do thời tiết, phong tục, v.v.
▶ Xảy ra trong vòng một năm

Thành phần theo chu kỳ
▶ Lặp lại các chuyển động lên và xuống
▶ Bị ảnh hưởng bởi chu kỳ kinh doanh,
các yếu tố chính trị và kinh tế
▶ Thời hạn nhiều năm
▶ Thường là quan hệ nhân quả hoặc liên
kết
0 5 10 15 20
Thành phần ngẫu nhiên
▶ Biến động không có hệ thống
▶ Do sự thay đổi ngẫu nhiên hoặc các sự
kiện không lường trước được
▶ Thời lượng ngắn và không lặp lại
M T W T
Copyright © 2020 Pearson Education Ltd. All Rights Reserved. F 4 - 29
Dự báo thô
▶ Giả định nhu cầu trong kỳ tới bằng
với nhu cầu trong kỳ gần nhất
▶ e.g., Nếu doanh số tháng 1 là 68 thì
doanh số tháng 2 sẽ là 68
▶ Có thể là điểm khởi đầu tốt

Phương pháp bình quân
diễn tiến đơn
▶ Được sử dụng nếu ít hoặc không có
xu hướng
▶ hiển thị tổng thể về dữ liệu theo thời
gian
∑ Nhu cầu của n thời điểm trước đó

bình quân n
diễn tiến đơn =

diễn tiến đơn
MONTH ACTUAL SHED SALES 3-MONTH MOVING AVERAGE
January 10
February 12
March 13
April 16 (10 + 12 + 13)/3 = 11 2/3
May 19 (12 + 13 + 16)/3 = 13 2/3
June 23 (13 + 16 + 19)/3 = 16
July 26 (16 + 19 + 23)/3 = 19 1/3
August 30 (19 + 23 + 26)/3 = 22 2/3
September 28 (23 + 26 + 30)/3 = 26 1/3
October 18 (26 + 30 + 28)/3 = 28
November 16 (30 + 28 + 18)/3 = 25 1/3
December 14 (28 + 18 + 16)/3 = 20 2/3

diễn tiến gia trọng
▶ Được sử dụng khi có xu hướng nào
đó
▶ Trọng số dựa trên kinh nghiệm và
trực giác
∑ (Trọng số thời điểm n)
bình quân diễn tiến x (Dữ liệu thời điểm n)
gia trọng =
∑ Trọng số

MONTH ACTUAL SHED SALES 3-MONTH WEIGHTED MOVING AVERAGE
January 10
February 12
March 13
April 16 [(3 x 13) + (2 x 12) + (10)]/6 = 12 1/6
May 19
June WEIGHTS
23 APPLIED PERIOD
July 26 3 Last month
August 30 2 Two months ago
September 28 1 Three months ago
October 18 6 Sum of the weights
November Forecast for

16this month =
December 3 x14
Sales last mo. + 2 x Sales 2 mos. ago + 1 x Sales 3 mos. ago
Sum of the weights

MONTH ACTUAL SHED SALES 3-MONTH WEIGHTED MOVING AVERAGE
January 10
February 12
March 13
April 16 [(3 x 13) + (2 x 12) + (10)]/6 = 12 1/6
May 19 [(3 x 16) + (2 x 13) + (12)]/6 = 14 1/3
June 23 [(3 x 19) + (2 x 16) + (13)]/6 = 17
July 26 [(3 x 23) + (2 x 19) + (16)]/6 = 20 1/2
August 30 [(3 x 26) + (2 x 23) + (19)]/6 = 23 5/6
September 28 [(3 x 30) + (2 x 26) + (23)]/6 = 27 1/2
October 18 [(3 x 28) + (2 x 30) + (26)]/6 = 28 1/3
November 16 [(3 x 18) + (2 x 28) + (30)]/6 = 23 1/3
December 14 [(3 x 16) + (2 x 18) + (28)]/6 = 18 2/3

Các vấn đề với Phương pháp
bình quân diễn tiến gia trọng
1. Không dự báo tốt xu hướng
2. Yêu cầu dữ liệu lịch sử phong phú

Đồ thị Phương pháp bình quân diễn
tiến gia trọng
bình quân diễn tiến gia trọng (ví dụ 2)
30 –
25 –
Nhu cầu bán hàng
20 –
15 – Doanh số
thực tế
10 – bình quân diễn

tiến đơn (ví dụ 1)
5–
| | | | | | | | | | | |
J F M A M J J A S O N D
hình 4.2 tháng

Phương pháp liên tiến lũy
thừa
▶ Yêu cầu Hằng số liên tiến (a)
▶ Phạm vi từ 0 đến 1
▶ Được lựa chọn một cách chủ quan
▶ ít biết về dữ liệu quá khứ

Phương pháp liên tiến lũy
thừa
Dự báo mới = Dự báo của kỳ trước
+ a (Nhu cầu thực tế của kỳ trước
– Dự báo của kỳ trước)
Ft = Ft – 1 + a(At – 1 – Ft – 1)
Trong đó Ft = dự báo mới

Ft – 1 = Dự báo của kỳ trước
a = Hằng số liên tiến (0 ≤ a ≤ 1)
At – 1 = Nhu cầu thực tế của kỳ trước

Phương pháp liên tiến lũy thừa
Nhu cầu được dự đoán = 142 Ford Mustangs

Nhu cầu thực tế = 153
Hằng số liên tiến a = .20


Dự báo mới = 142 + .2(153 – 142)


Dự báo mới = 142 + .2(153 – 142)

= 142 + 2.2
= 144.2 ≈ 144 cars

Ảnh hưởng của Hằng số liên tiến
! Hằng số liên tiến .05 ≤ a ≤ .50

! Khi a tăng, các giá trị cũ trở nên ít quan trọng
hơn
TRỌNG SỐ ĐƯỢC GÁN

GIAI ĐOẠN GIAI ĐOẠN GIAI ĐOẠN GIAI ĐOẠN GIAI ĐOẠN
GẦN ĐÂY GẦN ĐÂY GẦN ĐÂY GẦN ĐÂY GẦN ĐÂY
Hằng số liên NHẤT NHẤT THỨ 2 NHẤT THỨ 3 NHẤT THỨ 4 NHẤT THỨ 5
tiến (a ) a (1 – a ) a (1 – a )2 a (1 – a )3 a (1 – a )4
a = .1 .1 .09 .081 .073 .066
a = .5 .5 .25 .125 .063 .031

Tác động của các a khác
nhau
225 –
Nhu cầu a = .5
thực tế
200 –
Nhu cầu
175 –
a = .1
150 – | | | | | | | | |
1 2 3 4 5 6 7 8 9
Quý
Tác động của các a khác
nhau
225 –
▶ Chọn các giá trị cao của
a khi giá trị trung bình cóa = .5
Nhu cầu
200 – thể thay đổi
thực tế
Nhu cầu
▶ Chọn các giá trị thấp của

a khi giá trị trung bình ổn
175 –
định
a = .1
150 – | | | | | | | | |
1 2 3 4 5 6 7 8 9
Quý
Chọn Hằng số liên tiến
Mục tiêu là thu được dự báo chính xác
nhất
Chúng ta thường làm điều này bằng cách
chọn mô hình mà có sai số dự báo
(forecast error) thấp nhất theo một trong
ba biện pháp sau đây:
▶ Độ lệch trị tuyệt đối trung bình (Mean Absolute Deviation) (MAD)
▶ Sai số bình phương trung bình (Mean Squared Error) (MSE)
▶ Sai số phần trăm trị tuyệt đối trung bình (Mean Absolute Percent Error) (MAPE)

Các phép đo phổ biến của
sai số
Độ lệch trị tuyệt đối trung bình (MAD)
∑ |Dữ liệu – Dự báo|

MAD =
n
n: số lượng quan sát

Xác định MAD
ACTUAL
TONNAGE DỰ BÁO VỚI
QUÝ UNLOADED DỰ BÁO VỚI a = .10 a = .50
1 180 175 175
2 168 175.50 = 175.00 + .10(180 – 175) 177.50
3 159 174.75 = 175.50 + .10(168 – 175.50) 172.75
4 175 173.18 = 174.75 + .10(159 – 174.75) 165.88
5 190 173.36 = 173.18 + .10(175 – 173.18) 170.44
6 205 175.02 = 173.36 + .10(190 – 173.36) 180.22
7 180 178.02 = 175.02 + .10(205 – 175.02) 192.61
8 182 178.22 = 178.02 + .10(180 – 178.02) 186.30

Xác định MAD
ACTUAL
TONNAGE DỰ BÁO VỚI
QUÝ UNLOADED DỰ BÁO VỚI a = .10 a = .50
1 180 175 175
2 168 175.50 = 175.00 + .10(180 – 175) 177.50
3 159 174.75 = 175.50 + .10(168 – 175.50) 172.75
4 175 173.18 = 174.75 + .10(159 – 174.75) 165.88
5 190 173.36 = 173.18 + .10(175 – 173.18) 170.44
6 205 175.02 = 173.36 + .10(190 – 173.36) 180.22
7 180 178.02 = 175.02 + .10(205 – 175.02) 192.61
8 182 178.22 = 178.02 + .10(180 – 178.02) 186.30

Xác định MAD
ACTUAL DỰ BÁO ĐỘ LỆCH TRỊ ĐỘ LỆCH TRỊ
TONNAGE VỚI TUYỆT ĐỐI DỰ BÁO VỚI TUYỆT ĐỐI
QUÝ UNLOADED a = .10 CHO a = .10 a = .50 CHO a = .50
1 180 175 5.00 175 5.00
2 168 175.50 7.50 177.50 9.50
3 159 174.75 15.75 172.75 13.75
4 175 173.18 1.82 165.88 9.12
5 190 173.36 16.64 170.44 19.56
6 205 175.02 29.98 180.22 24.78
7 180 178.02 1.98 192.61 12.61
8 182 178.22 3.78 186.30 4.30
Tổng độ lệch trị tuyệt đối: 82.45 98.62
Σ|tổng độ lệch|
MAD = 10.31 12.33
n

sai số
Sai số bình phương trung bình (MSE)
∑ (Dữ liệu – Dự báo)2

MSE = n

Xác định MSE
ACTUAL
TONNAGE DỰ BÁO CHO a =
QUÝ UNLOADED .10 (SAI SỐ)2
1 180 175 52 = 25
2 168 175.50 (–7.5)2 = 56.25
3 159 174.75 (–15.75)2 = 248.06
4 175 173.18 (1.82)2 = 3.31
5 190 173.36 (16.64)2 = 276.89
6 205 175.02 (29.98)2 = 898.80
7 180 178.02 (1.98)2 = 3.92
8 182 178.22 (3.78)2 = 14.29
Tổng sai số bình phương = 1,526.52

Xác định MSE
ACTUAL
TONNAGE DỰ BÁO CHO a =
QUÝ UNLOADED .10 (SAI SỐ)2
1 180 175 52 = 25
2 168 175.50 (–7.5)2 = 56.25
3 159 174.75 (–15.75)2 = 248.06
4 175 173.18 (1.82)2 = 3.31
5 190 173.36 (16.64)2 = 276.89
6 205 175.02 (29.98)2 = 898.80
7 180 178.02 (1.98)2 = 3.92
8 182 178.22 (3.78)2 = 14.29
Tổng sai số bình phương = 1,526.52
MSE =
∑ (Forecast errors)
= 1,526.52 / 8 = 190.8
n
sai số
Sai số phần trăm trị tuyệt đối trung bình (MAPE)
n
∑(|Dữ liệui – Dự báoi| / Dữ liệui )
MAPE = i=1 ´100%
n

Xác định MAPE
ACTUAL
TONNAGE DỰ BÁO CHO a = SAI SỐ PHẦN TRĂM TRỊ TUYỆT ĐỐI
QUÝ UNLOADED .10 100(|SAI SỐ|/THỰC TẾ)
1 180 175.00 100(5/180) = 2.78%
2 168 175.50 100(7.5/168) = 4.46%
3 159 174.75 100(15.75/159) = 9.90%
4 175 173.18 100(1.82/175) = 1.05%
5 190 173.36 100(16.64/190) = 8.76%
6 205 175.02 100(29.98/205) = 14.62%
7 180 178.02 100(1.98/180) = 1.10%
8 182 178.22 100(3.78/182) = 2.08%
Tổng của sai số % = 44.75%

Xác định MAPE
ACTUAL
TONNAGE DỰ BÁO CHO a = SAI SỐ PHẦN TRĂM TRỊ TUYỆT ĐỐI
QUÝ UNLOADED .10 100(|SAI SỐ|/THỰC TẾ)
1 180 175.00 100(5/180) = 2.78%
2 168 175.50 100(7.5/168) = 4.46%
3 159 174.75 100(15.75/159) = 9.90%
4 175 173.18 100(1.82/175) = 1.05%
5 190 173.36 100(16.64/190) = 8.76%
6 205 175.02 100(29.98/205) = 14.62%
7 180 178.02 100(1.98/180) = 1.10%
8 182 178.22 100(3.78/182) = 2.08%
Tổng của sai số % = 44.75%
∑ absolute percent error 44.75%

MAPE = = = 5.59%
n 8
So sánh sai số dự báo
độ lệch trị
Actual dự báo với độ lệch trị dự báo với tuyệt đối cho
Tonnage tuyệt đối cho
Quý Unloaded a = .10 a = .10 a = .50 a = .50
1 180 175 5.00 175 5.00
2 168 175.5 7.50 177.50 9.50
3 159 174.75 15.75 172.75 13.75
4 175 173.18 1.82 165.88 9.12
5 190 173.36 16.64 170.44 19.56
6 205 175.02 29.98 180.22 24.78
7 180 178.02 1.98 192.61 12.61
8 182 178.22 3.78 186.30 4.30
82.45 98.62

Rounded Absolute Rounded Absolute
∑ |tổng
Actual độ lệch|
Forecast Deviation Forecast Deviation
MAD
Quarter
=
Tonnage
Unloaded
with
a =n.10
for
a = .10
with
a = .50
for
a = .50
1 180 175 5.00 175 5.00
2 với a 168
= .10 175.5 7.50 177.50 9.50
3 159 = 82.45/8
174.75 = 15.75
10.31 172.75 13.75
4 175 173.18 1.82 165.88 9.12
5 với a 190
= .50 173.36 16.64 170.44 19.56
6 205 175.02 29.98 180.22 24.78
7 180 = 98.62/8
178.02 = 12.33
1.98 192.61 12.61
8 182 178.22 3.78 186.30 4.30
82.45 98.62

Rounded Absolute Rounded Absolute
∑ (sai Forecast
Actual số dự báo) 2
Deviation Forecast Deviation
MSE =Tonnage with for with for
Quarter Unloaded a =n.10 a = .10 a = .50 a = .50
1 180 175 5.00 175 5.00
2 với a 168
= .10 175.5 7.50 177.50 9.50
3 159 174.75
= 1,526.52/8 = 15.75
190.8 172.75 13.75
4 175 173.18 1.82 165.88 9.12
5 với a 190
= .50 173.36 16.64 170.44 19.56
6 205 175.02 29.98 180.22 24.78
7 = 1,561.91/8
180 178.02 = 195.24
1.98 192.61 12.61
8 182 178.22 3.78 186.30 4.30
82.45 98.62
MAD 10.31 12.33

n
∑
Actual
Rounded
100|độ lệch
Forecast
Absolute
i|/thực
Deviation tế Rounded
i Forecast
Absolute
Deviation
MAPE
Quarter
= i=1
Tonnage
Unloaded
with
a = .10
for
a = .10
with
a = .50
for
a = .50
n
1 180 175 5.00 175 5.00
2 với a168= .10 175.5 7.50 177.50 9.50
3 159 174.75
= 44.75%/8 15.75
= 5.59% 172.75 13.75
4 175 173.18 1.82 165.88 9.12
5 với a190= .50 173.36 16.64 170.44 19.56
6 205 175.02 29.98 180.22 24.78
7 180 = 54.00%/8
178.02 =1.98
6.75% 192.61 12.61
8 182 178.22 3.78 186.30 4.30
82.45 98.62
MAD 10.31 12.33
MSE 190.82 195.24

độ lệch trị độ lệch trị
Actual dự báo tuyệt đối cho dự báo tuyệt đối cho
Tonnage với với
Quý Unloaded a = .10 a = .10 a = .50 a = .50
1 180 175 5.00 175 5.00
2 168 175.5 7.50 177.50 9.50
3 159 174.75 15.75 172.75 13.75
4 175 173.18 1.82 165.88 9.12
5 190 173.36 16.64 170.44 19.56
6 205 175.02 29.98 180.22 24.78
7 180 178.02 1.98 192.61 12.61
8 182 178.22 3.78 186.30 4.30
82.45 98.62
MAD 10.31 12.33
MSE 190.82 195.24
MAPE 5.59% 6.75%
với Điều chỉnh Xu hướng
Khi có xu hướng, Phương pháp liên
tiến lũy thừa phải được chỉnh sửa
tháng NHU CẦU THỰC TẾ DỰ BÁO (Ft) CHO CÁC THÁNG 1 – 5
1 100 F1 = 100
2 200 F2 = F1 + a(A1 – F1) = 100 + .4(100 – 100) = 100
3 300 F3 = F2 + a(A2 – F2) = 100 + .4(200 – 100) = 140
4 400 F4 = F3 + a(A3 – F3) = 140 + .4(300 – 140) = 204
5 500 F5 = F4 + a(A4 – F4) = 204 + .4(400 – 204) = 282

Dự báo Dự báo Xu hướng
bao gồm (FITt) = liên tiến (Ft) + liên tiến (Tt)
xu hướng luỹ thừa luỹ thừa
Ft = a(At − 1) + (1 − a)(Ft − 1 + Tt − 1)
Tt = b(Ft − Ft − 1) + (1 − b)Tt − 1
Trong đó Ft = trung bình dự báo xu hướng liên tiến lũy thừa
Tt = xu hướng liên tiến lũy thừa
At = nhu cầu thực tế
a = Hằng số liên tiến (0 ≤ a ≤ 1)
b = Hằng số liên tiến xu hướng (0 ≤ b ≤ 1)
bước 1: tính Ft
bước 2: tính Tt
bước 3: Tính toán dự báo FITt = Ft + Tt

THÁNG (t) NHU CẦU THỰC TẾ (At) THÁNG (t) NHU CẦU THỰC TẾ (At)
1 12 6 21
2 17 7 31
3 20 8 28
4 19 9 36
5 24 10 ?
a = .2 b = .4

TABLE 4.2 Dự báo với a = .2 và b = .4
Xu hướng liên
Dự báo liên tiến tiến luỹ thừa, DỰ BÁO BAO GỒM
THÁNG NHU CẦU THỰC TẾ luỹ thừa, Ft Tt XU HƯỚNG, FITt
1 12 11 2 13.00
2 17 12.80
3 20
4 19
bước 1: Trung bình cho tháng 2
5 24
6 21 F2 = aA1 + (1 – a)(F1 + T1)
7 31
8 28 F2 = (.2)(12) + (1 – .2)(11 + 2)
9 36 = 2.4 + (.8)(13) = 2.4 + 10.4
10 —
= 12.8 units
Xu hướng liên
1 12 11 2 13.00
2 17 12.80 1.92
3 20
4 19
5 24 bước 2: Xu hướng cho tháng 2
6 21
7 31 T2 = b(F2 − F1) + (1 − b)T1
8 28
T2 = (.4)(12.8 − 11) + (1 − .4)(2)
9 36
10 — = .72 + 1.2 = 1.92 units

Xu hướng liên
1 12 11 2 13.00
2 17 12.80 1.92 14.72
3 20
4 19
5 24 bước 3: Tính FIT cho Tháng 2
6 21
7 31 FIT2 = F2 + T2
8 28
FIT2 = 12.8 + 1.92
9 36
10 — = 14.72 units

Xu hướng liên
1 12 11 2 13.00
2 17 12.80 1.92 14.72
3 20 15.18 2.10 17.28
4 19 17.82 2.32 20.14
5 24 19.91 2.23 22.14
6 21 22.51 2.38 24.89
7 31 24.11 2.07 26.18
8 28 27.14 2.45 29.59
9 36 29.28 2.32 31.60
10 — 32.48 2.68 35.16

Xu hướng liên
1 12 11 2 13.00
2 17 12.80 1.92 14.72
3 20 15.18 2.10 17.28
4 19 17.82 2.32 20.14
5 24 19.91 2.23 22.14
6 21 22.51 2.38 24.89
7 31 24.11 2.07 26.18
8 28 27.14 2.45 29.59
9 36 29.28 2.32 31.60
10 — 32.48 2.68 35.16

40 – Figure 4.3
35 – Nhu cầu thực tế (At)

30 –
Nhu cầu sản phẩm
25 –
20 –
15 –
10 – Dự báo bao gồm cả xu hướng (FITt)
5 – với a = .2 và b = .4
0 –
| | | | | | | | |
1 2 3 4 5 6 7 8 9
Thời gian (tháng)
Dự báo xu hướng
Xu hướng tuyến tính có thể được tìm thấy

bằng cách sử dụng kỹ thuật bình phương cực
tiểu
y^ = a + bx
trong đó y^ = giá trị tính toán của biến được dự đoán (biến phụ
thuộc)
a = hệ số chặn
b = độ dốc của đường hồi quy
x = biến độc lập

Phương pháp bình phương
cực tiểu
Giá trị của biến phụ thuộc (giá trị y)
Quan sát thực tế Deviation7

(giá trị y)
Deviation5 Deviation6
Deviation3
Phương pháp bình phương cực tiểu
giảm thiểu tổng4 của các sai số bình
Deviation
phương (độ lệch)
Độ lệch1
(sai số) Deviation2
Trend line, y^ = a + bx
| | | | | | |
1 2 3 4 5 6 7
Figure 4.4
Khoảng thời gian
cực tiểu
Phương trình tính toán các biến hồi quy
ŷ = a + bx
∑ xy − nxy
b= 2 2
∑ x − nx
a = y − bx
cực tiểu
NĂM NHU CẦU ĐIỆN NĂM NHU CẦU ĐIỆN

1 74 5 105
2 79 6 142
3 80 7 122
4 90

cực tiểu
NĂM (x) NHU CẦU ĐIỆN (y) x2 xy
1 74 1 74
2 79 4 158
3 80 9 240
4 90 16 360
5 105 25 525
6 142 36 852
7 122 49 854
Σx = 28 Σy = 692 Σx2 = 140 Σxy = 3,063
∑ xy − nxy
ŷ = a + bx b= 2 2
a = y − bx
∑ x − nx
cực tiểu
NĂM (x) NHU CẦU ĐIỆN (y) x2 xy
1 74 1 74
2 79 4 158
3 80 9 240
4 90 16 360
5 105 25 525
6 142 36 852
7 122 49 854
Σx = 28 Σy = 692 Σx2 = 140 Σxy = 3,063
∑ x 28 ∑ y 692
x= = =4 y= = = 98.86
n 7 n 7

cực tiểu
∑ xy − nxy 3,063 − (7) ( 4) (98.86) 295
b= = POWER
ELECTRICAL
2 2
= = 10.54
YEAR (x) ∑ x − nxDEMAND (y)140 − (7) ( 4 ) x 28 2
xy 2
1 74 1 74
2 79 4 158
3
a = y − bx = 98.86 −10.54 4 = 56.70
80 () 9 240
4 90 16 360
5 Thus,
105 ŷ = 56.70 +10.54x25 525
6 142 36 852
7 122 49 854
Σx = 28 Σy = 692 Σx2 = 140 Σxy = 3,063
x trong
Nhu∑cầu 28 năm 8 =∑ y 692
56.70 + 10.54(8)
x= = =4 y= = = 98.86
n 7 = 141.02,
n or 141
7 megawatts

cực Đường
tiểuxu hướng,
160 – y^ = 56.70 + 10.54x
Nhu cầu điện năng (megawatts)
150 –
140 –
130 –
120 –
110 –
100 –
90 –
80 –
70 –
60 –
50 –
| | | | | | | | |
1 2 3 4 5 6 7 8 9
năm Figure 4.5
Các yêu cầu về Phương pháp
bình phương cực tiểu
1. Chúng ta luôn lập biểu đồ dữ liệu để
đảm bảo mối quan hệ tuyến tính
2. Độ lệch xung quanh đường bình
phương cực tiểu được cho là ngẫu
nhiên

Sự thay đổi theo mùa trong
dữ liệu
Các bước trong quy trình cho các mùa hàng tháng:
1. Tìm nhu cầu lịch sử trung bình cho mỗi tháng

2. Tính toán nhu cầu trung bình qua tất cả các
tháng
3. Tính chỉ số theo mùa cho mỗi tháng
4. Ước tính tổng nhu cầu của năm tới
5. Chia ước tính tổng nhu cầu này cho số tháng,
sau đó nhân với chỉ số theo mùa của tháng đó

Ví dụ về chỉ số theo mùa
NHU CẦU
NHU CẦU
HÀNG
NHU CẦU THỜI THÁNG
THÁNG NĂM 1 NĂM 2 NĂM 3 ĐOẠN TRUNG BÌNH TRUNG BÌNH CHỈ SỐ MÙA
90
Jan 80 85 105
80
Feb 70 85 85
85
Mar 80 93 82
100
Apr 90 95 115
123
May 113 125 131
115
June 110 115 120
105
July 100 102 113
100
Aug 88 102 110
90
Sept 85 90 95
80
Oct 77 78 85
80
Nov 75 82 83
80
Dec 82 78 80
Tổng nhu cầu hàng năm trung bình = 1,128
NHU CẦU
NHU CẦU
NHU CẦU THỜI HÀNG
ĐOẠN TRUNG THÁNG
THÁNG NĂM 1 NĂM 2 NĂM 3 BÌNH TRUNG BÌNH CHỈ SỐ MÙA
Jan 80 85 105 90 94
Feb 70 85 85 80 94
Mar Nhu80cầu 93 82 85 94
Apr 1,128
hàng 90
tháng = 95 115 = 94 100 94
May 12 months
trung113bình 125 131 123 94
June 110 115 120 115 94
July 100 102 113 105 94
Aug 88 102 110 100 94
Sept 85 90 95 90 94
Oct 77 78 85 80 94
Nov 75 82 83 80 94
Dec 82 78 80 80 94
Total average annual demand = 1,128
NHU CẦU
NHU CẦU
.957 ( = 90/94)
Jan 80 85 105 90 94
Feb 70 85 85 80 94
Mar 80 93 82 85 94
Apr 90 95 115 100 94
May 113 125 131 123 94
June
Chỉ số 110= Average
115
monthly demand for past 3 years
120 115 94
theo mùa100
July 102 Average
113 monthly
105demand 94
Aug 88 102 110 100 94
Sept 85 90 95 90 94
Oct 77 78 85 80 94
Nov 75 82 83 80 94
Dec 82 78 80 80 94
NHU CẦU
NHU CẦU
Jan 80 85 105 90 94 .957 ( = 90/94)
Feb 70 85 85 80 94 .851 ( = 80/94)
Mar 80 93 82 85 94 .904 ( = 85/94)
Apr 90 95 115 100 94 1.064 ( = 100/94)
May 113 125 131 123 94 1.309 ( = 123/94)
June 110 115 120 115 94 1.223 ( = 115/94)
July 100 102 113 105 94 1.117 ( = 105/94)
Aug 88 102 110 100 94 1.064 ( = 100/94)
Sept 85 90 95 90 94 .957 ( = 90/94)
Oct 77 78 85 80 94 .851 ( = 80/94)
Nov 75 82 83 80 94 .851 ( = 80/94)
Dec 82 78 80 80 94 .851 ( = 80/94)
Dự báo theo mùa cho Năm 4
THÁNG NHU CẦU THÁNG NHU CẦU
Jan 1,200 July 1,200

× .957 = 96 × 1.117 = 112
12 12
Feb 1,200 Aug 1,200
× .851 = 85 × 1.064 = 106
12 12
Mar 1,200 Sept 1,200
× .904 = 90 × .957 = 96
12 12
Apr 1,200 Oct 1,200
× 1.064 = 106 × .851 = 85
12 12
May 1,200 Nov 1,200
× 1.309 = 131 × .851 = 85
12 12
June 1,200 Dec 1,200
× 1.223 = 122 × .851 = 85
12 12

Dự báo năm 4
140 – Dự báo năm 3
130 – Dự báo năm 2
Dự báo năm 1
120 –
Nhu cầu
110 –
100 –
90 –
80 –
70 –
| | | | | | | | | | | |
J F M A M J J A S O N D
Thời gian
Sự thay đổi theo chu kỳ
! Chu kỳ – các kiểu mẫu trong dữ liệu

xảy ra vài năm một lần
! Dự báo khó
! Nhiều yếu tố

Dự báo liên kết
Được sử dụng khi các thay đổi trong một hoặc
nhiều biến độc lập có thể được sử dụng để dự
đoán những thay đổi trong biến phụ thuộc
Kỹ thuật phổ biến nhất là phân tích

hồi quy tuyến tính

Dự báo kết quả dựa trên các biến dự báo
bằng kỹ thuật bình phương cực tiểu
ŷ = a + bx
trong đó ŷ = giá trị của biến phụ thuộc (doanh số)

a = hệ số chặn
b = độ dốc của đường hồi quy
x = biến độc lập

NODEL’S SALES AREA PAYROLL NODEL’S SALES AREA PAYROLL
(IN $ MILLIONS), y (IN $ BILLIONS), x (IN $ MILLIONS), y (IN $ BILLIONS), x
2.0 1 2.0 2
3.0 3 2.0 1
2.5 4 3.5 7
4.0 –
Nodel’s sales
(in $ millions)
3.0 –
2.0 –
1.0 –
| | | | | | |
0 1 2 3 4 5 6 7
Area payroll (in $ billions)
Doanh số, y Tiền lương, x x2 xy
2.0 1 1 2.0
3.0 3 9 9.0
2.5 4 16 10.0
2.0 2 4 4.0
2.0 1 1 2.0
3.5 7 49 24.5
Σy = 15.0 Σx = 18 Σx2 = 80 Σxy = 51.5
∑ x 18 ∑ y 15
x= = =3 y= = = 2.5
6 6 6 6
∑ xy − nxy 51.5 − (6)(3)(2.5)
b= 2
= 2
= .25 2
a = y − bx = 2.5 − (.25)(3) = 1.75
∑ x − nx 80 − (6)(3 )
2.0 1 1 2.0
3.0 3 9 9.0
2.5 4 16 10.0
2.0 2 4 4.0
2.0 1 1 2.0
3.5 7 49 24.5
Σy = 15.0 Σx = 18 Σx2 = 80 Σxy = 51.5
∑ x 18 ∑ y 15
x= = =3 y= = = 2.5
6 6 6 6
∑ xy − nxy 51.5 − (6)(3)(2.5)
b= 2
= 2
= .25 2
a = y − bx = 2.5 − (.25)(3) = 1.75
∑ x − nx 80 − (6)(3 )
2.0 1 1 2.0
3.0 3 9 9.0
ŷ = 1.75 + .25x
2.5 4 16 10.0
2.0 2 Sales = 1.75
4 + .25(payroll)
4.0
2.0 1 1 2.0
3.5 7 49 24.5
Σy = 15.0 Σx = 18 Σx2 = 80 Σxy = 51.5
∑ x 18 ∑ y 15
x= = =3 y= = = 2.5
6 6 6 6
∑ xy − nxy 51.5 − (6)(3)(2.5)
b= 2
= 2
= .25 2
a = y − bx = 2.5 − (.25)(3) = 1.75
∑ x − nx 80 − (6)(3 )
SALES, y PAYROLL, x x2 xy
2.0 1 1 2.0
3.0 4.0 – 3 9 9.0
ŷ = 1.75 + .25x
2.5 4 16 10.0
Nodel’s sales
(in $ millions)
2.0 3.0 – 2 Sales = 1.75

4 + .25(payroll)
4.0
2.0 1 1 2.0
2.0 –
3.5 7 49 24.5
Σy = 15.0 Σx = 18 Σx2 = 80 Σxy = 51.5
1.0 –
∑ x 18 | | |∑ y | 15 | | |
x= 0= 1= 3 2 y =3 =4 =52.5 6 7
6 6 6 6
∑ xy − nxy 51.5 − (6)(3)(2.5)
b= 2
= 2
= .25 2
a = y − bx = 2.5 − (.25)(3) = 1.75
∑ x − nx 80 − (6)(3 )
Nếu lương năm tới ước tính là 6 tỷ đô la, thì:
doanh số (in $ millions) = 1.75 + .25(6)

= 1.75 + 1.5 = 3.25
doanh số = $3,250,000

If payroll next
4.0 year
– is estimated to be $6 billion,
then: 3.25
Nodel’s sales
(in $ millions)
3.0 –
2.0 –
Sales (in$ millions) = 1.75 + .25(6)
1.0 – = 1.75 + 1.5 = 3.25
| | | | | | |
0 1 2 3 4 5 6 7
Sales = $3,250,000

Sai số chuẩn của ước lượng
▶ Dự báo chỉ là một ước lượng điểm của giá
trị trong tương lai
4.0 –
Nodel’s sales 3.25

(in $ millions)
3.0 –
Đường Hồi quy
2.0 – ŷ = 1.75 + .25x
1.0 –
| | | | | | |
0 1 2 3 4 5 6 7
Figure 4.9 Area payroll (in $ billions)

2
∑ ( y − y c
)
S y,x =
n−2
Trong đó y = giá trị của mỗi điểm dữ liệu

yc = giá trị tính toán của biến phụ thuộc, từ
phương trình hồi quy
n = số lượng điểm dữ liệu

Về mặt tính toán, phương trình này khá

dễ sử dụng
∑ 𝑦 $ − 𝑎 ∑ 𝑦 − 𝑏 ∑ 𝑥𝑦
𝑆!,# =
𝑛−2
Chúng ta sử dụng sai số chuẩn để

thiết lập khoảng dự đoán xung quanh
ước lượng điểm
∑ 𝑦 $ − 𝑎 ∑ 𝑦 − 𝑏 ∑ 𝑥𝑦 39.5 − 1.75 15.0 − .25 51.5
𝑆!,# = =
𝑛−2 6−2
= .09375
= .306 𝑖𝑛 $ 𝑚𝑖𝑙𝑙𝑖𝑜𝑛𝑠
3.6 –
Nodel’s sales
3.5 – + .306
(in $ millions)
3.4 –
3.3 –
Sai số chuẩn của 3.2 –
ước lượng là 3.1
3.0
–
–
– .306
$306,000 doanh thu 2.9 –
5 6

Tương quan
▶ Mối quan hệ tuyến tính giữa các biến
mạnh đến mức nào?
▶ Tương quan không nhất thiết bao hàm
quan hệ nhân quả!
▶ Hệ số tương quan, r, đo lường mức
độ liên kết
▶ Giá trị từ −1 đến +1

Hệ số tương quan
Figure 4.10
y y
x x
(a) Tương quan âm (e) Tương quan
hoàn toàn, r = –1 y dương hoàn
y toàn, r = 1
y
x x
(b) Tương quan tiêu cực (d) Tương quan tích cực
x
(c) Không tương quan, r = 0
cao Trung bình thấp thấp Trung bình cao

| | | | | | | | |
–1.0 –0.8 –0.6 –0.4 –0.2 0 0.2 0.4 0.6 0.8 1.0
Giá trị hệ số tương quan

n" xy ! " x" y

r=
# &# 2 &2
2
%$n" x ! ( ) 2
" x ('%$n" y ! ( )
" y ('

y x x2 xy y2
2.0 1 1 2.0 4.0
3.0 3 9 9.0 9.0
2.5 4 16 10.0 6.25
2.0 2 4 4.0 4.0
2.0 1 1 2.0 4.0
3.5 7 49 24.5 12.25
Σy = 15.0 Σx = 18 Σx2 = 80 Σxy = 51.5 Σy2 = 39.5
n" xy ! " x" y

r=
# &# 2 & 2
2
%$n" x ! ( ) 2
" x ('%$n" y ! ( )
" y ('
y x x2 xy y2
2.0 1 1 2.0 4.0
3.0 3 9 9.0 9.0
2.5 4 16 10.0 6.25
2.0 2 4 4.0 4.0
2.0 1 1 2.0 4.0
3.5 7 49 24.5 12.25
Σy = 15.0 Σx = 18 Σx2 = 80 Σxy = 51.5 Σy2 = 39.5
(6)(51.5) – (18)(15.0)
r=
!(6)(80) – (18)2 #!(16)(39.5) – (15.0)2 #
" $" $
309 - 270 39 39
= = = = .901
(156)(12) 1,872 43.3

Tương quan
▶ Hệ số xác định, r2, đo lường phần
trăm thay đổi trong y được dự đoán
bằng thay đổi trong x
▶ Giá trị từ 0 đến 1
Ví dụ:
r = .901
r2 = .81
Phân tích hồi quy đa biến
Nếu có nhiều hơn một biến độc lập được sử
dụng trong mô hình, thì hồi quy tuyến tính có thể
được mở rộng thành hồi quy tuyến tính đa biến
để chứa một số biến độc lập
ŷ = a + b1x1 + b2 x2
Về mặt tính toán, điều này khá phức

tạp và thường được thực hiện trên
máy tính
Phân tích hồi quy đa biến
Trong ví dụ về Nodel, bao gồm cả lãi suất trong mô
hình sẽ có được phương trình mới:
ŷ = 1.80 + .30x1 − 5.0x2
Hệ số tương quan được cải thiện là r = .96 cho thấy

mô hình này dự đoán tốt hơn sự thay đổi trong doanh
số
Doanh số = 1.80 + .30(6) − 5.0(.12) = 3.00

Doanh số = $3,000,000

D Báo

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

D Báo

Uploaded by

Copyright:

Available Formats

Dự báo

Copyright © 2020 Pearson Education Ltd. All Rights Reserved. 4-1

Copyright © 2020 Pearson Education Ltd. All Rights Reserved. 4-2

Copyright © 2020 Pearson Education Ltd. All Rights Reserved. 4-4

Copyright © 2020 Pearson Education Ltd. All Rights Reserved. 4-6

▶ Giới thiệu và tăng trưởng đòi hỏi dự báo dài

Copyright © 2020 Pearson Education Ltd. All Rights Reserved. 4-7

Best period to Practical to change Poor time to Cost control

R&D engineering is Competitive costs

Life Cycle Curve Electric vehicles

design changes improvements and Optimum capacity the industry

Copyright © 2020 Pearson Education Ltd. All Rights Reserved. 4 - 10

Copyright © 2020 Pearson Education Ltd. All Rights Reserved. 4 - 12

Copyright © 2020 Pearson Education Ltd. All Rights Reserved. 4 - 13

▶ Được sử dụng khi tình huống mơ

▶ Được sử dụng khi tình hình "ổn định"

Copyright © 2020 Pearson Education Ltd. All Rights Reserved. 4 - 15

Copyright © 2020 Pearson Education Ltd. All Rights Reserved. 4 - 16

Copyright © 2020 Pearson Education Ltd. All Rights Reserved. 4 - 17

Copyright © 2020 Pearson Education Ltd. All Rights Reserved. 4 - 18

▶ Mỗi nhân viên bán hàng dự kiến

Copyright © 2020 Pearson Education Ltd. All Rights Reserved. 4 - 20

Copyright © 2020 Pearson Education Ltd. All Rights Reserved. 4 - 21

Copyright © 2020 Pearson Education Ltd. All Rights Reserved. 4 - 22

▶ Tập hợp dữ liệu số

Copyright © 2020 Pearson Education Ltd. All Rights Reserved. 4 - 23

Theo mùa Ngẫu nhiên

Copyright © 2020 Pearson Education Ltd. All Rights Reserved. 4 - 24

Nhu cầu thực

Nhu cầu trung

Copyright © 2020 Pearson Education Ltd. All Rights Reserved. 4 - 25

Copyright © 2020 Pearson Education Ltd. All Rights Reserved. 4 - 26

Copyright © 2020 Pearson Education Ltd. All Rights Reserved. 4 - 27

Copyright © 2020 Pearson Education Ltd. All Rights Reserved. 4 - 30

∑ Nhu cầu của n thời điểm trước đó

Copyright © 2020 Pearson Education Ltd. All Rights Reserved. 4 - 31

Copyright © 2020 Pearson Education Ltd. All Rights Reserved. 4 - 32

Copyright © 2020 Pearson Education Ltd. All Rights Reserved. 4 - 33

July 26 3 Last month

August 30 2 Two months ago

September 28 1 Three months ago

October 18 6 Sum of the weights

November Forecast for

Copyright © 2020 Pearson Education Ltd. All Rights Reserved. 4 - 34

Copyright © 2020 Pearson Education Ltd. All Rights Reserved. 4 - 35

Copyright © 2020 Pearson Education Ltd. All Rights Reserved. 4 - 36

10 – bình quân diễn

Copyright © 2020 Pearson Education Ltd. All Rights Reserved. 4 - 37

Copyright © 2020 Pearson Education Ltd. All Rights Reserved. 4 - 38

Trong đó Ft = dự báo mới

Copyright © 2020 Pearson Education Ltd. All Rights Reserved. 4 - 39

Nhu cầu được dự đoán = 142 Ford Mustangs

Copyright © 2020 Pearson Education Ltd. All Rights Reserved. 4 - 40

Nhu cầu được dự đoán = 142 Ford Mustangs

Dự báo mới = 142 + .2(153 – 142)

Copyright © 2020 Pearson Education Ltd. All Rights Reserved. 4 - 41

Nhu cầu được dự đoán = 142 Ford Mustangs

Dự báo mới = 142 + .2(153 – 142)

Copyright © 2020 Pearson Education Ltd. All Rights Reserved. 4 - 42

! Hằng số liên tiến .05 ≤ a ≤ .50

TRỌNG SỐ ĐƯỢC GÁN

a = .5 .5 .25 .125 .063 .031

Copyright © 2020 Pearson Education Ltd. All Rights Reserved. 4 - 43