Chap2.Kỹ Thuật Dự Báo

Bộ môn Quản lý sản xuất và điều hành\Khoa Quản lý Công nghiệp\Đại học Bách khoa Tp. HCM.
Chương 2
KỸ THUẬT DỰ BÁO
GV: Đường Võ Hùng\Quản lý sản xuất cho kỹ sư\Chương 2: Kỹ thuật dự báo 1/31
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)
2/31
1. Giới thiệu
Quy trình dự báo:

1.Xác định đối tượng
2.Thu thập dữ liệu quá khứ
3.Xác định hình dạng/ quy luật của dữ liệu
4. Chọn mô hình dự báo phù hợp
5. Thực hiện dự báo cho 1 thời đoạn
6.Kiểm tra độ chính xác của số liệu dự báo
7.Quyết định chọn mô hình hiện tại hay mô hình khác.
8. Dự báo cho cả thời đoạn mong muốn.
9.Điều chỉnh số liệu dự báo dựa vào các thông tin định tính.
10.Kiểm soát các KQ và sai số.
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
- Các dạng thức của dữ liệu quá khứ theo thời gian
+ Đường xu hướng (trend)
+ Chu kỳ (Cycle)
+Tính mùa vụ (Seasonal pattern)
+ Có xu hướng kèm tính mùa vụ (Trend with
seasonal pattern)
9/31
- 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.
10/31
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.
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
GĐ Dự báo
Tiếp thị
GĐ Dự báo
Sản xuất Quá trình DỰ
Dữ liệu
tổng hợp BÁO
GĐ Dự báo
Tài chính
GĐ Dự báo
Thiết kế
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.
n
(Sai số trong thời đoạn thứ i)

i=1
Độ lệch =
n
n
(Giá trị thực – Giá trị dự báo)i

i=1
Độ lệch =
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 (Mean Squared
Error) n
i=1
(Sai số trong thời đoạn thứ i)2
MSE =
n
+ Sai số chuẩn SE:
SE = MSE
19/31
Độ lệch tuyệt đối trung bình MAD (Mean Absolute

Deviation):
n
|Sai số trong thời đoạn thứ i|

i=1
MAD =
n
20/31
(1) (2) (3) (4) (5) (6)

Năm Doanh Doanh thu Độ lệch Sai số Trị tuyệt đối
thu thật dự báo [(2)-(3)] bình phương của sai số
1 27000 23000 4000 16000000 4000

2 35000 25000 10000 100000000 10000
3 29000 31000 −2000 4000000 2000
4 33000 30000 3000 9000000 3000
5 37000 32000 5000 25000000 5000
6 41000 34000 7000 49000000 7000
7 35000 38000 −3000 9000000 3000
Tổng 24000 212000000 34000

21/31
5. 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.
22/31

Tuần Số ca nhập viện
1 22 Bảng sau cho thấy số
2 21 người nhập viện ở
3 25 Trung tâm Cấp cứu Sài
4 27 Gòn hàng tuần. Người
5 35 quản lý muốn ước
6 29 lượng số ca nhập viện
7 33 cho tuần tới.
8 37
9 41
+ Số ca nhập viện trung
10 37
bình: 30,7
Tổng 307
23/31

Tuần Số ca nhập viện n=2 Độ lệch tuyệt đối
1 22 Ví dụ: xét trung
2 21 bình dịch chuyển
3 25 (*) 21.50 3.50 với n = 2 tuần.
4 27 23.00 4.00
(*) giá trị dự báo
5 35 26.00 9.00
tuần 3:
6 29 31.00 2.00
(22+21)/2=21.50
7 33 32.00 1.00
8 37 31.00 6.00 MAD2 = 4,188
9 41 35.00 6.00
10 37 39.00 2.00
11 ??? 39.00 MAD = 4.188
24/31

Tuần Số ca nhập viện n=3 Độ lệch tuyệt đối
1 22 Ví dụ: xét trung bình
2 21 dịch chuyển với n =
3 25 3 tuần.
4 27 (*) 22.67 4.33
(*) giá trị dự báo
5 35 24.33 10.67
tuần 4:
6 29 29.00 0.00
(22+21+25)/3=22.67
7 33 30.33 2.67
8 37 32.33 4.67 MAD3 = 4,334
9 41 33.00 8.00
10 37 37.00 0.00
11 ??? 38.33 MAD = 4.334
25/31

45
40
35
30
25
Số ca nhập viện
n=2
20
n=3
15
10
0
1 2 3 4 5 6 7 8 9 10 11
26/31

Ưu & nhược điểm của PP này???
27/31
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)
28/31
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
29/31
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.
30/31

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.
31/31

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
32/31

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.
33/31

4. Hồi quy tuyến tính (Linear Trend Line)
y = a + bx
a: giá trị tại thời điểm ban đầu
b: hệ số góc của đường thẳng
x: thời gian
y: giá trị cần dự báo tại thời điểm x
b= a= y - bx
n: số thời đoạn
34/31

x Y xy x2
1 37
2 40 y = 35.2 + 1.72x
3 41
4 37
Y (13) = 35.2 + 1.72 (13) = 57.56
5 45
6 50
7 43
8 47
9 56
10 52
11 55
12 54
35/31
13 ???

3. Hệ số hiệu chỉnh cho tính mùa vụ (Seasonal
Adjustments)
Di
Si = n
D i=1
Nhu cầu (đơn vị 1000 sp)

Năm Q1 Q2 Q3 Q4 Tổng
1999 12.6 8.6 6.3 17.5 45
2000 14.1 10.3 7.5 18.2 50.1
2001 15.3 10.6 8.1 19.6 53.6
Tổng 42 29.5 21.9 55.3 148.7
Dự báo nhu cầu cho năm 2002?

36/31

Chap2.Kỹ Thuật Dự Báo

Uploaded by

Document Information

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

Chap2.Kỹ Thuật Dự Báo

Uploaded by

Copyright:

Available Formats

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

+ Kỹ thuật Dự báo: “đoán” các sự kiện trong tương

+ DỰ BÁO → Số liệu quá khứ của đại lượng cần

+ HỒI QUI → Nếu đại lượng cần “đoán” liên quan

→ Hồi Qui Bội (Multiple Regression)

Quy trình dự báo:

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

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

➔ Kiểm soát sai số bởi vì dự báo thì thường không

2. Đặc trưng của Dự báo

Các PP định lượng: có thể nhóm lại thành hai loại:

2. 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

2. Đặc trưng của Dự báo

- Thời đoạn dự báo → tổng quát:

2. Đặc trưng của Dự báo

2. Đặc trưng của Dự báo

2. Đặc trưng của Dự báo

- Chi phí dự báo:

3. Kỹ thuật Dự báo định tính (chủ quan)

Nếu số liệu quá khứ có sẵn, tin tưởng được và thích

3. Kỹ thuật Dự báo định tính (chủ quan)

PP “Quan điểm của người quản lý”:

3. Kỹ thuật Dự báo định tính (chủ quan)

PP “Quan điểm của người quản lý”:

3. Kỹ thuật Dự báo định tính (chủ quan)

PP “Quan điểm của người quản lý”:

3. Kỹ thuật Dự báo định tính (chủ quan)

3. 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

Cảm nhận sản phẩm nào sẽ bán được hoặc không,

3. Kỹ thuật Dự báo định tính (chủ quan)

PP “Tổng hợp từ lực lượng bán hàng”:

4. Đo lường sai số Dự báo

(Sai số trong thời đoạn thứ i)

(Giá trị thực – Giá trị dự báo)i

4. Đo lường sai số Dự báo

+ Sai số chuẩn SE:

4. Đo lường sai số Dự báo

Độ lệch tuyệt đối trung bình MAD (Mean Absolute

|Sai số trong thời đoạn thứ i|

4. Đo lường sai số Dự báo

(1) (2) (3) (4) (5) (6)

1 27000 23000 4000 16000000 4000

Tổng 24000 212000000 34000

5. Kỹ thuật Dự báo định lượng

1. Trung bình di động (moving average)

5. Kỹ thuật Dự báo định lượng

1. Trung bình di động (moving average)

5. Kỹ thuật Dự báo định lượng

1. Trung bình di động (moving average)

5. Kỹ thuật Dự báo định lượng

1. Trung bình di động (moving average)

5. Kỹ thuật Dự báo định lượng

1. Trung bình di động (moving average)

5. Kỹ thuật Dự báo định lượng

1. Trung bình di động (moving average)

5. Kỹ thuật Dự báo định lượng

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

5. Kỹ thuật Dự báo định lượng