Có thể nói dự báo là một yếu tố quan trọng trong hoạt động kinh doanh và các quyết định quan trọng. Trong tài chính và kế toán, dự báo là nền tảng của việc lập ngân sách và quản lý chi phí. Các bộ phận tiếp thị dựa vào dự báo bán hàng để lập kế hoạch sản phẩm mới, thưởng doanh số và các quyết định quan trọng khác. Sản xuất chuỗi cung ứng dựa vào dự báo để đưa ra các quyết định hàng ngày như lựa chọn quy trình, lập kế hoạch năng lực, lập bản đồ thiết bị và các quyết định liên tục về lập kế hoạch sản xuất, lập kế hoạch và lập kế hoạch tồn kho.
Phải khẳng định rằng không thể có một dự báo hoàn hảo vì có quá nhiều yếu tố trong môi trường kinh doanh không thể dự đoán một cách chắc chắn. Vì vậy, chúng ta chỉ có thể cố gắng tìm ra phương pháp dự đoán hợp lý và tối ưu nhất.
1. Loại Dự báo
Có 4 loại dự báo cơ bản: phân tích định tính, phân tích chuỗi thời gian, phân tích nhân quả và phương pháp mô phỏng. ).
1.1. Phân tích Định tính
Phân tích định tính chủ quan dựa trên ý kiến và nhận xét. Nó bao gồm các dự báo sau:
Dự báo cấp cơ sở: Dự báo này được xây dựng bằng cách tích lũy dần dần (từ dưới lên) bắt đầu từ gốc. Ví dụ: dự báo tổng hợp về doanh số có thể được thực hiện bằng cách tổng hợp dữ liệu cho từng nhân viên bán hàng gần khách hàng nhất và hiểu rõ nhất về nhu cầu sử dụng trong tương lai của khách hàng. khách hàng.
Nghiên cứu Thị trường: Thu thập dữ liệu theo nhiều cách khác nhau, chẳng hạn như khảo sát, phỏng vấn … để đánh giá các giả thuyết về thị trường. Nó chủ yếu được sử dụng để dự báo dài hạn hoặc sản phẩm mới, chẳng hạn như tìm kiếm ý tưởng sản phẩm mới, tìm hiểu khách hàng thích hoặc không thích sản phẩm hiện tại, sản phẩm cạnh tranh, nhóm khách hàng thích … Thông thường các công ty thuê các nhà tiếp thị chuyên nghiệp Các công ty khảo sát thực hiện điều này sự dự đoán.
Thỏa ước tập thể: Rõ ràng, hai cái đầu phải hơn một cái, vì vậy một nhóm gồm nhiều người ở các vị trí khác nhau mới có thể dự đoán chính xác. Tốt hơn một nhóm nhỏ. Nó thường được tổ chức dưới hình thức một cuộc họp công khai, nơi các nhà quản lý ở tất cả các cấp trao đổi ý kiến một cách tự do với các cá nhân. Những người tham gia có thể là quản lý cấp cao, nhân viên bán hàng hoặc khách hàng. Nhược điểm của phương pháp mở này là cấp dưới đôi khi bị quản lý cấp trên lấn át. Ví dụ: một nhân viên bán hàng phụ trách một dự án cụ thể có thể có dự báo đúng về nhu cầu trong tương lai, nhưng lại quá phiến diện về dự báo rất sai lầm của Phó chủ tịch Tiếp thị.
Tương tự lịch sử: Dự đoán các sản phẩm dựa trên các mặt hàng tương tự có chung đặc điểm. Thông thường đây là những sản phẩm bổ sung, sản phẩm thay thế hoặc sản phẩm cạnh tranh. Một ví dụ rất đơn giản, giống như ở phương Tây, máy nướng bánh mì và máy pha cà phê là những món ăn sáng phổ biến. Nếu một công ty sản xuất lò nướng muốn tạo ra nhiều bình cà phê hơn, công ty đó có thể sử dụng số liệu lò nướng làm mô hình để dự đoán bình đựng cà phê.
Phương pháp delphi: Được phát triển bởi RAND Corporation vào những năm 1950, nó bao gồm các bước sau: chọn một nhóm các chuyên gia xuất sắc từ các lĩnh vực khác nhau, tạo ra một vấn đề và phân phối nó cho từng cá nhân, dự đoán kết quả được tổng hợp và tiếp tục gửi câu hỏi mới cho các thành viên. Thông thường phương pháp này có kết quả nhất quán sau ba hiệp. Cách tiếp cận này loại bỏ những hạn chế của phương pháp thỏa hiệp tập thể (đồng thuận nhóm).
1.2. Phân tích chuỗi thời gian
Phương pháp này dự đoán tương lai dựa trên dữ liệu trong quá khứ. Ví dụ: dữ liệu bán hàng trong sáu tháng qua có thể được sử dụng để dự báo doanh số bán hàng cho thứ Bảy tới. Phương pháp phân tích chuỗi thời gian này được sử dụng cho hầu hết các dự báo. Nó bao gồm các phương pháp sau:
1.2.1. Đường trung bình trượt đơn giản:
Phương pháp này dự đoán dữ liệu trong tương lai bằng cách lấy trung bình một chuỗi số. Ví dụ: doanh số bán hàng trong tháng Bảy có thể được dự báo bằng cách lấy trung bình tháng Giêng, tháng Hai, tháng Ba, tháng Tư, tháng Năm và tháng Sáu. Phương pháp này hoạt động tốt khi nhu cầu về sản phẩm không tăng hoặc giảm quá nhanh và không thay đổi theo mùa. Nhược điểm của cách tiếp cận này là nếu có một xu hướng trong chuỗi dữ liệu, cho dù xu hướng tăng hay giảm, kết quả sẽ khác nhiều so với thực tế. Ngoài ra, nếu bạn chọn khoảng thời gian ngắn hơn, kết quả sẽ gần với thực tế hơn là nếu bạn chọn chuỗi dữ liệu dài hơn.
Công thức tính toán:
1.2.2. Trung bình trượt có trọng số:
Để loại bỏ sai lệch trong các dự báo trung bình động đơn giản, phương pháp trung bình động có trọng số được xem xét. Không giống như các phương pháp trên, khi tất cả các dữ liệu có cùng trọng số, thì phương pháp bình quân lũy tiến có trọng số chỉ định một trọng số tương ứng cho mỗi dữ liệu, tất nhiên, tổng trọng số là 1. Cách tính trọng số chính xác nhất là thử và sai hoặc có thể là theo kinh nghiệm, nhưng một nguyên tắc chung là dữ liệu mới hơn sẽ có trọng số cao hơn dữ liệu cũ. Nhưng nếu dữ liệu theo mùa, chẳng hạn như các sản phẩm đồ bơi được tiêu thụ với số lượng lớn vào mùa hè, thì trọng số của dữ liệu mùa hè sẽ cao hơn mùa đông.
Công thức tính toán:
1.2.3. Làm mịn theo cấp số nhân: Đây là phương pháp dự báo dựa trên dữ liệu gần nhất cộng với phần trăm chênh lệch giữa dự báo và con số thực tế tại thời điểm dự báo. Nó là phương pháp được sử dụng phổ biến nhất trong tất cả các phương pháp dự báo. Nó là một phần không thể thiếu của chương trình dự báo trên máy tính được sử dụng rộng rãi trong việc quản lý đơn hàng cho các công ty bán lẻ, bán buôn và dịch vụ. Có 3 loại:
Làm trơn theo cấp số nhân đơn giản: Phương pháp này phù hợp với một chuỗi dữ liệu ổn định, không thay đổi nhiều, không có xu hướng và không có tính thời vụ.
Công thức:
Hằng số liên tục (alpha) thể hiện phản ứng đối với sự khác biệt giữa dự đoán và thực tế. Hằng số này được quyết định bởi chính sản phẩm và nhận thức của các nhà quản lý. Ví dụ, một nhà sản xuất sản phẩm có nhu cầu tương đối ổn định sẽ có tỷ lệ đáp ứng nhỏ do sự khác biệt giữa dự báo và thực tế. Tỷ lệ phần trăm này sẽ tăng lên nếu nhu cầu tăng nhanh. Giá trị của hằng số này nằm trong khoảng từ 0 đến 1. Để tìm số alpha chính xác nhất, bạn phải sử dụng thử và sai, alpha sẽ là giá trị làm cho độ lệch tuyệt đối trung bình (điên rồ) nhỏ. phần lớn.
mad được tính bằng giá trị trung bình của độ lệch của dự đoán so với thực tế, được coi là giá trị tuyệt đối.
Công thức điên rồ:
Làm trơn theo cấp số nhân kép, Làm mịn theo cấp số nhân được điều chỉnh theo xu hướng, Làm mịn theo cấp số nhân): Phương pháp này phù hợp với chuỗi dữ liệu không thuộc tính, xu hướng. Mùa.
Công thức tính toán:
Khi có một xu hướng, nó có thể là xu hướng tăng hoặc xu hướng giảm, kết quả dự đoán theo phương pháp tiệm cận hàm mũ đơn giản luôn khác xa thực tế và có thể thấp hơn hoặc cao hơn. Phương pháp lũy thừa kép giải quyết vấn đề này bằng cách sử dụng hai hằng số. Hằng số alpha được hiển thị ở trên. beta không đổi sẽ làm giảm ảnh hưởng của sai số giữa thực tế và dự báo do xu hướng tăng và giảm.
Hai hằng số này nằm trong khoảng từ 0 đến 1. Một lần nữa, để tính toán alpha và beta chính xác nhất, hãy sử dụng thử và sai. Các số alpha và beta sẽ là những số cho độ lệch phần trăm tuyệt đối trung bình (điên) và sai số phần trăm tuyệt đối trung bình – mape) là nhỏ nhất.
Cách tính mape như sau:
Làm mịn theo cấp số nhân được điều chỉnh theo mùa, Làm mịn theo cấp số nhân vào mùa đông: Một số sản phẩm được tiêu thụ theo mùa, chẳng hạn như đồ bơi được đề cập ở trên. Vì vậy khi dự báo tính chỉ số thời vụ thì kết quả sẽ chính xác.
Công thức:
1.2.4. Phân tích hồi quy: Hồi quy được định nghĩa là một mối quan hệ hàm giữa hai hoặc nhiều biến có liên quan.
Phân tích hồi quy tuyến tính: Phương pháp này giả định rằng tất cả dữ liệu lịch sử và dự báo nằm xung quanh một đường thẳng. p>
Phân tích hồi quy bình phương nhỏ nhất: Tương tự như phương pháp trên, nhưng nó cố gắng tạo đường cong hồi quy trên dữ liệu để giảm thiểu tổng giá trị trung bình và giá trị trung bình. Điểm tương ứng trên đường hồi quy.
1.2.5. phương pháp box jenkins (công nghệ box jenkins): Đây là một phương pháp dự báo rất phức tạp, nhưng dường như cho đến nay vẫn là kỹ thuật dự báo thống kê chính xác nhất. Nó liên kết một loạt các phương pháp thống kê với dữ liệu để chọn ra phương pháp tốt nhất cho một chuỗi thời gian.
1.2.6. Phương pháp shiskin (chuỗi thời gian shiskin): Được phát triển bởi julius shiskin, nó là một phương pháp hiệu quả để phân tích chuỗi thời gian với những thay đổi theo mùa, xu hướng hoặc dị thường. Nó yêu cầu ít nhất 3 năm dữ liệu và có khả năng xác định tốt các bước ngoặt, chẳng hạn như trong bán hàng.
1.2.7. Dự báo xu hướng: Phương pháp này gắn một đường xu hướng toán học vào các điểm dữ liệu và dự báo tương lai.
1.3 Phân tích mối quan hệ nhân quả
Nhân quả xảy ra khi một sự kiện có thể gây ra hiện tượng khác. Nếu sự kiện được biết trước tương đối rõ ràng, nó có thể được sử dụng để dự đoán thực tế. Ví dụ: doanh số bán hàng có thể bị ảnh hưởng bởi quảng cáo, chất lượng sản phẩm hoặc đối thủ cạnh tranh. Hoặc chúng ta có thể dự đoán rằng doanh số bán ô và áo mưa sẽ tăng nếu mùa mưa kéo dài.
1.3.1. Phân tích hồi quy: Tương tự như hồi quy bình phương nhỏ nhất, nhưng có thể có nhiều biến.
1.3.2. Mô hình kinh tế lượng: Cố gắng mô tả các ngành kinh tế nhất định thông qua một loạt các phương trình tương hỗ.
1.3.3. Mô hình Đầu vào / Đầu ra: Tập trung vào doanh số bán hàng của từng ngành so với các công ty và chính phủ. Ví dụ, những thay đổi trong doanh số bán hàng trong một ngành công nghiệp chế biến có thể được dự đoán bằng những thay đổi trong việc mua hàng trong một ngành công nghiệp khác.
1.3.4. Các chỉ số hàng đầu: Thống kê di chuyển theo cùng một hướng, nhưng trước khi chuỗi dữ liệu dự báo có thể được sử dụng làm hướng dẫn, ví dụ: giá xăng tăng cho thấy doanh số bán xe hơi giảm nhiều hơn.
1.4. Mô hình mô phỏng
Cách tiếp cận chủ yếu dựa trên máy tính này cho phép người dự đoán đưa ra các giả định về các biến bên trong và môi trường bên ngoài. Ví dụ: dựa trên biến phương pháp dự báo, người dự báo có thể hỏi câu hỏi sau: Điều gì sẽ xảy ra với dự báo của tôi nếu giá tăng 10%? Cuộc khủng hoảng nhẹ trong nước ảnh hưởng đến dự báo của tôi như thế nào? …
2. Một số ví dụ cơ bản
2.1. Đường trung bình động đơn giản:
Biểu đồ dưới đây cho thấy số lượng khách hàng đến chi nhánh Ngân hàng Quốc gia Hoa Kỳ tại một thành phố. Hãy dự báo lượng khách hàng trong tuần này.
Số lượng khách hàng ghé thăm trong tuần này:
Thứ hai: (2400 + 2300 + 2400 + 2200) / 4 = 9300/4 = 2325
Thứ ba: (2200 + 2200 + 2100 + 2000) / 4 = 8500/4 = 2125
Thứ tư: (2500 + 2300 + 2400 + 2300) / 4 = 9500/4 = 2375
Thứ 5: (2000 + 1800 + 1900 + 1800) / 4 = 7500/4 = 1875
Thứ sáu: (2000 + 2100 + 1800 + 1900) / 4 = 7800/4 = 1950
Thứ Bảy: (2900 + 3000 + 2700 + 2800) / 4 = 11400/4 = 2850
☞Lưu ý: Chúng ta có thể sử dụng hàm trung bình trong excel để tính toán.
2.2. Phương pháp trung bình động có trọng số:
Với ví dụ trên, hãy sử dụng trọng số của 4 tuần là 0,4, 0,3, 0,2 và 0,1 để tính số lượng khách truy cập trong tuần.
2.3. Làm trơn đơn giản theo cấp số nhân:
Hình ảnh dưới đây cho thấy mất 3 tháng để mở một tài khoản tiền mặt tại Ngân hàng Quốc gia Lake Erie:
Giả sử dự báo tháng 1 được tính toán là 706, hãy sử dụng alpha = 0,2 để tính dự báo tháng 4 bằng phương pháp liên tục hàm mũ đơn giản.
Dự báo tháng 2: 706 + 0,2 (721-706) = 709
Tháng 3: 709 + 0,2 (816-709) = 730
Tháng 4: 730 + 0,2 (671-730) = 718
Do đó, 718 tài khoản tiền mặt mới dự kiến sẽ mở vào tháng 4.
Trong ví dụ này, alpha là 0,2. Ví dụ sau đây cho thấy cách tìm alpha tốt nhất bằng cách thử và sai.
2.4. Làm mịn theo cấp số nhân kép:
Biểu đồ bên dưới cho thấy doanh số bán hàng trong 10 tháng của một công ty. Sử dụng phương pháp liên tục theo cấp số nhân để dự báo doanh số bán hàng cho tháng thứ 11.
Chúng tôi sử dụng 4 tháng đầu tiên để tính toán dự báo cho tháng 4 (tháng được sử dụng làm mốc).
Độ lệch trung bình từ tháng 1 đến tháng 4: (728-700) / 3 = 9,33
Dự báo doanh số tháng 4: 728 + 9,33 = 737,3
Lấy alpha = 0,4 và beta = 0,3, chúng ta có bảng sau:
Do đó, giá trị dự đoán cho tháng 11 là 783,58 ( alpha = 0,4, beta = 0,3).
Xác định hai hằng số alpha, beta: tìm bằng cách thử và sai; alpha, beta sẽ là giá trị giảm thiểu độ lệch phần trăm tuyệt đối trung bình (điên) và bản đồ phần trăm lỗi tuyệt đối trung bình.
Chúng tôi sử dụng excel để tạo các công thức dự báo, điên rồ và mape như sau:
☞Lưu ý: Một số công thức tham khảo trong excel:
d15 = o14
f15 = $ b $ 2 * (b15-d15)
h15 = d15 + f15
j15 = n14
l15 = $ b $ 3 * (d15-d14-j15)
n15 = j15 + l15
o15 = h15 + n15
p15 = if (b15-o15> 0, b15-o15, o15-b15)
q15 = sum ($ p $ 8: p15) / count ($ p $ 8: p15)
r15 = p15 / b15
s15 = 100 / count ($ r $ 8: r15) * sum ($ r $ 8: r15)
Thay thế các giá trị alpha, beta từ 0,1 thành 1, chúng tôi nhận được hai bảng sau:
Chúng tôi thấy rằng đối với alpha = 1 và beta = 0,7, chúng tôi có mape nhỏ nhất và điên. Dự báo tương ứng cho tháng 11 là 782.
2.5. Làm mịn theo cấp số nhân được điều chỉnh theo mùa:
Dữ liệu dưới đây được ghi lại trong 2 tuần đầu tiên, với nhu cầu tăng đột biến định kỳ vào ngày thứ 4 của tuần. Sử dụng tính năng làm mịn cấp số nhân được điều chỉnh theo mùa để dự báo nhu cầu cho Thứ Hai này, alpha = 0,3 và beta = 0,2. p>
Tính chỉ số theo mùa cho tuần đầu tiên:
Vì vậy, nhu cầu vào Thứ Hai tuần này sẽ là 23 (đây là dự báo cho alpha = 0,3 và beta = 0,2, cần có dự báo chính xác). Sau đó, sử dụng thử và sai để tìm alpha và beta và tính toán các giá trị dự đoán tương ứng.
2.6. Hồi quy tuyến tính:
Doanh thu của một công ty trong 3 năm và 12 quý qua như sau:
Sử dụng hồi quy tuyến tính để dự báo doanh số bán hàng cho 4 quý của năm.
Đầu tiên, chúng tôi hiển thị dữ liệu trên các trục như sau:
Sau đó, chúng tôi vẽ một đường ước lượng sao cho đường thẳng nằm giữa hai điểm, như thể hiện trong hình ảnh bên dưới:
Chúng tôi kéo dài đường để cắt trục tung và chúng tôi nhận được 400 điểm (ước tính). Đây là hằng số a (mức đánh chặn). Tương tự như vậy, chúng tôi lấy điểm tương ứng của phần tư đầu tiên trên dòng và chúng tôi nhận được 750. Trong quý 12, nó là 4950. Vì vậy, chúng ta sẽ có một hằng số b (độ dốc):
b = (4950 + 750) / (12-1) = 382
Vì vậy, chúng tôi nhận được phương trình: y = 400 + 382x
Doanh thu trong 4 quý của năm nay sẽ là:
Q13: 400 + 382 * 13 = 5366
Câu hỏi 14: 400 + 382 * 14 = 5748
Q15: 400 + 382 * 15 = 6130
16 quý: 400 + 382 * 16 = 6512
2.7. Hồi quy bình phương nhỏ nhất:
Dựa trên ví dụ trên, hãy sử dụng hồi quy bình phương nhỏ nhất để tính doanh số bán hàng cho 4 quý của năm nay.
Chúng tôi có bảng sau:
Chúng ta có phương trình sau: y = 441,7 + 359,6x
Doanh thu trong 4 quý của năm nay sẽ là:
Q13: y = 441,7 + 359,6 * 13 = 5116,4
Q14: y = 441,7 + 359,6 * 14 = 5476,0
Q15: y = 441,7 + 359,6 * 15 = 5835,6
Q16: y = 441,7 + 359,6 * 16 = 6195,2
☞Lưu ý :
Để tính toán hệ số a (mức đánh chặn), chúng ta có thể sử dụng hàm đánh chặn trong excel. Để tính toán hệ số b (độ dốc), chúng ta sử dụng hàm độ dốc. Để tính toán dự báo với hồi quy bình phương nhỏ nhất, chúng ta có thể sử dụng các hàm xu hướng hoặc dòng hoặc dự báo trong excel như sau:
Cách nhanh chóng để làm điều đó trong excel:
Sử dụng excel để vẽ hình sau:
Nhấp chuột phải vào biểu đồ, sử dụng lệnh Thêm đường xu hướng, chọn Tuyến tính và chọn Hiển thị phương trình trên đồ thị trong Tùy chọn. Chúng tôi nhận được đồ thị và phương trình như sau:
Vì vậy, đơn giản, chúng tôi nhận được phương trình: y = 359,62x + 441,67.
2.8. Phương pháp dự báo xu hướng:
Phương pháp này được thực hiện bằng cách thêm một biểu đồ vào dữ liệu hiện có để dự đoán tương lai. Lấy ví dụ trên, trong excel cũng vậy, khi chọn thêm đường xu hướng, chúng ta có thể chọn tuyến tính (đoạn thẳng), hàm mũ (liên tục), logarit (logarit), …
3. Chọn một phương pháp dự báo
Có nhiều phương pháp dự báo, làm thế nào để tìm ra phương pháp dự báo tốt nhất. Để chọn một phương pháp dự báo thích hợp:
- Vẽ đồ thị dữ liệu có sẵn trên hai trục bằng biểu đồ đơn giản
- Tìm hiểu về các thuộc tính của nó: tính ổn định? Thay đổi quá nhiều? Xu hướng tăng / giảm? theo mùa?
- Xác định phương pháp thích hợp nhất dựa trên bản chất của chuỗi dữ liệu.
Có các nguyên tắc sau:
a.) Hình ảnh 1:
b.) Hình 2:
c.) Hình 3:
d.) Hình 4:
e.) Hình 5:
15.09.2003
Tài liệu tham khảo:
- Quản lý hoạt động vì lợi thế cạnh tranh; Chase, Aquilano và Jacobs; mcgraw-hill irwin, xuất bản lần thứ 9, 2001.
- Quản lý Hoạt động Toàn cầu cho Thiên niên kỷ Mới, tài liệu phát tay, david majd, 2001.
- Phân tích nghiệp vụ trong Excel, carlberg; dang xuan huong-nguyen tien-nguyen van hoai dich, NXBGD, 1996.
