《需要予測の手法慶應義塾大学理工学部管理工学科NeedtomeasureoftechniqueKeioUniversityFacultyofscienceandtechnology.ppt》由会员分享，可在线阅读，更多相关《需要予測の手法慶應義塾大学理工学部管理工学科NeedtomeasureoftechniqueKeioUniversityFacultyofscienceandtechnology.ppt（63页珍藏版）》请在三一文库上搜索。
1、需要予測,需要予測,需要 予測 手法,需要,需要分類,需要意味 商品対需要、消費者商品購入思、実際購入意味。 需要例 衣食住行,需要特徴 需要相関性 第1次産業、第2次産業、第3次産業（分野） 最終製品生産人、物、金必要（系列） 気温上昇売（要因） 需要不確実性 個人需要変化 需要相関関係変化 注文生産確実需要 需要連続性 時系列分析（経線） 将来需要予測可能性,需要構造 顕在需要 購入計画決需要 取替需要 購入済需要 潜在需要 種条件満時顕在化需要 需要実現条件（金、） 需要 欲望条件潜在需要 創出需要 企業努力欲望条件満需要,需要分類（観点） 確実、安定需要 確実、変動需要 不確実、安定需
2、要 不確実、変動需要,例,自動車（組立）部品工場 毎月10万個供給 部品工場 4月6月、10月12月毎月1万個供給（例、）,例,月販売実績 1月、2月、3月、4月、5月 100、200、300、400、500 1月週販売実績 1週、2週、3週、4週 20、 30、 25、 25 2月週販売実績 1週、2週、3週、4週 40、 50、 80、 30,需要,需要,時間,需要,時間,予測,予測,競争優位 投資 製造 販売 需要不確実 機会損失発生 死蔵在庫発生 生産存在 生産準備必要 人物金,予測？,観察 予測戦略立 抽出 周期 相関関係利用 天気傘 誤差抑 ,例,月別見,年度別見,移動平均,誤差比
3、較同定,相関分析,対象選択 組織 産業 企業 店舗 商品 ,需要予測手順,手法選択 市場調査 （分析） 法 構築 時系列 回帰,需要予測販売予測 総需要 売予測売予測 顕在需要能力制限（販売量制限） 潜在需要売予測（販売量拡大）,正確性(Accuracy) 柔軟性(Bending) 納得性(Convincing) 持続性(Durability) 簡便性(Easiness),予測方法評価基準,構築,移動平均 指数平滑法 ARIMA BASS,移動平均法,実測値： 予測値：,原系列,移動平均,k= t - H/2,指数平滑法,指数平滑法考方 予測 需要不規則変動滑 需要傾向変化敏感 予測誤差小 予
4、測方法簡単 予測方法明確 予測誤差範囲明確,指数平滑法計算方法 移動平均法期待値予測。 指数平滑法期待値傾向加予測。 指数平滑法（期待値） 予測値（1）前期予測値現在値 指数平滑法一種加重移動平均法。,計算方法 y(t+1)=x(t)+(1-)y(t) y(t)=x(t-1)+(1-)y(t-1) y(t+1)=x(t)+(1-)x(t-1)+(1-)(1-)x(t-2)+ (1+(1-)+(1-)(1-)+)=1(等比数列） 0,指数平滑法分類,流（季節変動場合） 流 単純平滑法（傾向見場合） 2次平滑法 一定伸、製品 3次平滑法 同上,流指数平滑法,単純平滑法 2次平滑法 y(t+1)=x
5、(t)+ (1-) y(t) z(t+1)= y(t)+(1- )z(t) u=2y-z b(t+1)= (y(t+1)-y(t)+(1- )b(t) z(t+1)=y(t)+(1/)b(t+1),3次平滑法 y(t+1)=x(t)+ (1-) y(t) z(t+1)= y(t)+(1- )z(t) u(t+1)= z(t)+(1- )u(t) v=3y-3z+u,流平滑法,完全指数(Complete exponential model) 純真(Nave model) 単純予測(Simple forecasting model) 基本値 季節変動指数,基本値 z(t)=（x(t)/(t)+(1
6、-)(z(t-1)+(t-1) 期実績季節変動除去値、値1期前予測値定数平滑化値新第期基本値。, (t)=A(z(t)-z(t-1)+(1-A)(t-1) 基本値差定数平滑化値、新第期,季節変動指数 (L+t)=B(x(t)/z(t)+(1-B)(L+t-1) L季節変動周期（周期前計算値今期使用）,予測方法 v(t+T)=(z(t)+T(t)(t+T) （基本値）季節変動指数,原系列 708 428 326 256 228 300 524 676 998 1250 1346 896 846 442 394 328 306 380 604 760 1248 1614 1726 1058 754
7、 398 360 268 222 316 460 760 1090 1476 1572 1142,例題,ARIMA,自己回帰（AR） z(t)=(1) z(t-1)+a(t) (1) ：自己回帰 a(t)：（） z(t)=y(t)-、平均値偏差（y(t):原系列） AR(1) z(t)=(1) z(t-1)+ (2) z(t-2) +a(t) AR(2),自己回帰演算子,Z(t-1),a(t),Z(t),AR性質 自己共分散自己相関 (p)= Cov (z(t),z(t-p)=E(z(t)z(t-p) (1)= E(1)z(t-1)+a(t)z(t-1)） =(1)(0)+E(z(t-1)E(
8、a(t) = (1)(0) (p)=(1) (0) (p)=(p)/(0)= (1),p,p,記憶関数 z(t)=(1) z(t-1)+a(t) z(t)=a(t)+(1) a(t-1)+ (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)=Var(z(t-1)+0+(依存，異時点一定) 記憶性：,2,移動平均(MA) z(t)=(1) z(t-1)+a(t) z(t)=(1) z(t-1)+a(t)-(1)a(t-1) (1)=0， z(t)=a(t)-(1)a(t-1) (1):移動平均 MA(1),移動平均演算子,a(t
9、-1),a(t),Z(t),自己回帰移動平均,ARMA(1,1) z(t)-(1)z(t-1)=e(t) e(t)=a(t)-(1)a(t-1) z(t)-(1)z(t-1) =a(t)-(1)a(t-1) ARMA(1,1) ARMA(p,q),非定常, z(t)=z(t-1)+a(t) 連続株価変化本質的独立 記憶関数 z(t)=a(t)+a(t-1)+a(t-2)+ 過去同強影響,例,株価動,自己回帰和分移動平均,ARIMA 階差非定常系列定常系列 w(t)=z(t)-z(t-1) w(t)= (1)w(t-1)+a(t)-(1)a(t-1) ARIMA(1,1,1) 一般的、ARIMA
10、(p,d,q) 和分：z(t)=w(t)+w(t-1)+w(t-2),原系列 708 428 326 256 228 300 524 676 998 1250 1346 896 846 442 394 328 306 380 604 760 1248 1614 1726 1058 754 398 360 268 222 316 460 760 1090 1476 1572 1142,成長曲線,潜在市場規模m,革新係数p,模倣係数q 購入済人：y(t) p(t):t時点購入確率 p(t)=p+qy(t)/m x(t):t時点購入者数 x(t)=p(t)未購入者数 =p(t)(m-y(t) x(t)=p(m-y(t)+qy(t)(m-y(t)/m 革新者 模倣者,p=0.008,q=0.08,m=27000,200,90,p=0.09,q=0.08,m=27000,260,2000,需要変動分析,傾向分析 周期分析 相関分析,傾向分析,