งานนำเสนอกำลังจะดาวน์โหลด โปรดรอ

งานนำเสนอกำลังจะดาวน์โหลด โปรดรอ

Chapter 5 Forecasting in Logistics Management Aj-Kulachatr C. Na Ayudhya Naresuan University Payao Campus Semester 1/50.

งานนำเสนอที่คล้ายกัน


งานนำเสนอเรื่อง: "Chapter 5 Forecasting in Logistics Management Aj-Kulachatr C. Na Ayudhya Naresuan University Payao Campus Semester 1/50."— ใบสำเนางานนำเสนอ:

1 Chapter 5 Forecasting in Logistics Management Aj-Kulachatr C. Na Ayudhya Naresuan University Payao Campus Semester 1/50

2 ความหมายและความสำคัญของการพยากรณ์ การพยากรณ์ คือ การคาดการณ์เหตุการณ์ในอนาคต การพยากรณ์ทางธุรกิจโลจิสติกส์ เช่น ยอดขาย ปริมาณ การผลิต หรือสถานการณ์อุตสาหกรรมโดยทั่วไป โดย อาศัยการประมวลจากข้อมูลในอดีต ประสบการณ์ เหตุ ปัจจัยอื่นๆ ที่คาดคะเนขึ้น ความสำคัญ การพยากรณ์ทำให้สามารถผลิต ตระเตรียมสินค้าหรือ วัตถุดิบได้เพียงพอหรือสอดคล้องกับความต้องการใน อนาคตเพื่อการวางแผนในโซ่อุปทานต่อไปได้อย่าง แม่นยำ ทำให้สามารถจัดสรรทรัพยากรการผลิต (Inputs) ได้แก่ กำลังคน วัตถุดิบและการเงิน ได้อย่าง เหมาะสม

3 ประโยชน์ของการพยากรณ์ ค่าที่ได้จากการพยากรณ์สามารถนำไปใช้ในการวางแผนใน หลายๆ ฝ่ายของบริษัทได้แก่ –ฝ่ายการเงิน (Money) : เป็นข้อมูลพื้นฐานในการจัดทำ งบประมาณการขาย ซึ่งเป็นจุดเริ่มต้นของการจัดทำงบ การเงินเพื่อการจัดสรรทรัพยากรใกทุกส่วนขององค์การ อย่างทั่วถึง –ฝ่ายการตลาด (Man) : เพื่อใช้กำหนดโควต้าให้แก่พนักงาน ขายและถูกนำไปใช้สร้างเป้าหมายในการขายหรือการตลาด –ฝ่ายการผลิต (Machine & Material) : พิจารณา การบริหารสินค้าคงคลังและจัดการคำสั่งซื้อให้สอดคล้อง การบริหารกำลังคนในฝ่ายผลิตให้สอดคล้องกับค่าพยากรณ์ กำหนดกำลังการผลิต ด้วยการปรับระดับการผลิตของเครื่องจักรให้ เหมาะสม และจัดสรรวัตถุดิบให้สอดคล้องกับกับกำลังการผลิต เพื่อเลือกทำเลที่ตั้งการผลิตหรือศูนย์กระจายสินค้าให้สอดคล้องกับ ค่าการผลิตที่พยากรณ์ไว้ วางแผนผังกระบวนการผลิต ตารางการผลิตและกำหนดเวลาที่ต้อง ผลิตให้สอดคล้องกับค่าพยากรณ์

4 ประเภทของการพยากรณ์ พิจารณาตามระยะเวลาดำเนินการผลิต การพยากรณ์ระยะสั้น (Short time range Forecast) –ไม่เกิน 3 เดือน เหมาะกับสินค้ารายชนิด ใช้เพื่อการวางแผน จัดซื้อ จัดตารางการผลิต จัดการสต็อค มอบหมายงาน การพยากรณ์ระยะปานกลาง (Mid-range Forecast) –3 เดือน – 2 ปี เหมาะกับการพยากรณ์สินค้าทั้งกลุ่ม วาง แผนการขาย แผนกระจายสินค้า แผนการผลิตครึ่งปี – ทั้งปี และการจัดวางงบประมาณ การพยากรณ์ระยะยาว (Long-range Forecast) –2 ปีขึ้นไป มักใช้สำหรับการพยากรณ์รวมทั้งบริษัท เช่น การ ออกสินค้าใหม่ การวางแผนกลยุทธ์การผลิต หรือวางแผน ธุรกิจใหม่

5 Forecasting Technique Qualitative Forecasting (Judgment Method) –ไม่ได้ใช้ตัวเลขในการพยากรณ์มากนัก เหมาะกับการ พยากรณ์ระยะยาว ที่ต้องคาดการณ์สิ่งที่จะเกิดขึ้นในอนาคต มีที่สำคัญ 4 วิธี คือ Delphi Technique Marketing Research Jury of Executive Opinion Sales force Composite Quantitative Forecasting –เป็นการใช้ตัวเลขเชิงปริมาณในอดีตมาทำการพยากรณ์ความ ต้องการในอนาคต โดยมีข้อมูลจำนวนมากเพียงพอที่จะใช้ วิเคราะห์ทางสถิติ และเหมาะกับการพยากรณ์ระยะสั้น หรือ ระยะกลาง

6 Quantitative Forecasting Moving Average –Simple Moving Average –Weighted Moving Average Exponential Smoothing Trend Projection (Causal Method)

7 Moving Average Simple Moving Average คือการหาค่าเฉลี่ยของยอดผลิตในอดีตติดต่อกัน ตาม จำนวนคาบเวลาที่ผู้พยากรณ์ต้องการแล้วหารด้วย จำนวนคาบเวลา ผลลัพธ์ที่ได้ คือ ค่าพยากรณ์ของ คาบเวลาถัดไป ดังสมการ เมื่อ Y = ค่าเฉลี่ยที่เป็นค่า พยากรณ์ y = จำนวนยอดขาย t – i = ลำดับคาบเวลาที่ i ใดๆ ∑ = ผลรวม N = จำนวนคาบเวลาที่ต้องการ เคลื่อนที่

8 Simple Moving Average MonthSales 3 Period of MovingForecast Jan15 Feb16 Mar15 April14(Jan+Feb+Mar)/3 ;( )/3= May16 June17 July15 Aug15 Sept20

9 Moving Average Weighted Moving Average คือการหาค่าเฉลี่ยของยอดผลิตในอดีตติดต่อกัน โดย มีการให้ค่าน้ำหนักตามความสำคัญแก่ยอดขายที่ใกล้ ปัจจุบันที่สุดแล้วลดหลั่นไปตามอดีต โดยการถ่วง น้ำหนักของยอดขายในคาบเวลาแล้วหารด้วยผลรวม ของตัวเลขที่นำมาถ่วงน้ำหนัก ผลลัพธ์ที่ได้ คือ ค่า พยากรณ์ของคาบเวลาถัดไป ดังสมการ เมื่อ Y = ค่าเฉลี่ยที่เป็นค่า พยากรณ์ y = จำนวนยอดขาย t – i = ลำดับคาบเวลาที่ i ใดๆ ∑ = ผลรวม N = จำนวนคาบเวลาที่ต้องการ เคลื่อนที่ W = ค่าถ่วงน้ำหนัก

10 Weighted Moving Average MonthSales 3 Period of Moving Forecast Jan15 Feb16 Mar15 April14 (Janx1+Febx2+Marx3)/3+2+1 ;(15x1+16x2+15x3)/6= May16 (Febx1+Marx2+Aprx3)/3+2+1 ;(16x1+15x2+14x3)/ June17 July15 Aug15 Sept20

11 Exponential Smoothing คือการพยากรณ์ที่ให้ความสำคัญกับข้อมูลเก่าทุกค่า โดยให้ความสำคัญแก่ค่าที่ใกล้ปัจจุบันมากที่สุด ลดหลั่นลงไปตั้งแต่ค่าที่ 1 จนถึงค่าล่าสุด และถ่วง น้ำหนักข้อมูลโดยใช้สัมประสิทธิ์การปรับเรียบ (  ) ดัง สมการดังนี้ เมื่อ Y = ค่าพยากรณ์ y = จำนวนยอดขายจริงที่เกิดขึ้น t – i = ลำดับคาบเวลาที่ i ใดๆ  = ค่าคงที่ของการปรับเรียบ มีค่าตั้งแต่ 0.00 – 1.00 โดยมากใช้ 0.1 – 0.3

12 Exponential Smoothing MonthSales ตัวอย่างการคำนวณ Smoothing Forecasting  = 0.3  = 0.2  = 0.1 Jan15 ค่าพยากรณ์ตัวแรก = ค่าจริง ที่เกิดขึ้น Feb (15-15) Mar (16-15) April ( ) May ( ) June July Aug

13 Trend Analysis (Causal Method) วิธีการที่ใช้เมื่อข้อมูลมี ความสัมพันธ์กับตัวแปร หนึ่งกับยอดขาย โดยที่ตัว แปรนั้นอาจเป็นสาเหตุจาก ปัจจัยภายในองค์การ หรือ นอกองค์การก็ได้ ซึ่ง ความสัมพันธ์ดังกล่าวจะ เป็นสมการเส้นตรง (Linear Regression) โดย มีตัวแปรหนึ่งเป็นตัวแปร ตาม (Dependent Variable) กับอีกตัวแปร หนึ่งเป็นตัวแปรอิสระ (Independent Variable) ยอดขาย ค่า โฆษณ า Y=a + bX

14 Trend Analysis (Causal Method) เทคนิคทางสถิติแบบสหสัมพันธ์ถดถอย (Regression Analysis) จะปรับข้อมูลที่ไม่เป็นเส้นตรงหรือมีความ สะเปะสะปะให้เป็นเส้นตรงด้วยสมการดังต่อไปนี้ เมื่อ Y = ค่าพยากรณ์ y = จำนวนยอดขาย จริงที่เกิดขึ้น t = อันดับที่ของเวลา n = จำนวนชุดข้อมูล a = ค่าคงที่ของ Y ที่ t = 0 b = slope ของเส้นตรง

15 Trend Analysis Month Sales Y tt.yt2t2 Jan151 1 Feb Mar April May June ∑ (∑t) 2 = 441 N = 6 Y = t


ดาวน์โหลด ppt Chapter 5 Forecasting in Logistics Management Aj-Kulachatr C. Na Ayudhya Naresuan University Payao Campus Semester 1/50.

งานนำเสนอที่คล้ายกัน


Ads by Google