8.2 Forecasting BasicsForecasting t

8.2 Forecasting Basics

Forecasting techniques are generally classified into two main types: qualitative and quantitative. Qualitative (subjective) techniques are naturally used in the absence of historical data (e.g., for new machines or products), and they are based on personal or expert judgment. On the other hand, quantitative (objective) techniques are used with existing numerical data (e.g., for old machines and products), and they are based on mathematical and statistical methods.
Qualitative forecasting techniques include historical analogy, sales force composites, customer surveys, executive opinions, and the Delphi method. Quantitative techniques are classified into two types: (1) growth or time-series models that use only past values of the variable being predicted, and (2) causal or predictor-variable models that use data of other (predictor) variables.
Nahmias (2005) makes the following observations about forecasts: (1) forecasts are usually not exact, (2) a forecast range is better than a single number, (3) aggregate forecasts are more accurate than single-item forecasts, (4) accuracy of forecasts is higher with shorter time horizons, and (5) forecasts should not ignore known and relevant information. To choose a forecasting technique, the main criteria include: (1) objective of the forecast, (2) time horizon for the forecast, and
(3) data availability for the given technique. In order to develop a quantitative forecasting model, the steps below should be followed:

1. Define the variable to be predicted, and identify possible cause-effect relationships and associated predictor variables;
2. Collect and validate available data for errors and outliers;
3. Plot the data over time, and look for major patterns including stationarity, trends, and seasonality;
4. Propose several forecasting models, and determine the parameters and forecasts of each model;
5. Use error analysis to test and validate the models and select the best one; and
6. Refine the selected model and try to improve its performance.

Maintenance Forecasting and Capacity Planning 159


Quantitative forecasting techniques are classified into time-series and causal models. They aim to identify, from past values, the main patterns that will continue in the future. The most frequent patterns, illustrated in Figure 8.1, include the following:

1. Stationary: level or constant demand;
2. Growth or trend: long-term pattern of growth or decline;
3. Seasonality: cyclic pattern repeating itself at fixed intervals; and
4. Economic cycles: similar to seasonality, but length and magnitude of cycle may vary.

Kết quả (Việt) 1:

8.2 dự báo khái niệm cơ bảnDự báo kỹ thuật thường được phân loại thành hai loại chính: tính và định lượng. Chất lượng (chủ quan) kỹ thuật tự nhiên được sử dụng trong trường hợp không có dữ liệu lịch sử (ví dụ, cho máy mới hoặc sản phẩm), và họ được dựa trên bản án cá nhân hoặc chuyên gia. Mặt khác, định lượng kỹ thuật (mục tiêu) được sử dụng với dữ liệu số (ví dụ, cho máy cũ và sản phẩm), và họ được dựa trên phương pháp toán học và thống kê.Chất lượng dự báo kỹ thuật bao gồm lịch sử tương tự, lực lượng bán hàng vật liệu tổng hợp, cuộc điều tra khách hàng, giám đốc điều hành quan niệm và phương pháp Delphi. Kỹ thuật định lượng được phân loại thành hai loại: (1) tăng trưởng hoặc chuỗi thời gian mô hình sử dụng chỉ qua các giá trị của biến được dự đoán, và (2) causal hoặc dự báo biến mô hình dữ liệu đó sử dụng các biến (dự báo).Nahmias (2005) làm cho các quan sát sau đây về dự báo: (1) dự báo thường không chính xác, (2) một loạt các dự báo là tốt hơn so với một số duy nhất, (3) tổng hợp dự báo là chính xác hơn so với đĩa đơn-mục dự báo, (4) tính chính xác của dự báo là cao hơn với thời gian ngắn hơn chân trời, và (5) dự báo không nên bỏ qua thông tin được biết đến và có liên quan. Để chọn một kỹ thuật dự báo, các tiêu chí chính bao gồm: (1) mục tiêu bản, chân trời (2) thời gian cho thời, và(3) dữ liệu sẵn có cho các kỹ thuật nhất định. Để phát triển một mô hình dự báo định lượng, các bước dưới đây nên được theo sau:1. xác định các biến để được dự đoán, và xác định các mối quan hệ có thể có hiệu lực nguyên nhân và kết hợp dự báo biến;2. thu thập và xác nhận các dữ liệu sẵn có cho lỗi và outliers;3. nội dung dữ liệu theo thời gian, và tìm kiếm các mô hình bao gồm stationarity, xu hướng, và theo mùa;4. đề xuất một số mô hình dự báo, và xác định các thông số và dự báo của mỗi mô hình;5. sử dụng phân tích lỗi để kiểm tra và xác nhận các mô hình và chọn một trong tốt nhất; và6. tinh chỉnh các mô hình được lựa chọn và cố gắng để cải thiện hiệu suất của nó. Bảo trì dự báo và năng lực lập kế hoạch 159Định lượng kỹ thuật dự báo được phân loại thành mô hình chuỗi thời gian và quan hệ nhân quả. Họ nhằm mục đích để xác định, từ giá trị trong quá khứ, các mô hình chính mà sẽ tiếp tục trong tương lai. Các mô hình thường xuyên nhất, minh họa trong hình 8.1, bao gồm:1. văn phòng phẩm: nhu cầu cấp hoặc liên tục;2. phát triển hoặc xu hướng: các mô hình dài hạn của tăng trưởng hoặc từ chối;3. theo mùa: cyclic mẫu lặp đi lặp lại chính nó cố định khoảng thời gian nhất; và4. kinh tế chu kỳ: tương tự như theo mùa, nhưng chiều dài và độ lớn của chu kỳ có thể khác nhau.

Kết quả (Việt) 2:

8.2 Dự báo vấn đề cơ bản kỹ thuật dự báo thường được phân loại thành hai loại chính: định tính và định lượng. Tính (chủ quan) kỹ thuật được tự nhiên được sử dụng trong trường hợp không có dữ liệu lịch sử (ví dụ, các máy mới hoặc sản phẩm), và họ đang dựa vào phán đoán cá nhân hoặc chuyên gia. Mặt khác, (mục tiêu) kỹ thuật định lượng được sử dụng với các dữ liệu số hiện tại (ví dụ, dùng cho máy cũ và các sản phẩm), và họ được dựa trên các phương pháp toán học và thống kê. Kỹ thuật dự báo định tính bao gồm tương tự lịch sử, lực lượng bán hàng tổng hợp, điều tra khách hàng, ý kiến của giám đốc điều hành, và các phương pháp Delphi. Kỹ thuật định lượng được phân thành hai loại:. (1) tăng trưởng hoặc chuỗi thời gian các mô hình mà chỉ sử dụng qua các giá trị của biến được dự đoán, và (2) các mô hình nhân quả hoặc dự báo biến có sử dụng dữ liệu (dự báo) biến khác Nahmias ( 2005) làm cho các quan sát sau về dự báo: (1) dự báo thường không chính xác, (2) một loạt dự báo là tốt hơn so với một số duy nhất, (3) dự báo tổng hợp chính xác hơn dự báo đơn hàng, (4) tính chính xác của dự báo là cao hơn với chân trời thời gian ngắn hơn, và (5) dự báo không nên bỏ qua và được biết thông tin có liên quan. Để chọn một kỹ thuật dự báo, các chỉ tiêu chủ yếu bao gồm: (1) Mục tiêu của dự báo, (2) giới hạn thời gian cho các dự báo, và (3) dữ liệu sẵn có cho các kỹ thuật nhất định. Để phát triển một mô hình dự báo định lượng, các bước dưới đây sẽ được theo sau: 1. Xác định các biến được dự đoán, và xác định mối quan hệ nhân quả có thể và biến dự báo liên quan; 2. Thu thập và xác nhận dữ liệu có sẵn cho các lỗi và sự chênh lệch; 3. Biểu diễn các dữ liệu theo thời gian, và tìm kiếm các mô hình chính bao gồm cả tính dừng, xu hướng và thời vụ; 4. Đề xuất một số mô hình dự báo và xác định các thông số và dự báo của từng mô hình; 5. Sử dụng phân tích lỗi để kiểm tra và xác nhận các mô hình và lựa chọn tốt nhất; và 6. Tinh chỉnh các mô hình được lựa chọn và cố gắng để cải thiện hiệu suất của nó. Bảo trì dự báo và năng lực lập kế hoạch 159 kỹ thuật dự báo định lượng được phân thành chuỗi thời gian và nhân quả mô hình. Mục tiêu của họ để xác định, từ các giá trị quá khứ, các mô hình chính sẽ tiếp tục trong tương lai. Các mô hình thường xuyên nhất, được minh họa trong hình 8.1, bao gồm những điều sau đây: 1. Văn phòng phẩm: cấp hoặc nhu cầu liên tục; 2. Tăng trưởng hay xu hướng: mô hình dài hạn của tăng trưởng hoặc suy giảm; 3. Tính mùa vụ: mô hình chu kỳ lặp đi lặp lại trong khoảng thời gian cố định; và 4. Chu kỳ kinh tế: tương tự như tính thời vụ, nhưng chiều dài và độ lớn của chu kỳ có thể thay đổi.