Bài giảng Thực hành quản trị trên máy - Bài 4: Dự báo

1THỰC HÀNH QUẢN TRỊ TRÊN MÁYDỰ BÁOBài 4:24.1. Tổng quan4.1.1. Khái niệm và đặc trưng cơ bản của dự báoDự báo luôn có sự sai lệchDự báo càng tổng quát thì càng chính xácThời kỳ càng dài, độ chính xác càng thấpQue sera sera 3Người đầu tiên dùng số liệu thống kê để dự báo?“Lo lắng về nạn bệnh dịch, Henry VII đã hạ lệnh phải ghi chép số người chết kể từ năm 1532. Cũng vào thời gian đó, tại Pháp, giới tăng lữ cũng buộc phải ghi chép về số lễ rửa tội, số đám tang và số lễ kết hôn. Trong thời kỳ bị dịch bệnh hoành hành vào cuối thế kỷ 16, chính phủ Anh bắt đầu phát hành số liệu thống kê hàng tuần về số người chết. Đến năm 1632, Bills of Mortality cung cấp số chết và số sinh theo giới đã ra đời. Năm 1662, Captain John Graunt sử dụng số liệu 30 năm của Bills of Mortality để dự báo số người sẽ chết bởi bệnh dịch, và dự báo tỉ lệ sinh đối với nam và nữ. Graunt được coi là người tiên phong trong việc sử dụng số liệu thống kê để làm dự báo. Với cống hiến của mình, ông được mời làm thành viên của Hàn Lâm Hoàng Gia Anh.”Nguồn Trần Trí Dũng Định tínhKinh nghiệmPhương pháp DelphiCố vấnKhảo sát khách hàng Định lượngMô hình chuỗi thời gian Yt =f(Yt-1, Yt-2,, Yt-n)Mô hình nhân quả Y=f(X1, X2, , Xn)4.1.2. Phân loại các mô hình dự báo5Phương pháp DelphiPhương pháp dự báo định tính theo đó ý kiến của các chuyên gia được kết hợp trong một loạt số lần lặp lại. Kết quả của mỗi lần lặp lại được sử dụng cho lần lặp tiếp theo để thu thập được ý kiến chung của các chuyên gia. 6Dự báo theo chuỗi thời gian (Time Series Models)Dựa vào các giá trị khảo sát trước đóÝ tưởng: phát hiện “dạng thức”Dự báo nhu cầu ngắn hạnPhổ biến, dễ làmNgẫu nhiênTuyến tínhPhi tuyến7Đặc trưng chuỗi tuần tự theo thời gianXu hướng dài hạn (Trend component)Thành phần chu kỳ (Cyclical component)Thành phần mùa (Seasonal component)Thành phần bất thường (Irregular component)8Vấn đềFt – Dự báo kỳ thứ tDi – Giá trị khảo sát ở kỳ i 1  hồi quy đa biếnNếu f có dạng đường thẳng  hồi quy tuyến tínhNếu f không có dạng thẳng  hồi quy phi tuyếnHồi quy đơn tuyến tính:Phân tích hồi quy là kỹ thuật dự báo dùng để thiết lập mối quan hệ giữa các lượng biếnbiến độc lậpbiến phụ thuộc Các khái niệmy = f(x) = a.x + b22 “Chuồn chuồn bay thấp thì mưa Bay cao thì nắng, bay vừa thì râm”Vấn đề: “có quan hệ”?Nguyên nhânKết quả Câu trên có đúng không? và nếu đúng thì đúng bao nhiêu phần trăm?23Hệ số tương quan (coefficient of correlation) Hệ số tương quan (ký hiệu rxy) cho biết mức độ tương quan giữa 2 đại lượng x và y. Dấu của hệ số tương quan cho biết mối quan hệ giữa 2 đại lượng x, y là tương quan thuận hay nghịch:rxy > 0 tương quan thuậnrxy < 0 tương quan nghịch 241. Số hộ nghèo và tình trạng bỏ học.  Tương quan thuận.2. Trình độ dân trí và tệ nạn xã hội.  Tương quan nghịch.Xác định tính chất các mối quan hệ sau tương quan thuận hay nghịch?25|rxy|Mức độ tương quan< 0.1Không đáng kể0.1 – 0.3Nhỏ0.3 – 0.5Trung bình0.5 – 0.7Lớn0.7 – 0.9Rất lớn0.9 – 1Gần như hoàn toànBảng tham chiếu HopkinsHệ số tương quan nhận giá trị -1 ≤ rxy ≤ +1Mức độ tương quan được đánh giá căn cứ trị tuyệt đối của rxy theo bảng sau:26Mức độ tương quanHệ số rxyTồn tại mối quan hệy = f(x)=ax+bHồi quyđơn tuyến tính27b) Cách tínhb ≅ Tung độ góc (Intercept)a ≅ Hệ số góc / độ dốc (Slope)  xu hướngrxy ≅ Hệ số tương quan (coefficient of correlation)Tham khảo sách Quản trị sản xuất28c) Công cụ Excel HàmCông cụ Regression Đồ thị TREND(known_y's,known_x's,new_x’s)SLOPE(known_y's,known_x's)INTERCEPT(known_y's,known_x's)CORREL(array1,array2)291 Xác định phương trình hồi quy bằng hàmTREND(known_y's,known_x's,new_x’s)SLOPE(known_y's,known_x's)INTERCEPT(known_y's,known_x's)CORREL(array1,array2) KỳDi110210311410512613716817919102211known_y’sknown_x’snew_x’sy = a.x + brxyaSLOPE(known_y's,known_x's)TREND(known_y's,known_x's,new_x’s)INTERCEPT(known_y's,known_x's)bCORREL(array1,array2)rxy30 Ví dụ: Dự báo nhu cầu bánh trung thu năm 2015312 Đồ thịB1Tạo đồ thị dạng Scatter32B2Click phải vào data series, chọn Add Trendline2 Đồ thị33B3Tuỳ chọn hiển thị trong Trendline Options2 Đồ thịChọn kiểu đường thẳngTùy chọn hiển thị phương trình hồi quyTùy chọn hiển thị hệ số R2B4Nhấn Close để kết thúc2 Đồ thị35 Ví dụ: Dự báo nhu cầu bánh trung thu năm 2015361. Ra lệnh Data, Data Analysis, Regression, OK2. Khai báoInput Y Range: biến phụ thuộcInput X Range: biến độc lậpOutput options5. Nhấn OK3 Công cụ Regression37Bài tậpSo sánh ưu nhược điểm của 3 phương pháp dự báoTrung bình di độngSan bằng mũHồi quy đơn tuyến tính384.3.1. Đo lường sai số dự báoMean Square DeviationBiasMean Absolute Deviation4.3. Lựa chọn mô hình dự báo 394.3.2. Quan hệ nhân quả ???Số liệu thống kê giữa các thành phố cho thấy có quan hệ giữa số lượng cảnh sát với số lượng tội phạm. Ta có thể kết luận: Cảnh sát nhiều thì tội phạm nhiều  để giảm tội phạm cần giảm 404.2.3. Tính thời vụ (Seasonal Patterns)Thời vụ là thời gian lặp lạiVí dụ: Tuần là 1 thời vụ có 7 giai đoạn, năm là thời vụ có 4 giai đoạn41Ý tưởng cơ bản: Gán trọng số cn cho mỗi kỳ hạn (N kỳ)Σcn = 1Điều chỉnh kết quả dự báo bằng trọng số cn424.3.4. Nhu cầu và chu kỳ sản phẩm (Product Life Cycles)Dự báo nhu cầu phụ thuộc vào chu kỳ sản phẩm43Quyết định dựa theo PLCProduct DevelopmentDevelopment EffortMarket EntryProduct SpecsAnalysisdelphi / expertComparisonsQFDProduct Introductionfacility sizesupply chain designAnalysismarket testsconsumer surveylife cycle analysis44Quyết định dựa theo PLCGrowth capacity expansion statistical techproduction planning promotionsAnalysisCausal ModelsSimulationSteady State production planning inventory modelsAnalysis time series causal models