Môn: Thực hành quản trị trên máy 1 BÀI 4 I. TỔNG QUAN •Dự báo luôn có sự sai lệch •Dự báo càng tổng quát thì càng chính xác •Thời kỳ càng dài, độ chính xác càng thấp Que sera sera ……… Người 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 tu ần 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 c ống hiến của mình, ông được mời làm thành viên của Hàn Lâm Hoàng Gia Anh.” Nguồn Tr Tr ầ ầ n Tr n Tr í í D D ũ ũ ng ng http://www.saga.vn/Kinhtehockinhdoanh/Mohinhtoan/983.saga Phân loại Định tính • Kinh nghiệm •Phương pháp Delphi •Cố vấn •Khảo sát khách hàng •…… Định lượng • Mô hình chuỗi thời gian Y t =f(Y t-1 , Y t-2 ,…, Y t-n ) • Mô hình nhân quả Y=f(X 1 , X 2 , …, X n ) Môn: Thực hành quản trị trên máy 2 Phương pháp Delphi Phương pháp dự báo định tính theo đóý 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. Dự báo theo chuỗi thời gian (Time Series Models) •Dựa vào các giá trị khảo sát trước đó •Ý tưởng: phát hiện “dạng thức” •Dự báo nhu cầu ngắn hạn •Phổ biến, dễ làm Ngẫu nhiên Tuyến tính Phi tuyến Đặc trưng chuỗi tuần tự theo thời gian  Xu hướng dài hạn (Trend component)  Thành phần chu kỳ (Cyclical component)  Thành phần mùa (Seasonal component)  Thành phần bất thường (Irregular component) Vấn đề F t –Dự báo kỳ thứ t D i –Giátrị khảo sát ở kỳ i < t a i –Mức độ ảnh hưởng của kỳ i  Xác định a i ??     1 ntnt DaF Môn: Thực hành quản trị trên máy 3 Dự báo theo mô hình nhân quả (Causal Models) Dùng nguyên nhân (biến độc lập) để dự báo kết quả (biến phụ thuộc) Công cụ: Hồi quy (Regression Analysis) •Y = a 0 + a 1 X 1 + a 2 X 2 + … a n X n •Xác định a i  phương pháp bình phương tối thiểu II. Một số mô hình dự báo Moving Averages Exponential Smoothing Regression Analysis 1. Ví dụ Dự báo nhu cầu bánh trung thu 5 7 9 11 13 15 17 19 21 23 25 012345678910 kỳ ngàn tấn 200811 140  22200710 1920069 1720058 1620047 1320036 1220025 1020014 1120003 1019992 1019981 DiNămKỳ 2 0 1 1 2 0 1 1 ? ? ? Phương pháp đơn giản Ft = D t–1 5 7 9 11 13 15 17 19 21 23 25 01234567891011 kỳ ngàn tấn Di Fi 140 22 19 17 16 13 12 10 11 10 10 Di 2211  1910 179 168 137 126 105 114 103 102 NA1 FiKỳ 2 0 1 1 2 0 1 1 ? ? “Vẫn như cũ”  ? Môn: Thực hành quản trị trên máy 4 Phương pháp trung bình Ft = D 5 7 9 11 13 15 17 19 21 23 25 01234567891011 kỳ ngàn tấn Di Fi 140 22 19 17 16 13 12 10 11 10 10 Di 1411  1410 149 148 147 146 145 144 143 142 141 FiKỳ 2 0 1 1 2 0 1 1 ? ? “Vẫn y nguyên”  ? 2. Trung bình di động – Moving Average a. Ví dụ: cửa sổ trượt w = 2 5 7 9 11 13 15 17 19 21 23 25 01234567891011 kỳ ngàn tấn Di Fi 140 22 19 17 16 13 12 10 11 10 10 Di 20,511  1810 16,59 14,58 12,57 116 10,55 10,54 103 NA2 NA1 FiKỳ 2 0 1 1 2 0 1 1 ? ? “Bán bà con xa, mua láng giềng gần” ? b. Cách tính Trung bình đơn giản của w kỳ gần nhất • w càng lớn  càng ổn định • w càng nhỏ  càng linh hoạt 12 1 1 wN tt tw ttw n DD D FD ww          c. Công cụ Moving Average 1. Chuẩn bị vùng Input Range 2. Ra lịnh Tools  Data Analysis  Moving Average 3. Khai báo a. Input Range b. Interval c. Output options 4. Nhấn OK Ví dụ (Excel 2003) ⓐ ⓑ ⓒ Môn: Thực hành quản trị trên máy 5 3. San bằng mũ – Exponential Smoothing a. Ví dụ: hệ số điều chỉnh a = 0,7 5 7 9 11 13 15 17 19 21 23 25 01234567891011 kỳ ngàn tấn Di Fi 3,78 2,61 2,04 3,46 1,54 1,79 –0,7 1 0 NA Di– Fi 140 22 19 17 16 13 12 10 11 10 10 Di 20,87 11  18,2210 16,399 14,968 12,547 11,466 10,215 10,704 10,003 10,002 NA1 FiKỳ 2 0 1 1 2 0 1 1 ? ? “Sai thì sửa” F t = F t–1 + a(D t–1 –F t–1 ) ? 3. San bằng mũ – Exponential Smoothing a. Ví dụ: hệ số điều chỉnh a = 0,7 5 7 9 11 13 15 17 19 21 23 25 01234567891011 kỳ ngàn tấn Di Fi 3,78 2,61 2,04 3,46 1,54 1,79 –0,7 1 0 NA Di– Fi 140 22 19 17 16 13 12 10 11 10 10 Di 20,87 11  18,2210 16,399 14,968 12,547 11,466 10,215 10,704 10,003 10,002 NA1 FiKỳ 2 0 1 1 2 0 1 1 ? ? “Sai thì sửa” F t = F t–1 + a(D t–1 –F t–1 ) b. Cách tính •Dự báo = trung bình có trọng số của giá trị dự báo và nhu cầu thực tế kỳ cuối • a càng nhỏ  càng ổn định • a càng lớn  càng linh hoạt F t = F t–1 + a(D t–1 –F t–1 ) = F t–1 + a.D t–1 –a.F t–1 = a.D t–1 + F t–1 –a.F t–1 = a. D t–1 + (1 – a) F t–1 Lưu ý Lưu ý : Ký hi : Ký hi ệ ệ u dampFactor u dampFactor = 1 1 – – a a c. Công cụ Exponential Smoothing 1. Chuẩn bị Input Range 2. Ra lịnh Tools  Data Analysis  Exponential Smoothing ⓐ ⓑ 3. Khai báo a. Input Range và Damping factor (mặc định là 0.3) b. Output options 4. Nhấn OK Ví dụ (Excel 2003) Môn: Thực hành quản trị trên máy 6 Moving Average vs. Exponential Smoothing Giống nhau • Quá trình ổn định • 1 thông số (a hoặc N) MA: N kỳ cuối MA: N số liệu gần nhất ES: Kỳ cuối cùng ES: Dữ liệu kỳ cuối cùng 4. Hồi quy đơn tuyến tính a. Ví dụ y = 1.32x + 6.67 R 2 = 0.89 5 7 9 11 13 15 17 19 21 23 25 01234567891011 kỳ ngàn tấn 140 22 19 17 16 13 12 10 11 10 10 Di 21,2 11  19,910 18,69 17,28 15,97 14,66 13,35 12,04 10,63 9,32 8,01 FiKỳ 2 0 1 1 2 0 1 1 ? ? Mối quan hệ hàm số Y = f(x) = a.x + b ? b. Các khái niệm liên quan Mô hình nhân quả – Quan hệ Tương quan  “Ở hiền gặp lành” Nguyên nhân Kết quả Vấn đề: “có quan hệ” Câu trên có đúng không? Và nếu đúng thì đúng bao nhiêu phần? Hồi Qui (Regression) – Tương Quan (Correlation) Phân tích hồi quy là kỹ thuật dự báo dùng để thiết lập mối quan hệ giữa các lượng biến. Y=f(X 1 , X 2 , …, X n ) Nếu n = 1  hồi quy đơn biến; n > 1  đa biến Nếu f có dạng đường thẳng  hồi quy tuyến tính Nếu f không có dạng thẳng  phi tuyến bi bi ế ế n đ n đ ộ ộ c l c l ậ ậ p p bi bi ế ế n ph n ph ụ ụ thu thu ộ ộ c c Môn: Thực hành quản trị trên máy 7 Hệ số tương quan (coefficient of correlation) Dùng đánh giá mức độ tương quan giữa 2 đại lương X và Y Chặt chẽ> 0.9 Rất cao 0.81  0.90 Cao 0.61  0.80 Trung bình 0.41  0.60 Vừa phải 0.31  0.40 Yếu 0.21  0.30 Rời rạc 0.16  0.20 Không có quan hệ< 0.15 Mức độ quan hệ| r xy | r r xy xy > > 0 0 tương quan tương quan thu thu ậ ậ n n r r xy xy < < 0 0 tương quan tương quan ngh ngh ị ị ch ch b. Cách tính Hồi quy đơn tuyến tính Y t = ax t + b b ≅ Hệ số / tung độ gốc (Intercept)   22 22 xx yxyx xnx yxnyx a         xbyb  a ≅ Hệ số gốc / độ dốc (Slope)  xu hướng yx II ii YX XY yxxy YY n XX n YYXX n YX r             22 )( 1 )( 1 )()( 1 ),cov( ˆ r xy ≅ Hệ số tương quan (coefficient of correlation) c. Công cụ ① ① H H à à m m ③ ③ Công c Công c ụ ụ Regression Regression ② ② Đ Đ ồ ồ th th ị ị (Add Trendline) (Add Trendline) a . T R E N D ( k n o w n _ y ' s , k n o w n _ x ' s , n e w _ x ’ s ) b . I N T E R C E P T ( k n o w n _ y ' s , k n o w n _ x ' s ) c . S L O P E ( k n o w n _ y ' s , k n o w n _ x ' s ) d . C O R R E L ( a r r a y 1 , a r r a y 2 ) Xác định phương trình hồi quy bằng hàm TREND(known_y's,known_x's,new_x’s) INTERCEPT(known_y's,known_x's) SLOPE(known_y's,known_x's) CORREL(array1,array2) Ví d ụ ( Excel 2003 ) 22 19 17 16 13 12 10 11 10 10 Di 11 10 9 8 7 6 5 4 3 2 1 Kỳ known_y’s known_x’s new_x’s Môn: Thực hành quản trị trên máy 8 Đồ thị (Add Trendline) 1. Tạo đồ thị 2. Chọn data series 3. Click Add Trendline trên Chart menu 4. Chọn dạng linear trong trang Type 5. Nhấn OK Tùy chọn hiển thị phương trình hồi quy Tùy chọn hiển thị hệ số R 2 Trend line  Area,Bar, Column, Line, XY scatte r Area,Bar, Column, Line, XY scatter Ví dụ (Excel 2003) Công cụ Regression 1. Ra lịnh Tools, Data Analysis, Regression 2. Khai báo – Input Y Range: biến độc lập – Input X Range: biến độc lập – Output options 5. Nhấn OK Ví dụ (Excel 2003) Bài tập So sánh ưu nhược điểm của 3 phương pháp dự báo 1. Trung bình di động 2. San bằng mũ 3. Hồi quy đơn tuyến tính III. Lựa chọn mô hình dự báo Môn: Thực hành quản trị trên máy 9 1. Đo lường sai số dự báo • Mean Square Deviation •Bias • Mean Absolute Deviation Ghi chú: Hàm SUMXMY2(array_x,array_y) tính  (x – y) 2 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  3. Tính thời vụ (Seasonal Patterns) Thời vụ là thời gian lặp lại Ví dụ: Tuần là 1 thời vụ có 7 giai đoạn, năm là thời vụ có 4 giai đoạn Ý tưởng cơ bản: – Gán trọng số c n cho mỗi kỳ hạn (N kỳ) – Σc n = 1 – Điều chỉnh kết quả dự báo bằng trọng số c n Môn: Thực hành quản trị trên máy 10 Nhu cầu và chu kỳ sản phẩm (Product Life Cycles) Dự báo nhu cầu phụ thuộc vào chu kỳ sản phẩm Quyết định dựa theo PLC Product Development • Development Effort • Market Entry • Product Specs Analysis • delphi / expert • Comparisons •QFD Product Introduction • facility size • supply chain design Analysis • market tests • consumer survey • life cycle analysis Quyết định dựa theo PLC Growth • capacity expansion statistical tech • production planning promotions Analysis • Causal Models • Simulation Steady State • production planning • inventory models Analysis • time series • causal models The End . 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 tu ần về số người chết OK Ví dụ (Excel 2003) Môn: Thực hành quản trị trên máy 6 Moving Average vs. Exponential Smoothing Giống nhau • Quá trình ổn định • 1 thông số (a hoặc N) MA: N kỳ cuối MA: N số liệu gần nhất ES: Kỳ. đ ộ ộ c l c l ậ ậ p p bi bi ế ế n ph n ph ụ ụ thu thu ộ ộ c c Môn: Thực hành quản trị trên máy 7 Hệ số tương quan (coefficient of correlation) Dùng đánh giá mức độ tương quan giữa 2 đại lương X và