采购管理经验：定量预测方法
作者: 来源: 文字大小:[大][中][小]
定量预测方法依据历史上的数据来预测未来事件。几种定量预测方法如下：
随机建模该定性预测类型依据历史数据来确定关键变量之间的因果关系。随机建模试图指出何种市场条件和组织活动影响了产品或者服务的需求因素。因果关系的范例是如果经济在增长的话，失业率有可能降低。尽管该关系看起来很明显，有可能不存在一对一的关系。随机建模有助于指出变量之间的关系和强度，以便可以用合理的方式预测需求。
相关性／回归分析是一种随机建模，其利用历史模型来描述两种变量之间的关系。该相关性系数指出该关系是积极的（即两种变量朝着相同的方向变化），还是消极的（即一种变量随着另一种变量的降低而增加）。随着回归方程式的利用，一个人可以预测一种变量（独立变量，其在这种情况下是经济增长率）的变化如何影响另一种因变量（失业率）的变化。可以利用许多的计算机程序来帮助确定模型，例如社会科学统计程序包( Statistical Package for the Social Sciences, SPSS)。时间序列分析该定量方法模拟了数据如何随着时间的推移而变化，而且它寻找数据之间的关系和模式。对于商业而言对成本、价格、库存、利率和就业的时间序列分析是十分重要的，这是因为能够利用时间序列来提取可能与时间有关系的模式的信息。时间序列分析可以分解数据来分离元素，而各元素可以遵循自己的模式。时间序列的要素包括长期趋势、季节性变动、周期性变动以及随机误差。为了利用时间序列数据来准确预测，必须了解该模型形成的原因。例如，所观察到的数据波动是季节性波动指标（例如雪橇摩托销售量）、长期普通业务或者经济变动还是长期趋势（例如需求量不断降低的结果）的指标呢？或者该波动是随机抽样的结果，还是一种误差？原因可以包括上述因素。为了了解长期潜在趋势，数据可以被修正以及进行季节性调整，从而消除这些影响。三种经常使用的平滑方法是移动平均法、加权移动平均法以及指数平滑法。移动平均法( moving average)方法简单地利用当前的“n”周期，以便增加各时期内的当前数据和消除最陈旧的数据。加权移动平均法（weighted moving average）为预测中所包括的实际需求量的各观测结果提供不同的权重。指数平滑法( Exponential Smoothing)是另一种加权方法，是以最近期的需求量以及作为当前预测的基础对前期的预测。
许多企业利用记录需求量历史数据作为产生时间序列预测的依据。Hirshfield公司是一家拥有超过20个零售店的区域性装潢中心。Hirshfield公司利用计算机建模程序来帮助根据历史记录确定其需求量预测。Hirshfield公司所使用的建模记录了需求量的季节性，而且它利用指数平滑法来帮助预测远期需求。它知道在装潢这样的流行行业中，要为近来的需求型式提供加权，在该行业中墙面涂料颜色和设计随着室内设计趋势的变化而变化。计算机模型根据预测数据和经济订购批量问题近而推算出最优数量。市场研究数据作为一种预测方法，市场研究能够把潜在的新产品或者服务介绍到试销市场以及消费者手中。该方法在20世纪80年代受到消费品公司的欢迎，但是因为试销预告了竞争以及延误了新产品引入，所以该方法的使用已经减少了。当然也可以进行消费者调查，无论是通过邮寄、电话还是亲自访问。企业访问了中心小组中的消费者小组，以获得对趋势、问题和利益的了解。通过市场研究工作收集到的数据可能是定性和定量数据的结合。