THỰC HÀNH QUẢN TRỊ TRÊN MÁY

Bài 4:

DỰ BÁO

1

4.1. Tổng quan

ơ ả

ư

ủ

ự

ệ

ặ

4.1.1. Khái ni m và đ c tr ng c  b n c a d  báo

Que sera sera ………

ự

ệ

ổ

ự ự ờ ỳ

ấ

• D  báo luôn có s  sai l ch • D  báo càng t ng quát thì càng chính xác ộ • Th i k  càng dài, đ  chính xác càng th p

2

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 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.”

http://www.saga.vn/Kinhtehockinhdoanh/Mohinhtoan/983.saga

ầ Ngu n ồ Tr n Trí Dũng

3

4.1.2. Phân loại các mô hình dự báo

Định tính

• Kinh nghiệm

• Phương pháp Delphi

Định lượng

• Cố vấn

• Mô hình chuỗi thời gian

• Khảo sát khách hàng

Yt =f(Yt-1, Yt-2,…, Yt-n)

• … …

• Mô hình nhân quả

Y=f(X1, X2, …, Xn)

4

Phương pháp Delphi

Phương 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.

5

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

ế Tuy n tính

ẫ

Ng u nhiên

Phi tuy nế

6

Đặc trưng chuỗi tuần tự theo thời gian

Ø Xu hướng dài hạn (Trend component)

Ø Thành phần chu kỳ (Cyclical component)

Ø Thành phần mùa (Seasonal component)

Ø Thành phần bất thường (Irregular component)

7

Vấn đề

Ft – Dự báo kỳ thứ t

(cid:0)

Di – Giá trị khảo sát ở kỳ i < t

F t

Da n

nt

1

ai – Mức độ ảnh hưởng của kỳ i

 Xác định ai ??

8

(cid:0) (cid:0) (cid:0)

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 = a0 + a1X1 + a2X2+ … anXn

• Xác định ai  phương pháp bình phương tối thiểu

9

4.2. Một số mô hình dự báo thường dùng

Kỳ Năm Di

Ví dụ: Dự báo nhu cầu bánh trung thu

1 2004 10

2 2005 10

3 2006 11

25

23

4 2007 10

1

21

0

2

19

4?

n ấ

5 2008 12

17

6 2009 13

15

13

t   n à g n

7 2010 16

11

8 2011 17

9

7

9 2012 19

5

0

1

2

3

4

6

7

8

9

10

5

kỳ

10 2013

11 2014

10

(cid:0) 22 ? 140

4.2.1. Các phương pháp đơn giản Phương pháp đơn giản Ft = Dt–1

Kỳ Di Fi

1

25

0

10 NA 1

23

2

Di

4 ?

21

Fi

2 10 10

19

n ấ

3 11 10

17

15

4 10 11

13

t   n à g n

5 12 10

11

9

6 13 12

7

7 16 13

5

0

1

2

3

4

5

6

7

8

9

10

11

kỳ

8 17 16

9 19 17

10 22 19

11 22 ?

“Vẫn như cũ” 

11

(cid:0) 140

Phương pháp trung bình Ft = D

1

25

Kỳ Di Fi

0

23

2

Di

4 ?

1 10 14

21

Fi

19

n ấ

2 10 14

17

3 11 14

15

13

t   n à g n

4 10 14

11

5 12 14

9

7

6 13 14

5

0

1

2

3

4

5

6

7

8

9

10

11

kỳ

7 16 14

8 17 14

9 19 14

10 22 14

11 14 ?

“Vẫn y nguyên” 

12

(cid:0) 140

4.2.2. Bình quân di động – Moving Average a. Ví dụ: cửa sổ trượt w = 2

1

25

Kỳ Di Fi

0

23

2

Di

4 ?

1 10 NA

21

Fi

19

n ấ

2 10 NA

17

3 11 10

15

13

t   n à g n

4 10 10.5

11

5 12 10.5

9

7

6 13 11

5

0

1

2

3

4

5

6

7

8

9

10

11

kỳ

7 16 12.5

8 17 14.5

“Bán bà con xa,

9 19 16.5

mua láng giềng gần”

10 22 18

11 20.5 ?

13

(cid:0) 140

b. Cách tính

Trung bình đơn giản của w kỳ gần nhất

• w càng lớn  càng ổn định

• w càng nhỏ  càng linh hoạt

+

+

+

L

(cid:0)

D

D t

D t

t w

1

=

=

- - -

D

F t

t w

1 w N w

2 w

n

= 1

14

(cid:0) -

c. Công cụ Moving Average

1. Chuẩn bị vùng Input Range

a

b

2. Ra lệnh Data  Data Analysis  Moving Average

3.

Khai báo

c

a.

Input Range

b.

Interval

c. Output options

4. Nhấn OK

Ví dụ (Excel 2010)

15

4.2.3. San bằng mũ – Exponential Smoothing a. Ví dụ: hệ số điều chỉnh a = 0.7

Kỳ Di Di– Fi Fi

NA NA 1 10

1

25

0

23

0 10.00 2 10

2

Di

4 ?

21

Fi

1 10.00 3 11

19

n ấ

– 0.7 10.70 4 10

17

15

1.79 10.21 5 12

13

t   n à g n

1.54 11.46 6 13

11

9

3.46 12.54 7 16

7

2.04 14.96 8 17

5

0

1

2

3

4

5

6

7

8

9

10

11

kỳ

2.61 16.39 9 19

3.78 18.22 10 22

11

20.8 7 ?

16

“Sai thì sửa” Ft = Ft–1 + a(Dt–1–Ft– 1)

(cid:0) 140

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

Ft

= Ft–1 + a(Dt–1–Ft–1) = Ft–1 + a.Dt–1 – a.Ft–1 = a.Dt–1 + Ft–1 – a.Ft–1 = a. Dt–1 + (1 – a) Ft–1

ư

ệ

17

L u ý: Ký hi u Damping factor = 1 –  a

c. Công cụ Exponential Smoothing

1. Chuẩn bị Input

Range

a

b

2. Ra lệnh Data  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 2010)

18

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

19

4.2.4. Hồi quy đơn tuyến tính Ví dụ: Dự báo nhu cầu bánh trung thu

Kỳ Di Fi

1 10 8.0

1

25

2 10 9.3

0

23

2

4 ?

3 11 10.6

21

y =  1.3x +  6.7 R2 =  0.89

19

n ấ

4 10 11.9

17

5 12 13.2

15

13

t   n à g n

6 13 14.5

11

7 16 15.8

9

7

8 17 17.1

5

0

1

2

3

4

5

6

7

8

9

10

11

kỳ

9 19 18.4

10 22 19.7

ố

11

ệ M i quan h   y = f(x) = a.x + b

20

12 21.0 ? 22.3 ?

(cid:0) 140

a)

Các khái ni mệ

Hồi quy (Regression)

Phân tích hồi quy là kỹ thuật dự báo dùng để thiết lập mối quan hệ giữa các lượng biến

ộ

ế

ộ

y=f(x1, x2, …, xn) ụ bi n ph  thu c ế bi n đ c  l pậ Nếu n = 1  hồi quy đơn biến; n > 1  hồi quy đa biến Nếu f có dạng đường thẳng  hồi quy tuyến tính Nếu f không có dạng thẳng  hồi quy phi tuyến Hồi quy đơn tuyến tính:

y = f(x) = a.x + b

21

“Chuồn chuồn bay thấp thì mưa Bay cao thì nắng, bay vừa thì râm”

Nguyên nhân

Kết quả

V n đấ

ề: “có quan h ”?ệ

Câu trên có đúng không?

và

ế

ầ

n u đúng thì đúng bao nhiêu ph n trăm?

22

Hệ 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:

ươ ươ

ậ ng quan thu n ị ng quan ngh ch

rxy > 0 t rxy < 0 t

23

ị

ố

ệ

ấ

ươ

ng

ậ

Xác đ nh tính ch t các m i quan h  sau t ị quan thu n hay ngh ch?

1. Số hộ nghèo và tình trạng bỏ học.

 Tương quan thuận.

2. Trình độ dân trí và tệ nạn xã hội.

 Tương quan nghịch.

24

Hệ số tương quan nhận giá trị -1 ≤ rxy ≤ +1

ứ

ộ ươ

ứ tr  ị

ượ c  đánh  giá  căn  c   ả

M c  đ   t tuy t đ i

ng  quan  đ ệ ố c aủ  rxy theo b ng sau:

|rxy|

Mức độ tương quan

< 0.1

Không đáng kể

0.1 – 0.3

Nhỏ

0.3 – 0.5

Trung bình

0.5 – 0.7

Lớn

0.7 – 0.9

Rất lớn

0.9 – 1

Gần như hoàn toàn

Bảng tham chiếu Hopkins

25

Hồi quy đơn tuyến tính

Tồn tại mối quan hệ

Mức độ tương quan

y = f(x)=ax+b

Hệ số rxy

26

b) Cách tính

ị ả

ả

ả

ấ Tham kh o sách Qu n tr  s n xu t

≅ ệ ố

ộ ố

a

H  s  góc / đ  d c (Slope)

 xu h

ngướ

a

yx 2

yxn 2

yx 2

yx 2

(cid:0) (cid:0) (cid:0) (cid:0) (cid:0) (cid:0) (cid:0) (cid:0) (cid:0) (cid:0) (cid:0) (cid:0)

x

xn

x

x

≅

ộ

b

Tung đ  góc (Intercept)

= -

(cid:0) (cid:0) (cid:0) (cid:0) (cid:0) (cid:0)

y a x

b

rxy

≅ ệ ố ươ  H  s  t

ng quan (coefficient of correlation)

(cid:0)

n

xy

x

y

(cid:0) (cid:0) (cid:0) (cid:0)

rxy

2

2

2

2

(cid:0)

n

x

x

n

y

y

27

(cid:0) (cid:0) (cid:0) (cid:0) (cid:0) (cid:0) (cid:0) (cid:0) (cid:0) (cid:0) (cid:0)

ụ

c) Công c  Excel

 Hàm

 Đ  th   ồ ị

Công c  ụ Regression

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)

28

ị

ươ

ồ

ằ

1  Xác đ nh ph

ng trình h i quy b ng hàm

TREND(known_y's,known_x's,new_x’s) TREND(known_y's,known_x's,new_x’s)

Kỳ Di

SLOPE(known_y's,known_x's) SLOPE(known_y's,known_x's)

1 10

2 10

INTERCEPT(known_y's,known_x's) INTERCEPT(known_y's,known_x's)

3 11

CORREL(array1,array2) CORREL(array1,array2)

4 10

5 12

6 13

b

7 16

8 17

y = a.x + b a rxy rxy

9 19

known_ y’s known_ x’s new_x’s

22 10

29

11

Ví dụ: Dự báo nhu cầu bánh trung thu năm 2015

30

2  Đ  thồ ị

B1

Tạo đồ thị dạng Scatter

31

2  Đ  thồ ị

B2

Click phải vào data series, chọn Add Trendline

32

2  Đ  thồ ị

B3

Tuỳ chọn hiển thị trong Trendline Options

Chọn kiểu đường thẳng

Tùy chọn hiển thị phương trình hồi quy

Tùy chọn hiển thị hệ số R2

33

2  Đ  thồ ị

B4

Nhấn Close để kết thúc

Ví dụ: Dự báo nhu cầu bánh trung thu năm 2015

35

ụ

3  Công c  Regression

1. Ra lệnh Data, Data Analysis, Regression, OK

2. Khai báo

– Input Y Range: biến phụ thuộc

– Input X Range: biến độc lập

– Output options

5. Nhấn OK

36

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

37

ự

ự

ọ

4.3. L a ch n mô hình d  báo

ườ

ố ự

4.3.1. Đo l

ng sai s  d  báo

• Mean Square Deviation

• Bias

• Mean Absolute Deviation

38

ả

ệ 4.3.2. Quan h  nhân qu  ???

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 

39

ờ ụ

4.2.3. Tính th i v  (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

40

Ý tưởng cơ bản: – Gán trọng số cn cho mỗi kỳ hạn (N kỳ)

– Σcn = 1

– Điều chỉnh kết quả dự báo bằng trọng số cn

41

ẩ

ầ

ỳ ả 4.3.4. Nhu c u và chu k  s n ph m (Product Life  Cycles)

Dự báo nhu cầu phụ thuộc vào chu kỳ sản phẩm

42

ế ị

ự

Quy t đ nh d a theo PLC

Product Development

Analysis

•

• Development Effort

delphi / expert

• Market Entry

• Comparisons

•

Product Specs

• QFD

Product Introduction

•

Analysis • market tests

•

•

facility size supply chain design

•

consumer survey life cycle analysis

43

ế ị

ự

Quy t đ nh d a theo PLC

Growth

•

Analysis • Causal Models

•

capacity expansion statistical tech

Simulation

•

production planning promotions

Steady State

Analysis

•

•

•

•

production planning inventory models

time series causal models

44