發文作者:Service Planning | 09/23/2009

最佳預測法 (Best Forecast Method) ?

很多市面上的解決方案都非常的標榜說他們有相當先進的"最佳預測法" 功能.
 
最佳預測的過程其實非常簡單.就是由使用者先決定衡量的時間範圍, 並給定要評量的預測法. 然後系統就會將所有給定的預測法都跑一次. 然後再時空倒流一點, 再全跑一次.再倒流, 再跑. 最後整體來比較到底那一個方法比較準. 總之就是操死電腦裏的CPU就是了.
forecast
另外一方, 比較學問的是在如何決定"那個比較準". 像預測的偏差值(日後會提到), 是一個非常常見的衡量指標. 可是就算是有偏差值, 也有三種,箇中也有不少變形. 所以要決定那一個比較準, 可能成了見仁見志.
 
一般供應鏈的解決方案在很早期就重視到這個”最佳預測法”功能. 反觀售後服務規劃則一直到了Y2K左右才看到有案例想要用這種功能.
 
當然系統的Scalability是早期主要的限制. 一般供應鏈的解決方案算幾百幾千個產品就已經很厲害了. 售後服務規劃來架飛機上頭的零件就有上萬個. 那時稍為超級一點的電腦其價格就可能超過了整個售後服務部門的年度預算.
 
另外就是這個”最佳預測法功能”在售後服務規劃的適用性一直很有爭議. 筆者曾經見過一個售後服務的個案, 用了各式各樣的預測方法和衡量標準. 系統跑個評估要花個一天半夜的…到了最後竟有將近三分之二的物件是用平均法
 
這只是一個個案, 但主要是顯出售後服務規劃的預測和一般供應鏈的預測有相當程度上的差別. 像季節性(Seasonality)和年週期性(Yearly cycle)等預測在一般供應鏈規劃中算相當的有效. 可是在售後服務中就發現相當的不適用. 因為售後服務不太有明顯的季節性, 或有特定非常態的週期 (5個月或13個月等), 學術上並沒有太多為此而設計出來的預測法. 在沒有多少有效的預估法中, 到最後可能只能用平均法.
 
還有就是一般"比較準"的定義並不怎度適用. 例如:
預測: 0,1,0,0,1
實際: 1,0,1,0,1
以先前提到的預測偏差值來看這個預測是非常非常”非常”的不準. 可是以售後服務的標準來說, 這幾乎可以是準得不能再準的預測. 只有第一個用可能會缺貨, 再來全都ok.
在這種先天不良(沒有多少預估法真的是以後售服務的等性來衍發的), 又後天失調 (沒什麼有效的方法來界定準確度). 可能平均法還真的是最好的權宜之計.可以把fancy的"最佳預測法" 放到一邊去了.
平均預測: 0.6 (3/5), 雖不中,亦不遠矣. 怎樣都還是比拿飛鏢隨便丟個數字好.
 
dart_cartoon
廣告

發表迴響

在下方填入你的資料或按右方圖示以社群網站登入:

WordPress.com Logo

您的留言將使用 WordPress.com 帳號。 登出 / 變更 )

Twitter picture

您的留言將使用 Twitter 帳號。 登出 / 變更 )

Facebook照片

您的留言將使用 Facebook 帳號。 登出 / 變更 )

Google+ photo

您的留言將使用 Google+ 帳號。 登出 / 變更 )

連結到 %s

分類

%d 位部落客按了讚: