CHƯƠNG 5: DỰ BÁO NHU CẦU
DANH SÁCH NHÓM 1:
1. Võ Hồng Kỳ
2. Nguyễn Cao Tịnh Thư
3. Trần Ngọc Sơn
4. Hồ Hoàng Thảo
5. Phan Công Vĩnh Phú
6. Lê Thị Hoàng Nhi
7. Lê Văn Anh
8. Trần Thị Mộng Nhi
9. Lê Thị Thùy
10.Đặng Thị Ngọc ánh
11.Sayahoummany Sayaveth.
MỤC TIÊU:
Sau khi hoàn thành chương này, bạn sẽ có thể
• Giải thích vai trò của dự báo nhu cầu trong chuỗi cung ứng.
• Xác định các thành phần của một dự báo.
• So sánh và tương phản kỹ thuật dự báo định tính và định lượng.
• Đánh giá độ chính xác của dự báo.
• Giải thích kế hoạch hợp tác, dự báo và bổ sung.
I. DỰ BÁO NHU CẦU:
Dự báo là một yếu tố quan trọng của quản lý nhu cầu . Nó cung cấp một ước tính
nhu cầu trong tương lai và là cơ sở cho các quyết định kinh doanh. Vì tất cả tổ chức phải
đối phó với một tương lai vô định , một số trường hợp có sự khác nhau giữ dự báo với
nhu cầu thực. Như vậy , mục tiêu của một kỹ thuật dự báo tốt là để giảm thiểu độ lệch
giữa nhu cầu thực tế và dự báo. Vì dự báo là một dự đoán trong tương lai tương lai nên
yếu tố nhu cầu ảnh hưởng và tác động của những yếu tố này, và liệu nó sẽ tiếp tục ảnh
hưởng đến nhu cầu trong tương lai, phải được xem xét một chính xác.
Ngoài ra , người mua và người bán nên chia sẻ tất cả các thông tin có liên quan tạo ra sự
đồng thuận tốt nhất giữa hai bên để quyết định chính xác về cung và cầu có thể thực hiện.
Cải thiện dự báo lợi ích không chỉ đối với các công ty đầu mốimà còn là đối tác thương

mại trong chuỗi cung ứng. Dự báo nhu cầu chính xác giúp cho việc thu mua đúng số
lượng sản phẩm, điều chỉnh các hoạt động sản xuất, giúp bộ phận hậu cần cung cấp đúng
số lượng sản phẩm.Do đó , nhu cầu thông tin kịp thời và chính xác là một phần quan
trọng của một chuỗi cung ứng hiệu quả. Dự báo không chính xác sẽ dẫn đến sự mất cân
bằng trong cung cấp và nhu cầu . Trong môi trường kinh doanh cạnh tranh ngày nay , sự
hợp tác ( hay hợp tác và chia sẻ thông tin ) giữa người mua và người bán là quy luật hơn
là ngoại lệ hóa . Lợi ích của việc dự báo tốt hơn là hàng tồn kho thấp hơn, giảm chi phí và
cải thiện dịch vụ khách hàng .
Trong hơn 60 năm qua, Viện quản lý nguồn cung (ISM) đã đưa ra các chỉ số cho các
lĩnh vực sản xuất như Hàng tồn kho, Đơn đặt hàng mới, sản xuất, giao hàng cung cấp, tồn
kho, Giá, tồn đọng của đơn đặt hàng, đơn đặt hàng xuất khẩu mới và nhập khẩu. Nhiều
giám đốc điều hành kinh doanh sử dụng các chỉ số dự báo định hướng tổng thể của nền
kinh tế và trong lĩnh vực sản xuất. Ví dụ, mua và quản lý sử dụng các nguồn cung cấp
Hàng tồn kho Index để giúp dự báo đơn đặt hàng mới trong tương lai để ra quyết định sản
xuất và đo lường những thay đổi trong hoạt động chuỗi cung ứng.
Nhiều người đã cho rằng dự báo nhu cầu là cả một nghệ thuật và khoa học. Tuy
nhiên việc dự báo nhu cầu chính xác 100% là không thể ở mọi thời điểm. Tác động của
giao tiếp kém và dự báo không chính xác cộng hưởng dọc theo chuỗi cung ứng và kết quả
là mất cơ hội bán hàng , chi phí tồn kho cao, tình trạng thiếu nguyên liệu, đáp ứng kém
với động thái thị trường , và lợi nhuận giảm.
Rất nhiều ví dụ cho thấy những vấn đề mà các công ty phải đối mặt khi dự báo
doanh số bán hàng không phù hợp với nhu cầu khách hàng trong thời gian giới thiệu sản
phẩm mới .Ví dụ, Nintendo Wii , được giới thiệu vào khoảng cùng thời gian như
PlayStation 3 của Sony ( PS3 ) , đã vượt quá cả sự mong đợi và bán chạy hơn Sony và có
lợi nhuận rất lớn vì Nintendo do đấu tranh để đáp ứng nhu cầu bất ngờ cao cho máy Wii.
Một ví dụ khác là Apple, có đơn đặt hàng của 600.000 đơn vị cho iPhone4 trong một
ngày. Theo Apple, lượng đặt hàng iPhone4 cao gấp mười lần so với iPhone 3G S trong
ngày đầu tiên. Do tỷ lệ đặt hàng trước cao ,hệ thống bị trục trặc nên việc cung cấp điện
thoại bị trì hoãn ít nhất một tháng. Ví dụ này chỉ ra những thách thức phải đối mặt của các
công ty trong dự báo doanh số và việc đẩy mạnh sản xuất đáp ứng nhu cầu khách hàng và

bảo vệ vị thế thị trường của họ .
Trong ngành công nghiệp hàng không, cả Airbus và Boeing là hai đối thủ cạnh tranh
lớn .Cạnh tranh đã khốc liệt, với mỗi nhà sản xuất đang cố gắng để có được thế thượng
phong . Khi Airbus giới thiệu máy bay A380 , máy bay chở khách lớn nhất từng được
thực hiện với công suất hơn hơn 500 hành khách , nó đã được báo trước như các phát
minh lớn tiếp theo và sẽ thay đổi như thế nào trong lĩnh vựa hàng không. Để thích ứng
với A380 , sân bay trên toàn thế giới sẽ phải chi nhiều triệu đô la để nâng cấp cơ sở hạ
tầng của họ . Ví dụ , Los Angeles Sân bay quốc tế dự kiến sẽ dành 53.000.000 $ trên
đường băng mới, và cải tiến sân bay. Airbus cũng đang chậm tiến độ trong việc cung cấp
các máy bay A380, sản xuất gặp vấn đề làm việc giao hàng trễ hẹn nhiều lần, và vượt chi
phí. Trong khi có tổng cộng 202 máy bay đã được đặt hàng , chỉ có 29 đã được giao cho
Air Pháp, Emirates, Lufthansa , Qantas , Singapore Airlines. Boeing quyết định rằng điều
quan trọng là có máy bay cỡ vừa với hiệu quả nhiên liệu cao . 787 Dreamliner được phát
triển bởi Boeing cho các chuyến bay đường dài có thể chở khoảng từ 210 và 330 hành
khách và có thể phục vụ cả nhỏ và lớn . Nhu cầu về máy bay tiết kiệm nhiên liệu như 787
Dreamliner dự kiến sẽ tăng như giá năng lượng tiếp tục tăng. Như vậy đến nay , Boeing
đã nhận được đơn đặt hàng với tổng giá trị 866 máy bay .Boeing 787 là một trong những
máy bay bán chạy nhất trong lịch sử hàng không .Tuy nhiên , thiết kế và sản xuất gặp đề
đã trì hoãn việc giao hàng đầu tiên . Giai đoạn này có thể ảnh hưởng đến doanh số bán
hàng trong tương lai của máy bay. Do đó , chúng ta có thể thấy rằng dự báo nhu cầu về
các sản phẩm mới là một đề xuất khó khăn .
II. KỸ THUẬT DỰ BÁO
1. Các phương pháp định tính
Phương pháp dự báo định tính dựa trên trực giác hay phán xét và đánh giá thường
được sử dụng khi dữ liệu còn hạn chế, không có sẵn, hoặc hiện tại không có liên quan.
Trong khi phương pháp này chi phí có thể rất thấp , hiệu quả của nó phụ thuộc phần lớn
vào kỹ năng và kinh nghiệm của các dự báo và số lượng thông tin có liên quan có sẵn .
Các kỹ thuật định tính thường được sử dụng để phát triển các dự báo tầm xa khi dữ
liệu hiện nay là không hữu dụng , và giới thiệu sản phẩm mới khi dữ liệu hiện tại không
tồn tại. Thảo luận về bốn mô hình dự báo định tính chung theo :

*Ban điều hành các ý kiến:
Một nhóm các giám đốc điều hành quản lý cấp cao có kiến thức về thị trường, đối thủ
cạnh tranh và môi trường kinh doanh chung phát triển các dự báo. Kỹ thuật này có lợi thế
khi một vài cá nhân có nhiều kinh nghiệm làm việc cùng nhau , nhưng nếu một thành viên
chi phối các cuộc thảo luận , giá trị và độ tin cậy của kết quả có thể được giảm bớt. Kỹ
thuật này được áp dụng cho kế hoạch dài hạn và giới thiệu sản phẩm mới .
Dự báo thời trang cao cấp là một ví dụ nguy hiểm vì thường là không có cơ sở lịch sử
để tạo ra các dự báo. Ủy ban thể dục thể thao mua Obermeyer của ước tính nhu cầu của
mình dựa trên một sự đồng thuận chung đạt được của các thành viên ủy ban. Bởi vì một
thành viên chi phối của nhóm có thể có trọng lượng hơn trong các cuộc thảo luận , dự báo
kết quả có khả năng bị sai lệch , không chính xác . Do đó, thể thao Obermeyer trung bình
dự báo cá nhân của từng thành viên ủy ban để cung cấp cho nhu cầu tổng thể
*Phương pháp Delphi:
Một nhóm các chuyên gia trong và ngoài nước được khảo sát nhiều vòng về các sự
kiện trong tương lai và dự báo dài hạn của nhu cầu. Thành viên trong nhóm không thể đáp
ứng và do đó tránh được những kịch bản mà một hoặc một vài chuyên gia có thể thống trị
một cuộc thảo luận .
Những câu trả lời từ các chuyên gia được tích lũy và tóm tắt sau mỗi vòng của cuộc
điều tra. Tóm tắt các câu trả lời sau đó gửi tới tất cả các chuyên gia trong các vòng tiếp
theo , trong đó các chuyên gia cá nhân có thể thay đổi phản ứng của họ dựa trên bản tóm
tắt phản ứng của nhóm . Điều này lặp đi lặp lại quá trình tiếp tục cho đến khi có sự đồng
thuận. Quá trình này có thể rất tốn kém cả về thòi gian lẫn tiền bạc. Phương pháp này
được áp dụng cho dự báo công nghệ có nguy cơ cao, rộng lớn , các dự án tốn kém , hoặc
chính, hoặc giới thiệu sản phẩm mới.Chất lượng của dự báo phụ thuộc phần lớn vào kiến
thức của các chuyên gia.
*Lực lượng bán hàng hỗn hợp:
Lực lượng bán hàng đại diện cho một nguồn cung cấp thông tin thị trường . Đây là
loại dự báo được tạo ra dựa trên kiến thức của lực lượng bán hàng của thị trường và ước
tính nhu cầu khách hàng . Do sự gần gũi của các nhân viên bán hàng với người tiêu dùng ,
dự báo trở nên đáng tin cậy, nhưng những thành kiến tiêu cực của cá nhân có thể tác động

đến hiệu quả của phương pháp này . Ví dụ, nếu tiền thưởng được thanh toán khi bán hàng
thực tế vượt quá dự báo , có một xu hướng các lực lượng bán hàng dự báo thấp
*Khảo sát người tiêu dùng
Một câu hỏi được phát triển để tìm kiếm đầu vào từ khách hàng về các vấn đề quan
trọng như thói quen mua sắm trong tương lai, ý tưởng sản phẩm mới và ý kiến về các sản
phẩm hiện có. Cuộc khảo sát được tiến hành qua điện thoại, mail, Internet , hoặc các cuộc
phỏng vấn cá nhân. Dữ liệu thu thập được từ cuộc điều tra được phân tích bằng việc sử
dụng công cụ thống kê và đánh giá để đưa ra một tập hợp các kết quả có ý nghĩa. Ví dụ ,
Wyeth - Ayerst các công ty dược phẩm lớn thứ 9 thế giới , sử dụng loại nghiên cứu thị
trường để tạo ra các dự báo về sản phẩm mới. Thách thức là để xác định một mẫu người
được hỏi là người đại diện cho dân số lớn hơn và để có được một tỷ lệ đáp ứng chấp nhận
được.
2. Các phương pháp định lượng:
Mô hình dự báo định lượng sử dụng các kỹ thuật toán học được dựa trên dữ liệu lịch
sử và có thể bao gồm các biến nhân quả để dự báo nhu cầu. Chuỗi thời gian dự báo là dựa
trên giả định rằng tương lai là một phần kéo dài của quá khứ, do đó, dữ liệu lịch sử có thể
được sử dụng để dự đoán nhu cầu trong tương lai. Nguyên nhân và kết quả dự báo thừa
nhận rằng một hoặc nhiều nhân tố (biến độc lập) có liên quan đến nhu cầu và do đó có thể
được sử dụng để dự đoán nhu cầu trong tương lai.
Bởi vì các dự báo này chỉ dựa vào duy nhất dữ liệu về nhu cầu trong quá khứ, tất cả
các phương pháp định lượng trở thành ít chính xác nên tầm nhìn về thời gian dự báo tăng.
Do đó, tầm nhìn về thời gian dự báo dài, có đề nghị sử dụng kết hợp cả kỹ thuật định
lượng và định tính.
a. Phương pháp dự báo theo dãy số thời gian
Thành phần của chuỗi thời gian
Một chuỗi thời gian thường có bốn thành phần: biến xu hướng, biến theo chu kỳ, biến
theo mùa và biến ngẫu nhiên :
- Biến xu hướng
Xu hướng đại diện hoặc tăng hoặc giảm sự chuyển động trên nhiều năm, và là do các yếu
tố như tăng trưởng dân số, thay đổi dân số,thay đổi văn hóa và thay đổi thu nhập. Đường

xu hướng chung là đường tuyến tính, đường cong- S, theo cấp số nhân hoặc tiệm cận.
- Biến theo chu kỳ
Biến đổi theo chu kỳ là các phong trào từng đợt dài hơn một năm và bị ảnh hưởng bởi
các yếu tố kinh tế vĩ mô và chính trị. Một ví dụ là chu kỳ kinh doanh (giai đoạn suy
thoái hoặc phát triển). Chu kỳ kinh doanh gần đây ở Mỹ bị ảnh hưởng bởi sự kiện toàn
cầu như lệnh cấm vận dầu mỏ đầu năm 1973 và năm 1991.Cuộc khủng hoảng tài chính
Mexico, cuộc khủng hoảng kinh tế châu Á vào năm 1997, cuộc tấn công khủng bố ở Mỹ
vào ngày 11 tháng 9 năm 2001 và cơn bão Katrina và Rita năm 2005.
- Các biến theo mùa
Thay đổi theo mùa cho thấy điểm cao nhấtvà thấp nhất đó lặp lại trong một khoảng thời
gian nhất quán như vậy như giờ, ngày, tuần, tháng, năm, hoặc mùa. Do tính thời vụ, nhiều
công ty làm tốt trong những tháng nhất định và rất không tốt trong các tháng khác. Ví dụ,
máy hút tuyết bán hàng có xu hướng cao hơn vào mùa thu và mùa đông, nhưng giảm dần
vào mùa xuân và mùa hè. Một nhà hàng thức ăn nhanh sẽ thấy doanh số bán hàng cao hơn
trong bữa ăn sáng, bữa trưa và bữa tối. Khách sạn Hoa Kỳ đông khách hơn trong các kì
nghỉ lớn như ngày 04 tháng bảy, ngày lễ Lao Động, Lễ Tạ Ơn, Giáng sinh và năm mới.
- Biến ngẫu nhiên
Biến ngẫu nhiên là do sự kiện bất ngờ hoặc không thể đoán trước của thiên tai (bão, lốc
xoáy, lửa), đình công và chiến tranh. Một ví dụ là gần đây phun trào núi lửa
Eyjafjallajökull ở Iceland đã gây ra những đám mây tro khắp lục địa châu Âu. Nhiều
chuyến bay tới nước Anh và châu Âu đã bị đóng cửa, dẫn đến sự gián đoạn về du lịch
hàng không cao nhất kể từ chiến tranh thế giới thứ hai .Một thảm họa tự nhiên khác là
trận động đất cường độ 7.0 ở Haiti gần đây. Chính phủ Haiti cho biết 250.000 căn hộ và
30.000 tòa nhà thương mại bị hư hỏng nặng; 230.000 người chết, 300.000 là bị thương và
1.000.000 mất nhà cửa do hậu quả của trận động đất.
Mô hình dự báo chuỗi thời gian
Như đã thảo luận trước đó, dự báo chuỗi thời gian phụ thuộc vào sự sẵn có của lịch
sử dữ liệu. Dự báo được ước tính bằng cách ngoại suy các dữ liệu trong quá khứ và tương
lai. Một khảo sát của mô hình dự báo được sử dụng cho thấy mô hình chuỗi thời gian là
sử dụng rộng rãi nhất (72 %) và các mô hình phê phán là ít được sử dụng (11 %). Nghiên

cứu cũng cho thấy rằng trong các mô hình chuỗi thời gian, mô hình thường được sử dụng
là các mô hình đơn giản (trung bình và xu hướng đơn giản) và làm mịn theo cấp số nhân.
Nhìn chung, dự báo nhu cầu được sử dụng trong lập kế hoạch mua sắm, cung cấp, bổ
sung và thu nhập doanh nghiệp.
Một số các chuỗi thời gian phổ biến hơn phương pháp tiếp cận như dự báo ngây thơ,
trung bình chuyển động đơn giản, trọng trung bình và làm mịn mũ được thảo luận tiếp
theo.
 Dự báo Ngây thơ (Naïve Forecast)
Sử dụng dự báo ngây thơ, ước tính cho giai đoạn tiếp theo là bằng với thực tế nhu
cầu về thời gian qua ngay lập tức:
F
t +1
=A
t
Trong đó F
t +1
= Dự báo cho giai đoạn t +1;
A
t
= Thực tế nhu cầu trong khoảng thời gian t.
Ví dụ, nếu nhu cầu thực tế của giai đoạn này là 100 đơn vị, sau đó dự báo thời gian
tới là 100 đơn vị. Phương pháp này là không tốn kém để hiểu, phát triển, lưu trữ dữ liệu
và hoạt động. Tuy nhiên, không có xem xét các mối quan hệ nhân quả, và phương pháp
này có thể không tạo ra dự báo chính xác. Nhiều bộ phim kinh tế và kinh doanh được coi
là ứng cử viên tốt cho việc sử dụng dự báo ngây thơ vì hàng loạt các hoạt động giống như
đi ngẫu nhiên.
 Dự báo trung bình chuyển động đơn giản
Dự báo trung bình chuyển động đơn giản sử dụng dữ liệu lịch sử để tạo ra một dự
báo và hoạt động tốt khi nhu cầu tương đối ổn định theo thời gian. Công thức cho các
chuyển động n-thời gian dự báo trung bình được thể hiện dưới đây:

F
t+1

Trong đó F
t +1
= Dự báo cho giai đoạn t +1;
n = số lượng thời gian sử dụng để tính toán di chuyển trung bình;
A
i
= nhu cầu thực tế trong khoảng thời gian i.
Khi n bằng 1, dự báo trung bình chuyển động đơn giản là dự báo ngây thơ. Trung
bình có xu hướng đáp ứng tốt hơn nếu các điểm dữ liệu ít được sử dụng để tính toán mức
trung bình. Tuy nhiên, các sự kiện ngẫu nhiên cũng có thể ảnh hưởng xấu đến trung bình.
Vì vậy, người ra quyết định phải cân bằng chi phí của phản ứng chậm với những thay đổi
so với chi phí đáp ứng với sự thay đổi ngẫu nhiên. Ưu điểm của phương pháp này là nó
rất dễ sử dụng và dễ hiểu. Một điểm yếu của phương pháp trung bình chuyển động đơn
giản là nó không có khả năng đối phó với sự thay đổi một cách nhanh chóng của xu
hướng. Ví dụ 5.1 minh họa dự báo trung bình chuyển động đơn giản.
Ví dụ 5.1 Dự báo trung bình chuyển động đơn giản
Kỳ Nhu cầu
1 1600
2 2200
3 2000
4 1600
5 2500
6 3500
7 3300
8 3200
9 3900
10 4700

11 4300
12 4400
Bằng cách sử dụng dữ liệu được cung cấp, tính toán dự báo cho giai đoạn 5 sử dụng
bốn giai đoạn trung bình chuyển động đơn giản.
Giải Pháp
F
5
= dự báo cho giai đoạn
Giải pháp bảng tính Excel được thể hiện trong hình 5.1.
Hình 5.1 Dự báo trung bình chuyển động đơn giản sử dụng bảng tính Excel
 Trọng dự báo trung bình động có trọng (Weighted Moving Average Forecast)
Dự báo trung bình động giản đơn đặt trọng lượng bằng nhau (1 / n) trên mỗi quan sát
n-giai đoạn. Trong một số trường hợp, một dự báo có thể quyết định rằng có trọng lượng
tương đương là không mong muốn. N-giai đoạn Dự báo trung bình động có trọng số là
trung bình có trọng số của các quan sát n-giai đoạn, sử dụng trọng số không đồng đều.
Hạn chế duy nhất là trọng lượng nên không âm và tổng hợp. Công thức cho các n-giai
đoạn dự báo trung bình động có trọng số được hiển thị bên dưới:
F
t+1
=
Trong đó F
t+1
= dự báo cho giai đoạn t+1;
n = số thời gian sử dụng trong việc xác định đường trung bình;
A
i

= Nhu cầu thực tế trong giai đoạn i;
W
i


= Trọng lượng được phân công thời gian i; ΣW
i
=1.
3 kỳ trọng dự báo trung bình chuyển động với trọng lượng (0.5, 0.3, 0.2) là;
F
t
= 0.5 (A
t−1
+ 0.3 A
t−2
+ 0.2 A
t−3
).
Lưu ý rằng nó thường chú trọng nhiều hơn (do đó trọng lượng cao nhất) được đặt trên
hầu hết quan sát gần đây và, do đó, dự báo sẽ phản ứng nhanh hơn so với 3 giai đoạn dự
báo trung bình chuyển động đơn giản. Tuy nhiên, thay vì dự báo có thể muốn áp dụng
trọng lượng nhỏ nhất đến các dữ liệu gần đây nhất như vậy mà dự báo sẽ ít bị ảnh hưởng
bởi sự thay đổi đột ngột trong dữ liệu gần đây. Trọng lượng sử dụng do đó có xu hướng
dựa trên kinh nghiệm của các dự báo và điều này là một trong những ưu điểm của phương
pháp dự báo này. Mặc dù theo dự báo là phản ứng nhanh hơn với những thay đổi cơ bản
trong nhu cầu, dự báo nhu cầu vẫn còn chậm trể do kết quả bình quân. Như vậy, phương
pháp trọng dự báo trung bình chuyển động không làm tốt công việc theo dõi sự thay đổi
xu hướng trong dữ liệu. Ví dụ 5.2 minh họa trọng dự báo trung bình chuyển động.
Ví dụ 5.2 Trọng dự báo trung bình chuyển động.
Dựa trên số liệu trong ví dụ 5.1, tính toán dự báo cho giai đoạn 5 sử dụng bốn giai
đoạn di chuyển trung bình có trọng số. Trọng lượng là 0.4, 0.3, 0.2 và 0.1 được giao gần
đây nhất, lần hai gần đây nhất, lần ba gần đây nhất và lần bốn trong giai đoạn gần đây
nhất, tương ứng.
Giải Pháp

F
5
= 0.1(1600) + 0.2(2200) + 0.3(2000) + 0.4(1600) = 1840
Giải pháp bảng tính Excel được thể hiện trong hình 5.2.
Hình 5.2 Trọng dự báo trung bình chuyển động Sử dụng bảng tính Excel
 Dự báo san bằng hàm mũ (Exponential Smoothing Forecast)
Dự báo làm san bằng hàm mũ là một phương pháp dự báo trung bình động có trọng
số phức tạp, trong đó dự báo nhu cầu giai đoạn tiếp theo là giai đoạn hiện tại của dự báo
được điều chỉnh bằng một phần nhỏ của sự khác biệt giữa nhu cầu thực tế trong giai đoạn
hiện tại. Cách tiếp cận này đòi hỏi dữ liệu ít hơn so với phương pháp trung bình động có
trọng số bởi vì chỉ có hai điểm dữ liệu là cần thiết. Do sự đơn giản của nó và yêu cầu dữ
liệu tối thiểu, san bằng hàm mũ là một trong những phương pháp dự báo được sử dụng
rộng rãi. Mô hình này, như các mô hình chuỗi thời gian khác, phù hợp cho dữ liệu cho
thấy sự xu hướng hoặc theo mùa. Bậc cao mô hình san bằng hàm mũ khác (mà không
được đề cập ở đây ) có thể được sử dụng cho dữ liệu trưng bày xu hướng và thời vụ. Công
thức dự báo san bằng hàm mũ là :
F
t+1
= F
t
+ α (A
t
− F
t
)
Hay
F
t+1
= αA
t

+ (1 − α)F
t
Trong đó F
t+1

= Dự báo cho giai đoạn t + 1;
F
t
= Dự báo cho thời gian t;
A
t
= Thực tế nhu cầu về thời gian t;
α = hằng số san bằng ( 0 ≤ α ≤ 1 ).
Dự báo làm mịn theo cấp số nhân tương đương với dự báo ngây thơ khi α bằng 1.
Với giá trị α gần 1, có sự nổi trội hơn về số liệu gần đây dẫn đến một điều chỉnh lớn của
các lỗi trong dự báo thời kỳ trước. Vì vậy, với giá trị α cao, mô hình phản ứng nhanh hơn
với những thay đổi trong nhu cầu gần đây. Khi α có giá trị thấp , trọng lượng hơn được
đặt theo yêu cầu qua (được chứa trong các dự báo trước đó), và mô hình đáp ứng chậm
hơn với những thay đổi trong nhu cầu. Tác động của việc sử dụng một giá trị nhỏ hay lớn
của α cũng tương tự như tác dụng của việc sử dụng một số lượng lớn hay nhỏ quan sát
trong tính toán trung bình chuyển động. Nhìn chung, dự báo sẽ tụt hậu bất kỳ xu hướng
trong thực tế dữ liệu bởi vì chỉ điều chỉnh cục bộ để các lỗi dự báo gần đây nhất có thể
được thực hiện. Dự báo ban đầu có thể được ước tính bằng cách sử dụng phương pháp
ngây thơ, có nghĩa là, dự báo cho giai đoạn tiếp theo là nhu cầu thực tế trong giai đoạn
này. Ví dụ 5.3 minh họa dự báo làm mịn theo cấp số nhân.
Ví dụ 5.3 Dự báo làm mịn theo cấp số nhân
Dựa trên số liệu trong ví dụ 5.1, tính toán dự báo cho giai đoạn 3 sử dụng phương
pháp làm mịn theo cấp số nhân. Giả sử dự báo cho giai đoạn 2 là 1600. Sử dụng liên tục
làm mịn (α) là 0,3.
Giải Pháp

Đưa ra: F
2
= 1600, α = 0.3
F
t+1
= F
t
+ α(A
t
− F
t
)
F
3
= F
2
+ α(A
2
− F
2
) = 1600 + 0.3(2200 − 1600) = 1780
Do đó, dự báo cho tuần 3 là 1780.
Giải pháp bảng tính Excel được thể hiện trong hình 5.3.
Hình 5.3 Dự báo làm mịn theo cấp số nhân sử dụng bảng tính Excel
 Dự báo xu hướng tuyến tính
Dự báo xu hướng tuyến tính có thể được ước tính bằng hồi quy tuyến tính đơn giản
để phù hợp với một dòng vào một loạt các dữ liệu xảy ra theo thời gian. Mô hình này
cũng được gọi là xu hướng đơn giản. Đường xu hướng được xác định bằng cách sử dụng
phương pháp bình phương tối thiểu, giảm thiểu tổng các phương sai để xác định các đặc
tính của phương trình tuyến tính. Phương trình đường xu hướng được thể hiện như:

Ŷ = b
0
+ b
1
x
Trong đó Ŷ = dự báo hoặc biến phụ thuộc;
X = biến thời gian;
b
0
= đánh chặn của trục dọc;
b
1
= độ dốc của đường hồi quy.
Các hệ số b0 và b1 được tính như sau:
b
1
b
0
Trong đó x = giá trị biến độc lập;
y = giá trị biến phụ thuộc;
n = số quan sát.
Ví dụ 5.4 minh họa dự báo xu hướng tuyến tính.
Ví dụ 5.4 Dự báo xu hướng tuyến tính
Nhu cầu về đồ chơi được sản xuất bởi Công ty Sản xuất Miki được thể hiện trong bảng
dưới đây.
Kỳ Nhu cầu Kỳ Nhu cầu Kỳ Nhu cầu
1 1600 5 2500 9 3900
2 2200 6 3500 10 4700
3 2000 7 3300 11 4300
4 1600 8 3200 12 4400

Đường xu hướng là gì?
Dự báo cho giai đoạn 13 là gì?
Giải Pháp
Kỳ (X) Nhu cầu (Y) X
2
XY
1 1600 1 1600
2 2200 4 4400
3 2000 9 6000
4 1600 16 6400
5 2500 25 12500
6 3500 36 21000
7 3300 49 23100
8 3200 64 25600
9 3900 81 35100
10 4700 100 47000
11 4300 121 47300
12 4400 144 52800
Σx = 78 Σy = 37200 Σx
2
= 650 Σxy = 282800
b
1

b
0
Đường xu hướng là Ŷ = 1236.4 + 286.7x
Dự báo nhu cầu trong giai đoạn 13, chúng ta thay thế x = 13 vào phương trình xu hướng
trên.
Dự báo cho giai đoạn 13 = 1236.4 + 286.7 (13) = 4963.5 = 4964 đồ chơi.

Giải pháp bảng tính Excel được thể hiện trong hình 5.4.
Hình 5.4 Dự báo xu hướng tuyến tính sử dụng bảng tính Excel
Các mô hình nguyên nhân và kết quả
Các mô hình nguyên nhân và kết quả có thể một nguyên nhân (biến độc lập hoặc
biến) và một kết quả (biến phụ thuộc). Một trong những mô hình được sử dụng phổ biến
là phân tích hồi quy. Trong dự báo nhu cầu, các biến bên ngoài có liên quan đến nhu cầu
phải được xác định đầu tiên. Một khi các biến bên ngoài và nhu cầu được xác định, thì nó
có thể được sử dụng như một công cụ dự báo. Chúng ta hãy xem một số mô hình nguyên
nhân và kết quả.
Dự báo hồi quy tuyến tính giản đơn
Khi chỉ có một biến giải thích, thì chúng ta có một dự báo hồi quy giản đơn tương
đương với dự báo xu hướng tuyến tính được mô tả trước đó. Sự khác biệt là biến x không
còn là thời gian mà thay vào đó là một biến giải thích nhu cầu. Ví dụ, nhu cầu có thể phụ
thuộc vào kích thước của ngân sách quảng cáo. Phương trình hồi quy được thể hiện như:
Ŷ = b
0
+ b
1
x
Trong đó Ŷ = dự báo hoặc biến phụ thuộc;
x = biến giải thích hoặc độc lập;
b
0
= đánh chặn của trục dọc;
b
1 =
độ dốc của đường hồi quy.
Ví dụ 5.5 minh họa dự báo hồi quy tuyến tính giản đơn.
Ví dụ 5.5 Dự báo hồi quy tuyến tính giản đơn
Số liệu về doanh số bán hàng và tiền quảng cáo cho sáu tháng qua được trình bày dưới

đây.
Doanh thu (Y) Quảng cáo (X)
100.000 2000
150.000 3000
125.000 2500
50.000 1000
170.000 3500
135.000 2750
Xác định mối quan hệ tuyến tính giữa doanh thu và tiền quảng cáo.
Giải Pháp
Doanh thu (Y) Quảng cáo (X) X
2
XY
100,000 2000 4,000,000 200,000,000
150,000 3000 9,000,000 450,000,000
125,000 2500 6,250,000 312,500,000
50,000 1000 1,000,000 50,000,000
170,000 3500 12,250,000 595,000,000
135,000 2750 756,2500 371,250,000
Σy = 730,000 Σx = 14,750 Σx2 = 40,062,500 Σxy = 1,978,750,000
Ŷ =b
0
+b
1
x
Ŷ =2589.04+48.44x
Kết quả hồi quy tuyến tính cho thấy sự gia tăng một đô la trong quảng cáo sẽ tăng
doanh thu là 48,44 $. Hơn nữa, theo kế hoạch hàng tháng chi phí quảng cáo là $ 4000 thì
sẽ mang lại doanh số bán hàng dự báo 196.349 $.
Dự báo hồi quy phức tạp

Khi có nhiều biến giải thích được sử dụng để dự đoán biến phụ thuộc, thì dự báo hồi
quy phức tạp được áp dụng. Phân tích hồi quy phức tạp hoạt động tốt khi các mối quan
hệ giữa nhu cầu (biến phụ thuộc) và một số yếu tố khác (biến độc lập hoặc giải thích) ảnh
hưởng đến nhu cầu rất mạnh và ổn định theo thời gian. Phương trình hồi quy phức tạp
được thể hiện như:
Ŷ = b
0
+ b
1
x
1
+ b
2
x
2
+ … + b
k
x
k
Trong đó Ŷ = dự báo hay biến phụ thuộc;
x
k
= k
th
biến giải thích hoặc độc lập;
b
0
= hằng số;
b
k

= hệ số hồi quy của xk biến độc lập.
Mặc dù việc xác định các thông số của phương trình có sự tham gia của toán học rất
phức tạp, thì có rất nhiều phần mềm như Excel, SAS và phần mềm thống kê SPSS có thể
được sử dụng để giải quyết các phương trình. Bất kỳ sách giáo khoa các thống kê nên
cung cấp các công thức để tính toán các giá trị hệ số hồi quy và thảo luận về các giả định
và những thách thức của việc sử dụng phương pháp hồi quy phức tạp. Dự báo hồi quy
phức tạp đòi hỏi dữ liệu nhiều hơn so với bất kỳ các phương pháp khác được thảo luận
trước đó, và các chi phí bổ sung phải được cân đối với cải thiện để có dự báo ở mức độ
chính xác.
III. ĐỘ CHÍNH XÁC CỦA DỰ BÁO:
Mục tiêu cuối cùng của bất kỳ nỗ lực dự báo là phải có một sự chính xác và không
thiên vị. Các chi phí liên quan đến dự báo lỗi có thể là đáng kể và bao gồm các chi phí
bán hàng bị mất, chứng khoán an toàn, khách hàng không hài lòng và mất thiện chí. Công
ty phải cố gắng làm tốt công việc theo dõi lỗi dự báo và thực hiện các bước cần thiết để
cải thiện kỹ thuật dự báo của họ. Thông thường, lỗi dự báo tại tách biệt (cổ phiếu giữ đơn
vị)
Phần 3 Vấn đề hoạt động trong quản lý chuỗi cung ứng
Mức độ cao hơn ở cấp tổng hợp (công ty như một toàn thể). Lỗi dự báo là sự khác biệt
giữa số lượng thực tế và dự báo. Lỗi dự báo có thể được thể hiện như:
e
t
= A
t
– F
t
với et = dự báo lỗi trong khoảng thời gian t;
At = thực tế nhu cầu về thời gian t;
Ft = dự báo cho giai đoạn t.
Một số biện pháp chính xác dự báo được hiển thị dưới đây:
Có nghĩa là độ lệch tuyệt đối (MAD):

MAD= e
t
Có nghĩa là lỗi phần trăm tuyệt đối (MAPE):
MAPE= e
t
/ A
t
Có nghĩa là lỗi vuông (MSE): e
t
2
Chạy tổng các lỗi dự báo (RSFE): e
t
et = dự báo lỗi trong khoảng thời gian t;
At = thực tế nhu cầu về thời gian t;
n = số thời gian đánh giá.
Các RSFE là một chỉ số sai lệch trong dự báo. Dự kiến biện pháp xu hướng dự báo là phải
luôn cao hơn hoặc thấp hơn so với nhu cầu thực tế. Một RSFE tích cực cho thấy rằng dự
báo nói chung là thấp hơn so với nhu cầu thực tế có thể dẫn đến stockouts. Một RSFE tiêu
cực cho thấy các dự báo thường cao hơn so với nhu cầu thực tế, có thể dẫn đến hàng tồn
kho dư thừa thực hiện chi phí.
Tín hiệu theo dõi được sử dụng để xác định xem sự thiên vị dự báo là trong giới hạn kiểm
soát chấp nhận được. Nó được thể hiện như:

Theo dõi tín hiệu =

Nếu tín hiệu theo dõi nằm ngoài giới hạn kiểm soát cài đặt trước , có một vấn đề thiên vị
với các phương pháp dự báo và đánh giá về cách thức dự báo được tạo ra được bảo hành.
Một dự báo sai lệch sẽ dẫn đến hàng tồn kho quá mức hoặc stockouts . Một số chuyên gia
hàng tồn kho đề nghị sử dụng 4 cho các hạng mục cao khối lượng và 8 cho các hạng mục
thấp hơn khối lượng , trong khi những người khác thích một giới hạn thấp hơn. Ví dụ ,

GE Silicon đang bắt đầu giới hạn kiểm soát tín hiệu theo dõi của họ 4 . Theo thời gian,
chất lượng dự báo được cải thiện, và các giới hạn kiểm soát đã được giảm xuống còn 3 .
Như giới hạn chặt chẽ được thiết lập , có một xác suất lớn hơn của việc tìm kiếm ngoại lệ
mà thực sự không đòi hỏi hành động , nhưng nó cũng có nghĩa là bắt những thay đổi
trong nhu cầu trước đó. Cuối cùng , với những cải tiến thêm trong hệ thống dự báo của họ
, theo dõi giới hạn kiểm soát tín hiệu của GE đã tiếp tục giảm đến 2.2. Độ nhạy lớn hơn
cho phép họ nhanh chóng xác định xu hướng thay đổi và kết quả cải thiện hơn nữa trong
dự báo của họ
Ví dụ 5.6 minh họa việc sử dụng các biện pháp dự báo chính xác .
Trong một nghiên cứu, các nhà nghiên cứu phát hiện ra rằng thiên vị trong dự báo có thể
là cố ý, định hướng bởi các vấn đề về tổ chức như động lực của nhân viên và sự hài lòng
của nhu cầu khách hàng, ảnh hưởng đến thế hệ của dự báo. Ví dụ, nhân viên bán hàng có
xu hướng ủng hộ dưới dự báo để họ có thể đáp ứng hoặc vượt quá hạn ngạch bán hàng, và
người sản xuất có xu hướng hơn dự báo bởi vì có quá nhiều hàng tồn kho trình bày ít hơn
của một vấn đề hơn thay thế. Chìa khóa để tạo ra dự báo chính xác là dự báo hợp tác với
các đối tác trong và ngoài công ty làm việc cùng nhau để loại bỏ dự báo lỗi. Một kế hoạch
hợp tác, dự báo và hệ thống bổ sung, thảo luận sau trong chương này, cung cấp cho tự do
trao đổi dữ liệu dự báo, dữ liệu điểm bán hàng, chương trình khuyến mãi và các thông tin
khác có liên quan giữa các đối tác kinh doanh; nỗ lực hợp tác này, chứ không phải là phức
tạp hơn và tốn kém dự báo các thuật toán, có thể chiếm cải thiện đáng kể độ chính xác
trong dự báo.
Ví dụ 5.6 Dự báo chính xác biện pháp
Các thông tin theo yêu cầu và dự báo cho Công ty XYZ trong khoảng thời gian 12
tháng được thể hiện trong bảng dưới đây:
GIAI ĐOẠN CẦU DỰ BÁO GIAI ĐOẠN CẦU DỰ BÁO
1 1600 1523 7 3300 3243
2 2200 1810 8 3200 3530
3 2000 2097 9 3900 3817
4 1600 2383 10 4700 4103
5 2500 2670 11 4300 4390

6 3500 2957 12 4400 4677
Tính toán MAD , MSE , MAPE , RSFE và tín hiệu theo dõi . Giả sử rằng các giới hạn
kiểm soát cho tín hiệu theo dõi là 3 . Chúng ta có thể kết luận gì về chất lượng của các dự
báo ?
GIAI
ĐOẠN
CẦU DỰ BÁO LỖI (E) SAI SỐ
TUYỆT
ĐỐI
E
2
SAI SỐ
TUYỆT ĐỐI
%
1 1600 1523 77 77 5929 4.8
2 2200 1810 390 390 152,100 17.7
3 2000 2097 −97 97 9409 4.9
4 1600 2383 −783 783 613,089 48.9
5 2500 2670 −170 170 28,900 6.8
6 3500 2957 543 543 294,849 15.5
7 3300 3243 57 57 3249 1.7
8 3200 3530 −330 330 108,900 10.3
9 3900 3817 83 83 6889 2.1
10 4700 4103 597 597 356,409 12.7
11 4300 4390 −90 90 8100 2.1
12 4400 4677 −277 277 76,729 6.3
TỔNG 0 3494 1,664,552 133.9
TRUNG BÌNH 291.17 138,712.7 11.16
RSFE MAD MSE MAPE
MAD = 291,2

MSE = 138,712.7
MAPE = 11,2%
RSFE = 0

Theo dõi tín hiệu : = 0

Kết quả cho thấy không có thiên vị trong các dự báo, và tín hiệu theo dõi cũng là trong
giới hạn kiểm soát của 3. Tuy nhiên, các dự báo trên 291 đơn vị trung bình hoặc 11,2
phần trăm giảm từ nhu cầu thực tế. Tình trạng này có thể yêu cầu sự chú ý để xác định
nguyên nhân của sự thay đổi.
IV. NHỮNG TRANG WEB HỮU ÍCH
Một số trang web dự báo cung cấp nhiều thông tin về chủ đề này là :
1. Viện dự báo Giáo dục (www.forecastingeducation.com/)
Viện dự báo Giáo dục (IFE) cung cấp tùy biến cho hội thảo các tổ chức trên toàn thế giới.
IFE cũng thực hiện tư vấn về dự báo kinh doanh, hỗ trợ lựa chọn phần mềm và đào tạo.
Họ cũng duy trì một cơ sở dữ liệu trên phần mềm đánh giá dự báo.
2. Viện dự báo quốc tế (www.forecasters.org/)
Viện dự báo quốc tế là “tổ chức ưu việt cho các học giả và các học viên trong lĩnh vực dự
báo. IIF được dành riêng để khuyến khích sự phân phối và sử dụng các kiến thức về dự
báo trong các lĩnh vực khác nhau.
Viện dự báo quốc tế đã liệt kê các mục tiêu sau đây trên trang web của họ:
Phát triển và hợp nhất dự báo như một bản vẽ nghiên cứu đa ngành về quản lý, khoa học
hành vi, khoa học xã hội, kỹ thuật và các lĩnh vực khác.
Đóng góp vào sự phát triển chuyên nghiệp của các nhà phân tích, các nhà quản lý, và các
nhà hoạch định chính sách có trách nhiệm lập và sử dụng dự báo trong kinh doanh và
chính phủ.
Thu hẹp khoảng cách giữa lý thuyết và thực hành, với thực hành giúp thiết lập các chương
trình nghiên cứu và cung cấp kết quả hữu ích.
Các nhà hoạch định, dự báo, và các nhà nghiên cứu từ tất cả các quốc gia cùng ra quyết
định để nâng cao chất lượng và tính hữu dụng của dự báo.

Viện cũng xuất bản Tạp chí Quốc tế về dự báo, FORESIGHT và The Oracle.
3. Nguyên tắc dự báo: Dự báo dựa trên bằng chứng www.forecastingprinciples.com/
Trang web cung cấp thông tin dự báo hữu ích và được sử dụng bởi các nhà nghiên cứu,
các học viên, và các nhà giáo dục. Trang web có khu vực thảo luận nhóm lợi ích đặc biệt,
chủ đề dự báo, ấn phẩm dự báo, những liên kết về các khoản tài trợ nghiên cứu dự báo
4. Stata (Data Analysis and Statistical Software-Phân tích dữ liệu và phần mềm thống kê):
Thống kê các nhà cung cấp phần mềm (www.stata.com/links/stat_software.html)
Trang web này cung cấp liên kết đến một lượng lớn các thống kê và các nhà cung cấp
phần mềm dự báo. Ngoài ra, khách viến thăm có thể truy cập thông tin về các hội thảo dự
báo trên toàn thế giới và các khóa học ngắn hạn, các nhóm người dùng, một hiệu sách, tạp
chí Stata và sổ tay người dùng.