【導讀】製單完工與殘料形成。製單與現(xiàn)場資產狀況。同的工作中心，緊隨著製單檢閱與發(fā)放模組之後。工具、物料等)，以滿足生產目標的要求」。瓶頸資源使用率最高。生產前置時間最短等。收集各製單與設備的生產進度與績效?；蜃詣踊占癁楝F(xiàn)場資料庫。場監(jiān)控模組，即為資料蒐集與監(jiān)督的主要目的。將資訊回饋給其他階層。題，則產生解決方案。根除問題發(fā)生的發(fā)生源。根據(jù)上述分析結果，定義及解決相關之現(xiàn)場問題。解除該製造命令單的所有資源分配。立工作站的作業(yè)時間接近相同以達到同步作業(yè)。下的工作流程將很順暢。工作，意指這些工作不能再作更細部的劃分。舉個例子，一般將鑽孔的動作視為最小合理化單元。組裝工作被認定為最小合理化工作單元。以圖示的方法來表現(xiàn)出工作單元間的次序作業(yè)限制。記在各節(jié)點的上方。步驟的實際演算應用。求且其在工作站Te的總和沒有超過週期時間：Tc。直到Te的總和超過週期時間：Tc。所有單元都已被分配。

　　

【正文】 最近期的資料在預測上為較重要的指標 ， 故可設較高的權重；若資料是屬於季節(jié)性的 ， 那麼就可根據(jù)季節(jié)的變動來分配權重 。 生產計畫與管理 Chapter 9 生產活動管制 980 生產計畫與管理 Chapter 9 生產活動管制 981 生產計畫與管理 Chapter 9 生產活動管制 982 指數(shù)平滑法 指數(shù)平滑法為一種常用的預測方法 ， 此法給予各期已知資料的權重呈現(xiàn)指數(shù)分配的型態(tài) ， 且近期的權重較大 ， 廣義而言 ， 此法亦為一種加權移動平均法 。 指數(shù)平滑法需三項資料： 最近的預測結果 、 最近一期的實際需求以及平滑係數(shù) α。 指數(shù)平滑法以最近一期的預測值為基礎 ， 每一預測值可從上一期的預測值和實際值計算得到 ， 此法的優(yōu)點在於所需儲存的歷史資料數(shù)量最少 。 平滑係數(shù)是用來決定預測平準的程度 ， 以及對預測值與實際值之差值的反應速度 ， 一般使用的平滑係數(shù)多介於 ~ 。 生產計畫與管理 Chapter 9 生產活動管制 983 生產計畫與管理 Chapter 9 生產活動管制 984 生產計畫與管理 Chapter 9 生產活動管制 985 生產計畫與管理 Chapter 9 生產活動管制 986 生產計畫與管理 Chapter 9 生產活動管制 987 生產計畫與管理 Chapter 9 生產活動管制 988 趨勢性指數(shù)平滑法 生產計畫與管理 Chapter 9 生產活動管制 989 生產計畫與管理 Chapter 9 生產活動管制 990 季節(jié)性預測法 時間序列中的季節(jié)變動是指在時間序列中某事件規(guī)則地向上或向下反覆變動 。 季節(jié)性可能是規(guī)則的年度變動 (如：氣候的變動 — 冬季與夏季冷氣的銷售量 )或假期變動 (如：航空旅遊 、 賀卡銷售 )。 季節(jié)變動一詞也應用在每日 、 每週 、 每月及其他出現(xiàn)規(guī)則性的模式 ， 例如：每天上下班交通尖峰時段 、 餐廳和戲院在週末時人潮較多 、 銀行在中午和下班前顧客流量較多等等 ， 都是與季節(jié)變動相關的應用例 。 在時間序列中的季節(jié)性是以實際值偏離平均值的數(shù)量來表示 。 若趨向於在平均值附近變動 ，則其季節(jié)性就可用該平均值來表示；若呈現(xiàn)趨勢性 ， 則季節(jié)性應以趨勢值來表示 。 生產計畫與管理 Chapter 9 生產活動管制 991 季節(jié)性有兩種不同的處理模式： 加法模型(additive model) 和 乘 法 模 型 (multiplicative model)。 在加法模型裡 ， 利用加上或減去一特定的數(shù)量來表示季節(jié)性；在乘法模型裡 ， 季節(jié)性以平均數(shù)量的百分比來表示 ， 利用乘上一數(shù)值加入季節(jié)性 。 實務上乘法模型比加法模型應用廣泛 ， 以下只介紹乘法模型 。 當不同季節(jié)中的變動情形具有規(guī)則性時 ， 可用季節(jié)指數(shù) (seasonal indexes)加以調整或消除季節(jié)性 ， 通常季節(jié)指數(shù)以數(shù)量的百分比來表示 ，介於 0與 1之間 。 在預測中所用的季節(jié)相對性 ， 有兩種不同的方式 ， 一種方式為消除數(shù)據(jù)的季節(jié)性 ， 另一種方式是在預測中加入季節(jié)性 。 消除數(shù)據(jù)的季節(jié)性 ，是指將季節(jié)的因素從數(shù)據(jù)中去除 ， 以便得到一個更清楚 、 不含季節(jié)因素的數(shù)值；當需求同時具有趨勢性與季節(jié)性因素時 ， 則可在預測值中加入季節(jié)性 。 生產計畫與管理 Chapter 9 生產活動管制 992 1. 加入季節(jié)性因素的方法 根據(jù)趨勢預測值 ， 乘以相對應的季節(jié)指數(shù) ， 將季節(jié)性加入預測值中 。 生產計畫與管理 Chapter 9 生產活動管制 993 2. 計算季節(jié)指數(shù)的方法 第 i期的季節(jié)指數(shù)＝第 i期實際需求量 ╱ 一期平均需求量 ＝ (年度需求預測量 ╱ 期數(shù) ) ?第 i期的季節(jié)指數(shù) ＝調整後之第 i期需求預測量 生產計畫與管理 Chapter 9 生產活動管制 994 生產計畫與管理 Chapter 9 生產活動管制 995 生產計畫與管理 Chapter 9 生產活動管制 996 生產計畫與管理 Chapter 9 生產活動管制 997 生產計畫與管理 Chapter 9 生產活動管制 998 生產計畫與管理 Chapter 9 生產活動管制 999 預測誤差控管與方法選擇 生產計畫與管理 Chapter 9 生產活動管制 9100 生產計畫與管理 Chapter 9 生產活動管制 9101 生產計畫與管理 Chapter 9 生產活動管制 9102 生產計畫與管理 Chapter 9 生產活動管制 9103 生產計畫與管理 Chapter 9 生產活動管制 9104 生產計畫與管理 Chapter 9 生產活動管制 9105 生產計畫與管理 Chapter 9 生產活動管制 9106 生產計畫與管理 Chapter 9 生產活動管制 9107 生產計畫與管理 Chapter 9 生產活動管制 9108 生產計畫與管理 Chapter 9 生產活動管制 9109 各種預測方法的共同特徵 假設過去存在的因果關係 ， 未來將會循著一定的軌跡繼續(xù)存在 。 事實的結果往往出乎預測之外 ， 因為太多的因素會影響預測的結果 ， 致使無法一一周全地加以考慮 ， 何況其間尚存在著許多隨機性的因素 ，因此實際的結果經(jīng)常與預測值不同 。 群體項目的預測遠較個別項目的預測為準確 ，因為群體產品的預測誤差常可相互抵消 。 預測的準確度隨著預測時間的長度而遞減：預測的時程愈長 ， 預測的準確性愈差 。 由於短程預測所面臨的不確定因素較長程預測少 ， 故短程預測較長程預測準確 。 生產計畫與管理 Chapter 9 生產活動管制 9110 預測方法的選擇 雖然有許多不同種類的預測方法 ， 但沒有一種預測方法可以適用於所有情況 ， 因此 ， 在選擇預測方法時 ， 管理者必須考慮許多因素 ， 最重要的兩個因素是 「 成本 」 和 「 準確度 」 。 一般而言 ， 準確度愈高的預測 ， 其成本愈高 ，所以在成本與準確度之間必須做一取捨；最佳的預測並不一定要最準確或成本最低 ， 而是 管理階層所認同某種準確度與成本最佳的組合 。其他考慮因素包括：歷史資料的有效性 、 收集資料和分析資料所需的時間 、 管理者的能力等等 。 此外 ， 預測所包含的時間亦相當重要 ， 有些預測適用於長期預測 (如：趨勢法 )， 有些預測適用於短期預測 (如：移動平均法 、 指數(shù)平滑 )，一些不需使用歷史資料的定性方法 ， 也較常被用於長期預測 (如：德菲法 、 主管意見法等等 )。 生產計畫與管理 Chapter 9 生產活動管制 9111 運用前述幾種方法來進行預測統(tǒng)計分析時 ， 可依下列步驟進行以獲得較適當?shù)念A測值： 資料累計 (Accumulation)：將歷史銷售紀錄等獲得的資料分佈於各時間點上 ， 再將各時間點的資料累計為時段式 (time series)資料 ，並依據(jù)各產品的特性來決定時段 (time series)的長短 。 例如 ， 每日累計成時段式資料則為每週 。 資料處理 (Data Cleansing)：若所得的時段式 (time series)資料有不正常的資料點時 ， 不論是已知或未知原因造成都需先做調整 。 例如：將原始的銷售資料除去已知的需求影響因素 ， 像是促銷活動 、 例外事件 ， 或未知因素 ， 以得到適當?shù)男枨蠡鶞?。 診斷 (Diagnostic)：根據(jù)資料的特性 ， 選出所有適合的預測模組 (forecasting models)。 生產計畫與管理 Chapter 9 生產活動管制 9112 模組篩選 (Model Selection)：從適合的預測模組群中 ， 決定最有可能產生最準確預測的模組 。 步驟如下： (1)將所有可利用的歷史銷售 (時段性 )資料分為前段與後段 。 (2)將前段資料套用於預測模組來產生預測 。 (3)將產生的預測與保留的後段歷史銷售資料作一比較並計算預測誤差 。 (4)選出誤差最小的預測模組來做未來的銷售預測模組 。 預測演算 (Forecasting)：將所選出的預測模組運用到所有存在的歷史資料 ， 來演算未來的需求預測 。 結果評估 (Evaluation)：定期的計算預測與實際銷售誤差來評估預測模組的適合性 。 需求的特性 (Demand Pattern)有可能會隨時間而改變 ， 因此須定期衡量預測模組是否仍適合 。