第四章：需求预测基础

各位工程师朋友，大家好。今天我们来聊聊需求预测。说实话，库存管理里最让人头疼的就是这个环节。预测准了，皆大欢喜；预测偏了，要么库存积压，要么断货挨骂。我做了十几年供应链，见过太多因为预测不准翻车的案例。

需求预测说白了就两大类：定性法和定量法。定性法靠人的判断，定量法靠数据说话。两者各有各的用武之地，我们一个一个来看。

4.1 定性预测法

定性预测，就是没有历史数据，或者数据不可靠的时候，靠专家、靠市场调研来拍脑袋。嗯，这个「拍脑袋」其实是有讲究的。

4.1.1 德尔菲法

德尔菲法，名字听着高大上，其实核心就是「多轮匿名投票」。我参与过一个新产品上市的项目，当时没有任何历史销售数据，就用德尔菲法。

具体怎么做？

  • 找一群专家，比如销售总监、产品经理、行业分析师
  • 每个人独立给出预测，不互相讨论
  • 收集结果，统计出中位数和四分位距
  • 把统计结果反馈给所有人，再让他们重新预测
  • 重复几轮，直到意见收敛

为什么要匿名？因为怕权威专家一开口，其他人就不敢说话了。我见过一个项目，大老板先说了个数字，下面的人全跟着说差不多，结果预测偏差了40%。

我的经验：德尔菲法一般做3轮就够了。超过5轮，专家会疲劳，效果反而下降。

4.1.2 市场调研法

市场调研，就是直接问客户：「你打算买多少？」听起来简单，但坑很多。

我曾经帮一家消费品公司做调研，客户嘴上说「肯定会买」，实际购买率只有30%。为什么？因为客户回答时没有成本约束，说「买」又不花钱。

所以做市场调研时，我建议用「购买意向量表」：

  • 1分：肯定不会买
  • 2分：可能不会买
  • 3分：不确定
  • 4分：可能会买
  • 5分：肯定会买

只有选4分和5分的客户，才计入潜在需求。而且还要打个折扣，一般打7-8折比较靠谱。

4.2 定量预测法

有历史数据了，我们就可以上定量方法。这里我重点讲两个最常用的：移动平均和指数平滑。

4.2.1 移动平均法

移动平均，就是取最近N期的平均值作为下一期的预测。简单粗暴，但有效。

公式长这样：

F(t+1) = (A(t) + A(t-1) + ... + A(t-N+1)) / N

其中F是预测值，A是实际值，N是期数。

N怎么选？这是个关键问题。N越大，曲线越平滑，但对变化反应越慢。N越小，反应快，但容易受随机波动影响。

避坑指南：我曾经给一家电子厂做项目，他们用3期移动平均预测芯片需求。结果遇到市场突然下滑，预测值连续3期都偏高，导致库存积压了2000万。后来我建议改成加权移动平均，给最近的数据更高权重，情况才好转。

加权移动平均的代码示例：

def weighted_moving_average(data, weights):
    """
    data: 历史数据列表
    weights: 权重列表，从最近到最远
    """
    n = len(weights)
    if len(data) < n:
        return None
    recent = data[-n:]
    forecast = sum(r * w for r, w in zip(recent, weights)) / sum(weights)
    return forecast

# 示例：最近3期，权重分别为0.5, 0.3, 0.2
data = [120, 130, 125, 140, 135]
weights = [0.5, 0.3, 0.2]
result = weighted_moving_average(data, weights)
print(f"下一期预测值：{result:.1f}")

4.2.2 指数平滑法

指数平滑，可以理解为移动平均的升级版。它给所有历史数据都分配权重，但越近的数据权重越大，而且权重呈指数衰减。

公式：

F(t+1) = α * A(t) + (1-α) * F(t)

α是平滑系数，取值0到1之间。α越大，模型对最近数据越敏感。

α怎么选？我个人的习惯是：

  • 数据波动小：α取0.1-0.3
  • 数据波动大：α取0.3-0.5
  • 数据有趋势：考虑用霍尔特指数平滑（双指数平滑）
注意：指数平滑有个初始值问题。第一期没有F(1)，通常用A(1)代替，或者取前几期的平均值。这个初始值对前期预测影响很大，但运行一段时间后影响会逐渐消失。

4.3 预测误差分析

预测完了，得看看准不准。误差分析不是为了批评谁，而是为了改进模型。

常用的误差指标有这几个：

指标 公式 说明
MAE Σ|A-F|/n 平均绝对误差，直观易懂
MSE Σ(A-F)²/n 均方误差，放大大误差的影响
RMSE √MSE 均方根误差，单位与原始数据一致
MAPE Σ|(A-F)/A|/n × 100% 平均绝对百分比误差，适合比较不同量级的数据

我个人最常用的是MAPE，因为它能直观反映误差百分比。比如MAPE=10%，意味着平均预测偏差10%。

但要注意，MAPE有个致命缺陷：如果实际值A接近0，百分比会变得无穷大。所以遇到有零值的数据，我建议用MAE或者sMAPE（对称MAPE）。

我的经验：误差分析不是算完就完了。我会把误差按时间画出来，看看有没有系统性偏差。比如连续5期都高估，那模型可能没捕捉到下降趋势，需要调整参数或换模型。

下面我用一张图来总结本章的知识体系：

需求预测方法体系 定性预测法 定量预测法 德尔菲法 市场调研法 移动平均法 指数平滑法 预测误差分析 MAE MSE RMSE MAPE sMAPE 选择方法取决于：数据可用性、业务场景、精度要求

最后说一句，没有完美的预测方法。我见过有人花三个月调参数，把历史拟合误差降到2%，结果未来预测偏差20%。为什么？因为过拟合了。

我的建议是：先用简单方法，比如移动平均，跑起来再说。等积累足够数据，再逐步优化。别一开始就上复杂模型，容易把自己绕进去。

核心要点：
  • 定性法适合新产品、无历史数据场景
  • 定量法适合有稳定历史数据的场景
  • 误差分析要关注系统性偏差，不只是看数值大小
  • 模型越简单，越容易落地和维护

公众号:蓝海资料掘金营，微信deep3321

← 上一章 📖 返回目录 下一章 →