需求预测基础：需求预测的类型与常用方法
各位同学好，我是老张。今天咱们聊聊需求预测的基础。说实话，我在供应链这行摸爬滚打十几年，见过太多因为预测不准导致的惨案——仓库堆满卖不掉的货，或者生产线拼命加班还是缺货。嗯，预测这东西，说难也难，说简单也简单，关键是要选对方法。
一、需求预测的两大类型：定性 vs 定量
需求预测分两大类：定性预测和定量预测。我个人习惯把它们叫做「拍脑袋法」和「算数据法」——当然，这只是开玩笑。
定性预测：靠人的经验、判断、直觉。适合新产品、市场突变、数据不足的情况。
定量预测：靠历史数据、数学模型。适合成熟产品、数据充足、趋势稳定的情况。
我在项目中遇到过一家做智能家居的客户，他们推出一款全新的扫地机器人，历史数据为零。这时候你拿什么做移动平均？只能靠专家打分、市场调研这些定性方法。反过来，如果你做的是可口可乐这种卖了上百年的产品，不用定量方法就是浪费数据。
我的建议：别迷信任何一种方法。实际工作中，我通常会把两种方法结合起来——定量算个基准，定性做微调。这叫「混合预测法」，后面章节会细讲。
二、时间序列预测法：最常用的预测框架
时间序列预测，说白了就是「用过去推测未来」。你想想看，销量、库存、出货量这些数据，按时间排成一串，里面往往藏着规律。
时间序列有四个成分：
- 趋势（Trend）：长期上升或下降。比如某款手机销量逐年增长。
- 季节（Seasonal）：固定周期波动。比如羽绒服冬天卖得好。
- 周期（Cyclical）：经济周期影响，通常3-5年。
- 随机（Random）：无法解释的噪声。比如突然爆发的疫情。
为什么我要强调这四个成分？因为选预测方法前，你得先看看数据长什么样。我曾经有个同事，不管三七二十一直接套指数平滑，结果数据有明显的季节性，预测值偏差了30%——嗯，后来他再也不敢偷懒了。
三、移动平均法：简单但有效
移动平均法，就是取最近N期的平均值作为下一期的预测值。公式很简单：
预测值 = (最近N期实际值之和) / N举个例子，某产品过去5周的销量分别是：100、110、105、120、115。如果用3周移动平均：
第6周预测 = (120 + 115 + 105) / 3 = 113.3这里有个关键问题：N怎么选？
- N越小，对近期变化越敏感，但容易受随机波动干扰
- N越大，曲线越平滑，但反应迟钝
避坑指南：我曾经在一个快消品项目里选了N=12（月度数据），结果预测值几乎是一条直线，完全跟不上市场变化。后来改成N=3，效果好了很多。记住：数据波动大，选小N；数据稳定，选大N。
四、指数平滑法：给数据「加权」
移动平均法有个缺点：它给每个数据点相同的权重。但直觉告诉我们，越近的数据应该越重要。指数平滑法就是干这个的。
公式：
预测值 = α × 最近实际值 + (1-α) × 最近预测值其中α（阿尔法）是平滑系数，取值范围0到1。α越大，预测越依赖近期数据；α越小，预测越平滑。
举个例子：
- 假设α=0.3，上期实际值=120，上期预测值=110
- 本期预测 = 0.3×120 + 0.7×110 = 113
你看，实际值120只贡献了30%的影响，预测值110贡献了70%。这就是「平滑」的含义——不会因为一个异常值就剧烈波动。
我的经验：α的取值没有标准答案。我一般先试0.1、0.3、0.5三个值，看哪个预测误差最小。记住：α=0.1适合平稳数据，α=0.5适合变化较快的数据。
五、三种方法的对比与选择
| 方法 | 优点 | 缺点 | 适用场景 |
|---|---|---|---|
| 移动平均法 | 简单易懂，计算快 | 滞后性，对趋势不敏感 | 短期预测，数据稳定 |
| 指数平滑法 | 自适应，权重合理 | 需要调参，对突变反应慢 | 中短期预测，有轻微趋势 |
| 定性预测 | 灵活，适合新场景 | 主观性强，难以量化 | 新产品、市场突变 |
说实话，没有哪个方法绝对好。我在实际项目中，经常先用移动平均法快速出个初版，再用指数平滑法优化，最后请销售团队用定性判断做修正。三管齐下，准确率能提升不少。
六、知识体系总览
下面这张图总结了本章的核心逻辑，我建议你保存下来，后面几章都会用到。
本章核心要点：
- 定性预测靠人，定量预测靠数据，两者互补
- 时间序列预测是定量方法的基础框架
- 移动平均法简单，但存在滞后性
- 指数平滑法通过α参数实现自适应加权
- 实际工作中，建议多种方法组合使用
好了，这一章就到这里。记住：预测永远不可能100%准确，我们的目标是让误差可控、可接受。下一章我会讲如何评估预测误差——嗯，到时候你会看到，有些看似漂亮的预测模型，其实坑得很。
公众号:蓝海资料掘金营，微信deep3321