预测方法论总览：定性预测 vs 定量预测、时间序列 vs 因果模型、预测精度衡量指标
各位同学好，我是老张。今天咱们聊聊预测方法论的整体框架。说实话，我刚入行那会儿，面对一堆预测方法也是懵的——什么定性定量、时间序列因果模型，感觉像在听天书。后来踩了不少坑，才慢慢理清楚。
这一节，我带你从全局视角看看预测方法到底有哪些，各自适合什么场景，以及怎么判断预测准不准。
一、定性预测 vs 定量预测：两条腿走路
预测方法，说白了就两大类：定性预测和定量预测。我习惯把它们比作「老法师的经验」和「数据的逻辑」。
1. 定性预测
定性预测，就是靠人的判断。当历史数据不足、或者市场环境发生剧变时，这招特别好使。比如新产品刚导入、或者遇到黑天鹅事件，你没法用历史数据推未来。
常见方法：
- 德尔菲法：找一群专家，匿名反复征询意见，直到达成共识。我参与过一个项目，客户要预测下一代芯片的产能需求，历史数据几乎为零，最后就是用德尔菲法搞定的。
- 市场调研：直接问客户、问渠道，了解他们的采购意向。嗯，这招在消费电子领域很常见。
- 情景分析：假设几种不同的未来场景（乐观、悲观、中性），分别做预测。我个人习惯在季度规划时用这个。
我的经验：定性预测最大的坑是「专家偏见」。我曾经遇到一位资深销售，他拍胸脯说某款芯片下季度能卖10万片，结果只卖了2万片。后来我学乖了——定性预测一定要结合定量数据做交叉验证。
2. 定量预测
定量预测，就是靠数据说话。只要有足够的历史数据，而且业务模式相对稳定，定量预测的精度通常更高。
定量预测又分两类：时间序列模型和因果模型。咱们接着往下看。
二、时间序列 vs 因果模型：两种核心思路
这里我画了一张图，帮你快速理解两者的区别。
1. 时间序列模型
时间序列模型，就是只靠目标变量自身的历史数据来预测未来。它假设「历史会重演」——过去的规律会延续到未来。
常见方法包括：
- 移动平均：取最近N期的平均值作为预测值。简单粗暴，但有时候很管用。
- 指数平滑：给不同时期的数据赋予不同权重，越近的权重越大。
- ARIMA/SARIMA：这是经典的时间序列模型，能处理趋势和季节性。我在做晶圆产能预测时经常用SARIMA，因为半导体需求有明显的季度波动。
注意：时间序列模型有个致命弱点——它无法捕捉外部因素的变化。比如突然来了个贸易禁令，或者某家竞争对手倒闭了，时间序列模型完全反应不过来。我曾经用ARIMA预测某款存储芯片的需求，结果遇到行业周期拐点，预测值直接偏了30%。
2. 因果模型
因果模型，就是找影响需求的关键因素，然后用这些因素来预测。比如芯片需求可能跟下游的智能手机出货量、宏观经济指标、甚至天气都有关系。
常见方法：
- 线性回归：最简单的因果模型，假设Y和X是线性关系。
- 多元回归：考虑多个影响因素。我做过一个项目，用GDP增速、消费电子指数、库存周转率三个变量来预测某类芯片的需求，效果比纯时间序列好不少。
- 机器学习模型：比如随机森林、XGBoost，能处理更复杂的非线性关系。但要注意，模型越复杂，解释性越差，在供应链场景中有时反而不好落地。
我的建议：实际项目中，我很少只用一种方法。通常的做法是：先用时间序列模型跑一个基准预测，再用因果模型做修正。比如用SARIMA预测趋势，然后用回归模型根据最新的市场信号做调整。这叫「组合预测」，精度往往更高。
三、预测精度衡量指标：怎么判断准不准？
预测做完了，总得有个标准来判断好坏吧？这里我介绍三个最常用的指标：MAE、MAPE、RMSE。
先看一个例子。假设我们预测了某款芯片未来5周的需求，实际值和预测值如下：
| 周次 | 实际值 | 预测值 | 误差（实际-预测） |
|---|---|---|---|
| 第1周 | 100 | 110 | -10 |
| 第2周 | 120 | 115 | 5 |
| 第3周 | 90 | 95 | -5 |
| 第4周 | 110 | 105 | 5 |
| 第5周 | 130 | 120 | 10 |
1. MAE（平均绝对误差）
MAE就是所有误差绝对值的平均值。它衡量的是预测偏差的平均大小。
MAE = (| -10 | + | 5 | + | -5 | + | 5 | + | 10 |) / 5
= (10 + 5 + 5 + 5 + 10) / 5
= 35 / 5
= 7MAE = 7，意味着平均每周的预测偏差是7个单位。这个指标很直观，单位跟原始数据一样。
2. MAPE（平均绝对百分比误差）
MAPE把误差转换成百分比，方便在不同量级的数据之间做比较。
MAPE = (| -10/100 | + | 5/120 | + | -5/90 | + | 5/110 | + | 10/130 |) / 5 × 100%
= (0.10 + 0.042 + 0.056 + 0.045 + 0.077) / 5 × 100%
= 0.32 / 5 × 100%
= 6.4%MAPE = 6.4%，意味着平均每周的预测误差在6.4%左右。这个指标在汇报时特别好用，老板一听就懂。
注意：MAPE有个坑——如果实际值接近0，百分比会变得非常大甚至无穷大。我在做某款低销量芯片的预测时就遇到过，实际值只有个位数，MAPE直接飙到几百，完全没法看。这种情况下，我建议改用MAE或者后面要讲的RMSE。
3. RMSE（均方根误差）
RMSE对大的误差惩罚更重（因为先平方再开方）。如果你的预测偶尔出现很大的偏差，RMSE会明显变大。
RMSE = sqrt( ( (-10)² + 5² + (-5)² + 5² + 10² ) / 5 )
= sqrt( (100 + 25 + 25 + 25 + 100) / 5 )
= sqrt( 275 / 5 )
= sqrt( 55 )
≈ 7.42RMSE ≈ 7.42，比MAE的7略大，说明存在一些较大的误差（比如第1周和第5周的10个单位误差）。
三个指标怎么选？
我个人的经验是：
- 汇报给管理层：用MAPE，百分比好理解。
- 做模型调优：用RMSE，它能放大大的误差，帮你发现模型的「短板」。
- 数据有零值或接近零：用MAE，别用MAPE。
避坑指南：我曾经在一个项目中只用MAPE来评估模型，结果模型在大部分数据上表现不错，但在几个关键月份（实际值很小）上误差巨大。后来换成RMSE，才发现了这个问题。所以，我建议你至少同时看两个指标，互相补充。
四、实战中的选择逻辑
说了这么多，到底什么时候用哪种方法？我总结了一个简单的决策流程：
- 先看数据量：历史数据少于12个月？优先考虑定性预测。
- 再看业务稳定性：市场环境稳定，没有重大变化？时间序列模型可以试试。
- 有没有外部驱动因素？如果有明确的因果关系（比如需求跟GDP、跟下游出货量强相关），上因果模型。
- 最后看精度要求：要求不高？移动平均就够了。要求高？组合预测走起。
嗯，这一节的内容就到这里。记住，没有最好的方法，只有最合适的方法。多试、多对比、多复盘，慢慢你就有感觉了。
公众号:蓝海资料掘金营，微信deep3321