2. 需求不确定性分析

各位同学好，我是老张。今天咱们聊聊需求不确定性分析。说实话，做安全库存这么多年，我最大的体会就是——库存问题，十有八九是需求预测不准闹的。

你想想看，如果需求是稳定的、可预测的，那安全库存根本不需要。但现实世界哪有那么完美？客户今天下单明天改单，市场说变就变。所以，搞懂需求波动，是设置安全库存的第一步。

2.1 需求波动的来源

需求为什么会波动？我把它归纳为三类来源：

• 市场因素：促销活动、季节性变化、竞争对手动作。我记得有一次帮一家快消品企业做优化，双十一前的需求波动直接翻了3倍，安全库存差点爆仓。
• 客户行为：批量下单、订单取消、紧急插单。说白了，客户不是机器，他们的行为很难完全预测。
• 内部因素：销售策略调整、产品生命周期变化、新品上市。这些都会导致历史数据失效。

2.2 需求预测误差

预测嘛，永远不可能100%准确。但我们需要知道误差有多大。常用的指标有：

指标	公式	说明
MAE（平均绝对误差）	MAE = (1/n) Σ|实际值 - 预测值|	直观反映误差大小
MSE（均方误差）	MSE = (1/n) Σ(实际值 - 预测值)²	放大较大误差的影响
MAPE（平均绝对百分比误差）	MAPE = (1/n) Σ|(实际值 - 预测值)/实际值| × 100%	相对误差，便于跨品类比较

我个人习惯用MAPE。为什么？因为它能告诉你误差占实际需求的百分比。比如MAPE=20%，意味着平均每100件需求，预测偏差在20件左右。这个数字直接指导安全库存的设定。

2.3 需求分布类型

搞懂了误差大小，还得知道需求长什么样。说白了，就是需求服从什么分布。这里我重点讲两种：

正态分布

这是最常见的假设。当需求受多个独立因素影响时，往往近似正态分布。比如日常消费品、标准件。

正态分布有两个关键参数：

• 均值 μ：代表平均需求水平
• 标准差 σ：代表需求波动程度

举个例子，某SKU日均需求100件，标准差20件。那么68%的日子里，需求在80-120件之间；95%的日子在60-140件之间。安全库存就是基于这个逻辑算出来的。

泊松分布

当需求是离散的、低频的，比如备件、维修件，泊松分布更合适。它的特点是：均值等于方差。

我记得有一次做汽车配件的项目，某个型号的刹车片一个月才卖5-10片。用正态分布算安全库存，结果总是偏大。换成泊松分布后，库存直接降了30%。

2.4 标准差与变异系数

标准差σ是衡量波动绝对大小的指标。但有个问题——它受均值影响。比如日需求1000件，标准差50件，波动率5%；日需求10件，标准差5件，波动率50%。后者虽然标准差小，但相对波动大得多。

这时候就需要变异系数（CV）了：

CV = σ / μ

CV是个无量纲的比值。我一般这样判断：

• CV < 0.5：需求相对稳定，安全库存可以设低一些
• 0.5 ≤ CV ≤ 1.0：中等波动，需要认真对待
• CV > 1.0：高度波动，建议先找波动原因，再谈安全库存

知识体系总览

下面这张图，是我梳理的需求不确定性分析框架。你可以把它当作本章的思维导图：

嗯，这张图把本章的核心逻辑串起来了。从波动来源到误差衡量，再到分布类型和波动指标，最终都指向安全库存的设定。你可以在后续章节中反复对照这张图。