第3章需求预测与计划

3. 需求预测与计划：让数据告诉你该备多少货

做芯片供应链，最头疼的问题是什么？

我告诉你——就是「备货」。备多了，库存积压，资金压力大；备少了，客户催货，销售骂娘。说白了，需求预测就是解决这个矛盾的。

这一章，我结合自己踩过的坑，聊聊历史数据分析、机器学习预测、安全库存策略，还有S&OP流程怎么落地。

3.1 历史数据分析：先看看过去发生了什么

做预测之前，我习惯先拉出过去12-24个月的历史数据。别急着上模型，先看看数据长什么样。

我在项目中遇到过一家芯片代理商，他们库存积压了3000万。一查原因，原来是销售拍脑袋报了需求，结果客户实际提货只有预测的60%。

所以，第一步是清洗数据。你需要关注这几个维度：

实际出货量：按周或月统计，剔除退货和异常订单
客户订单 backlog：已下单但未交付的订单
渠道库存：代理商或分销商手里还有多少货
季节性因子：比如消费电子Q3旺季，汽车芯片Q4备货

嗯，这里要注意：历史数据里如果有「缺货」记录，那段时间的出货量其实是失真的。因为客户想买但买不到，数据上看起来需求很低。我吃过这个亏，后来学会了用「需求满足率」来修正。

3.2 机器学习预测模型：让算法帮你干活

光靠Excel拉个趋势线，说实话，精度不够。我建议用机器学习模型来做短期预测（1-3个月）。

我个人比较常用的模型是：

ARIMA：适合平稳时间序列，简单好用
Prophet：Facebook开源的，能处理节假日和周期性
LightGBM：特征工程做得好，精度比传统模型高10%-15%

下面是一个用Prophet做芯片需求预测的示例代码：

from prophet import Prophet
import pandas as pd

# 假设你有历史出货数据
df = pd.read_csv('chip_shipment.csv')
df.columns = ['ds', 'y']  # ds是日期，y是出货量

model = Prophet(
    yearly_seasonality=True,
    weekly_seasonality=False,
    daily_seasonality=False,
    changepoint_prior_scale=0.05
)

model.add_seasonality(name='quarterly', period=91.25, fourier_order=5)
model.fit(df)

future = model.make_future_dataframe(periods=90)
forecast = model.predict(future)

# 输出预测结果
print(forecast[['ds', 'yhat', 'yhat_lower', 'yhat_upper']].tail(10))

为什么用Prophet？因为它对缺失值和异常点比较鲁棒。我曾经用ARIMA跑一批数据，结果因为春节放假导致出货量骤降，模型直接崩了。换成Prophet，加上节假日参数，效果就好很多。

避坑指南： 我曾经把预测结果直接发给生产部门，结果被骂惨了。为什么？因为模型预测的是「需求」，但生产需要的是「净需求」——要减去现有库存和在途订单。这个坑，你千万别踩。

3.3 安全库存策略：给不确定性留点余量

预测永远不可能100%准确。所以，安全库存就是你的缓冲垫。

安全库存的计算公式，我一般用这个：

安全库存 = Z × σ × √L

其中：

Z：服务水平对应的Z值（95%服务水平取1.65，99%取2.33）
σ：需求标准差（反映波动大小）
L：补货提前期（单位：天）

举个例子，某款MCU芯片，周需求标准差是500颗，补货周期是4周，如果要求95%的服务水平：

安全库存 = 1.65 × 500 × √4 = 1.65 × 500 × 2 = 1650颗

也就是说，你仓库里除了正常周转库存，还得额外备1650颗，才能应对突发需求。

  关键点： 安全库存不是一成不变的。我建议每季度重新计算一次，因为需求波动和补货周期都会变。另外，不同芯片的ABC分类，安全库存策略也不同——A类物料（高价值）可以适当降低服务水平，C类物料（低价值）可以多备一些。

3.4 S&OP流程数字化：把计划变成可执行的流程

S&OP（销售与运营计划），说白了就是让销售、生产、采购、财务坐在一起，把需求预测和供应计划对齐。

传统做法是每月开一次会，大家拿着Excel对数据。但芯片行业变化太快，一个月一次根本不够。我建议把S&OP流程数字化，做到周级别滚动。

下面这张图是我设计的S&OP数字化流程框架：

数字化S&OP的好处是什么？我总结三点：

响应快：周级别滚动，发现偏差立刻调整
数据透明：销售、生产、采购看到的是同一套数据，减少扯皮
可追溯：每次预测和决策都有记录，复盘时知道哪里出了问题

注意： 数字化S&OP不是上一套系统就完事了。我见过很多公司花几百万上了SAP IBP，结果没人用。为什么？因为流程没跑通，数据质量差。我的建议是：先手工跑3个月流程，把数据清洗干净，再上系统。工具是辅助，流程和人才是核心。

3.5 实战案例：某芯片代理商的需求预测优化

最后分享一个真实案例。去年我帮一家做电源管理芯片的代理商做需求预测优化。

他们原来的做法：销售每月报一次需求，准确率只有55%。库存周转天数高达120天。

我们做了三件事：

接入历史出货数据和客户PO数据，用Prophet做周级别预测
按ABC分类设置差异化安全库存（A类备2周，B类备4周，C类备8周）
搭建S&OP看板，每周一上午10点自动推送预测偏差报告

结果呢？3个月后，预测准确率提升到78%，库存周转天数降到75天。虽然离完美还有距离，但至少不再被库存压得喘不过气了。

我的心得： 需求预测不是一锤子买卖。你想想看，市场在变，客户在变，芯片的供货周期也在变。所以，保持模型迭代，保持流程滚动，才是长久之计。

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录

3. 需求预测与计划：让数据告诉你该备多少货

3.1 历史数据分析：先看看过去发生了什么

3.2 机器学习预测模型：让算法帮你干活

3.3 安全库存策略：给不确定性留点余量

3.4 S&OP流程数字化：把计划变成可执行的流程

3.5 实战案例：某芯片代理商的需求预测优化