第二章：需求预测与波动——别让预测变成“猜谜游戏”

大家好，我是老李。在供应链这行摸爬滚打了十几年，我见过太多因为需求预测不准而翻车的案例。今天咱们聊聊需求预测和波动的关系。说白了，预测不是算命，它是一门用历史数据说话的科学。

我个人习惯把需求预测比作“开车看路”。你不可能完全预判下一秒会不会有行人窜出来，但你可以根据路况、车速、天气来调整你的驾驶策略。库存管理也一样——我们追求的不是100%准确，而是知道误差有多大，以及如何应对。

2.1 需求预测的基本方法

先说说最常用的几种方法。别嫌基础，我当年就是靠这些方法帮一家电子厂把库存周转率提升了30%。

2.1.1 移动平均法

这个方法最简单，也最实用。取最近N期的实际需求，算个平均值作为下一期的预测值。

# 简单移动平均示例（Python）
def simple_moving_average(data, window=3):
    return sum(data[-window:]) / window

# 假设过去3周的需求是 [120, 130, 110]
prediction = simple_moving_average([120, 130, 110], 3)
print(f"下周预测需求: {prediction}")  # 输出: 120.0

嗯，这里要注意：窗口期选多大很关键。我在项目中遇到过，如果产品季节性波动大，窗口期选太短会过度反应，选太长又反应迟钝。一般建议先试3-6期，再根据误差调整。

2.1.2 指数平滑法

这个方法比移动平均聪明一点。它给近期数据更高的权重，远期数据权重递减。公式长这样：

# 指数平滑示例
def exponential_smoothing(data, alpha=0.3):
    if not data:
        return None
    forecast = data[0]  # 初始值用第一个实际值
    for actual in data[1:]:
        forecast = alpha * actual + (1 - alpha) * forecast
    return forecast

# 假设数据 [120, 130, 110, 140]
prediction = exponential_smoothing([120, 130, 110, 140], alpha=0.3)
print(f"下一期预测: {prediction:.1f}")

alpha值怎么选？我建议从0.2开始试。alpha越大，模型对近期变化越敏感。说白了，如果你觉得市场变化快，就选大一点的alpha；如果觉得趋势稳定，就选小一点的。

2.1.3 季节性分解法

这个方法适合有明显季节性的产品。比如空调、羽绒服、月饼。我曾经帮一家饮料公司做预测，发现他们的销量在夏天是冬天的3倍。如果不做季节性分解，预测就是瞎扯。

方法	适用场景	优点	缺点
移动平均	需求平稳、无趋势	简单易懂	滞后性明显
指数平滑	短期预测	计算量小	对突变不敏感
季节性分解	有明显周期	捕捉季节规律	需要足够历史数据

2.2 预测误差与波动的关系

你想想看，预测做完了，然后呢？很多人犯的错误是：把预测值当成真理，直接下单采购。结果呢？要么库存积压，要么断货。

为什么会这样？因为预测一定有误差。这个误差就是波动的来源之一。

举个例子：假设真实需求是100，你预测了90。误差是10%。如果你按90备货，实际来了100，你就缺了10个。这10个缺口会触发紧急补货，而紧急补货又会导致供应商那边波动加剧。这就是所谓的“牛鞭效应”。

我记得有一次，一家客户因为预测误差只有5%，但他们的安全库存设得太低，结果一个促销活动直接把库存打穿。后来我帮他们重新算了一下，把安全库存公式里的波动系数从1.5调到了2.0，问题就解决了。

2.3 如何量化需求的不确定性

量化不确定性，说白了就是回答一个问题：我的预测到底有多不靠谱？

2.3.1 用标准差衡量波动

最常用的指标是标准差。它告诉你数据偏离平均值的程度。

import numpy as np

# 假设过去12个月的需求数据
demand = [120, 130, 110, 140, 125, 135, 115, 145, 128, 132, 118, 142]
mean_demand = np.mean(demand)
std_demand = np.std(demand, ddof=1)  # 样本标准差

print(f"平均需求: {mean_demand:.1f}")
print(f"标准差: {std_demand:.1f}")
print(f"波动系数(CV): {std_demand/mean_demand:.2f}")

波动系数（CV）是个好东西。CV小于0.2算低波动，0.2-0.5算中等，大于0.5算高波动。我一般建议：CV超过0.3的产品，就别用简单移动平均了，得用更复杂的模型。

2.3.2 预测区间 vs 点预测

很多新手只给一个点预测值。我建议至少给出80%的预测区间。什么意思？就是告诉业务部门：下周需求有80%的概率落在[110, 130]之间。

2.3.3 用MAPE评估预测质量

MAPE（平均绝对百分比误差）是我最常用的评估指标。它告诉你预测平均偏离了多少百分比。

def calculate_mape(actual, forecast):
    return np.mean(np.abs((np.array(actual) - np.array(forecast)) / np.array(actual))) * 100

actual = [120, 130, 110, 140]
forecast = [115, 125, 115, 135]
mape = calculate_mape(actual, forecast)
print(f"MAPE: {mape:.1f}%")

MAPE小于10%算优秀，10%-20%算良好，超过20%就要警惕了。我曾经遇到一个项目，MAPE高达35%，后来发现是数据清洗出了问题——他们把退货数据也算进去了。

知识体系总览

下面这张图是我自己画的，把本章的核心逻辑串起来了。你一看就明白：预测方法、误差量化、波动控制，这三者是怎么联动的。

好了，这一章的内容就这些。记住：预测不是目的，控制波动才是。下一章咱们聊聊安全库存怎么算，那才是真正见功夫的地方。

---

公众号:蓝海资料掘金营，微信deep3321