需求预测
某快消品公司的采购经理曾说过一句话："我们最大的问题不是成本，而是不知道下个月要卖多少货。"备货少了，货架空了，客户流失；备货多了，仓库积压，资金占用。这个两难困境，是供应链管理中最常见、也最难解决的挑战之一。预测，就是在不确定的未来中，用历史数据和分析方法，给决策提供一个尽可能可靠的数字依据。
需求预测贯穿供应链管理的每一个环节：生产计划、采购备货、库存设置、人员排班，全部依赖于对未来需求的判断。预测不可能做到百分之百准确，但好的预测方法可以把误差控制在可接受的范围内，这正是本章要解决的问题。
预测的基本概念与时间序列构成
预测的原材料是历史数据。当一家企业记录了过去几年每个月的销售量时，这些按时间顺序排列的数据，就构成了一条时间序列（Time Series）。时间序列中隐藏着规律，而预测的核心工作，就是从这些规律中推断未来的走向。
一条时间序列通常由四种成分叠加而成：
以某连锁超市的月度饮料销售数据为例，可以直观感受这四种成分：总体上看，销售额每年缓慢增长（趋势成分）；每年6月至8月明显冲高（季节成分）；2020年因特殊外部环境出现了大幅波动（随机成分）。在实际预测中，趋势和季节是最有规律可循的成分，也是定量方法重点处理的对象；随机成分则是任何方法都无法完全消除的预测残差。
时间序列的四种成分中，趋势和季节是可以通过历史数据识别和建模的；循环成分周期长、难以精确估计；随机成分是不可预测的噪声。好的预测模型能够捕捉趋势和季节规律，同时对随机波动保持足够的鲁棒性。
短期预测、中期预测与长期预测的区别
预测的时间跨度不同，适用的方法也不同。一般而言，预测窗口越长，不确定性越大，误差也越难控制。
定性预测方法
并非所有的预测问题都能用历史数据解决。当一款全新产品尚无销售记录、一个新兴市场尚无可参考数据时，就需要依靠专家判断与市场调研来形成定性预测。
德尔菲法（Delphi Method）
德尔菲法是一种通过多轮专家匿名问卷来达成预测共识的方法。它的基本流程是：组织者向多名专家独立发放问卷，收集各自对未来需求的预测意见；汇总后将统计结果（不透露具体姓名）反馈给所有专家，进行第二轮问卷；如此循环2至4轮，直到专家意见趋于收敛，取最终中位数或平均值作为预测结果。
这个方法的核心价值在于"匿名"二字。若专家面对面讨论，往往会出现资历高者主导意见、其他人随声附和的现象。匿名反馈让每位专家都能坚持独立判断，减少群体压力带来的偏差。
某新能源汽车企业在推出一款新型电池产品前，组织了8位行业专家进行德尔菲预测，三轮问卷的结果如下：
市场调研
市场调研是通过消费者访谈、问卷调查或试销测试来估计市场需求。对于消费品行业，调研可以直接获得潜在购买意愿；对于工业品，则通常调研采购商的计划采购量。市场调研的优点是贴近真实市场反应，缺点是成本高、周期长，且消费者的"说法"与"做法"之间往往存在差距。
定性方法的预测结果不能直接与定量方法的结果相加平均，两类方法应当作为互相验证的工具：定量方法给出基准数字，定性方法检验这个数字是否符合市场实情，必要时做出修正。
简单移动平均与加权移动平均
移动平均法是最基础也最直观的短期预测工具。其核心思路是：用最近若干期的实际数据的平均值，作为下一期的预测值。
简单移动平均（Simple Moving Average，SMA）
设移动平均的期数为 (n)，则第 (t+1) 期的预测值为：
以某超市某款洗发水过去8个月的销售量（单位：件）为例，用3期移动平均预测第9个月的销量：
期数 (n) 的选择是移动平均法的核心参数。(n) 越小，预测值对近期变化越敏感，追踪趋势快，但受随机波动影响也大；(n) 越大，预测值越平滑，但对趋势变化的反应滞后。销售波动剧烈的品类适合较小的 (n)，销售稳定的品类适合较大的 (n)。
加权移动平均（Weighted Moving Average，WMA）
简单移动平均对所有历史期赋予相同权重，而加权移动平均允许对近期数据赋予更高的权重，使预测值更贴近最新趋势。
仍用上表数据，以权重 (w_1=0.5, w_2=0.3, w_3=0.2)（最近月权重最高）做3期加权移动平均：
与简单移动平均的262件非常接近，但在趋势变化更明显的数据中，加权移动平均会表现出更强的追踪能力。
指数平滑法
移动平均法有一个明显的局限：每次预测只用最近 (n) 期数据，而 (n) 期之前的历史数据被完全丢弃。指数平滑法解决了这一问题——它将所有历史数据都纳入考虑，但对越久远的数据赋予越小的权重，权重按指数规律衰减。
简单指数平滑（Simple Exponential Smoothing）
预测公式如下，其中 (\alpha) 为平滑系数（(0 < \alpha < 1)）：
这个公式表明：下一期的预测值，等于本期实际值与本期预测值的加权组合。(\alpha) 越大，本期实际值的权重越高，预测值越"跟手"；(\alpha) 越小，历史平均的影响越大，预测值越平稳。
以某电商平台某类商品月销售额（万元）为例，令初始预测 (\hat Y_1 = Y_1 = 80)，分别用 (\alpha=0.3) 和 (\alpha=0.7) 进行预测：
可以看出，(\alpha=0.7) 的预测值更快地跟上了上涨趋势，而 (\alpha=0.3) 的预测值更保守。实际使用中，通常通过比较不同 (\alpha) 对应的预测误差来选择最优平滑系数。
趋势调整指数平滑（Trend-Adjusted Exponential Smoothing）
简单指数平滑在数据存在明显趋势时会系统性地滞后——当销量持续上升时，预测值总是低于实际值。趋势调整指数平滑在原公式基础上加入趋势估计项 (T_t)，弥补这一不足：
其中 (\beta) 为趋势平滑系数（(0 < \beta < 1)），(m) 为预测期数。这个方法在销量持续增长的品类（如近年来的新能源汽车、智能家居产品）中表现明显优于简单指数平滑。
指数平滑法的核心优势在于：它用一个参数 α 优雅地解决了"历史数据应该保留多少"的问题。α 越大，记忆越短；α 越小，记忆越长。这个机制比移动平均法更灵活，也更节省数据存储空间——只需保留上一期的预测值，就能完成下一期的预测。
线性趋势模型
当数据呈现出明显的线性增长或下降趋势时，用一条直线来拟合时间序列，是最直接的方式。线性趋势模型将时间 (t) 作为自变量，销量 (Y) 作为因变量，建立以下方程：
以某家电品牌近6年的年度销售额（亿元）数据为例：
(\bar t = 3.5)，(\bar Y = 113/6 \approx 18.83)
趋势方程为 (\hat Y_t = 9.13 + 2.77t)。预测第7年（(t=7)）的销售额为：
这意味着按照历史趋势，该品牌第7年的销售额预计约为28.5亿元，每年平均增长约2.77亿元。
回归分析在预测中的应用
线性趋势模型只用时间 (t) 来预测销量，而现实中影响销量的因素往往不止时间一个。回归分析将多个可能影响需求的变量纳入模型，找到它们之间的数量关系，从而做出更准确的预测。
回归分析中有一个容易被忽视的原则：相关不等于因果。两个变量之间存在高度相关，不代表其中一个是另一个的原因。在建立预测模型时，纳入的变量应当有合理的业务逻辑支撑，而不仅仅是因为统计上相关系数高。
预测误差与精度评估
无论使用哪种方法，预测都不可能百分之百准确。评估一种预测方法的好坏，需要用历史数据来衡量它的预测误差。常用的三个指标是MAE、MSE和MAPE。
平均绝对误差（MAE，Mean Absolute Error）
MAE是所有期预测误差绝对值的平均，反映预测偏离实际的平均幅度，单位与原数据相同（如"件"或"万元"），直观易懂。
均方误差（MSE，Mean Squared Error）
MSE对误差平方求均值，放大了大误差的惩罚力度。若两种方法MAE相近但MSE差异显著，说明其中一种偶尔出现极端偏差，而另一种误差更均匀。
平均绝对百分误差（MAPE，Mean Absolute Percentage Error）
MAPE将误差转化为百分比，可以跨越不同量级的数据进行比较。一个MAPE=8%的预测模型，表示平均偏差约为实际值的8%，无论实际销量是100件还是10万件，这个指标都有同等含义。
以某方便面品牌7月份的预测为例，对比三种方法的精度：
三项指标均显示方法B的预测精度最高，这是选用方法B做后续预测的定量依据。
在实际工作中，MAPE是最常用的精度指标，因为它的百分比形式便于非专业人员理解和沟通。一般认为，MAPE低于10%属于预测精度良好，低于5%属于优秀；若MAPE超过20%，则预测结果的参考价值有限，需要重新审视模型或数据质量。
预测在供应链中的应用
需求预测的最终价值不在于数字本身，而在于它如何驱动供应链的实际决策。
库存计划中的应用
备货量的基础是对未来销量的预测。一家3C零售商每季度前需要决定各SKU的备货量，过高则积压资金、面临折价风险，过低则错失销售机会。通过对每个SKU建立指数平滑预测模型，可以为数千个品类自动生成下季度的建议备货量，大幅减少人工逐一判断的工作量。
某电商平台将指数平滑预测引入库存系统后，针对200个核心SKU的效果如下：
生产计划中的应用
制造企业的生产排程依赖于对未来需求的预判。需求预测结果直接决定了：下个月需要生产多少件成品、原材料需要提前多少天采购、设备产能是否需要临时扩充。
某服装企业在传统经验排产模式下，旺季常出现30%以上的产能浪费或缺货并存的情况。引入趋势调整指数平滑模型后，对主力款式的销量预测MAPE从18%降至7%，生产计划的执行准确率从71%提升至89%，旺季库存周转效率提高了近40%。
协同预测（CPFR）的理念
现代供应链管理中，有一个重要实践叫做协同计划、预测与补货（Collaborative Planning, Forecasting and Replenishment，CPFR）。其核心思路是：品牌商与零售商共享销售数据、促销计划和库存信息，双方联合做出统一的需求预测，而不是各自独立预测。
沃尔玛与宝洁之间是CPFR实践的经典案例：宝洁可以直接查看沃尔玛各门店的实时库存与销售数据，据此安排生产和配送；沃尔玛则提前告知宝洁即将执行的促销活动计划。双方协同的结果是，补货周期从数周压缩至数天，缺货率和库存积压率均大幅改善。这种模式打破了供应链各环节"各自为政"的信息壁垒，将预测的准确性提升到了单一企业无法独立实现的水平。
需求预测的价值不仅取决于模型的精度，还取决于预测结果是否被正确地传导到采购、生产、物流等各个执行环节。一个MAPE=6%的优秀预测，若无法被计划团队及时获取并使用，其价值与没有预测无异。
小结
需求预测是供应链管理的"第一张牌"，所有后续的库存、采购、生产决策，都建立在预测的基础上。以下内容从时间序列的基本结构出发，系统介绍了从定性到定量的预测方法体系，并通过误差指标建立了客观评价预测精度的标准。
精度评估三项指标各有侧重：MAE衡量平均绝对偏差，MSE放大极端误差惩罚，MAPE提供跨量级的可比性。实际工作中，三者结合使用，才能全面评判一种预测方法的适用性。需求预测的结果将直接成为库存控制模型的输入参数，两个模块之间形成紧密的逻辑承接关系。