想系统学习需求预测么？一篇文章就够了

无论是工作，还是学习供应链的过程中，我们都很难绕开一个喜忧参半的词：需求预测。喜的是如果我们已经开始接触到这个层面的事务时，说明我们开始关注业务的过去和将来以及企业内部供应链上下游了，而不再停留在基础操作和日常事务处理层面了，这是供应链的认知层面很大的提升。忧的是这是一个极其复杂而富有挑战的工作，深不可测，而且想做好，并不是某一个人能完成的事情，而是企业文化、流程、系统、算法模型等多个纬度夹杂到一起的一个高难度课题，任何一方面不健全都很难达到理想效果。

对于需求预测，木笔也是一知半解，看过很多资料，也在之前的公司有涉足尝试过，但结果总是差强人意，后来也就不了了之了，所以一直想系统的学习一下。机缘巧合，人民邮电出版社的陈楷荷编辑赠送了三本供应链书籍，其中的一本《供应链需求管理》正是系统讲解需求预测的，而且比较通俗易懂，经过近两个月的学习（两个月是因为工作太忙，精力有限，书还是很精简的），并按自己的理解将书中部分内容整理成文，希望对于和我一样想要了解需求预测知识的朋友们有所帮助。

01 什么是需求预测

需求预测是一家公司在一系列假设条件下，对未来需求进行精准的测算。通过定义，我们可以提三个问题：

一、什么是需求？答：需求是假设产能充足，没有其它限制条件，客户能够在公司购买的商品和服务数量。

二、有哪些假设条件？答：包含公司内部假设和外部假设。内部假设主要指一些刺激需求变动的公司活动，比如投放广告、宣传活动、增加分销渠道、招聘销售员、调整商品价格等；外部假设主要对未来经济水平的预期，如利率、失业率、通胀、竞争对手动向等。

三、何为测算？答：测算是一种对未来的猜测，所以它并不是准确的，根据Gartner的调查，消费品公司的平均预测准确度只在50%到60%之间，由此我们得出结论：所有的预测都是错的，我们所有的工作都是在尽可能利用现有已知的条件使其尽量准确，错的不那么离谱。

那么既然预测的都是错误的，我们为什么还要做需求预测呢？

首先，需求预测是基于历史数据和未来的预判得出的有理论依据的结论，有利于高层对未来的销售及运营计划、目标，资金预算做决策参考；其次，需求预测能为采购计划、仓库作业资源调配起推荐作用，有助于采购部门做采购计划，仓库提前做排产计划，减少受业务的波动影响。

如果没有需求预测，公司内部很多关于销售、采购、财务预算的决策都只能根据经验拍脑袋而来了，会导致对市场预测不足，产生库存和资金的积压或不足等问题。

当然，需求预测虽然很重要，但它并不能被当做需求计划，也不能被当做销售目标。所谓预测，是对未来可能发生的情况的一种假设，本质上还是一种推测，只能作为参考，而需求计划则是保证目标能达成而做的决策，更具有权威性和可执行性，销售目标则是希望达到的结果，三者不能混为一谈。

02  需求预测关键维度

要做需求预测，先了解预测的5个基本维度：

（1）预测维度。预测的颗粒度，是按包还是按箱，按单品还是按品牌。通常颗粒度越细，变量更多，预测准确性会越低。

（2）预测跨度。目前预测的是未来多长时间内的需求数据，比如未来2个月或半年。一般来说，预测区间跨度越大，预测准确性越低。

（3）预测间隔。需求预测更新的频率，比如一个月更新一次，或一周更新一次。

（4）预测单位。需求预测数据的物理衡量标准，如盒、箱、克、米等。

（5）预测机制。描述不同维度的颗粒度之间的连接情况及不同维度之间的关系。

预测机制可以分别从产品、客户和地域三个层面来展开，也叫三面金字塔模型，如下图所示：

▲预测机制-三面金字塔模型

在预测机制里，金字塔上面的高粒度预测都是由底部低粒度的预测上升而来，以产品层面举例，最低粒度是单品的预测，即我们所说的SKU，例如在某可乐公司，需要预测8月份2升装的可口可乐这个SKU的需求量；当单品往上一级，便上升到品牌维度（SPU）的预测，则变成了“8月份可口可乐品牌的需求量”；而再往上一级就不光只考虑可口可乐品类，而是预测“8月份所有可乐的整体需求”了，包含百事可乐、零度可乐、幸福可乐、少林可乐等等；最后把可乐的预测量与果汁、矿泉水以及其它产品进行组合，便得到了公司层面的整体预测情况，到这个层面用件数来统计的意义就不大了，一般以金额来计算。

了解了需求预测的基本属性以后，我们便具备了预测需求的基本功底，可以进一步学习需求预测方法了。

03  需求预测方法：定性预测与定量预测

需求预测方法主要分为定量预测和定性预测两种。

 一、定量预测 

定量预测法是通过历史数据的分析进而探索需求模式，通俗点解释，就是根据历史数据来寻找规律。主要有两种可预见的需求模式：

第一种是时间类型的需求模式，此模式可以被识别是因为它们在某些时候进行着可预见的重复，例如游船在春夏季节需求比在冬天需要要高，每逢情人节玫瑰和巧克力销量比较好。想要发现并预见这种需求模式，推荐时间序列统计法。

第二种是除了时间之外能够对需求造成影响的其它因素。这种模式被识别出是因为某些可量化的变量对于需求有着可预见的影响，例如可口可乐公司的产品对于促销反应比较敏感，如果打折，顾客就会多买。针对这类模式的最佳解决方案是进行回归分析。

1.时间序列预测法

用于探索以往随着时间重复的需求变化中蕴含的需求模式，包含趋势型、季节型和噪声模式。三种模式的解释请看下图：

▲时间序列法的三种需求模式

常见的时间序列预测方法主要有如下几种：

（1)朴素预测法：将最邻近的一段时间的数据作为未来同等时间段的预测结果。例如1月实际需求量为50，则2、3、4、5月预测均为50；等到2月过后，2月实际需求为60，则3、4、5月预测均与2月相同，为80。此种方法因为没有考虑趋势、季节和噪声，误差很大，很少采用。

（2）简单平均法：(t+1)月预测量 =  1到t月实际需求的平均数。只有在随机噪声模式下，适合用此预测方法，因为峰值和谷值通过平均后刚好相抵。而一旦有了趋势型和季节型模式，此预测方法与实际需求误差就会很大了。

（3）移动平均法：(t+1)月预测量 =t月往前N个月的实际需求的平均数，如5月预测需求取2、3、4月的实际需求平均数，6月则取3、4、5月实际需求平均，7月取4、5、6月实际需求平均，以此类推。

移动平均法能够有效解决实际需求发生巨变导致预测偏差，但同样不适用于季节型模式，因为它对取值时间之外的历史数据完全不予以参考。

（4）指数平滑法：实际上是一种特殊的加权移动平均法，指兼容了简单平均和移动平均所长，不舍弃过去的数据，将近期数据和远期数据均纳入预测参考，但不一视同仁，而是设定一定的权重，这样就能更加灵活的运用历史数据，算法如下：

以上公式为一次指数平滑预测法，适用于水平型历史数据的预测；若呈斜坡型线性趋势历史数据的预测，则适合二次指数平滑预测法；若呈现抛物线趋势，则应该选用三次指数平滑法或更多次指数平滑预测法。同时，如果再加入趋势型和季节型的混合模式i，则平滑指数算法中除了常数α 外，还要加上趋势常数β，以及季节常数 λ一起平滑，算法比较复杂，已经超出了木笔的数学功底范畴，有兴趣的朋友可以找相关资料继续学习研究。

2.回归分析预测法

 时间序列预测适合于随着时间变化周期性重复的需求模式，但如果还有除时间之外的因素度对需求数据造成影响时，一般会采用回归分析预测法进行预测，将假设的影响因素作为自变量，把需求作为因变量，从中找到需求发展趋势。通俗的说，就是我们上学时求解的一元一次、二元一次、多元多次这些方程式（做需求预测，学好数学真的很重要）。

▲回归分析

回归分析方法有很多种，如线性回归、逻辑回归、多项式回归、逐步回归、岭回归、套索回归、ElasticNet回归，最简单且容易理解的是线性回归，即认为自变量和因变量是直线关系，通过求解，找到回归线的斜率，然后根据斜率预测未来的需求。

线性回归分为简单线性回归和多元线性回归。

（1）简单线性回归：每次只分析一种自变量。

（2）多元线性回归：每次对一个以上的自变量进行分析。

▲简单线性回归

做定量预测分析时，虽然有很多系统和数学算法撑腰，但也不能盲目的依赖预测系统和算法，更不能完全依赖历史销售数据，因为有的时候数据是会欺骗人的，比如某用户1月份和2月份各采购了100件，但1月份采购时刚好没有库存，延迟到2月份和2月份的采购订单一起发货，我们通过数据只能得到2月份销售200件的结论，很明显是不对的。所以我们还要纳入延期未交货订货量、自认定需求（用户的跑单数据）等其它因素综合分析，这是一个相当复杂的过程。

同时，我们也不能只关注于预测结果表面，还要深入分析出需求变化背后的原因，并要谨记过去发生的事情未来不一定会再发生。

另外，还有些单品层面的数据毫无模式可言，只有合并为产品层，才能看出需求模式，也需要我们去挖掘分析。

在定量分析方法里，无论是时间序列预测，还是回归预测，都是建立在未来与过去的情况相同的情况下做的统计分析，但这是理想状况，因为公司在发展，未来必然与过去不同，要弄懂未来，我们就需要知道“未来与过去会有什么不同”，而要回到这个问题，就需要用到定性预测。

   二、定性预测 

定性预测法也叫主观预测法或判断预测法，就是对经验人士的意见、知识及直觉进行收集整理并转化为预测结果的方法。

哪些情况下适合定性分析呢？主要有三种：

（1）新品上市，没有历史数据可参考；

（2）一些新情况的出现改变了现有的需求模式。例如因为疫情、政策等原因，严重影响了某些产品的销量，就不能只通过定量分析看历史数据了；

（3）历史需求数据与未来预测相关性不大的产品。例如项目型或定制型的产品。

常用的定性预测方法有三种：

（1）管理人员群体意见法：不同部门的管理者一起开会预测。这种预测效率高，但有风险，因为预测结果会受最有权力的部门成员影响，且管理人员各有业务指标，很容易演变为由计划驱动预测，导致预测结果偏高。

（2）德尔菲法：询问并收集公司内外部专家意见，为避免相互干扰，这些专家相互不见面，由预测员组织他们进行匿名预测，并对结果进行评估分析，如果有差异再进一步预测，则直到所有专家得出相同结论。德尔菲法得出的结果比较客观可信，但过程较为复杂，周期较长。

（3）销售人员意见汇集法：利用公司销售人员的知识储备、经验及销售管理方法来产生需求预测结果。由于销售人员最了解市场和客户，预测可靠性大，但销售人员因为有销售压力，可能会故意压低预测值。

在定性预测中，由于人为主观因素较多，所以有利也有弊，利弊分析见下图：

▲定性预测优劣势

04  其它预测补充信息

学会了定量预测和定性预测，就能很精准的预测出未来了吗？很遗憾的告诉你，并不是。因为定量预测和定性预测并不能解释未来会发生怎样的变化以及为什么会发生变化。如果要让预测进一步准确，我们还需要借助市场信息来补充预测结论，最好的预测方法是对历史数据的统计分析基础上做定量预测，再以定性判断进行补充加成，同时在预测过程中注入市场信息。

市场信息的预测分为自下而上预测和自上而下预测两种，如下图：

▲市场信息预测

企业想要做好需求预测，除补充市场信息之外，还有两个关键因素：

（1）企业应该提供预测绩效评估机制，重视预测，有奖有罚，奖罚分明，及时诊断绩效评估问题并鼓励不断精进。没有客户会因为预测做的好而多购买产品，但需求预测可以转换为优质的商业决策，从而提升库存周转率、服务质量，降低供应成本，这些方面的提升就会促使用户多购买公司产品了。

可以通过误差率来做绩效评估，识别需求预测的偏差并评估准确性，计算公式为：

     误差率=（预测需求-实际需求）*100%/实际需求

（2）执行好企业供需关系集成。优秀的预测=预测算法及建模 + 供需关系集成，所谓供需关系集成是指调动负责供应的生产部门、物流部门、采购部门，以及负责需求的销售部门、财务部门、公司高管一起协同制定出统一且有远瞻性的计划，做出资源最优及一系列组织目标平衡的决策。

高效的供需关系集成体现在3个方面：

①文化方面：需要公开透明、团结协作、目标一致；

②流程方面：各环节紧密衔接、畅通无阻、全程可视；

③工具方面：使用正确的系统，将对的信息传达给对的人。

如果要建立优质的供需关系集成，企业文化因素占60%，流程因素占30%，系统因素只占10%（当然，系统同样重要）。

05  需求预测方法评估

根据企业的需求预测水准，我们可以从预测观点、预测依据、预测机制、统计分析和融合定性预测信息5个层面分别对企业现状进行评估打分，以便及时发现自身不足，如下表所示（1阶最低，4阶最高）：

▲需求预测方法评估

06  总结

需求预测是个非常复杂的事情，文化、流程、工具缺一不可，想要做好需求预测时，我们要铭记如下几点：

 (1)由于预测是对未来的猜测,所以预测永远都是错误的，预测本身并不难，难的是怎样让错误的程度达到最小。

(2)没有人会因为一家公司擅长预测就购买他们的产品。只有当预测可以帮助公司做出优质决策,进而达到服务客户、增加收益以及降低成本的效果时,预测才是重要的、能够引起关注的,或者说是值得投入的。

(3)定量预测是优质的需求预测流程中十分必要的一步,但是只有这一步是不够的。要记住,如果只看后视镜,很可能会发生车祸。所以我们还需要加入定性预测、市场信息预测、预测绩效评估。

 (4)预测并不是某一个部门的事，销售和市场部门、销售规划部门、财务部门、企业高管都必须参与预测流程。

(5)高管必须认可供需关系集成是公司运行的一种方式,并将钱花在真正需要的地方。如果没有高管的支持,供需关系集成在财务和员工情绪方面,都举步维艰。

 (6)对于供需关系集成和需求预测来说,公司文化比任何流程图或者技术手段都重要。