2020年2月29日，那个4年一度的日子，我在一个ERP用户交流群里做了一个视频直播分享《供应链实战中的需求预测》。就分享的内容，我整理了一份文稿，供朋友们参考与讨论。

不是所有的需求都值得预测

在供应链实践中，不是所有的需求都值得做预测。（注：我这里说的是值得，不是说不能做或者不做预测，而是不值得做预测。）

什么叫不值得做呢？无非是两点，要么预测成本太高，得不偿失；要么，预测做出来没啥用（不准或太不准）。

那么，怎么区分值得与不值得呢？哪些预测才叫值得呢？为解决这个问题，我提出一个需求可预测矩阵。这个需求可预测矩阵的作用，就是确定哪些需求可以做预测，哪些需求值得做预测。

需求可预测矩阵

我以数据的稳定性为横坐标，以数据量的多少为纵坐标，得到一个矩阵，我将这个矩阵命名为“需求可预测矩阵”。

关于这个矩阵，我们首先需要解决一个问题，即什么是数据稳定性强，什么是数据量多？这两个都没有固定的标准，可以根据自家企业的实际情况而确定，以下为我的建议（我确定的标准）。

1、数据量多与少，我暂定达到或者超过一个季节周期的数据，为数据量多，不足一个季节周期的数据，为数据量少。

2、稳定性我们一般用变异系数进行判定（变异系数=标准差除以平均值），我暂定变异系数大于等于0.4的，为稳定性弱，小于0.4的，为稳定性强。

需求可预测矩阵的四个象限说明

我们先看第三象限，数据稳定性差并且历史数据少。

这一象限一般是公司的新产品。这一类产品的需求是不值得做预测的，因为，对定量预测尤其是时间序列来说，数据缺乏稳定性差的这类产品做预测就是个灾难。

在大多数情况下，这一类产品的需求预测，我们听听市场部或销售部拍脑袋的结果就可以。当然，这拍脑袋也可以叫做定性预测。

第二象限，数据稳定性差但历史数据较多。

这一类一般为公司的小众产品、冷门产品或呆滞产品。这一类产品，尽管有数据，但稳定性差，也不值得做预测。

为什么呢？因为，这类产品特别难预测（预测准确率那叫惨不忍睹）。既然难预测，预测做不好，那还不如不做。在知道较劲的结果不好的情况下（或事实上不好），如果还花费大量的精力和成本与这一类产品较劲，我想，除了脑袋进水之外，恐怕没有别的原因。

不过，这一类产品的预测不做也不行，没有预测后续的计划也不好安排，怎么办呢？最好的做法是定性预测，即大家一起拍脑袋，组织市场部、产品部、销售部、供应链等等部门一起拍脑袋，得出我们的预测结果。

第四象限，数据稳定性强但历史数据较少。

这一类产品，一般为公司的成长型产品。这类产品尽管稳定性强，但因为历史数据少，其稳定性有很大的不确定。所以，这一类产品需要谨慎的做预测，有限的值得做预测。

这一类产品，因为数据少并且稳定，我们用简单的预测方法即可，采用移动平均或一次指数平滑都可以。如果不嫌麻烦，用Holt双参数指数平滑更好。不过，不管采用哪种方法，我们都需要密切关注实际需求动向，以便及时调整与纠偏。

最后看第一象限，数据稳定性强且历史数据较多。

这一象限一般是公司的成熟产品，这类产品对公司的整体业绩贡献往往超过80%。因为这类产品稳定性强且历史数据较多，所以是强预测性的，又因为它们业绩贡献大，所以进行需求预测特别有价值。

这一类产品，最值得做需求预测。

按照著名的二八原则，我们需要抓住关键的多数，我们需要有重点的管理。无疑，对于需求预测来说，我们最重点的就是第一象限贡献80%业绩的产品。

所以，我接下来所讲的需求预测的思路，都是针对这第一象限成熟产品而进行

供应链实战中需求预测的整体思路

1、以时间序列做初步预测。做预测其实有如建房子，很难一蹴而就。我们老家建房子，往往分几步走，第一步是建立起房子的整体框架，然后再内外粉刷，再装修，最后入住。这个初步预测，就是建立起房子的整体框架。

2、定量调整。建房的第二步是进行内外墙粉刷，并做一定的改造与修补。需求预测也一样，第二步进行定量调整，即采用定量的方法对我们以时间序列做出的初步预测进行改造和调整。什么是定量的方法？就是以数据说话，经计算得出结果的方法。

3、定性调整。这就是建房子的装修了，装修是一个大工程，需求预测中，定性调整也是非常关键的一步。我等会会详细讲述我提出的一个定性方法（专家意见加权评估法），这里暂不深入。

4、预测纠偏。房子装修好入住后，肯定还会有一些问题，我们需要及时的发现这些问题，改正、弥补或解决这些问题，这，就是预测纠偏。

01

以时间序列做初步预测

随着一些软件的普及，目前，一般来说，企业的数据都会有一些，尤其是那些历史的销售数据，这为我们以时间序列做初步预测打下了基础。

不过，现今是VUCA时代，销售区域整合快，产品更新更快，有些区域尽管有数据，有些产品尽管有数据，但数据可能不太多。所以，我们不能套用一种单一的时间序列方法来预测。

那么，具体用哪种时间序列方法来做初步预测呢，我按数据的多少提以下建议。

如果该产品有三个季节长度或以上的数据，不管有没有季节性，都建议使用Holt-Winters三参数指数平滑法。

这里，可能有人会说，要三年的数据，我哪有啊。这里说明一下，这个季节长度并不一定非得一年12期，只要在一个周期内表现出季节性就可以（也可理解为周期性）。

比如，我之前呆过一个公司，每个星期，一到周五业绩就开始下滑，周六降到最低，然后周日开始上扬，周一达到最高峰，周二三四缓慢下降。那时候，几乎每一周都是这样。这就是典型的季节性，季节长度就是一周，7天。

如果只有1-2个季节长度的数据，建议使用简单的移动平均法，以季度长度为移动项进行移动平均。

移动平均法，别看简单，其实挺好用。我曾写过一篇文章，需求预测的六脉神剑，我将移动平均法看作少冲剑。

少冲剑由右手小指使用，为六脉神剑中最“轻”的一剑。右手小指的特点的轻灵又有些迟缓，移动平均法也一样，轻灵简单，但往往对数据不敏感，反应迟缓。这反应迟缓，在这里我们不怕，因为，目前毕竟做的是初步预测。

如果有2-3个季节长度的数据，那么，采用Holt-Winters三参数指数平滑法和移动平均法都可以，哪个好用用哪个，哪个用得顺心用哪个。当然，我们也可以进行试算，选用MAPE（平均绝对误差百分率）较低的方法进行预测。

02

定量调整

定量预测是客观的预测方法，是以数据为基础经过分析与计算得出预测结果的预测方法。

不管是指数平滑还是移动平均，时间序列技术的缺点都是不能考虑外部因素对需求的影响，比如降价，比如促销，比如竞品上市等等，所以，我们需要对以时间序列做出的初步预测进行第一次调整，进行考虑外部因素对需求影响的调整。这一步调整，我们采用定量的方法。

最好用效果也最可靠的定量调整方法是回归分析法，但是，在供应链实战中，尽管我们有不少销售记录，但往往缺乏足以支撑进行回归分析的数据。比如，最常见的促销，在实际场景中，哪怕系统再先进，我们很少记录也很难记录到促销的具体信息与数据（比如促销投入的资源，促销影响销售的时间长度等等）。

没有这些数据，就无法真正的做回归分析，所以，定量调整中，回归分析很美好，但是很多时候，还真的用不上。当然，如果企业数据管理较规范和先进，数据全面，那无疑，优先采用回归分析进行定量调整。

不能用回归分析进行定量调整，那怎么办呢？我们可以采用计划人员人工选择相关历史数据，计算出相应的系数进行调整的方法。

比如双11，找出去年或前年双11前后的销售数据，人工计算得出双11的增长系数，以这个系数调整我们的初步预测。

再比如促销，我们找到上两次相类似促销的活动，调出促销前后的相关数据，人工计算出促销增长系数，以这个系数进行调整。

03

定性调整

定量方法，无论是时间序列还是回归分析，还是我们人工计算的系数，都对商业运行环境、市场的突变无能为力。比如这次新冠肺炎带来的影响和后续的冲击，定量方法几乎不可能去预知和把握。

为避免这种情况，在初步预测经定量调整后，我们需要再进行第二次调整，定性调整。

定性预测是主观的预测方法，也就是说拍脑袋预测法。但定性预测又不完全是拍脑袋，它是一个过程。

定性预测是将有丰富经验和相关能力的人员的意见、经验以及直觉转变为正规预测结果的过程。这些有丰富经验的人员，一般包括计划人员、销售人员、公司的主管和内部、外部专家等。

在一些材料上，在网络搜索时，较常出现的定性方法一般有德尔菲法、部门主管意见法、销售人员组合法、用户调查法等。

不过，这些定性方法我都觉得过于主观和单调，可操作性及实用性均不是很强，基于此，我提出一种以加权的思路，进行汇集专家意见的，定量与定性相结合的预测方法。我将其命名为专家意见加权评估法。

专家意见加权评估法，就是以加权的方法汇总计算各专家意见和判断的一种预测方法。其基本思路是，给予不同的专家不同的权重，再按照权重对每一位专家给出的结果进行加权平均，得出最终的预测结果。

下面我介绍一下这个专家意见加权评估法的具体操作步骤，专家意见加权评估法的五步流程。

1、收集、整理相关数据与信息，并进行处理和分类，打包汇总，准备发给每一位专家。

2、邀请具有一定经验和能力的专业人员、管理人员、销售人员或其他内外部专家，组成定性预测专家团队。

3、给接受邀请的每一位专家评分，给出专家的加权权重，这是最重要的一步。

给专家评分可以从三个方面考量：一是专家的能力和经验程度，也就是专家的水平如何；二是专家以往预测的业绩，也就是他以前拍脑袋的结果如何；三是专家的参与程度，即专家花费了多少心思给我们帮忙。三方面综合给出专家的最终得分和权重。

另外，之前我们以时间序列做出，经定量调整后的预测，这里做为一个最重要的专家参与加权平均，建议占到70%以上的权重。至于其它30%的权重，则建议销售端和计划端各占15%。

4、将预测的数据和信息发给每一位专家，请他们依据经验、直觉和判断，独立的给出预测结果。这里有个关键词，“独立”，专家的意见需要他们独立得出，不要受其他人员或外部因素的影响。

5、收集专家意见，按第三步得出的专家加权权重，加权平均计算得出最终的预测结果。

04

预测纠偏

经过以上三步，我们终于得到了最终预测。得到了最终预测就完事了吗？没有，万里长征才走完第一步。

有一种说法，供应链最具挑战性，并且最吃力不讨好的任务就是需求预测，为什么呢？因为，预测总不准确。是的，预测总是不准的，但我们又不能不去做预测，怎么办呢？

常见的解决思路有两个，第一个思路是事前准备，做安全库存，以安全库存应对预测的不准确，这一点，在今天讨论的范围之外，我们今天不谈。

第二个思路是事中与事后跟进，进行预测纠偏，即跟踪需求预测与实际需求的全过程，以即时的调整偏差来应对预测的不准确。

需求预测的纠偏，是指我们做出需求预测后，当实际需求与我们的预测有偏离时，我们即时的发现这种偏离，并即时的进行纠正与调整。

预测纠偏的三步流程

1、发现偏差。

发现偏差，也就是识别偏差，找到偏差。发现偏差是预测纠偏的根本，因为，发现不了偏差，自然也就谈不上纠正偏差。

发现偏差的前提是跟踪实际需求，怎么跟踪呢？我们可以建立预测跟踪模型，进行报警设置，以监控每一个产品，每一个客户的实际需求，以快速的发现偏差。特别提醒一下，建这个预测跟踪模型没有想像的那么难，用Excel会简单的函数即可设计。

2、纠正偏差。

纠正偏差是我们需求预测纠偏的核心步骤，也是发现偏差之后的当务之急。在发现偏差后，纠正偏差也可以分三步。

首先，分析偏差原因，是市场有了变化还是内部执行出现了问题。

其次，根据原因采取相应的措施，比如认定为个案或者可以承受而暂不采取措施，比如拔高或降低预测等等。注意，如果预测进行了调整，必须即时知会各相关单位（当务之急）。比如物料计划，别预测都已经调高好久了，供应商还迟迟得不到订单，或者预测明明下调了，采购还在拼命下单。

最后，跟踪采取纠正措施后的结果，再回到第一步，进行纠偏循环。

3、记录与修正。

我们需要记录预测偏差及纠偏的每一个过程，每一组数据，以便进行汇总分析，得出一定的规律，修正我们的预测模型。

这是需求预测的持续改善。管理，是一个持续改善的过程，需求预测，也是一个持续改善的过程。

回顾与总结

以上，我讲了供应链实战中需求预测的一种思路，我们回顾一下主要内容。

首先，在我们供应链实践中，不是所有的需求都值得做预测。我提出一个以数据的稳定性为横坐标，以数据量的多少为纵坐标的 “需求可预测矩阵”，来判定值不值得做预测。数据稳定性强且历史数据较多的第一象限产品是我认为最值得做需求预测的，这类产品的需求预测思路，按以下四个步骤进行。

第一步，以时间序列做初步预测。当有三个季节长度的数据量时，建议使用Holt-Winters三参数指数平滑法，当只有1-2个季节长度数据量时，建议使用移动平均法。2-3个季节长度，根据实际需要选择Holt-Winters三参数指数平滑法或移动平均法。

第二步，定量调整。如果有足以支撑进行回归分析的数据，回归分析法是最好用最可靠的定量调整方法。否则，建议人工系数进行调整。

第三步，定性调整。定性调整我主要介绍了专家意见加权评估法，以及它的具体操作步骤。

第四步，预测纠偏。预测总是不准的，我们需要以预测纠偏来应对预测结果的不确定性，预测纠偏的过程一般为发现偏差、纠正偏差和记录修正持续改善。

关于作者

     许栩，供应链计划专家，SCOM签约专栏作者；需求预测规划师，今日头条签约作者。供应链计划的实践者，供应链管理领域从业二十多年来，从计划员到供应链总监，几乎从事过所有涉及到供应链计划的岗位。供应链计划理论的深耕人，在持续学习的同时，以输出（分享）为最佳输入，开设了多个供应链计划知识专栏。实践+理论，许栩立志成为精于供应链计划理念与理论、并具丰富实操经验的供应链计划与库存控制领域专家。