需求预测不是玄学，是一套科学方法论

预测方法的进化史：从拍脑袋到AI

在讲具体方法前，先看一个对比：

2015年的老王（传统4S店库存经理）：

• 每月25号开始盘点库存
• 26号根据"感觉"下订单
• "这个月轮胎卖得快，多订50条"
• "刹车片上个月积压了，这个月少订点"
• 准确率：30-40%

2020年的小李（某新势力品牌供应链专员）：

• 系统自动统计过去3个月销量
• 计算平均值作为下月预测
• Excel公式自动计算
• 准确率：60-70%

2025年的特斯拉系统：

• 实时采集车辆OBD数据
• AI预测哪些车可能故障
• 结合保养到期、季节、天气、竞品促销
• 每日自动更新预测
• 准确率：85-90%

预测方法全景图：选对方法是成功的一半

方法分类矩阵

方法一：移动平均法（Moving Average, MA）——最简单但有效

原理：用最近N期的平均值预测下一期

公式：

下期预测 = (第t期 + 第t-1期 + ... + 第t-N+1期) ÷ N

实战案例：某品牌机油滤芯需求预测

历史数据（过去6个月销量）：

• 1月：120件
• 2月：110件
• 3月：130件
• 4月：125件
• 5月：135件
• 6月：140件

用3个月移动平均预测7月需求：

7月预测 = (130 + 125 + 135 + 140) ÷ 4 = 133件

等等，为什么是4个数字？因为我们取最近3个月，但这里我算错了。重新来：

7月预测 = (125 + 135 + 140) ÷ 3 = 133.3件 ≈ 133件

优点与缺点

优点：

• ✅ 简单易懂，Excel就能算
• ✅ 对随机波动有平滑作用
• ✅ 实施成本低

缺点：

• ❌ 对趋势反应慢（需求上升时会低估）
• ❌ 无法预测季节性
• ❌ 所有历史数据权重相同（最近的和3个月前的权重一样）

如何选择N值（窗口期）？

N值越小：

• 对最近变化反应快
• 但容易受随机波动影响
• 适用于：需求变化快的产品

N值越大：

• 平滑效果好
• 但对趋势反应慢
• 适用于：需求稳定的产品

实战建议：

• 快消品（如雨刷）：N=3
• 常规保养件（如机油）：N=4-6
• 慢周转件（如大灯总成）：N=6-12

方法二：加权移动平均法（Weighted Moving Average, WMA）——给近期数据更大权重

原理：近期数据更重要，给更大权重

公式：

下期预测 = w1×第t期 + w2×第t-1期 + w3×第t-2期

其中：w1 + w2 + w3 = 1，且 w1 > w2 > w3

实战案例：同样的机油滤芯数据

设定权重（3个月，权重递减）：

• 最近1个月（6月）：权重0.5
• 第2个月（5月）：权重0.3
• 第3个月（4月）：权重0.2

计算：

7月预测 = 0.5×140 + 0.3×135 + 0.2×125

= 70 + 40.5 + 25

= 135.5件 ≈ 136件

对比：

• 简单移动平均预测：133件
• 加权移动平均预测：136件
• 加权法更重视最近上升趋势，预测值更高

如何设定权重？

常用权重方案：

3期加权：

• 激进型（快速反应）：0.6, 0.3, 0.1
• 平衡型：0.5, 0.3, 0.2
• 保守型（平滑优先）：0.4, 0.35, 0.25

4期加权：

• 平衡型：0.4, 0.3, 0.2, 0.1

方法三：指数平滑法（Exponential Smoothing, ES）——业界最常用

原理：用上期预测+预测误差修正

公式：

下期预测 = α × 本期实际值 + (1-α) × 本期预测值

其中：α（平滑系数）取值0-1之间

指数平滑的威力：自动加权

神奇之处：

虽然公式只用了上期数据，但实际上包含了所有历史数据，且越近期权重越大，权重呈指数递减。

数学证明（简化版）：

如果持续迭代，最终展开后：

• 最近1期权重：α
• 倒数第2期权重：α(1-α)
• 倒数第3期权重：α(1-α)²
• 权重自动呈指数递减！

实战案例：刹车片需求预测

历史数据：

• 5月实际销量：200件
• 5月初预测值：195件
• 6月实际销量：210件

设α=0.3（较平滑）

计算6月预测（基于5月数据）：

6月预测 = 0.3×200 + 0.7×195 = 60 + 136.5 = 196.5件

计算7月预测（基于6月数据）：

7月预测 = 0.3×210 + 0.7×196.5 = 63 + 137.55 = 200.55件 ≈ 201件

α值如何选择？这是关键！

实战建议：

从α=0.3开始，观察3个月：

• 如果经常缺货（实际>预测）→ 增大α
• 如果经常积压（实际<预测）→ 减小α

方法四：季节性指数法——应对"有规律的波动"

为什么需要季节性分析？

某新能源品牌的空调滤芯销量数据：

• 2023年1月：50件
• 2023年4月：120件（春季）
• 2023年7月：200件（夏季高峰）
• 2023年10月：100件（秋季）
• 2024年1月：55件
• 2024年4月：130件
• 2024年7月：？

用移动平均法预测2024年7月：

(100 + 55 + 130) ÷ 3 = 95件 ❌

但历史显示，7月是高峰，应该接近200件！

季节性指数法原理

步骤1：计算月度平均

1月平均 = (50+55) ÷ 2 = 52.5件

4月平均 = (120+130) ÷ 2 = 125件

7月平均 = 200件（只有1年数据）

10月平均 = 100件

步骤2：计算全年平均

全年平均 = (52.5+125+200+100) ÷ 4 = 119.4件

步骤3：计算季节性指数

1月季节指数 = 52.5 ÷ 119.4 = 0.44

4月季节指数 = 125 ÷ 119.4 = 1.05

7月季节指数 = 200 ÷ 119.4 = 1.68

10月季节指数 = 100 ÷ 119.4 = 0.84

步骤4：预测2024年7月

先预测年度趋势：(52.5+55) ÷ (50+50) × 125 = 131件（假设保持10%增长）

再乘以季节指数：131 × 1.68 = 220件 ✅

哪些配件需要季节性分析？

必须做：

• 空调系统相关：空调滤芯、制冷剂（夏季高峰）
• 轮胎：雪地胎（冬季）、运动胎（夏季）
• 雨刷：雨季前高峰
• 电池：冬季更换高峰（低温影响性能）

可选做：

• 灯光系统：冬季白天短，用灯多
• 保养件：春节前、十一前是高峰

方法五：趋势预测法——应对"持续上升或下降"

什么时候需要趋势分析？

某新车型上市后的刹车片销量：

• 第1个月：10件（新车少）
• 第2个月：15件
• 第3个月：22件
• 第4个月：30件
• 第5个月：40件
• 第6个月：52件

明显的上升趋势！如果用简单平均法：

(30+40+52) ÷ 3 = 41件 ❌ 严重低估！

线性趋势法（最简单）

Excel一键搞定：

用FORECAST.LINEAR函数或者画散点图添加趋势线。

手工计算（最小二乘法）：

趋势线方程：y = a + bx

其中：

• b = Σ(x-x̄)(y-ȳ) ÷ Σ(x-x̄)²
• a = ȳ - b×x̄

对于上面的数据：

经计算（Excel快捷）：

b ≈ 8.5（每月增长8.5件）

a ≈ 1.5

第7个月预测：

y = 1.5 + 8.5×7 = 61件 ✅

注意趋势的"到期"

错误案例：

某品牌2020-2023年保持20%增长，预测2024年继续20%增长。

但忽略了：

• 市场渗透率已达饱和
• 竞争对手加剧
• 2024年实际只增长5%，备货严重积压

正确做法：

趋势预测 + 市场分析 + 专家判断

方法选择决策树：30秒找到适合你的方法

开始
  ↓
有历史数据吗？
  ├─ 否 → 定性方法（专家判断、德尔菲法）
  └─ 是 → 数据≥12个月？
      ├─ 否 → 移动平均法（3-6期）
      └─ 是 → 需求有明显趋势吗？
          ├─ 是 → 线性趋势法 或 指数平滑法（大α值）
          └─ 否 → 需求有季节性吗？
              ├─ 是 → 季节性指数法
              └─ 否 → 需求稳定吗？
                  ├─ 是 → 指数平滑法（小α值）
                  └─ 否 → 回归分析 或 机器学习

下一步：补货策略设计

预测准了，接下来的问题是：

• 什么时候补货？（再订货点ROP）
• 补多少货？（订货批量EOQ）
• 安全库存留多少？

这些将在下一个页面详细讲解。