一个预测模型创造的奇迹

2023年夏天，某造车新势力售后运营总监陈浩面临一个难题：

6月：雨刷片严重缺货，客户投诉爆棚

7月：雨刷片大量积压，占用库存资金200万

老板怒了："你们到底会不会管库存？！"

陈浩痛定思痛，决定引入需求预测系统。

3个月后，系统上线。

效果惊人：

• 预测准确率从60%提升至89%
• 库存周转率从2.8次提升至5.2次
• 缺货率从15%降至3%
• 库存资金从5000万降至3200万

老板拍着陈浩的肩膀："小陈，你是怎么做到的？"

陈浩笑了："我让数据替我们做决策。"

为什么需要需求预测？

传统方法的三大困境

困境1：拍脑袋决策，误差巨大

典型场景：

采购经理：王店长，下个月空调滤芯要备多少？

王店长：嗯...上个月卖了80个，就备100个吧。

采购经理：好的。

结果：

• 下个月进入夏季，空调使用高峰，实际需求150个
• 缺货50个，客户投诉
• 王店长："我哪知道会突然这么热啊！"

问题：凭经验、凭感觉，无法应对市场波动。

困境2：历史平均法，忽视趋势

某门店的历史数据：

过去6个月刹车片销量：45、48、52、58、65、72

按简单平均法：(45+48+52+58+65+72) ÷ 6 = 57个

但仔细观察，销量明显呈上升趋势：

• 月均增长约10%
• 如果按趋势预测，下月应该是72 × 1.1 = 79个
• 用57个备货，肯定缺货

问题：历史平均法看不到趋势。

困境3：无法应对特殊事件

2023年8月，某品牌因质量问题召回50万辆车，需要更换某配件。

某门店：

• 正常月销量：50个
• 召回期间实际需求：500个（10倍）
• 门店库存：50个
• 缺货率：90%

问题：传统方法无法预见突发事件。

需求预测的底层逻辑

需求的五大驱动因素

1. 季节性因素（Seasonality）

案例：空调滤芯的季节波动

某品牌2023年月销量数据：

季节性系数：

• 春季：1.2倍
• 夏季：1.8倍
• 秋季：0.9倍
• 冬季：1.0倍

2. 趋势性因素（Trend）

案例：新能源车保有量增长带动配件需求

某地区新能源车保有量与配件需求：

• 2021年：保有量5万辆，月均配件需求1000个
• 2022年：保有量8万辆（增长60%），月均配件需求1600个
• 2023年：保有量12万辆（增长50%），月均配件需求2400个

年增长率：约50%

3. 周期性因素（Cycle）

案例：保养周期带来的需求波动

某车型首保在5000公里，二保在10000公里。

上市第1个月售出1000辆：

• 第3个月（平均行驶5000公里）：首保高峰，机油滤芯需求1000个
• 第6个月（平均行驶10000公里）：二保高峰，机油滤芯需求1000个
• 以此类推，每3个月一个小高峰

4. 营销活动因素

案例：会员日促销活动

某品牌每月18日"会员日"，保养套餐8折。

• 平日日均保养单量：30单
• 会员日当天：120单（4倍）
• 会员日前3天：15单（客户延迟保养等优惠）
• 会员日后3天：15单（提前消耗了需求）

需要提前预测活动影响，避免缺货或积压。

5. 外部事件因素

案例：极端天气、政策变化、召回事件

• 暴雨天气：雨刷片需求激增
• 新交规实施：某安全配件需求上升
• 车辆召回：特定配件需求暴增
• 油价上涨：保养频次下降

四种需求预测方法

方法1：移动平均法（Moving Average，简称MA）

原理：用最近N个月的平均值作为预测。

公式：预测值 = (最近N月销量之和) ÷ N

案例：某配件最近6个月销量

月份：1月-50、2月-55、3月-48、4月-62、5月-58、6月-65

简单移动平均（N=6）：

预测7月 = (50+55+48+62+58+65) ÷ 6 = 56.3个

加权移动平均（近期权重更大）：

预测7月 = (50×1 + 55×1 + 48×2 + 62×2 + 58×3 + 65×3) ÷ 12 = 59.8个

优点：

• 简单易懂
• 计算快速
• 适合稳定需求

缺点：

• 反应滞后
• 无法捕捉趋势
• 不适合波动大的场景

方法2：指数平滑法（Exponential Smoothing，简称ES）

原理：给历史数据加权，越近的数据权重越大。

公式：预测值 = α × 实际值 + (1-α) × 上期预测值

其中，α是平滑系数，通常取0.1-0.5

案例：某配件预测

假设α=0.3：

• 1月实际：50，预测：50
• 2月实际：55，预测：0.3×50 + 0.7×50 = 50
• 3月预测：0.3×55 + 0.7×50 = 51.5
• 4月实际：60，预测：0.3×55 + 0.7×51.5 = 52.5
• 5月预测：0.3×60 + 0.7×52.5 = 54.75

优点：

• 对最新数据反应灵敏
• 计算简单
• 适合有缓慢趋势的需求

缺点：

• 无法处理季节性
• 对突变反应慢

方法3：线性回归预测（Linear Regression）

原理：找出销量与时间、其他因素的线性关系。

公式：Y = a + b×X

• Y是销量
• X是时间（月份）
• a是截距，b是斜率

案例：某配件有明显增长趋势

最近6个月销量：50、55、60、65、70、75

用Excel或统计软件计算回归方程：

Y = 45 + 5×X

预测第7个月：Y = 45 + 5×7 = 80个

多元回归（考虑多个因素）：

Y = a + b1×保有量 + b2×季节系数 + b3×油价 + ...

优点：

• 能捕捉趋势
• 可引入多个影响因素
• 有统计学基础

缺点：

• 假设线性关系（实际可能非线性）
• 需要较多历史数据
• 对异常值敏感

方法4：机器学习预测（Machine Learning，简称ML）

原理：让算法自动学习数据规律，发现复杂的非线性关系。

常用算法：

1. 时间序列算法
   • ARIMA（自回归移动平均模型）
   • Prophet（Facebook开源算法，擅长处理季节性）
   • LSTM（长短期记忆网络，深度学习）
2. 回归算法
   • XGBoost（梯度提升树）
   • Random Forest（随机森林）
   • Neural Network（神经网络）

案例：某新势力品牌的Prophet预测实践

输入特征：

• 历史销量（24个月）
• 季节（月份）
• 节假日标记
• 车辆保有量
• 营销活动日期
• 天气数据
• 油价数据

训练过程：

1. 用前18个月数据训练模型
2. 用后6个月数据验证准确性
3. 不断调优参数

预测效果对比：

投资回报分析：

某品牌8000个SKU，机器学习预测系统：

• 开发投入：80万（含数据清洗、模型开发、系统集成）
• 年维护成本：20万
• 库存优化收益：从5000万降至3500万，节省1500万
• 缺货减少收益：减少客户流失，预计年增收500万

总收益：2000万/年

ROI = 2000 ÷ 80 = 25倍

实战：手把手搭建预测系统

第一步：数据准备

必需数据：

1. 历史销量数据：至少12个月，最好24个月
2. 时间维度：年、月、周、日
3. 产品维度：配件编码、名称、分类

可选数据（提升准确性）：

1. 车辆数据：保有量、车龄分布、行驶里程
2. 市场数据：天气、油价、政策、节假日
3. 运营数据：营销活动、价格变动、竞对动态

数据清洗：

• 去除异常值（如系统错误导致的0销量）
• 填补缺失值
• 统一数据格式

第二步：选择预测方法

决策树：

是否有IT开发能力？
├─ 否 → 用Excel，移动平均法或指数平滑法
└─ 是 → 有多少历史数据？
    ├─ <12个月 → 用移动平均或指数平滑
    ├─ 12-24个月 → 用线性回归或简单时间序列
    └─ >24个月 → 用机器学习（Prophet或XGBoost）

快速启动方案（Excel版）：

适合小型团队，无IT支持的情况。

Excel函数实现移动平均：

=AVERAGE(B2:B7)  // 6个月移动平均

Excel实现指数平滑：

=0.3*B7 + 0.7*C6  // α=0.3的指数平滑

第三步：模型训练与验证

训练集与测试集划分：

假设有24个月数据：

• 前18个月：训练集（用于建立模型）
• 后6个月：测试集（用于验证准确性）

验证指标：

1. MAPE（平均绝对百分比误差，Mean Absolute Percentage Error）

公式：MAPE = (∑|实际值-预测值|/实际值) ÷ n × 100%

例如：

• 实际：100，预测：90，误差：10%
• 实际：80，预测：85，误差：6.25%
• MAPE = (10% + 6.25%) ÷ 2 = 8.125%

判断标准：

• MAPE < 10%：优秀
• MAPE 10-20%：良好
• MAPE 20-30%：一般
• MAPE > 30%：需要优化

1. 准确率（Accuracy）

在允许误差范围内的预测比例。

例如，允许±15%误差：

• 100个预测
• 85个在±15%误差内
• 准确率 = 85%

第四步：持续优化

每月复盘机制：

1. 对比预测与实际
   • 哪些配件预测准确？
   • 哪些配件偏差大？
2. 分析偏差原因
   • 是否有未考虑的因素？
   • 是否有数据质量问题？
   • 是否有突发事件？
3. 调整模型参数
   • 调整平滑系数
   • 增加新的特征
   • 更新训练数据
4. 记录经验教训
   • 建立异常事件库
   • 积累行业知识

五个实战优化技巧

技巧1：分层预测，提高准确性

问题：不同类型的配件，需求模式完全不同。

解决方案：按ABC分类，分别建模

案例：

某门店对1000个SKU统一用移动平均法，MAPE=25%。

改为分层预测后：

• A类200个SKU用机器学习，MAPE=12%
• B类300个SKU用指数平滑，MAPE=18%
• C类500个SKU用历史平均，MAPE=30%（但占销售额仅5%，影响小）

整体加权MAPE从25%降至15%。

技巧2：引入外部数据，捕捉关联

常见外部数据源：

1. 天气数据
   • 雨天：雨刷片需求增加
   • 高温：空调滤芯、冷却液需求增加
   • 雾霾：空气滤芯需求增加
2. 油价数据
   • 油价上涨：保养频次可能下降
   • 但电动车不受影响
3. 节假日数据
   • 长假前：保养高峰
   • 长假后：维修高峰（自驾游后）
4. 交通数据
   • 限号政策：影响行驶里程
   • 道路施工：可能增加轮胎、底盘件需求

案例：某品牌引入天气数据

雨刷片预测准确率从72%提升至86%。

关键发现：

• 连续3天降雨后，雨刷片需求激增
• 提前2-3天增加库存，避免缺货

技巧3：人机结合，保留人工干预

问题：算法无法预见所有突发事件。

解决方案：算法预测 + 人工调整

典型场景：

1. 车辆召回
   • 系统预测：某配件下月需求100个
   • 人工干预：厂家宣布召回，调整为500个
2. 大型营销活动
   • 系统预测：保养套餐下月销量200单
   • 人工干预：会员日促销，调整为600单
3. 新品上市
   • 系统预测：无历史数据，无法预测
   • 人工干预：参考同类产品，设定初始值

最佳实践：

• 系统给出预测值
• 标注置信度（如：预测100个，置信区间80-120）
• 人工根据业务知识调整
• 记录调整原因，反馈给算法

技巧4：滚动预测，持续更新

问题：环境在变，模型也要变。

解决方案：每月更新预测

传统方式：

• 年初预测全年需求
• 一年不调整
• 到年底发现偏差巨大

滚动预测方式：

• 每月初预测未来3个月
• 每月用最新数据更新模型
• 始终保持预测的时效性

案例对比：

技巧5：建立预测准确率奖惩机制

问题：门店不重视预测，随意报需求。

解决方案：与绩效挂钩

某品牌的考核机制：

效果：

• 门店开始认真做预测
• 整体预测准确率从65%提升至82%
• 库存周转率提升40%

三个常见误区

误区1：追求100%准确

错误认知：预测必须完全准确。

现实：需求本身就有随机性，100%准确不可能。

正确做法：

• 设定合理目标（如80-90%）
• 用安全库存对冲预测误差
• 关注成本效益，而非极致准确

误区2：盲目追求复杂算法

错误认知：一定要用最先进的AI算法。

现实：

• 小数据量用简单方法更好
• 复杂算法需要大量数据和算力
• 维护成本高

正确做法：

• 数据少（<12个月）→ 移动平均
• 数据中（12-24个月）→ 指数平滑或回归
• 数据多（>24个月）+ 有IT支持 → 机器学习

误区3：预测后就不管了

错误认知：预测完成，任务结束。

现实：预测只是开始，关键在执行和复盘。

正确做法：

• 预测 → 采购 → 监控 → 对比 → 优化
• 形成完整闭环
• 持续改进

实战工具：Python实现简易预测

对于有一定技术能力的团队，可以用Python快速实现预测。

工具1：Prophet（Facebook开源，最简单）

from fbprophet import Prophet
import pandas as pd

# 准备数据
df = pd.DataFrame({
    'ds': ['2023-01', '2023-02', ...],  # 日期
    'y': [100, 105, 110, ...]  # 销量
})

# 训练模型
model = Prophet()
[model.fit](http://model.fit)(df)

# 预测未来3个月
future = model.make_future_dataframe(periods=3, freq='M')
forecast = model.predict(future)

print(forecast[['ds', 'yhat', 'yhat_lower', 'yhat_upper']])

10行代码，搞定预测！

工具2：统计模块（适合中小规模）

import numpy as np
from sklearn.metrics import mean_absolute_percentage_error

# 移动平均
def moving_average(data, window=6):
    return np.convolve(data, np.ones(window)/window, mode='valid')

# 指数平滑
def exponential_smoothing(data, alpha=0.3):
    result = [data[0]]
    for i in range(1, len(data)):
        result.append(alpha * data[i] + (1-alpha) * result[i-1])
    return result

# 历史数据
sales = [50, 55, 48, 62, 58, 65, 70, 68, 75]

# 预测
ma_pred = moving_average(sales, window=6)
es_pred = exponential_smoothing(sales)

print(f"移动平均预测: {ma_pred[-1]}")
print(f"指数平滑预测: {es_pred[-1]}")

总结：让数据说话

需求预测的本质，是用历史规律推测未来趋势。

关键原则：

1. 从简单开始：先用Excel移动平均，再逐步升级
2. 数据为王：预测准确性取决于数据质量
3. 持续优化：每月复盘，不断改进
4. 人机结合：算法+业务知识，两者缺一不可
5. 关注ROI：预测是手段，降本增效是目的

记住：没有完美的预测，只有持续改进的过程。关键是从拍脑袋变成用数据，从经验判断变成科学决策。

? 本周实战：

1. ✅ 选择5个A类配件
2. ✅ 收集最近12个月销量数据
3. ✅ 用Excel计算移动平均预测下月需求
4. ✅ 对比预测值与实际采购量
5. ✅ 分析差异原因，提出改进建议