2020年2月29日，那個4年一度的日子，我在一個ERP用戶交流群里做了一個視頻直播分享《供應鏈實戰中的需求預測》。就分享的內容，我整理了一份文稿，供朋友們參考與討論。

分享主題。

今天我分享的主題是供應鏈實戰中的需求預測思路，在正式分享開始，我先說明一下，既然我們的主題是思路，那么，今天就只談預測的思路。不談具體的預測技巧，不談要不要做預測，也不談管理。

不是所有的需求都值得做預測。

在供應鏈實踐中，不是所有的需求都值得做預測。（注：我這里說的是值得，不是說不能做或者不做預測，而是不值得做預測。）

什么叫不值得做呢？無非是兩點，要么預測成本太高，得不償失；要么，預測做出來沒啥用（不準或太不準）。

那么，怎么區分值得與不值得呢？哪些預測才叫值得呢？為解決這個問題，我提出一個需求可預測矩陣。這個需求可預測矩陣的作用，就是確定哪些需求可以做預測，哪些需求值得做預測。

需求可預測矩陣。

我以數據的穩定性為橫坐標，以數據量的多少為縱坐標，得到一個矩陣，我將這個矩陣命名為“需求可預測矩陣”。

關于這個矩陣，我們首先需要解決一個問題，即什么是數據穩定性強，什么是數據量多？這兩個都沒有固定的標準，可以根據自家企業的實際情況而確定，以下為我的建議（我確定的標準）。

1、數據量多與少，我暫定達到或者超過一個季節周期的數據，為數據量多，不足一個季節周期的數據，為數據量少。

2、穩定性我們一般用變異系數進行判定（變異系數=標準差除以平均值），我暫定變異系數大于等于0.4的，為穩定性弱，小于0.4的，為穩定性強。

需求可預測矩陣的四個象限說明。

我們先看第三象限，數據穩定性差并且歷史數據少。

這一象限一般是公司的新產品。這一類產品的需求是不值得做預測的，因為，對定量預測尤其是時間序列來說，數據缺乏穩定性差的這類產品做預測就是個災難。

在大多數情況下，這一類產品的需求預測，我們聽聽市場部或銷售部拍腦袋的結果就可以。當然，這拍腦袋也可以叫做定性預測。

第二象限，數據穩定性差但歷史數據較多。

這一類一般為公司的小眾產品、冷門產品或呆滯產品。這一類產品，盡管有數據，但穩定性差，也不值得做預測。

為什么呢？因為，這類產品特別難預測（預測準確率那叫慘不忍睹）。既然難預測，預測做不好，那還不如不做。在知道較勁的結果不好的情況下（或事實上不好），如果還花費大量的精力和成本與這一類產品較勁，我想，除了腦袋進水之外，恐怕沒有別的原因。

不過，這一類產品的預測不做也不行，沒有預測后續的計劃也不好安排，怎么辦呢？最好的做法是定性預測，即大家一起拍腦袋，組織市場部、產品部、銷售部、供應鏈等等部門一起拍腦袋，得出我們的預測結果。

第四象限，數據穩定性強但歷史數據較少。

這一類產品，一般為公司的成長型產品。這類產品盡管穩定性強，但因為歷史數據少，其穩定性有很大的不確定。所以，這一類產品需要謹慎的做預測，有限的值得做預測。

這一類產品，因為數據少并且穩定，我們用簡單的預測方法即可，采用移動平均或一次指數平滑都可以。如果不嫌麻煩，用Holt雙參數指數平滑更好。不過，不管采用哪種方法，我們都需要密切關注實際需求動向，以便及時調整與糾偏。

最后看第一象限，數據穩定性強且歷史數據較多。

這一象限一般是公司的成熟產品，這類產品對公司的整體業績貢獻往往超過80%。因為這類產品穩定性強且歷史數據較多，所以是強預測性的，又因為它們業績貢獻大，所以進行需求預測特別有價值。

這一類產品，最值得做需求預測。

按照著名的二八原則，我們需要抓住關鍵的多數，我們需要有重點的管理。無疑，對于需求預測來說，我們最重點的就是第一象限貢獻80%業績的產品。

所以，我接下來所講的需求預測的思路，都是針對這第一象限成熟產品而進行。

供應鏈實戰中需求預測的整體思路。

1、以時間序列做初步預測。做預測其實有如建房子，很難一蹴而就。我們老家建房子，往往分幾步走，第一步是建立起房子的整體框架，然后再內外粉刷，再裝修，最后入住。這個初步預測，就是建立起房子的整體框架。

2、定量調整。建房的第二步是進行內外墻粉刷，并做一定的改造與修補。需求預測也一樣，第二步進行定量調整，即采用定量的方法對我們以時間序列做出的初步預測進行改造和調整。什么是定量的方法？就是以數據說話，經計算得出結果的方法。

3、定性調整。這就是建房子的裝修了，裝修是一個大工程，需求預測中，定性調整也是非常關鍵的一步。我等會會詳細講述我提出的一個定性方法（專家意見加權評估法），這里暫不深入。

4、預測糾偏。房子裝修好入住后，肯定還會有一些問題，我們需要及時的發現這些問題，改正、彌補或解決這些問題，這，就是預測糾偏。

一、以時間序列做初步預測。

隨著一些軟件的普及，目前，一般來說，企業的數據都會有一些，尤其是那些歷史的銷售數據，這為我們以時間序列做初步預測打下了基礎。

不過，現今是VUCA時代，銷售區域整合快，產品更新更快，有些區域盡管有數據，有些產品盡管有數據，但數據可能不太多。所以，我們不能套用一種單一的時間序列方法來預測。

那么，具體用哪種時間序列方法來做初步預測呢，我按數據的多少提以下建議。

如果該產品有三個季節長度或以上的數據，不管有沒有季節性，都建議使用Holt-Winters三參數指數平滑法。

這里，可能有人會說，要三年的數據，我哪有啊。這里說明一下，這個季節長度并不一定非得一年12期，只要在一個周期內表現出季節性就可以（也可理解為周期性）。

比如，我之前呆過一個公司，每個星期，一到周五業績就開始下滑，周六降到最低，然后周日開始上揚，周一達到最高峰，周二三四緩慢下降。那時候，幾乎每一周都是這樣。這就是典型的季節性，季節長度就是一周，7天。

如果只有1-2個季節長度的數據，建議使用簡單的移動平均法，以季度長度為移動項進行移動平均。

移動平均法，別看簡單，其實挺好用。我曾寫過一篇文章，需求預測的六脈神劍，我將移動平均法看作少沖劍。

少沖劍由右手小指使用，為六脈神劍中最“輕”的一劍。右手小指的特點的輕靈又有些遲緩，移動平均法也一樣，輕靈簡單，但往往對數據不敏感，反應遲緩。這反應遲緩，在這里我們不怕，因為，目前畢竟做的是初步預測。

如果有2-3個季節長度的數據，那么，采用Holt-Winters三參數指數平滑法和移動平均法都可以，哪個好用用哪個，哪個用得順心用哪個。當然，我們也可以進行試算，選用MAPE（平均絕對誤差百分率）較低的方法進行預測。

二、定量調整。

定量預測是客觀的預測方法，是以數據為基礎經過分析與計算得出預測結果的預測方法。

不管是指數平滑還是移動平均，時間序列技術的缺點都是不能考慮外部因素對需求的影響，比如降價，比如促銷，比如競品上市等等，所以，我們需要對以時間序列做出的初步預測進行第一次調整，進行考慮外部因素對需求影響的調整。這一步調整，我們采用定量的方法。

最好用效果也最可靠的定量調整方法是回歸分析法，但是，在供應鏈實戰中，盡管我們有不少銷售記錄，但往往缺乏足以支撐進行回歸分析的數據。比如，最常見的促銷，在實際場景中，哪怕系統再先進，我們很少記錄也很難記錄到促銷的具體信息與數據（比如促銷投入的資源，促銷影響銷售的時間長度等等）。

沒有這些數據，就無法真正的做回歸分析，所以，定量調整中，回歸分析很美好，但是很多時候，還真的用不上。當然，如果企業數據管理較規范和先進，數據全面，那無疑，優先采用回歸分析進行定量調整。

不能用回歸分析進行定量調整，那怎么辦呢？我們可以采用計劃人員人工選擇相關歷史數據，計算出相應的系數進行調整的方法。

比如雙11，找出去年或前年雙11前后的銷售數據，人工計算得出雙11的增長系數，以這個系數調整我們的初步預測。

再比如促銷，我們找到上兩次相類似促銷的活動，調出促銷前后的相關數據，人工計算出促銷增長系數，以這個系數進行調整。

三、定性調整。

定量方法，無論是時間序列還是回歸分析，還是我們人工計算的系數，都對商業運行環境、市場的突變無能為力。比如這次新冠肺炎帶來的影響和后續的沖擊，定量方法幾乎不可能去預知和把握。

為避免這種情況，在初步預測經定量調整后，我們需要再進行第二次調整，定性調整。 

定性預測是主觀的預測方法，也就是說拍腦袋預測法。但定性預測又不完全是拍腦袋，它是一個過程。

定性預測是將有豐富經驗和相關能力的人員的意見、經驗以及直覺轉變為正規預測結果的過程。這些有豐富經驗的人員，一般包括計劃人員、銷售人員、公司的主管和內部、外部專家等。 

在一些材料上，在網絡搜索時，較常出現的定性方法一般有德爾菲法、部門主管意見法、銷售人員組合法、用戶調查法等。

不過，這些定性方法我都覺得過于主觀和單調，可操作性及實用性均不是很強，基于此，我提出一種以加權的思路，進行匯集專家意見的，定量與定性相結合的預測方法。我將其命名為專家意見加權評估法。

專家意見加權評估法。

專家意見加權評估法，就是以加權的方法匯總計算各專家意見和判斷的一種預測方法。其基本思路是，給予不同的專家不同的權重，再按照權重對每一位專家給出的結果進行加權平均，得出最終的預測結果。

下面我介紹一下這個專家意見加權評估法的具體操作步驟，專家意見加權評估法的五步流程。

1、收集、整理相關數據與信息，并進行處理和分類，打包匯總，準備發給每一位專家。

2、邀請具有一定經驗和能力的專業人員、管理人員、銷售人員或其他內外部專家，組成定性預測專家團隊。

3、給接受邀請的每一位專家評分，給出專家的加權權重，這是最重要的一步。

給專家評分可以從三個方面考量：一是專家的能力和經驗程度，也就是專家的水平如何；二是專家以往預測的業績，也就是他以前拍腦袋的結果如何；三是專家的參與程度，即專家花費了多少心思給我們幫忙。三方面綜合給出專家的最終得分和權重。

另外，之前我們以時間序列做出，經定量調整后的預測，這里做為一個最重要的專家參與加權平均，建議占到70%以上的權重。至于其它30%的權重，則建議銷售端和計劃端各占15%。

4、將預測的數據和信息發給每一位專家，請他們依據經驗、直覺和判斷，獨立的給出預測結果。這里有個關鍵詞，“獨立”，專家的意見需要他們獨立得出，不要受其他人員或外部因素的影響。

5、收集專家意見，按第三步得出的專家加權權重，加權平均計算得出最終的預測結果。

四、預測糾偏。

經過以上三步，我們終于得到了最終預測。得到了最終預測就完事了嗎？沒有，萬里長征才走完第一步。

有一種說法，供應鏈最具挑戰性，并且最吃力不討好的任務就是需求預測，為什么呢？因為，預測總不準確。是的，預測總是不準的，但我們又不能不去做預測，怎么辦呢？

常見的解決思路有兩個，第一個思路是事前準備，做安全庫存，以安全庫存應對預測的不準確，這一點，在今天討論的范圍之外，我們今天不談。

第二個思路是事中與事后跟進，進行預測糾偏，即跟蹤需求預測與實際需求的全過程，以即時的調整偏差來應對預測的不準確。

需求預測的糾偏，是指我們做出需求預測后，當實際需求與我們的預測有偏離時，我們即時的發現這種偏離，并即時的進行糾正與調整。

預測糾偏的三步流程。

1、發現偏差。

發現偏差，也就是識別偏差，找到偏差。發現偏差是預測糾偏的根本，因為，發現不了偏差，自然也就談不上糾正偏差。

發現偏差的前提是跟蹤實際需求，怎么跟蹤呢？我們可以建立預測跟蹤模型，進行報警設置，以監控每一個產品，每一個客戶的實際需求，以快速的發現偏差。特別提醒一下，建這個預測跟蹤模型沒有想像的那么難，用Excel會簡單的函數即可設計。

2、糾正偏差。

糾正偏差是我們需求預測糾偏的核心步驟，也是發現偏差之后的當務之急。在發現偏差后，糾正偏差也可以分三步。

首先，分析偏差原因，是市場有了變化還是內部執行出現了問題。

其次，根據原因采取相應的措施，比如認定為個案或者可以承受而暫不采取措施，比如拔高或降低預測等等。注意，如果預測進行了調整，必須即時知會各相關單位（當務之急）。比如物料計劃，別預測都已經調高好久了，供應商還遲遲得不到訂單，或者預測明明下調了，采購還在拼命下單。

最后，跟蹤采取糾正措施后的結果，再回到第一步，進行糾偏循環。

3、記錄與修正。

我們需要記錄預測偏差及糾偏的每一個過程，每一組數據，以便進行匯總分析，得出一定的規律，修正我們的預測模型。

這是需求預測的持續改善。管理，是一個持續改善的過程，需求預測，也是一個持續改善的過程。

回顧與總結。

以上，我講了供應鏈實戰中需求預測的一種思路，我們回顧一下主要內容。

首先，在我們供應鏈實踐中，不是所有的需求都值得做預測。我提出一個以數據的穩定性為橫坐標，以數據量的多少為縱坐標的 “需求可預測矩陣”，來判定值不值得做預測。數據穩定性強且歷史數據較多的第一象限產品是我認為最值得做需求預測的，這類產品的需求預測思路，按以下四個步驟進行。

第一步，以時間序列做初步預測。當有三個季節長度的數據量時，建議使用Holt-Winters三參數指數平滑法，當只有1-2個季節長度數據量時，建議使用移動平均法。2-3個季節長度，根據實際需要選擇Holt-Winters三參數指數平滑法或移動平均法。

第二步，定量調整。如果有足以支撐進行回歸分析的數據，回歸分析法是最好用最可靠的定量調整方法。否則，建議人工系數進行調整。

第三步，定性調整。定性調整我主要介紹了專家意見加權評估法，以及它的具體操作步驟。

第四步，預測糾偏。預測總是不準的，我們需要以預測糾偏來應對預測結果的不確定性，預測糾偏的過程一般為發現偏差、糾正偏差和記錄修正持續改善。