之前，我們從兩個方面討論了預測案例1：

    首先，應用統計學知識，分析歷史數據、并構建出可接受的定量模型；

    然后，討論了渠道業務現實，從其自身邏輯總結了預測偏差的來源，以及定量模型中所缺失參數的輸入來源。

本篇，將討論搭建最終模型，一個實用的定量預測模型。這個模型，將包含之前討論過的所有重要結論。

最終的“自適應預測模型”效果如下：

（知識點：“自適應”是指，能夠依據輸入數據的特征，自動調整應對或處理方式。

                雖然這是現代工程技術中應用廣泛的一種方法，但是我們在供應鏈計量分析中也可以利用其原理，構建更加好用智能的模型。而且，這并不是多么困難的事情。)

如果喜歡，下面來一起看看搭建過程。^_^

實用模型搭建：

第一步，搭建基準模型

簡單回顧一下歷史數據。

基準模型是一個年度時間序列模型，應當包含兩個主要參數：

首先，季節因子。也即“季節性”，這里體現為各月權重系數，全年12個月合計為100%。

我們選擇用過去兩年的數據，以算術平均值來作為季節因子，結果如下：

        注意：

        (1)“過去兩年”并非是強制或者推薦要求，通常可以選擇業務模式和市場形勢沒有顯著變化的過去2~3年數據；

        (2)算術平均值也并非強制或者推薦要求。在本例中，因為很明顯過去兩年的季節性比較一致，所以算術平均值即可。如果可選用的2~3年數據存在著季節性的明顯差異，在理解實際業務背景的前提下，通?？梢栽O定合理權重、按照加權移動平均法來計算，以求計算結果可以更好模擬“常規情況”。

其次，增長系數。也即“趨勢性”，這里體現為年增長率。

我們無法借助統計分析給出這個系數，當然，我們也不需要這么做。征詢渠道管理部門，得知他們的年度增長目標是15%，這就是基準模型所需要的“增長系數”。

于是，我們得到的基準模型，也即基準預測，如下：

        注意：先按照15%增長率計算全年總數，然后按照季節因子分攤至各月。公式簡單，不再列出。

我們知道，基準模型已經可以通過檢驗。但是，我們也知道，現實中“渠道業績管理”下的“經銷商行為模式”會帶來很多干擾，如果可以主動識別、修正干擾，那么就可以提高預測準確性，得到質量更高的預測模型。

第二步，建立修正模式

繼續征詢渠道管理部門，得知今年的渠道業績管理體系如下：

由此可以確信：如果業績態勢太好或者太差，必然會有特定的“經銷商行為模式”發生。我們需要將這種可能性納入基準模型，建立修正模式。

需要考慮的修正模式，主要是經銷商在限制性要求下的額外備庫行為，以及這種行為的后續影響。

很顯然，這種行為主要將發生在季度末。

如果形勢不好，則需求將低于基準預測，但是缺口必須要在季度末補足，并且至少要補足當季指標的90%。只要對形勢沒有絕望，經銷商就會砸錢去補；如果形勢太過惡劣，我們也得充分預計有一定比例的經銷商甚至于只能勉強維持住80%。

        季度最末月份的實際需求 = 當季指標 - 當季前兩個月需求之和

砸錢補貨，就勢必拖累下月需求。但是通常不至于等額影響下個月，因為，經銷商會有更強的動力去加快銷售。

        這里我們定義一個簡化的經驗參數，“額外庫存滯銷比例”，用來定義當月額外庫存有多少比例將會直接影響到下個月需求。涵義如下：

        當季實際需求 = 當季真實需求 + 額外庫存；

        下月實際需求 = 下月真實需求 - 額外庫存 *  額外庫存滯銷比例

        本文中，我們設定此比例為40%。實際問題中，也可以將其設置為階梯比例，以更完美地描述經銷商行為心理。

如果形勢太好，則需求將高于基準預測。供應商有動力借助于多消耗庫存來盡可能減少進貨，盡量不要超過120%當季指標，以免損失獎勵。這些需求，通常將全部轉入下個月。

第三步，全年預測評估和動態化

可以看到，這里計算的關鍵是，應該如何判斷“額外庫存”。額外庫存是超出真實需求的部分，——我們強調需要保留的、在前面建立的基準預測，其實就是對于真實需求的評估值。（填坑完畢 ^_^）

唯一的問題是，基準預測依賴于據說并不完全靠譜的年度增長率目標。

所以，我們還需要一些技巧來處理這其中的風險。

首先，全年預測的再評估。

        以上財年P8~P11 (以盡量避開季度末和年末的可能影響)的平均值，作為當前市場的需求水平。

        假定Q1維持正常需求，也即P2、P3的平均需求與此持平，并且，注意到基準模型中P3的季節因子應當沒有季度末額外備貨行為，因此，以P2、P3按照季節因子反推全年預測值，如下：

     （Y4P8+Y4P9+Y4P10+Y4P11) / 4 *2 / (P2 season factor + P3 season factor)

        得到結果15051。（略高于基準模型的14091，意味著基準模型全年數字暫時可以接受。）

其次，P1預測的再評估。

        再評估得到的全年數字，由P1季節因子，可以得到新的P1預測；考慮剔除P12可能的年底影響，就得到了P1預測的再評估結果。

最后，全年預測的動態化。

       基于前述邏輯，每當有新的實際結果錄入時，我們都可以借助季節因子反推全年預測值。毫無疑問，越接近年底，就有越多的實際結果，這個反推的全年預測值也將越逼近真實結果。

按照前面關于修正模式的討論，季度末額外備貨，接下來季度初消化該影響，因此，各季度第二個月基本不受“經銷商行為模式”影響，所以，可以以動態預測的全年需求來計算各季度第二個月的評估需求。

最后一步，公式實現

我們仍然在Excel中呈現相關邏輯的公式實現，如下圖：

        注意：

            (1) 用max/max-/min+/min來同時表示可能的經銷商行為模式，也即，將其表示為一個區間。

           (2) 季度初的修正（除了P1之外）的計算公式，僅展示了額外補庫影響，未展示延后需求影響的具體計算。

可以看到，所有“Y5 adj. FC”的計算公式都已經預設了這樣的邏輯：檢查當期之前兩期的實際發生值是否已輸入，如果輸入，則自動依據實際輸入值調整計算公式。

所以說，我們所建立的“自適應模型”，是二階的遞歸自適應。隨著實際值的逐個錄入，模型的動態過程如下：

二階遞歸自適應模型，可以自動幫我們滾動更新后續兩個月的預測。

    當然也可以搭建出三階的遞歸自適應模型，用以自動滾動更新后續三個月的預測。

    出現在本文最初的動圖，其實就是三階遞歸自適應模型。雖然長得差不多，但是細看就能發現二者的明顯差異。^_^

    不過，我們不推薦過高的遞歸階數。階數過高，只會增加模型復雜性，并不會帶來太多現實益處；另外，現實中，渠道或者市場的自我調節和消化能力是強的，所以對于歷史的記憶能力也并不會很久。

模型的使用：

需要提醒的是，對于需求預測，無論統計分析能力有多強，我們也都不推薦完全依賴于模型。

我們推薦采用S&OP流程，與業務部門溝通討論后，再確定后續需求的最終預測值。

    原因很簡單：業務部門的積極主動性，是萬萬不可以忽略的。哪怕是市場形勢再糟糕，你都不能忽略業務部門隨時祭出大招的能力和可能性。

擁有定量模型，對你的好處是：更加主動。

你可以更容易理解業務的真實處境，更容易預判業務祭大招的可能性和緊迫性；在和業務部門的S&OP溝通中，你也更能夠判斷所獲得信息的可靠度。

所以，模型在使用中會調整如下：

         注意：模型中可以對單元格"N6"~"N11"設置權重，所有權重合計應為100%。判斷為可能性最高的預測，應該賦予最高的權重。

即便是沒有可靠的業務信息輸入，你也可以依據對最可能情況的判定來分配權重。這個時候，你其實只需要從業務部門獲得定性判斷即可。

    比如，本實例中，你會逐步發現，如果不祭大招，那么很明顯“FC min+”可能性最高。所以，后期的權重賦值變成了下表：

適用性說明：

任何一種模型的選用，都要明白其適用性，或者說局限性。

本模型適用范圍：相對成熟的渠道業務。

所謂“相對成熟”至少體現在：

（1）終端市場相對穩定。例如工業低壓行業，應用面比較廣、競爭充分但變化沒那么劇烈；

（2）市場占有率相對充分。越充分的市場占有率，意味著市場波動越可控，因而不太會有突發的劇烈沖擊；

（3）經銷商業績集中度相對有限。越高的集中度，意味著業績走勢將會較大程度上受制于與頭部經銷商的博弈，因此，預設的管理政策是否一定能夠得到期望的效果，也將會有更多的疑問。

如果成熟度低，例如行業應用窄、處于快速增長期或者衰退期、渠道寡頭特征明顯等，也并非無法處理。只不過，分析建模所需要的深度要求會更高。

這些情況，我們會在未來的原創案例討論中，逐步涉及。