当需求相对稳定时，利用数据模型仔细规划。

需求相对稳定时，选用数据模型来精打细算

要说一个具有哲学性质的话题：为何能够预测呢，我们存在能够预测的情况，是依据于，其一，时间序列具备延续性，这也被称作连贯性，其二，变量之间存在相关性，这也被叫做类推性，也就是说，已经发生的和还没有发生的有着某种关联。

在需求不确定性处于很高程度的情况下，无论延续性方面，还是相关性方面，我们都不具备容易量化之特性。然而，我们的头脑乃是最为复杂的那种“AI”系统，它能够构建起变量之间呈现非线性、难以予以描述的联系，而这也就是凭借经验、“拍脑袋”之举。我们寻觅有经验之人，原因在于他们的头脑之中沉淀有更多的数据量，并且他们的脑细胞更有可能促使他们建立起此类联系。

需求不确定性低时，尤是有了一定需求历史后，历史与未来的延续性较易建立，关联也较易建立，其反映于一些简单且实用的模型中，此即我们这里所讲的数据分析与数据模型。计划者的任务，是找出并应用这般关联性即预测模型，对未来作出预判，借此指导供应链执行从而提前准备。

相关性所指的是，变量之间存在着这样一种关系，这种关系是能够进行类推的。举例来说，要是促销预算越高，那么所购买的广告以及流量就会越多，而产品的销量通常情况下也会随之越高；要是预售期卖得好的产品，那么在正常销售阶段一般也会卖得好；要是在试点区卖得好的产品，那么在所有区域同样也会卖得较为不错。我们常常会说不怕不识货，只怕货比货，而这所说的“货比货”正是基于相关性，在数据有限的具体情形下，比如在新产品的预测当中，会扮演极具重要性的角色。通过有限时间里有限客户的需求，来推断整体的需求预测，小步快走、尽快纠偏，其背后的逻辑同样是相关性。

你如今清楚了，让营销进行判断，实则是借助他们过往的经历，像是以往做促销之际，花费了多少金额，购买了多少流量，售卖了多少产品，以此来判断此次花多少钱，能够卖多少货物。这并非单纯地“拍脑袋”决定，这同样是以数据分析作为基础。试去想一想，每当开展活动、进行预算之时，营销也必须拿出一些数据给老总，用以证明为何要100万元的预算而非60万元的预算。运用得较为频繁的逻辑，便是相关性。

我们常用以考量相关性的就是线性回归法这个模型，变量之间有一定线性关联，依据变量数量线性回归分为一元、二元、以及多元线性回归，线性回归似乎听起来很厉害，实际上我们每天都在运用，像是投入多产出就多，这就是基本的线性回归思路，线性回归涉及一些基础数理统计内容，在我的《需求预测和库存计划：一个实践者的角度》这本书第57到77页有详细阐述，这里就不再重复说明了。

时间序列里的延续性，体现为显示一定的模式（见图一到十五），其一为趋势，即伴随时间推进，需求显现上升或者下降的趋向，其二是周期性，需求展现出交替出现的波峰與波谷，其中的季节性便是其一，其三是随机变动，在外界因素作用下，需求呈现出忽高忽低的变化，不过总体是平稳的。

倘若光是去看那图1 - 15里的实际数值，我们极难对之后的需求作出预测。可是一旦我们把当中的趋势以及季节性给分解出来后，便寻得了数据里的大部分规律：趋势能够被预测，季节性同样也如此。那剩下的部分即为残余，也就是趋势以及季节性数据模型无法作出解释的部分，我们把它归结为随机因素，通常依靠安全库存、供应链执行去应对。

图1-15　时间序列的分解示意

那些为数不多的波峰、波谷，在这些随机变动里，真正有可能“害死”我们，前者或许会引发短缺，后者也许导致过剩。且虽说其中存在随机情况，然而好多波峰、波谷并非随机出现，而是源于发生的一些能显著改变需求的行为，有些是客户带动的，有些是我们自身主导的，有些由竞争对手引发，当我们不清楚背后的驱动因素时，就将它们判定为“随机”。这便要销售的判断，要产品的判断，要客户端的判断，去针对那些尚未发生但是存在发生可能的促销，还有活动，以及产品切换，包括市场竞争，乃至政策变动等进行提前的预判，从而完成需求预测中“由判断来给予终结”这样的操作。

看得出来，针对这样的时间序列，大部分的预测工作借助数据模型就能达成，仅有极少部分需要进行判断。在需求计划薄弱的企业当中，计划常常没有能力提取需求历史里的规律性部分，因而毫无区分地依赖一线销售上报需求，消耗了一线的大量资源，反而致使一线无法专注于那些真正需要管理的内容。其结果便是既无法做到“从数据起始”，也无法做到“以判断收尾”，预测准确度较低也就不难理解了。

针对于图1-15当中的随机之变动，以及趋势指数平滑法公式，还有周期性，我们是有着相应的预测模型的，接下来会予以简单的介绍。

要是需求不存在明显的趋势，也不存在季节性特征，那我们便可认为这种变动大多是随机产生的，进而能运用移动平均法以及简单指数平滑法去开展预测。移动平均法与简单指数平滑法属于两种最为简单，且应用程度最为广泛的预测模型，尤其是简单指数平滑法更值得注意。

移动平均法是这么来的，它是拿过去一段时期的需求，去求平均值，而后把这个平均值当作下一期的预测数值。要是每期的权重是一样的，这种情况就称作简单移动平均法；要是权重不一样，那就叫做加权移动平均法。打个比方，要是运用简单移动平均法依照3个月来做预测，那么7月的预测结果就是4、5、6这三个月需求的平均值。这里面的关键要点在于：到底要用多长时间的需求历史呢？这就是移动平均法的择优问题，一般靠复盘的方式去确定。比如说，我们已然知晓最近十三周每周的实际需求情况，我们能够运用更为久远的需求历史，去复盘并预测过去十三周的需求，查看三周移动平均的误差是不是最小，亦或是六周或者八周，诸如此类。具体的操作方式，以及怎样计算预测误差，如何评估预测准确度，在我的《需求预测和库存计划：一个实践者的角度》这本书里有详尽的描述（位于第13至17页）。

依据简单移动平均法的假设逻辑，每期的需求历史所占比例是相同的。然而，这种情况并非必然成立，毕竟凭借直觉我们便可得知，最新段的需求历史通常具备更高的参考价值。基于这种认知，加权移动平均法由此衍生出来，就像上一期中所占权重是百分之三十，倒数第二期的权重为百分之二十五，倒数第三期的权重是百分之二十等等，并且其所有的权重相加总值是等于一的，至于权重到底应怎样进行分配，这又是属于模型择优时需要面对的任务范畴，能够借助计算的方式，在不同权重分配的情形下，依据预测准确度来予以确定。

你很快就会发觉，看似极为简略的移动平均，实际上若要运用得当，绝非轻而易举之事：我们必须明确采用多长的需求历史（也就是说，我们平常所讲的，多长的需求历史具备代表性），我们同样得确定权重的分配。在实际运用当中，众多企业皆是依靠经验，选定一定时长的需求历史，不是简单平均，便是加权平均，当然存在优化完善的余地。

我们接下来要介绍的简单指数平滑法，实际上是一种特殊的加权平均法，其权重是按照几何数级进行衰减的，也就是说，距离相对较近的需求历史权重是比较大的，而距离相对较远的权重则比较小。那么，权重到底会有多大，衰减的速度又会多快呢？这取决于平滑系数。这个系数的取值范围在0到1之间，当取值越大的时候，最新需求历史的权重就越大，预测模型也就越灵敏；而当取值越小的时候，权重的衰减速度就越慢，预测模型也就越稳定。

于操作方面而言，简单指数平滑法只需利用两个数据点，即上期的实际值与上期的预测值，下期的预测乃这两个值的加权平均。此逻辑恰似踢足球，如图1-16所呈现的那样，身为防守队员，你需要预测接下来往何处奔跑，你是受预测所驱动的，这依赖于球当前停留的位置，也就是上一期的实际值，并且取决于你当下所处的位置，即上一次的预测值。存在着两个极端情况，首先一种情形是球跑到哪里你便跟到哪里，这也意味着会百分之百将上次的实际值当作预测值，即平滑系数等于1；其次另一种状况是无论球处于何处，你均按照自己以往的战略，也就是百分之百遵循上次的预测，这儿的平滑系数等于0。如你所知，这两类极端情况是都会致使你输得极为惨重的，所以你需要在二者之间找寻到平衡，而这实则就是简单指数平滑法的择优过程，它是借助择取适宜的平滑系数来达成的。

图1-16　简单指数平滑法的逻辑就如防守队员的防守逻辑

和移动平均法的择优逻辑相同，我们通常用复盘方法，截取一段包含代表性的需求历史，用年代更为久远的数据实施复盘预测，测算于各个不同平滑系数情形下，每一种简单指数平滑法的精准程度，挑选出预测精准程度最高，也就是预测误差属于最小的那种方式。

听上去颇为玄妙的简单指数平滑法，实际上，操作起来是比较简单的，自20世纪50年代发展起来后，已然相当成熟，我们在此不再对方法论本身进行赘述。我想要说的是，为何简单指数平滑法如此重要。

有一种方法叫简单指数平滑法，它是好的，其原因在于，从逻辑层面来讲，它与实际情形更为契合，举例来说，需求历史中越靠近当下的部分，越具备参考意义。这一点是相当关键的，它所蕴含的意义是，它能够以更快的速度捕捉到新近发生的事情，进而及时对预测进行更新。比如说，销售在前端实施了促销举措，然而却并未向你传达这一信息，可是简单指数平滑法在察觉到昨天的需求有所增高之后，便会给予这样的建议，那就是你应当在今天多运送一些货物过去。比如，昨天你的生产线上，有个关键备件坏了，这备件很少出现故障，是典型的长尾情况，然而它现在坏了，或许意味着这批设备开始老化，相应地，简单指数平滑法会将这个信号及时归入预测里，提示你要留意多储备货物了。

好的简单指数平滑法，还因其具备“简单”特性：仅需单平滑系数这一参数就行。我们借由对平滑系数予以调整，便可让预测模型得以优化。像业务变动幅度大之际，平滑系数的值就会更大；业务相对稳定之时，平滑系数能够求取更小的数值。总体而言，此方法相较于移动平均法有更高的预测准确度。

也许有人要问，要是存有“容易”指数平滑法，如此便也有“不容易”是指数平滑法喽？没错，这就是咱们随后要讲解的霍尔特模型、霍尔特–温特模型——它们均是用于预测趋势、趋势加季节性的之类不同情况所需用到不同方式的模型，其中霍尔特模型用于预测趋势所需用到不同方式的范畴下的模型情况，霍尔特–温特模型用于预测趋势另加季节性所需用到不同方式的范畴下的模型情况。

我们清楚，简单指数平滑法适用于这样的情形，即不存在明显的趋势，不存在明显的季节性。因为一旦存在，简单指数平滑法就会出现系统性的偏差，比如说当需求呈现增长或下降趋势的时候，简单指数平滑法会持续偏低或者过高（移动平均法亦是如此）。

时间一旦长久，需求常常会展现出一定的模式，并非仅仅是进行随机变动了耶。就好比你开创了一家崭新的店铺，又或是引入了一项新奇的产品，历经时间方面往前推进，口碑变得愈发美妙，业务呈现出一定的处于上升状态的趋势哟；又比如说好多业务具备一定的季节性特质，到了这个时候，就需要使用更为恰当合适的模型去进行预测啦。

若时间延续得足够久，季节性的因素常常就难以避免指数平滑法公式，此乃必然之事。在这个世界范围之内，要寻觅到不存在季节性的需求甚是困难。存在一些是由自然因素所驱动的情况，像寒来暑往季节交替，热饮与冷饮业务交替更迭变换，电力消耗以及煤气消耗出现变化等；存在一些是由人为因素所驱动的情形，像因季度考核致使季末冲量，在 6·18、“双 11”等大型促销情况中即是如此。甚至就连部分政府项目也存在季节性：上半年进行走流程以及审批预算的操作；下半年开展做项目以及突击花钱的行为。

在应对方面，霍尔特的一种模型增添了单个平滑系数，以此来处理趋势方面的诸多问题；而霍尔特 - 温特的那种模型则增添了两个平滑系数，其中一个平滑系数用于应对趋势相关的情况，另一个用于应对与季节性相关的问题。

指数平滑法具备强大之处，这强大还体现在其自适应性上。就趋势而言，比如，我们能够运用线性回归去找出一条直线来进行模拟，该直线的斜率是固定不变的，显得较为僵化。而在霍尔特模型当中，斜率自身是能够调整的，我们会用一条折线来予以模拟，如此一来，拟合度相较于一条直线自然是更高的，预测准确度同样也会更高。倘若还要进行譬如举例的话，当我们论及日常所运用的季节性类别模型之时，季节性因子的比重是稳固不变的哟（四个季度的比重相加之和为1，然而每一个季度的比重是恒定不发生改变的呢） ; 在霍尔特 - 温特模型里呀我们的的确确是存有专门的平滑系数的，其目的乃是施行动态性的对于那季节性因子作出调整的，这一系列的情况均能够致使模型的拟合程度变得更高的，并且预测的精确程度自然而言同样也是更高的。

当前，于指数平滑法体系当中，我们拥有了三类模型，它们可处理遭遇到的大部分需求预测问题，无论属于随机变动，还是趋势性变动，抑或是季节性变动。我们能够对相应的平滑系数予以调整，以使这些模型更优地适配实际业务。这正是在预测领域，指数平滑法成为应用最为广泛的方法的缘由，不存在其他情况。于每一款计划软件中，你都能够见到指数平滑法的踪迹，并且它还是主要的背景算法。人工智能、机器学习领域，同样离不开指数平滑法。

针对规律性的事物，没有谁知晓得会比数据更多。借助这些常用的那些预测模型，我们能够发掘数据内已知的规律，于预测方面力求更好，优化交付以及库存周转。当然了，预测方法犹如深邃海洋，此处仅仅略微提及。更多的细节，像是指数平滑法的初始化，平滑系数的挑选，实施期间要留意的问题等等，可参考我的《需求预测和库存计划：一个实践者的角度》那本书。

此外，我还想强调三点。

其一，在预测方法方面，简单的模型常常比复杂的更具效力，你所能够理解的模型往往胜过你所不理解的。这里所谈到的移动平均法以及指数平滑法，应是能够应对我们所碰到的绝大多数问题的。要是有人一开口就提及傅里叶变换、机器学习、神经网络一类的，你可得万分谨慎才行：那些固然都极为重要，然而它们更多的是充当喂饱你的第五个包子，你得先把简单的那四个吃下去。要挑选适宜的模型，规避系统和组织出现两层皮的问题：你无法理解的，就不会予以信任；不信任的情况下，就不会去使用。

其二，预测模型需要进行优化，优化这件事本身，并没有听起来的那样困难，通常呢是依靠复盘，去挑选出准确度更高的模型，在Excel表里就能搞定，关键在于得行动起来。这是计划职能能够独立掌控的。对于众多企业而言，借助简便的优化，将预测准确性提升几个百分点并非难事——在预测方法的择优方面，这些企业恰似从未服用过药物的原始人类，只要给他们一粒阿司匹林，便会产生效果。可千万别小瞧这几个百分点，那极有可能意味着几个百分点的净利润。

其三，预测模型清楚自身所知晓的内容，却不清楚自身所不知晓的内容，故而必定要与职业判断相互结合。请坚信直觉：倘若模型得出的结果看起来存在问题，那么它极有可能是错误的。这是由于数据或许会有差错，公式有可能会套用错误，参数兴许会选择错误，尤其是在刚开始运用模型的时候。业务以及专业经验是不可被替代的，这便是为何不能仅依靠计算机来制定计划的原因。

实践者问

能把那些公式给我们，让我们写到程序里，来预测和补货吗？

刘宝红答

并非公式有啥特别之处，就像指数平滑法是半个多世纪前的研究成果，从理论层面来讲已然相当成熟，并且也并非艰难之事。倘若要说难，难在这两个方面：其一，数据模型的最终结果在很大程度上取决于数据自身的质量，然而像数据清洗这类事情，并不能完全交由公式或者计算机去处理；其二，数据模型完全依赖于数据，它知晓的数据即为其所知内容，不知晓的数据则为其所不知内容，也就是缺乏判断的部分。如此一来只依靠公式，“从数据起始”会略显勉强（鉴于数据清洗工作等存在欠缺），“以判断终结”更是全然无法达成。你知道，这样的计划结果不会理想。

大家对于前面讲的简单指数平滑法、霍尔特模型、霍尔特–温特模型等一系列时间序列预测法，都能够前往一个网站（https://www.real-statistics.com/free-download/）去下载成套的模板与公式，这个网站是由Charles Zaiontz博士所开发的，这个人可是那种堪称极客般的存在，能够将复杂的数理统计阐释得极为清晰。

像在经济周期情形下，需求会跟着增长或者降低。季节性属于在一段时间之内的规律性变动，然而周期性常常不存在固定的起止时间。需要留意的是，季节性即便带有“季节”这两个字，却并非一定得在一年之中才能够体现出来。在餐饮、零售、电商等众多行业里，一周之内的业务也会展现出“季节性”变化，例如某些日子的需求会比其他日子的需求高。

我们同样能够借助Excel去分解数据，这儿存在一份英语的介绍，其内容为Time Series Decomposition Using Excel，网页链接是https://www.searchlaboratory.com/us/2013/09/time-series-decomposition-using-excel/。

要补充说明的是，指数平滑法是一套体系，它能够被归纳成12种方法。而这12种方法是由两个维度组合产生的，其中一个维度是趋势，另一个维度是季节性。趋势又可以细分成4种，分别是没有趋势、呈线性趋势、具衰减趋势、有指数增长趋势。季节性则分为3种，即没有季节性、叠加型季节性、乘积型季节性。通过4乘以3，从而得出12种组合。这里所讲的三种是最早发展起来的，同时也是最为常用的三种，主要是由卡耐基·梅隆大学的霍尔特教授以及他的弟子温特发明的。

设这是一个存在于电商公司老总身上情况，该公司具备达成每年几个亿营收的能力，其规模已然相当庞大。这位老总和他的团队主要拥有计算机背景，故而打算凭借计算机方式去应对计划问题。我对他讲，那些所谓公式恰似计算机语言，又如同机械设计原理，它们自身并没有多少神秘之处，而真正的挑战在于如何运用，这取决于数据质量以及使用者的数理统计能力。