📚 课程目录第3章需求预测方法论（上）

3. 需求预测方法论（上）

需求预测是供应链计划系统的起点，其准确性直接影响库存水平、产能规划与客户服务水平。本章聚焦于两类最基础的预测方法：定性预测（依赖专家判断与市场信息）与时间序列预测（依赖历史数据模式）。理解它们的适用场景、操作步骤与局限性，是后续构建仿真优化模型的前提。

当历史数据缺失、市场环境剧变或推出全新产品时，定量模型往往失效。此时需要借助人的经验与判断进行预测。定性预测并非“拍脑袋”，而是有结构化的流程。

德尔菲法通过多轮匿名问卷，汇集专家意见并逐步收敛共识，避免权威影响与群体思维。

适用场景：新产品销量预测、技术路线图、长期市场趋势（3-5年）。
优点：避免权威偏见，汇聚多元视角。
缺点：耗时长（通常 3-4 周），专家流失风险。

通过直接收集客户、渠道或终端用户的意图与行为数据，驱动预测。常用工具包括：

常见陷阱：受访者“说”与“做”不一致（意向-行为差距）；样本偏差导致预测系统性偏移。建议将调研结果与历史基准或定量模型交叉验证。

时间序列预测假设历史模式会延续到未来，适用于数据充足、环境相对稳定的场景。核心思想是将时间序列分解为水平、趋势、季节性与残差四个成分。

移动平均通过取最近 N 期数据的平均值来平滑随机波动，适用于无趋势、无季节性的平稳序列。

计算公式：

F_t = (A_{t-1} + A_{t-2} + ... + A_{t-N}) / N

其中：
F_t = 第 t 期的预测值
A_{t-i} = 第 t-i 期的实际值
N = 移动平均窗口长度

  工程注意：移动平均对所有历史点赋予相同权重（1/N），无法区分新旧数据的重要性。当数据存在趋势时，移动平均会系统性滞后于实际变化。

指数平滑通过赋予近期数据更高权重、远期数据指数衰减权重，解决了移动平均的等权问题。最简单的形式是一次指数平滑（适用于无趋势、无季节性的数据）。

核心公式：

F_t = α * A_{t-1} + (1 - α) * F_{t-1}

其中：
α = 平滑系数（0 < α < 1）
F_t = 第 t 期预测值
A_{t-1} = 第 t-1 期实际值
F_{t-1} = 第 t-1 期预测值

α 优化建议：通过历史数据回测，选择使 MSE（均方误差）或 MAE（平均误差）最小的 α 值。通常 α 在 0.1-0.3 之间效果较好；若数据突变频繁，可适当提高至 0.5-0.7。

下图展示了从数据评估到方法选择的决策路径，帮助供应链计划人员快速定位合适的预测技术。