3、需求预测基础：移动平均法、指数平滑法、需求模式识别
需求预测是补货点参数配置的基石。预测方法的选择直接影响安全库存水平与订货频率。本章聚焦三种核心预测技术：移动平均法、指数平滑法，以及需求模式识别方法，帮助学员建立从数据到决策的量化路径。
3.1 移动平均法
移动平均法通过计算最近 N 期需求数据的算术平均值来预测下一期需求。该方法适用于需求相对平稳、无明显趋势或季节性的场景。
3.1.1 简单移动平均
公式：
F(t+1) = (D(t) + D(t-1) + ... + D(t-N+1)) / N其中：
- F(t+1) — 第 t+1 期预测值
- D(t) — 第 t 期实际需求
- N — 移动平均期数
3.1.2 加权移动平均
为不同期数的历史数据赋予不同权重，近期数据权重更高：
F(t+1) = w1*D(t) + w2*D(t-1) + ... + wN*D(t-N+1)权重满足：w1 + w2 + ... + wN = 1，且 w1 ≥ w2 ≥ ... ≥ wN。
3.1.3 期数 N 的选择原则
| 需求特征 | 推荐 N 值 | 效果说明 |
|---|---|---|
| 需求平稳，随机波动小 | 较大（如 12） | 平滑效果好，降低噪声干扰 |
| 需求存在趋势变化 | 较小（如 3~6） | 快速响应趋势，但易受噪声影响 |
| 需求季节性明显 | 等于季节周期长度 | 消除季节波动，反映长期水平 |
实践建议：在库存优化工程中，移动平均法常用于计算前置期需求均值。建议同时计算 3 期、6 期、12 期移动平均，通过比较预测误差（MAD/MSE）选择最优 N 值。
3.2 指数平滑法
指数平滑法是一种加权移动平均的改进方法，通过单一平滑系数 α 控制历史数据的衰减速度。该方法计算量小、存储需求低，适合实时更新预测。
3.2.1 一次指数平滑
公式：
F(t+1) = α * D(t) + (1 - α) * F(t)其中：
- α — 平滑系数，取值范围 [0, 1]
- F(t) — 第 t 期预测值
- D(t) — 第 t 期实际需求
3.2.2 平滑系数 α 的选择
| α 值范围 | 适用场景 | 响应速度 |
|---|---|---|
| 0.1 ~ 0.3 | 需求平稳，随机波动较大 | 慢，平滑效果好 |
| 0.4 ~ 0.6 | 需求存在中等趋势或变化 | 中等，平衡响应与平滑 |
| 0.7 ~ 0.9 | 需求快速变化，需快速响应 | 快，但易受噪声干扰 |
3.2.3 初始值设定
初始预测值 F(1) 的常用设定方法：
- 取第一期实际需求：F(1) = D(1)
- 取前几期平均值：F(1) = (D(1) + D(2) + D(3)) / 3
- 使用历史同期数据（适用于季节性需求）
关键对比：移动平均 vs 指数平滑
- 存储需求：移动平均需存储 N 期历史数据；指数平滑仅需存储上一期预测值。
- 权重分配：移动平均等权；指数平滑指数衰减，近期权重更大。
- 趋势响应：移动平均存在 N/2 期滞后；指数平滑滞后为 (1-α)/α 期。
- 工程推荐：多级库存协同中，上游节点（工厂/配送中心）常用移动平均；下游节点（门店/前置仓）常用指数平滑。
3.3 需求模式识别
需求模式识别是选择预测方法的前提。错误识别需求模式会导致补货点参数严重偏差。需求模式分为三类：趋势性、季节性、随机性。
3.3.1 三类需求模式特征
| 模式类型 | 核心特征 | 典型示例 | 推荐预测方法 |
|---|---|---|---|
| 趋势性 | 需求随时间呈单调上升或下降 | 新产品导入期、市场增长期 | Holt 线性趋势模型、回归分析 |
| 季节性 | 需求按固定周期重复波动 | 空调夏季热销、年节礼品 | Holt-Winters 季节模型、季节分解 |
| 随机性 | 需求无规律，围绕均值波动 | MRO 备件、低周转品 | 移动平均、指数平滑、Croston 法 |
3.3.2 模式识别方法
- 可视化分析：绘制需求时间序列图，观察长期走势与周期波动。
- 自相关函数（ACF）分析：计算不同滞后期的自相关系数，识别季节周期。
- 趋势显著性检验：使用 Mann-Kendall 检验或线性回归斜率 t 检验。
- 季节指数计算：计算各期相对于移动平均值的比例，判断季节强度。
- 变异系数（CV）评估：CV = 标准差 / 均值。CV < 0.5 为低波动；CV ≥ 0.5 为高波动，需关注随机性。
常见误区：不要仅凭短期数据判断需求模式。至少需要 24 个月的历史数据才能可靠识别季节性模式。对于趋势性需求，使用移动平均法会产生系统性滞后偏差，导致补货点偏低或偏高。
3.4 需求模式识别流程
下图展示了从原始需求数据到预测方法选择的完整识别流程：
3.5 多级库存协同中的预测实践
在多级库存网络中，不同层级的需求特征存在差异，预测方法需相应调整：
- 工厂/中央仓库：需求通常呈现趋势性+季节性，建议使用 Holt-Winters 模型，预测周期以月为单位。
- 区域配送中心：需求受下游订货策略影响，存在牛鞭效应放大，建议使用指数平滑+安全库存缓冲。
- 前置仓/门店：需求随机性较强，建议使用移动平均法，N 值取 4~8 周，结合每日销售数据更新。
预测误差监控指标：
- MAD（平均偏差）：MAD = Σ|D(t) - F(t)| / n，衡量预测精度。
- MSE（均方误差）：MSE = Σ(D(t) - F(t))² / n，放大较大误差的影响。
- MAPE（平均百分比误差）：MAPE = Σ|(D(t) - F(t)) / D(t)| / n × 100%，用于跨品类比较。
- 跟踪信号（TS）：TS = Σ(D(t) - F(t)) / MAD，判断预测是否存在系统性偏差。TS 超出 ±4 需重新校准模型。
需求预测不是一次性活动，而是持续迭代的过程。建议每月评估预测误差，每季度重新识别需求模式，动态调整预测方法与参数，确保补货点配置始终与真实需求保持一致。