⚡ 安全库存与补货策略优化的核心支柱 —— 准确的需求预测。中小学生色系 · 轻松掌握。
基于专家判断、直觉与市场情报，适用于历史数据缺失或新产品场景。
| 方法 | 说明 | 适用场景 |
|---|---|---|
| 德尔菲法 | 多轮匿名专家问卷，收敛共识 | 长期趋势、技术变革 |
| 市场调研 | 消费者问卷、焦点小组 | 新品上市、客户偏好 |
| 历史类比 | 参考类似产品生命周期 | 替代品、季节性新品 |
| 管理层意见 | 高管集体经验判断 | 战略调整、突发事件 |
基于历史数据与统计模型，分为时间序列与因果模型。
误差衡量预测准确性，监控确保模型稳定。常用指标如下：
跟踪信号 = 累积预测误差 / MAD，用于判断预测是否存在偏倚。
| 监控指标 | 公式 | 阈值建议 |
|---|---|---|
| 跟踪信号 (TS) | TS = Σ(实际-预测) / MAD | |TS| < 4 正常；>4 偏倚 |
| MAD 追踪 | 移动 MAD (滚动窗口) | 超出历史2σ 预警 |
| 预测误差百分比 | PE = (实际-预测)/实际 | ±10% 以内良好 |
import numpy as np
actual = np.array([120, 135, 128, 145, 142])
predicted = np.array([118, 130, 132, 140, 148])
mad = np.mean(np.abs(actual - predicted))
mse = np.mean((actual - predicted)**2)
mape = np.mean(np.abs((actual - predicted) / actual)) * 100
print(f"MAD: {mad:.2f}, MSE: {mse:.2f}, MAPE: {mape:.2f}%")
# 输出: MAD: 4.20, MSE: 22.80, MAPE: 3.12%