库存优化与供应链协同实战 - 第3节 ① 需求预测的重要性

① 需求预测的重要性

降低库存成本 — 减少安全库存与呆滞料
提升服务水平 — 避免缺货，提高客户满意度
优化产能与采购 — 精准安排生产与物料计划
增强供应链协同 — 信息共享，减少牛鞭效应
支撑战略决策 — 预算、投资、市场扩张的基础

🎯 预测准确率每提升5%
库存成本降低8%~12%

② 定性预测方法

👥 专家判断法

德尔菲法 — 匿名问卷 + 多轮反馈
小组共识 — 跨部门讨论
情景分析 — 最佳/最差/最可能

📊 市场调研法

客户意向调查 — 直接询问
试销与实验 — 小规模测试
类比预测 — 类似产品历史

💡 适用场景：新产品上市、缺乏历史数据、长期趋势、政策变化等。

③ 定量预测方法

基于历史数据 · 时间序列 · 因果模型

📈 移动平均法 (Moving Average)

简单移动平均 (SMA) 加权移动平均 (WMA)

公式：Fₜ = (Aₜ₋₁ + Aₜ₋₂ + … + Aₜ₋ₙ) / n

优点 — 平滑随机波动，计算简单
缺点 — 滞后性，对趋势反应慢
n值选择 — 大n更平滑，小n更灵敏

周期	需求	3期MA
1月	120	-
2月	135	-
3月	130	128.3
4月	145	136.7
5月	150	141.7

✨ 指数平滑法 (Exponential Smoothing)

一次指数平滑 (SES) 适用于无趋势、无季节

公式：Fₜ = α·Aₜ₋₁ + (1-α)·Fₜ₋₁

α (平滑系数) 0~1，越大越重视近期
优点 — 权重递减，自适应强
缺点 — 对趋势/季节需扩展模型

t	需求	预测(α=0.3)
1	120	120 (初始)
2	135	120
3	130	124.5
4	145	126.2
5	150	131.8

# Python 指数平滑示例 (α=0.3)
def exponential_smoothing(series, alpha):
    result = [series[0]]
    for i in range(1, len(series)):
        result.append(alpha * series[i-1] + (1-alpha) * result[-1])
    return result

demand = [120, 135, 130, 145, 150]
forecast = exponential_smoothing(demand, 0.3)
print(forecast)  # [120, 120, 124.5, 126.15, 131.8]

🧩 预测方法架构总览

定性 + 定量融合，实现精准预测

📦 需求预测基础