4. 备件需求预测：历史数据收集、移动平均法、指数平滑法、预测误差评估
备件需求预测是库存优化的核心前提。厂务管理中，备件消耗往往呈现“间歇性、突发性、小批量”特征，直接套用连续生产物料预测方法会导致严重偏差。本节聚焦于三类最实用的定量预测技术，并配套误差评估体系，帮助学员建立从数据清洗到模型选型的完整能力。
核心观点：预测不是追求“准确”，而是追求“可量化的偏差范围”。在厂务备件场景中，预测误差的容忍度通常比生产物料高 15%-20%，但必须通过安全库存对冲。
4.1 历史数据收集与预处理
预测质量的上限由数据质量决定。厂务备件历史数据收集应覆盖以下维度：
| 数据维度 | 具体字段 | 常见问题 | 预处理方法 |
|---|---|---|---|
| 时间维度 | 领用日期、入库日期、报废日期 | 日期格式不统一、跨年缺失 | 统一为 YYYY-MM-DD，线性插值填充 |
| 数量维度 | 领用数量、安全库存触发量 | 负值、异常大值（如批量领用） | 剔除负值，对 >3σ 的值做封顶处理 |
| 设备维度 | 设备编号、备件编码、工单号 | 一物多码、多物一码 | 建立备件-设备映射表，去重合并 |
| 事件维度 | 计划性更换/故障更换/预防性维护 | 事件类型缺失 | 根据工单类型回填标签 |
实操建议：至少收集过去 24 个月的领用数据。如果备件更换周期 > 6 个月，建议扩展到 36 个月。对于新投产设备（数据不足 12 个月），优先使用同类设备的历史数据做“类比预测”。
4.2 移动平均法
移动平均法适用于需求模式相对平稳、无明显趋势或季节性的备件。其核心思想是用最近 N 期的实际需求平均值作为下一期预测值。
计算公式：
F(t+1) = (A(t) + A(t-1) + ... + A(t-N+1)) / N
其中：
F(t+1) = 第 t+1 期预测值
A(t) = 第 t 期实际需求
N = 移动平均期数（通常取 3、6、12）N 值选择原则：
- N 较小（3-4）：对近期变化敏感，适合需求波动较小的备件（如常用滤芯、密封圈）。
- N 较大（6-12）：平滑效果好，适合需求稳定但偶有噪声的备件（如标准轴承、润滑油）。
- N 过大（>12）：滞后性严重，不适合厂务备件场景。
避坑提示：移动平均法对“突发性需求”完全失效。如果某备件过去 6 个月中有 1 个月因设备故障产生 5 倍于均值的领用量，移动平均法会将这个异常值带入后续 6 期预测，导致库存积压。建议在计算前先做“异常值替换”——将超过 3σ 的值替换为该备件的历史中位数。
4.3 指数平滑法
指数平滑法是对移动平均法的改进，通过赋予近期数据更高权重来提升预测灵敏度。对于厂务备件中常见的“缓慢趋势型”需求（如设备老化导致备件消耗逐年上升），指数平滑法比移动平均法更适用。
一次指数平滑公式：
F(t+1) = α × A(t) + (1 - α) × F(t)
其中：
F(t+1) = 下一期预测值
A(t) = 本期实际需求
F(t) = 本期预测值
α = 平滑系数（0 < α < 1）α 值选择指南：
| α 值范围 | 适用场景 | 厂务备件示例 |
|---|---|---|
| 0.1 - 0.2 | 需求非常稳定，噪声小 | 标准紧固件、通用密封件 |
| 0.3 - 0.5 | 需求有适度波动或缓慢趋势 | 泵用机械密封、过滤器芯 |
| 0.6 - 0.8 | 需求变化较快，需快速响应 | 易损件、故障频发备件 |
初始化技巧：当历史数据不足时，可将 F(1) 设为前 3 期实际需求的平均值，避免初始值偏差对后续预测的持续影响。对于厂务备件，建议 α 从 0.3 开始试算，再根据误差评估结果调整。
4.4 预测误差评估
没有误差评估的预测是不完整的。厂务备件库存优化中，我们使用以下四个核心指标来评估预测模型的表现，并据此选择最优模型或调整参数。
| 指标 | 公式 | 理想值 | 厂务场景解读 |
|---|---|---|---|
| MAE 平均误差 |
Σ|A-F| / n | 越小越好 | 直观反映平均偏差量，单位与备件数量一致 |
| MSE 均方误差 |
Σ(A-F)² / n | 越小越好 | 放大较大误差的惩罚，适合对“突发缺货”敏感的备件 |
| RMSE 均方根误差 |
√(Σ(A-F)² / n) | 越小越好 | 与 MAE 量纲一致，但更关注大偏差，常用作模型选型依据 |
| MAPE 平均百分比误差 |
Σ|(A-F)/A| / n × 100% | < 20% 良好 < 10% 优秀 |
消除量纲影响，可跨备件比较预测精度 |
关键规则：对于厂务备件，当 MAPE < 15% 时，预测模型可直接用于驱动补货计划；当 MAPE 在 15%-30% 之间时，预测结果需结合安全库存调整；当 MAPE > 30% 时，建议改用定性预测（如专家判断法）或采用间歇性需求预测模型（如 Croston 法）。
4.5 模型选择与迭代流程
在实际厂务管理中，我们不会一次性选定某个模型就固定不变。以下是一个标准化的预测模型迭代流程：
- 数据准备：清洗历史数据，剔除异常值，划分训练集（前 80%）和测试集（后 20%）。
- 候选模型构建：同时运行移动平均法（N=3,6,12）和指数平滑法（α=0.2,0.3,0.5），至少 6 个候选模型。
- 误差计算：在测试集上计算每个模型的 MAE、RMSE、MAPE。
- 模型选择：选择 MAPE 最小且 RMSE 在可接受范围内的模型作为基准模型。
- 滚动更新：每月用最新数据重新训练模型，每季度重新评估模型选择。
厂务实战案例：某半导体厂对“真空泵油滤芯”进行预测模型选型。历史 24 个月数据显示：移动平均法（N=3）的 MAPE 为 18.5%，指数平滑法（α=0.3）的 MAPE 为 14.2%。最终选择指数平滑法，并将预测结果乘以 1.15 的安全系数作为补货触发量。实施 6 个月后，该备件缺货次数从每月 2.3 次降至 0.4 次，库存周转率提升 22%。
4.6 间歇性需求备件的特殊处理
厂务备件中约有 30%-50% 属于间歇性需求（如特定型号的电路板、专用传感器），这类备件在多数月份需求为零，偶尔出现非零需求。传统移动平均法和指数平滑法对此类数据表现极差。
推荐方法：Croston 法
Croston 法将需求间隔和需求规模分开预测，再合成最终预测值：
1. 预测需求间隔（I）：使用指数平滑法预测两次非零需求之间的间隔期数
2. 预测需求规模（S）：仅使用非零需求数据做指数平滑
3. 合成预测值：F = S / I
示例：
某备件过去 12 个月中，在第 2、5、9、12 月有领用记录
需求间隔：3、4、3（月）
需求规模：10、15、12、18（件）
预测下次需求间隔 ≈ 3.3 月，下次需求规模 ≈ 14 件
则月均预测值 ≈ 14 / 3.3 ≈ 4.2 件/月
重要提醒：对于间歇性备件，不要直接使用月均预测值驱动补货。建议将 Croston 预测结果作为“安全库存计算”的输入，而非“补货点”的直接依据。补货点应至少覆盖 2 个需求间隔周期。