供应链预测基础：预测的定义、层级、时间跨度与粒度
预测是供应链管理的起点，也是计划体系中最具挑战性的环节。它并非简单的“猜数字”，而是基于历史数据、业务规则、市场情报和统计模型，对未来需求、供给或库存状态进行系统性推断的过程。在进入模型选型之前，必须先厘清预测的四个基本维度：定义与本质、层级结构、时间跨度和粒度选择。这四个维度决定了后续模型输入、误差衡量标准以及业务落地的可行性。下图展示了供应链预测的核心框架与各要素之间的关系。
上图展示了供应链预测的四个核心维度及其相互关系。在实际建模中，这四个维度并非独立决策，而是相互制约：例如，SKU级别的短期预测通常需要复杂的时序模型，而品类级别的长期预测则更适合趋势外推或回归分析。下面逐一展开。
2.1 预测的定义与本质
核心原理：预测（Forecasting）是对未来不确定事件发生的可能性进行量化估计。在供应链语境下，预测通常指对特定时间范围内、特定粒度下的需求数量、供给能力或库存水平的期望值估计。预测的本质包含三个关键要素：不确定性（未来不可能完全确定）、信息基础（基于历史数据、市场情报、计划假设）和决策导向（预测的目的是为了做出更好的资源分配决策，而非追求精确）。
判断方法：区分“预测”与“计划”是理解预测定义的关键。预测回答“未来可能发生什么”，计划回答“我们打算怎么做”。预测是计划的输入，但计划可以反过来影响预测（例如促销计划会改变需求预测）。在实际操作中，预测流程通常包括以下步骤：
- 数据收集：清洗历史销售、订单、发货、库存等数据，剔除异常值。
- 模式识别：识别趋势（Trend）、季节性（Seasonality）、周期性（Cyclicality）和随机波动（Noise）。
- 模型选择：根据数据特征和预测目标选择合适算法（如移动平均、指数平滑、ARIMA、机器学习）。
- 预测生成：运行模型并输出基准预测值。
- 业务修正：由销售、市场、产品团队基于促销、新品上市、竞争动态等因素进行人工调整。
- 误差评估与迭代：计算预测误差（如MAPE、MAE），持续监控并优化模型。
2.2 预测层级：需求、供给与库存
核心原理：供应链预测并非单一维度，而是分为三个相互关联的层级：需求预测（Demand Forecasting）、供给预测（Supply Forecasting）和库存预测（Inventory Forecasting）。需求预测是源头，它驱动供给预测和库存规划；供给预测受制于产能和供应商能力；库存预测则是需求与供给平衡的结果。
| 预测层级 | 核心问题 | 主要输入 | 典型输出 | 常用模型 |
|---|---|---|---|---|
| 需求预测 | 客户会买多少？ | 历史销售、市场趋势、促销计划、新品导入 | 分SKU/分区域的未来销量 | 时序分解、指数平滑、回归、机器学习 |
| 供给预测 | 我们能供应多少？ | 产能约束、供应商交期、物料BOM、物流能力 | 可用库存量、可承诺量（ATP） | 约束规划、仿真、线性规划 |
| 库存预测 | 需要备多少货？ | 需求预测、供给预测、目标服务水平、补货周期 | 安全库存、补货建议、库存周转预测 | 统计库存模型（如报童模型）、动态安全库存 |
操作流程：在实际业务中，三个层级需要协同运作。首先由需求计划团队生成需求预测；然后供给计划团队根据产能和物料约束进行供给预测，识别缺口；最后库存计划团队综合两者，制定库存目标和补货策略。任何一层级的偏差都会传导至其他层级。
2.3 预测时间跨度：短期、中期与长期
核心原理：预测的时间跨度决定了模型的类型、数据频率和业务用途。通常分为：短期预测（1天至4周）、中期预测（1个月至12个月）和长期预测（1年以上）。时间跨度越长，预测的准确性越低，但决策的战略性越强。
- 短期预测：用于日常补货、运输调度、劳动力排班。需要高频数据（日/周），模型侧重捕捉近期波动和短期季节性。常用模型：移动平均、简单指数平滑、ARIMA。
- 中期预测：用于采购计划、产能规划、促销备货。数据频率为周/月，需要识别趋势和季节性。常用模型：Holt-Winters、季节性ARIMA、回归分析。
- 长期预测：用于战略投资、新工厂建设、供应链网络设计。数据频率为月/季度，关注宏观趋势、市场增长率和结构性变化。常用模型：趋势外推、情景分析、德尔菲法。
案例拆解：某电商平台在“双11”大促前，需要制定备货计划。他们采用了三层时间跨度预测：短期（提前2周）基于实时流量和加购数据预测每日订单量，用于调整仓库人员排班；中期（提前3个月）基于历史大促数据和品类增长趋势预测总销量，用于采购备货；长期（提前1年）基于市场渗透率和竞品分析预测年度增长，用于决定是否扩建仓储中心。三层预测相互独立又相互校验，最终将大促缺货率控制在3%以内。
2.4 预测粒度：SKU、品类与区域
核心原理：预测粒度是指预测的最小分析单元。粒度越细（如单个SKU），预测的波动性越大，模型复杂度越高；粒度越粗（如品类或区域），数据越稳定，但决策的精细化程度越低。常见的粒度层级包括：SKU级（单品）、品类级（如饮料、零食）、区域级（如华东区、华南区），以及它们的组合（如SKU×区域）。
| 粒度层级 | 数据稳定性 | 模型复杂度 | 业务用途 | 适用场景 |
|---|---|---|---|---|
| SKU级 | 低（波动大） | 高（需处理零值、间歇性需求） | 补货、拣货、库位分配 | 高SKU数、快消品、电商 |
| 品类级 | 中 | 中 | 采购计划、供应商谈判 | 品类管理、促销规划 |
| 区域级 | 高（聚合效应） | 低 | 仓储网络规划、运输调度 | 全国/区域分销网络 |
判断方法：选择预测粒度时，需要平衡“决策需求”和“数据可用性”。如果业务决策需要精确到SKU（如补货），则必须做SKU级预测；如果数据量不足或SKU历史太短，可以采用“自下而上”或“自上而下”的混合策略：先做品类级预测，再按历史占比拆分为SKU级。
案例拆解：某家电企业有2000个SKU，覆盖全国7个大区。最初他们尝试对所有SKU做周度预测，结果发现大量长尾SKU的预测误差超过80%，模型训练耗时且效果差。后来调整为：头部200个SKU（贡献70%销量）做SKU×区域级预测，使用ARIMA+回归；中部600个SKU做品类级预测，再按区域历史占比拆分；长尾1200个SKU直接采用品类平均需求+安全库存覆盖。调整后，整体预测准确率提升了22%，模型训练时间缩短了70%。
2.5 常见误区与复盘
常见误区：
- 误区一：认为预测模型越复杂越准确。实际上，复杂模型（如深度学习）在数据量不足或业务波动大时，往往不如简单模型（如指数平滑）稳健。
- 误区二：忽略“预测误差”的分布特征。只关注平均误差（如MAPE），而忽略了极端情况下的误差，导致安全库存设置不足。
- 误区三：将预测与目标混为一谈。销售目标（Target）是期望值，预测（Forecast）是期望值的估计。用目标替代预测，会导致库存虚高或不足。
- 误区四：不进行预测复盘。预测完成后不追踪实际值，不分析误差来源，导致模型长期不更新，逐渐失效。
总结复盘：供应链预测的基础在于“定义清晰、层级分明、跨度合理、粒度得当”。在实际落地时，建议先建立预测的治理框架，明确各层级的负责人、数据来源和更新频率；然后根据业务需求选择合适的时间跨度和粒度；最后通过持续的误差监控和模型迭代，逐步提升预测的可靠性。预测永远不可能完美，但一个结构良好的预测体系，能够显著降低供应链的不确定性成本。