2、需求预测基础：需求预测的定义、类型（定性/定量）、时间范围（短期/中期/长期）及典型应用场景
需求预测是供应链计划、生产排程、库存优化与财务预算的起点。它并非简单的“猜一个数字”，而是基于历史数据、市场信号、业务规则与统计模型，对未来特定时间段内的客户需求进行系统性估计的过程。在“数据驱动”的语境下，需求预测的核心任务是将分散的、多源的数据（销售历史、促销计划、宏观经济指标、天气、舆情等）转化为可供决策的结构化信息。本章将厘清需求预测的基本概念、分类维度、时间范围及其对应的典型业务场景，为后续学习具体的预测算法与数据清洗方法奠定统一的语言基础。
2.1 需求预测的定义与核心价值
需求预测（Demand Forecasting）是指企业基于历史销售数据、市场情报、客户行为及外部环境变量，运用统计模型、算法或专家经验，对未来特定时间窗口内的产品需求量（数量、金额、品类、区域等维度）进行估计的过程。它不等同于“销售目标”，预测回答的是“在给定条件下，市场最可能产生多少需求”，而目标往往包含战略意图与增长期望。
在数据驱动的框架下，需求预测的价值体现在三个层面：决策前置（提前配置资源）、成本控制（减少缺货与积压）、协同基础（统一销售、生产、采购、财务的计划语言）。一个优秀的预测流程，能够将需求信号中的“噪音”与“趋势”分离，让管理层看到确定性之外的波动区间。
2.2 需求预测的类型：定性 vs 定量
根据预测依据与数据基础的不同，需求预测分为定性预测与定量预测两大类。两者的选择取决于数据可得性、产品生命周期阶段、预测时间跨度及业务场景。
| 对比维度 | 定性预测（Qualitative） | 定量预测（Quantitative） |
|---|---|---|
| 数据基础 | 专家经验、市场调研、主观判断 | 历史销售数据、统计模型、算法 |
| 适用场景 | 新产品上市、数据缺失、重大市场变化 | 成熟产品、历史数据充足、需求模式稳定 |
| 常用方法 | 德尔菲法、销售人员意见汇总、市场测试 | 移动平均、指数平滑、ARIMA、回归分析、机器学习 |
| 优点 | 灵活、能捕捉突变因素 | 客观、可重复、可自动化 |
| 局限 | 主观性强、难以标准化 | 对数据质量要求高、无法处理结构性突变 |
判断方法：在实际业务中，选择定性还是定量，可遵循以下流程：
- 数据检查：该SKU（库存量单位）是否有至少24个月的历史销售记录？若少于12个月，建议以定性为主。
- 产品生命周期判断：处于导入期或衰退期的产品，历史数据参考价值低，应引入专家判断。
- 市场稳定性评估：若存在重大促销、政策变化、竞争行为，需在定量模型基础上叠加定性修正。
- 混合策略：实践中常采用“定量模型生成基线预测 + 定性调整”的复合模式。
2.3 时间范围：短期、中期与长期预测
预测的时间范围决定了其用途、模型复杂度与更新频率。不同层级的决策需要不同粒度的预测。
- 短期预测（日/周/月）：主要用于日常补货、仓库调拨、生产排程。要求高频率更新（每日或每周），对数据时效性敏感，常用模型包括移动平均、指数平滑、ARIMA。误差容忍度低，因为直接影响客户服务水平。
- 中期预测（季度/半年）：服务于销售与运营计划（S&OP）、产能规划、采购策略。通常按月或按周汇总，需要结合促销计划、季节性指数与市场趋势。模型上可采用因果回归或分解法。
- 长期预测（1年以上）：用于战略决策，如新工厂建设、市场进入、产品线扩张。数据粒度较粗，不确定性高，更多依赖宏观经济指标、行业分析及情景规划。
| 时间范围 | 典型决策场景 | 数据粒度 | 更新频率 | 常用方法 |
|---|---|---|---|---|
| 短期（1-4周） | 门店补货、仓库间调拨 | SKU×日/周 | 每日/每周 | 指数平滑、移动平均 |
| 中期（1-6月） | S&OP、产能分配、促销备货 | 品类×周/月 | 每周/每月 | 回归分析、分解法 |
| 长期（1-3年） | 供应链网络设计、投资规划 | 产品线×年 | 每季度/每年 | 情景分析、德尔菲法 |
2.4 典型应用场景与实战案例
需求预测不是孤立的数据分析，它嵌入在企业的日常运营流程中。以下是三个典型场景的拆解：
场景一：电商大促期间的短期备货预测
某美妆品牌在“双11”前需要确定各SKU的备货量。历史数据显示日常周销量为5000件，但大促期间销量会放大5-8倍。初始预测仅用去年同期的销量乘以增长率，结果发现部分爆款缺货，而冷门款积压。复盘发现，问题在于未区分“流量型产品”与“利润型产品”的促销弹性。改进后，团队将SKU分为三类：引流款（高弹性）、常规款（中弹性）、长尾款（低弹性），分别采用不同的乘数因子，并结合预售数据实时修正。最终缺货率从12%降至3%，库存周转率提升18%。
场景二：制造企业的中期产能规划
一家汽车零部件供应商需要制定未来6个月的生产计划。客户订单波动大，且原材料采购周期长达8周。初期采用简单的年度平均预测，导致频繁加急采购。后来引入中期预测流程：每月更新一次滚动预测，输入变量包括客户排产计划、宏观经济PMI指数、历史出货量。通过多元回归模型，预测准确率从62%提升至81%，安全库存水平下降20%。
场景三：新品上市的定性预测
某消费电子公司推出一款智能穿戴设备，无历史数据。团队采用“类比法+德尔菲法”：选取三款功能相近的旧产品作为基准，邀请销售、产品、市场专家进行多轮匿名评估，最终形成销量区间预测。同时设置“预测-实际”偏差跟踪机制，在上市后第4周根据实际销售数据切换至定量模型。
2.5 常见误区与总结复盘
在需求预测实践中，以下误区会导致预测失效：
- 误区一：追求单一数字。预测应提供区间与概率，而非一个“死数”。
- 误区二：忽视数据清洗。促销、退货、缺货记录会扭曲历史数据，需先进行异常值处理。
- 误区三：模型越复杂越好。简单模型在数据量不足时往往更稳健。
- 误区四：预测与执行脱节。预测结果未与库存策略、采购提前期联动，导致“预测准确但库存仍失衡”。