需求预测是对未来一段时间内某种商品的销售量进行估算，以便您决定采购和持有多少库存。
每家企业都在做需求预测。大多数企业采用的是隐性预测——有人看一眼货架，回想一下上个月的情况，然后下达订单。正式的预测则以一种可检查、可衡量且可改进的方法取代了这种做法。
需求预测之所以重要，并非因为我们能实现精准预测。事实上，精准预测是不可能的，任何假设能做到这一点的流程最终都会令人失望。它之所以重要，是因为误差的大小决定了您需要多少安全库存，而安全库存成本高昂。在不降低可用性的前提下，优化预测是减少库存的唯一途径。
什么是需求预测
预测包含三个部分，而错误的预测通常会忽略其中两部分。
一个数值。 在特定周期内的预期单位销量。
一个周期。 下周、下个月、下一个季度。预测的准确性会随着时间跨度的延长而降低，因此时间跨度应与您的需求相匹配——仅用于订货目的的预测，其跨度只需覆盖您的提前期加上审查周期即可。
一个置信区间。 数值可能产生的偏差范围。一个预期销量为 500 个单位的预测，如果其合理范围在 400 到 600 之间，与范围在 200 到 800 之间的预测相比，其规划意义截然不同，尽管两者的中心数值相同。该范围决定了您的缓冲库存规模，如果预测没有这个范围，您就无法确定需要多少保护性库存。
预测也会因层级而异。对整个品类需求进行的预测，远比对单个 SKU 的特定颜色进行预测要可靠得多，因为在汇总时，差异会被抵消。了解这一点很有价值，因为它解释了为什么您的顶层数据看起来很准确，而单个产品的预测却总是出错。
主要的预测方法
朴素预测法 (Naïve forecasting)。 下一周期等于上一周期。作为基准非常有用——如果您的复杂方法无法超越它，那么这种复杂性就不值得投入。
移动平均法 (Moving average)。 取过去若干周期的平均值，以平滑随机波动。对于稳定产品简单有效，但由于旧周期与近期周期权重相同，因此对真正的变化反应迟钝。
加权移动平均法 (Weighted moving average)。 与上述方法类似，但近期周期的权重更高。在保持一定平滑度的同时，对变化反应更快。
指数平滑法 (Exponential smoothing)。 权重随时间推移呈几何级数递减，由单一平滑因子控制。平滑因子越高，对变化的反应越快，但噪声也越大；平滑因子越低，则越稳定但反应较慢。这是实际预测中的主力方法，其变体可以明确处理趋势和季节性因素。
趋势和季节性分解 (Trend and seasonal decomposition)。 将历史数据拆分为基础水平、趋势和重复的季节性模式，分别进行预测，然后再重新组合。对于任何具有真正季节性的产品（大多数消费品皆如此）来说，这是必要的。
回归分析 (Regression)。 将需求与驱动它的变量（价格、营销支出、天气、领先经济指标）联系起来。在存在真正的因果关系时非常强大，但在将巧合的相关性误认为是因果关系时则具有误导性。
定性方法 (Qualitative methods)。 销售团队输入、客户意向、专家判断。在没有历史数据的情况下（如新产品、新市场、刚开辟的渠道）不可或缺。这也是最容易产生乐观偏差的方法，因此记录预测并在事后进行评分非常有价值。
机器学习方法 (Machine learning approaches)。 在规划软件中越来越普及，在拥有大量产品、长期历史数据和多个影响变量的情况下，效果确实更好。它们需要比大多数运营部门所拥有的多得多的数据，而且它们无法修复糟糕的输入数据。
需求预测的类型
预测有多种分类方式，了解这些标签很有用，因为人们在规划讨论中常将其作为简写。
按时间跨度。
- 短期 — 从几天到几个月。驱动补货、订货点和人员配置。此处的准确性是可以实现的，且回报立竿见影。
- 中期 — 一个季度到一年。驱动采购承诺、供应商协议和季节性采购。
- 长期 — 一年或更久。驱动产能决策：仓库空间、设备、人员编制。在此范围内，既不要求也不需要精确度；方向和量级才是关键。
按范围。
- 宏观层面预测着眼于需求所处的外部环境——经济、品类、市场。有助于提供背景信息，但很少能直接付诸行动。
- 微观层面预测着眼于特定的产品、渠道或客户。这是实际做出运营决策的地方。
按立场。
- 被动预测假设连续性：过去发生的事情将继续发生，并根据趋势和季节性进行调整。它适用于稳定的企业，也是大多数库存规划的默认选择，因为它不做任何激进的假设。
- 主动预测纳入您打算改变的因素——促销、新渠道、价格上涨、产品发布。当过去的数据无法作为参考时，这是必要的。这也是乐观情绪造成损害最大的地方，因为人们容易将计划误认为是预测。
按方法。
- 定性 — 判断、销售输入、专家意见。对于没有历史数据的新产品是必要的，但在有数据的情况下，它是最不可靠的。
- 定量 — 移动平均、指数平滑、回归、季节性分解。在有历史数据且需求相对稳定的情况下非常可靠。
- 基于 AI 和机器学习 — 这些模型能同时考虑多个变量，并发现简单时间序列无法察觉的模式：天气、定价、竞争对手行为、网站流量、促销重叠。它们在规模化应用、拥有大量历史数据的 SKU 数量较多时能发挥作用，但不能替代干净的数据。如果一个模型在包含未标记缺货期的销售历史数据上进行训练，它学习错误结论的速度会比电子表格更快、更自信。
实际要点：大多数企业在大部分产品范围内需要的是短期、微观、被动式的定量预测，并针对少数有明确变动的产品线叠加主动预测。在基础方法尚未奏效之前就盲目追求复杂方法，是该领域最常见且代价最昂贵的排序错误。
如何在实践中进行需求预测
1. 首先清理历史数据。 这一步决定了后续所有工作是否值得。
关键的修正点是缺货。销售历史记录的是您的实际销量，而非客户的需求量。缺货期间的销售记录显示销量较低，如果将其输入预测模型，模型会认为需求低于实际水平——而这恰恰是导致您缺货的产品。请标记缺货期，并将其排除或估算损失的需求。
同时剔除一次性事件：不会重复的大额订单、清仓处理、数据错误。保留促销等真正的周期性模式，但要进行标记，以便将其识别为促销而非基准需求。
2. 选择预测层级。 在您将要采取行动的层级进行预测。如果您按 SKU 订货，则需要 SKU 级别的预测，但您可以通过预测整个品类并按近期份额进行拆分来构建，这种方法通常比独立预测每个 SKU 更稳定。
3. 为每个产品组选择一种方法。 稳定的高销量产品适合指数平滑法。季节性产品需要季节性分解。对于不稳定的慢动销产品，通常最好采用简单的平均值加上充足的缓冲库存，因为复杂的方法只会拟合噪声。
4. 运用判断并记录在案。 针对历史数据无法预知的情况进行调整——如获得新的上架机会、竞争对手退出、价格变动、促销活动。将调整与统计预测分开记录，以便日后评估您的干预措施是否有效。很多人并没有这样做。
5. 衡量误差。 没有这一步，它就不是一个流程，而是一个习惯。
6. 定期审查和调整。 大多数运营部门每月进行一次。重点是发现模式发生变化的产品，而不是去精修那些本来就没问题的数字。
衡量预测准确性
三个指标即可满足大多数需求。
MAPE — 平均绝对百分比误差。 即误差占实际需求的平均百分比。该指标直观且应用广泛。其缺点是在低销量时会产生严重偏差：如果预测值为3，实际值为1，则误差为67%，但这并没有实际意义。
MAD — 平均绝对偏差。 即不考虑方向的单位平均误差。它非常有用，因为可以直接用于安全库存计算。
偏差 (Bias)。 即保留方向的平均误差。这是最常被忽略但往往最有参考价值的指标。如果你的误差平均值接近零，说明高估和低估的频率相当——这属于缓冲库存可以应对的“噪声”。如果误差始终为正或始终为负，则说明存在系统性问题，对于始终偏低的预测，增加再多安全库存也无法解决问题。
请按产品组而非汇总数据进行衡量，因为一个良好的整体数据往往掩盖了少数预测极差、造成实际损失的产品线。
将其与简单的基准进行对比。如果你的方法无法优于“与上个月相同”，那就简化它。
为什么预测永远无法完美（这没关系）
预测总会出错。真正有用的问题是：错得有多离谱？方向如何？误差是否稳定到足以据此进行规划？
这就是为什么预测和安全库存是同一个话题。预测给出预期需求；预测误差给出安全库存需要吸收的波动性。改进预测，在相同的服务水平下，所需的缓冲库存就会下降。这就是投资预测的全部商业逻辑，而且它是可衡量的。
同时要承认，有些产品确实无法预测。例如极慢速周转品、一次性项目物料，以及任何受不可预见外部事件驱动的产品。对于这些产品，诚实的做法是采用不同的策略——如按单生产、持有供应商库存、接受更长的交货周期——而不是追求一个更好的模型。
预测季节性和促销需求
两种模式导致了大部分困难，且两者都需要明确处理，而不是寄希望于通用方法能自动吸收它们。
季节性是与日历挂钩的重复模式。常见的错误是将季节性高峰视为增长。如果一个产品在12月的销量是平时的四倍，而你对其应用移动平均法，那么预测值会在1月追随高峰向上，导致过度订货，随后在春季又会因销量回落而陷入被动。
正确处理的方法是将季节性因素与基础水平分离开来。计算几年内每个时期需求与年度平均值的比率，即可得到一组季节性指数——例如12月为2.4，1月为0.6，依此类推。预测基础水平，然后乘以你所预测时期的指数。
两点警示：你需要至少两个完整的历史周期，季节性指数才有意义，三个周期则更好。此外，季节性会发生偏移——复活节日期变动、高峰交易周随购买习惯改变而迁移，基于五年前数据计算出的指数可能描述的是一个已不存在的模式。
促销在大多数企业中是更大的难题，因为它们既显著又属于人为干预。促销可以在一周内将需求放大数倍，而这个峰值会留在你的历史数据中，扭曲随后的每一次预测。
以下准则会有所帮助：
- 在数据中标记促销期，以便统计预测可以排除或调整这些数据。
- 将促销带来的增长与基础需求分开预测，使用过往类似促销的结果，而不是凭感觉设定的百分比。
- 考虑随后的需求低谷。 促销往往是提前透支了需求，而非创造了新需求，因此促销后的几周销量会低于基准。如果只预测高峰而忽略低谷，会导致你两次出现库存积压。
- 尽早获取促销日历。 导致促销缺货最常见的原因是仓库和客户同时得知促销信息。
谁来负责预测
预测在组织层面上的失败往往多于技术层面，且模式非常一致。
销售部门倾向于乐观预测，因为目标和预测常被混为一谈，没人愿意预测低于目标。运营部门倾向于保守预测，因为他们承担着库存积压的成本和缺货的指责。财务部门则希望得到一个符合计划的数字。各方产生不同的数据，最终业务往往取决于谁的嗓门大、谁的立场更强势。
更好的做法：
一个数字，由一个职能部门负责。 通常是计划或运营部门，通过结构化的方式获取销售部门的输入，而不是并行运行一套独立的销售预测。
将预测与目标分开。 目标是你打算实现的结果。预测是你预期会发生的情况。将两者混为一谈必然导致预测偏高，库存随之积压。
对调整进行评分。 当有人覆盖统计预测结果时，记录下来并事后评估该调整是否提高了准确性。这虽然令人不适，却是找出谁的判断值得采纳、谁的不值得采纳的最快方法。
让成本可视化。 预测误差是有代价的——库存积压、报废、加急运费、销售损失。将这些数字与流程挂钩，通常能让预测从一项行政杂务转变为人们真正重视的工作。
预测如何与其它环节连接
- 再订货点使用交货周期内的预测需求。
- 安全库存的大小由预测误差决定。
- 采购根据预测投入资金，这也是误差导致高昂成本的环节。
- 仓库容量规划取决于预期销量，如果预测错误，表现出来的就是11月仓库没地方放货。
- 劳动力规划遵循预期的订单量而非产品单位。
- 供应商关系在共享预测后会得到改善，因为他们可以据此规划生产并持有适当的库存。
最后一点往往被低估。如果供应商能看到你的预期需求，通常可以缩短并稳定其交货周期，这比使用一个更好的模型更能降低你的安全库存需求。
实操案例
以一个拥有十二个月历史数据的产品为例，梳理预测的实际过程。
月度销量大致为：210, 195, 230, 240, 215, 225, 260, 250, 245, 280, 520, 310。
直接观察可知，11月的520不是基础模式的一部分——它是一个季节性高峰。如果用9月、10月和11月的三个月移动平均法来预测12月，结果是 (245 + 280 + 520) ÷ 3 = 348，这会导致严重过度订货，因为它将高峰视为新的常态。
正确处理方法：
分离季节性月份。 排除11月，其余十一个月平均约为241个单位，且有轻微的上升趋势。这241就是你的基础水平。
计算季节性指数。 11月的520相对于241的基准，指数约为2.2。如果往年有类似比例，则可信度较高；如果只有一年历史，则视为临时参考。
预测未来水平。 全年的趋势是温和上升——年初约为200，秋季（排除高峰）约为260——因此下个月合理的水平预测约为265。
应用指数（如适用）。 12月在此处并非高峰月，因此预测值保持在265左右。
估算误差。 月度与基础趋势的偏差约为20个单位，因此标准差取20是一个合理的参考值。在95%的服务水平下，安全库存约为 1.65 × 20 × 交货周期（月）的平方根。
进行此演练的意义在于，大部分工作是对历史数据含义的判断，而非算术运算。判定11月是季节性因素而非增长，是决定下一次订单是否准确的关键，而对于只有一年数据的情况，没有任何模型能替你做出这种判断。
深入了解
- 什么是安全库存 — 直接根据预测误差来确定规模。
- 什么是再订货点 — 应用预测结果的地方。
- 库存管理技术 — 更广泛的工具集。
- 什么是缺货 — 预测旨在减少的故障。
- 什么是库存周转率 — 更好的预测所能改善的指标。
- 如何管理库存 — 该流程所属的整体框架。
一句话总结
需求预测旨在估算未来销售额，以便您决定采购量。由于预测总会存在偏差，因此最重要的指标是误差的大小和方向，因为它决定了您需要持有多少安全库存。
常见问题解答
什么是需求预测？ 在特定时期内估算产品的未来需求，从而决定采购和持有的库存量。
主要的需求预测方法有哪些？ 移动平均法、加权移动平均法、指数平滑法、趋势与季节性分解、因果变量回归分析以及定性判断。大多数运营部门对稳定产品线使用指数平滑法，对具有重复模式的产品使用季节性分解法。
需求预测应该达到多高的准确度？ 没有统一的标准，因为准确度取决于需求的波动性。有效的测试方法是：您的预测方法是否优于“与上一周期相同”的简单预测，以及您的误差是否无偏，而不是持续偏高或偏低。
MAPE 和偏差（Bias）有什么区别？ MAPE 衡量的是误差的平均大小，而不考虑方向。偏差衡量的是误差是否持续偏向某一方向。预测可能具有可接受的 MAPE，但存在严重的偏差，而后者是更具破坏性的问题，因为安全库存无法纠正系统性的偏差。
如何预测新产品的需求？ 由于没有历史数据，您需要依赖类似产品发布时的表现（类比法），并结合销售部门的定性意见以及任何预售或咨询数据。初期应预留较大的误差空间，并每周（而非每月）进行审查，直到出现明确的模式。
为什么应该从历史数据中剔除缺货期？ 因为缺货期间的销售记录反映的是供应能力而非实际需求。将这些数据包含在内，会让预测模型误以为需求低于实际水平，而这恰恰发生在已经缺货的产品上。
预测应该覆盖多长的时间跨度？ 覆盖您的提前期（Lead time）加上审查周期即可，就订货目的而言无需更长。产能、预算和供应商规划需要更长期的预测，但应将其视为独立的任务，并设置更宽的容差，而不是作为订货的依据。
更好的预测能减少库存吗？ 是的，通过间接且可衡量的方式。安全库存的大小取决于预测误差，因此减少误差可以降低在相同服务水平下所需的缓冲库存。这是投资预测流程最明确的财务理由。
Warehouse Wise 是一个免费、独立的库存管理、仓储及订单履行指南库，专为一线从业者编写——无论是刚入职的仓库和库存人员、处于成长期的中小型零售与电商企业，还是任何希望深入了解库存管理的人士，都能从中受益。我们坚持提供简洁明了的内容：每篇指南都会解释核心术语，并在必要时提供带真实数据的实例，点到为止。我们保持独立：不销售任何软件或设备，不收取任何推荐佣金，指南的排序也绝不受到任何商业付费影响。