需求预测的四种方法，哪种适合你

结论：需求预测不可能准，能做的是选对方法、量出误差、按误差管库存。四种常用方法——历史平均、移动平均、指数平滑、因果模型——按需求形态选：稳定型用平均或指数平滑，趋势型加趋势项，季节型加季节项，受外部因素影响大的用因果模型。先跑简单方法，算出 MAPE，再决定要不要上复杂方法。

“预测不准”这句话，几乎每个计划员都说过。

但预测本来就不可能准。市场在变、客户在变、对手在变，任何模型都算不出下个月的确切订单。真正有价值的不是“算准”，而是知道“有多不准”，并且让库存和计划能承受这个不确定。

一、先接受一件事：误差是常态

预测的价值不在于精确，而在于给企业一个方向和一个误差范围。方向用来排产、备料；误差范围用来定安全库存、定补货节奏。

所以评价预测，不要只问“准不准”，要问三个问题：误差多大、误差稳不稳、误差能不能被库存吸收。这三个问题，比换一个更复杂的算法有用得多。

二、四种常用方法

方法	怎么做	适合	局限
历史平均	取过去若干期的平均值	需求稳定的物料	反应慢，趋势和季节都看不出来
移动平均	取最近 N 期的平均	有噪音但整体平稳的需求	N 越小越灵敏，越大越平滑，需要调
指数平滑	给近期数据更高权重；加趋势和季节项就是 Holt-Winters	有趋势或季节的需求	参数要调，季节项需要至少两年的数据
因果模型	把价格、促销、天气、客户开工率等变量放进去	有明确驱动因素的产品	需要数据和持续维护，变量选错反而更差

四种方法没有高低之分，只有合不合用。很多企业一上来就想上机器学习，结果数据不够、变量不稳，效果还不如移动平均。

三、按需求形态选方法

判断需求形态，看三张图就够了：历史曲线有没有明显上升下降（趋势）、有没有周期性起伏（季节）、波动是不是和外部因素同步（驱动因素）。

• 稳定型：曲线基本平，波动小。用历史平均或简单指数平滑。
• 趋势型：整体向上或向下。用带趋势项的指数平滑。
• 季节型：每年同一时段起伏明显。用 Holt-Winters 或季节分解。
• 外部驱动型：和价格、促销、客户开工率强相关。用因果模型，但先把相关性验证清楚。

如果判断不了，就用最简单的方法先跑三个月，看误差再说。方法越简单，越容易解释，也越容易被业务接受。

四、先用 MAPE 量出误差

MAPE 是平均绝对百分比误差，算法很直白：

MAPE = 平均( |实际 − 预测| ÷ 实际 ) × 100%

举个例子：四个月的预测是 100、110、90、120，实际是 105、100、95、130。

逐月误差是 4.8%、10%、5.3%、7.7%，平均约 7%。意思是在这四个月里，预测平均偏离实际 7% 左右。

算出 MAPE 有两个用处：一是比较不同方法谁更好，二是给安全库存一个依据。误差 7% 和误差 30%，需要的缓冲完全不一样。

注意一个坑：MAPE 在需求量很小时会失真。某物料实际只用了 2 件，预测 4 件，误差就是 100%，但绝对值只差 2 件。所以低用量物料要结合绝对误差一起看。

五、比方法更重要：按误差分层管理

预测误差不是均匀分布的。有些物料很稳，误差 5%；有些物料忽高忽低，误差 40%。用同一套库存策略管所有物料，必然一边积压一边缺货。

做法是按误差分层：

• 误差小（比如 10% 以内）：可以压低安全库存，按预测补货，甚至做 JIT；
• 误差中等（10%–30%）：安全库存按公式算，定期复核；
• 误差大（30% 以上）：不要指望预测，改用小批量、短周期、快速响应，或者和客户做滚动订单。

这一步比换算法更有价值。很多企业预测误差 40%，却把精力全放在“把预测调准”，而不是“让供应链更能承受误差”。

六、一个例子

某企业有 800 个成品，用同一套移动平均，预测误差整体 25%。拆开看：300 个稳定产品误差只有 8%，200 个季节产品误差 20%，300 个定制产品误差 45%。

调整后：稳定产品改用简单指数平滑，安全库存下调；季节产品加季节项，提前两个月备货；定制产品不再做预测，改成按订单排产、缩短交期。

整体误差没有降到很低，但库存结构明显改善：稳定产品不再过度备货，定制产品不再压一堆成品。这就是“按误差管理”，而不是“追求更准”。

如果你的库存和交期两头受气，可以把物料清单和周转数据发我，先帮你算一遍哪里压得最多。

聊聊你的库存问题