一 需求预测的必要性
供应链管理的三大职能：
-采购-把东西买进来
-生产-把东西加工增值
-物流-把商品配送给客户
需求预测对供应链管理的重要性：
业务的重复生产体现在成品的生产和半成品的生产上，这些重复的产品需求会在周期范围内导致采购物料的需求短缺和生产规模的调整，需求预测对物料和生产计划变得尤为重要。随着企业规模的逐渐扩大，产品多样性和大批量的生产规模，会导致高昂的成本，降低库存周转率和产能利用率对高效运营和前端需求预测提出了更高的需求，因此，需求预测变得尤为重要。
提出需求预测，往往涉及到多领域的人员，包含销售，市场，主计划等等，但实际预测需求不仅和前端客户接触的市场有关，也需要有经验的人们对数据分析有较强的要求，保证预测不是仅跟着市场盲目行走，也和历史数据有关。基于现有数据和历史的预测数据做分析，可以更大程度，让做出的预测偏差更小，也更有数据说服力。
能够做预测的前提，是基于预测具有延续性（满足时间序列的延续特征）和相关性（即可根据历史数据类推）。
时间序列的三种形式，
（1）随机变动：有外界因素的影响，但总体趋势展示平稳；
（2）趋势：随着时间的递推，有上升和下降的趋势；
（3）周期性：和时间周期相关，存在波峰或者波谷的体现。
相关性，可通过两者存在的关系类推，举例流量越高，销量越好，预售越高，一般正常销售也会越好。
基于预测的两种基本特性，可对预测做出更合理的处理，有几种方法可梳理和参考
二 常见的几种预测方法
2.1 移动平均法
方法说明： 通过平均多个数值，消除需求波动中的随机因素
分类方法：
-有简单移动平均（即历史需求权重相同）
-加权移动平均（给历史需求赋值权重再平均，一般临近需求越近，权重越大）
适用场景： 需求相对平稳；没有趋势和季节性
常使用的平均周期： 2期，3期，4期。
一般期数越多，预测越平缓，但对需求的灵敏度慢；期数越少，预测越灵敏，但“噪声”越大，增加更多运营成本
如下为不同周期选择时，计算出的预测值，以及和实际值做比较时的均方误差比值
2.2 指数平滑法
方法说明： 一种特殊的加权移动平均法，主要特点为按照集合级数递减，历史最新的数据权重占比越大。
适用场景： 没有明显的趋势，周期性的平缓情形
分类：
-霍尔特双参数：应对趋势
-霍尔特-温特模型：应对季节性+趋势
-简单指数平滑法：应对相对平稳的情况，也称指数平滑法
指数平滑法主要公式（两种方式为变换后的不同）：
变量说明： 0<=α<=1，为平滑系数;F为预测，X为实际需求
主要难点： 平滑系数的选取
如下图为实际随着周期变换，历史实际需求在α取值同时，对应的预测实际占比
霍尔特双参数指数平滑法和指数平滑法的区别：增加趋势的平滑系数β
主要参考公式：
-本期水平部分=α本期需求实际值+（1-α）（上期水平部分+上期趋势部分）
-本期趋势部分=β（本期水平部分-上期水平部分）+（1-β）上期趋势
-下期预测=本期水平部分+本期趋势部分
2.3 线性回归方法
方法说明：和预测之间的相关性很密切，用于描述因变量和自变量之间的线性关系，多个变量存在时，称为多元线性回归，也称最小二乘法。通过拟合因变量和自变量的线性相关系数，找到最小的均方误差来计算预测值。
适用场景： 用于需求相关性很强的预测。举例，天气越冷，毛衣的销量就会很高。
最小二乘法的基础步骤：
1.确定因变量y
2.确定自变量x1,x2,x3..
3.利用最小二乘法，找出y和x1,x2,x3..之间的相关系数
4.获取当前的线性回归方程y=a1X1+a2x2+a3*x3...
可使用相关工具，做出最小二乘法，如下为根据Excel的数据，计算出的最小二乘法
如下为根据实际数据拟合获取的最小二乘法拟合的数据
三 模型拟合的准确度测量
3.1 均方差
即日常所说的MSE（mean squared error）
计算方法：将预测值和实际值作差，将差值再做平方
3.2 绝对百分比误差
即对应的MAPE（mean absolute percentage error）
计算方法：将预测值和实际值作差取绝对值，再和原有实际值做百分比
3.3 残差
即预测值和实际值的差值，也称为误差
可做残差图，进行分析历史信息，一般残差的平均值应该为0，也可以通过残差分析，来判断选择的预测模型是否合适
参考如下残差图：
