03 定量预测方法
📌 知识层级说明 🟢 基础必掌握 — 入职前、面试前必须理解 🟡 进阶了解 — 有基础后扩展，理解逻辑即可 🔴 暂缓 — 工作后遇到实际场景再深入
一、定量预测概述 🟢 基础必掌握
定量预测（Quantitative Forecasting）：利用历史数据，通过数学/统计模型计算未来需求量。
两大类方法
| 类型 | 逻辑 | 适用场景 |
|---|---|---|
| 时间序列法 | 假设历史规律会延续到未来，只用过去数据推未来 | 需求较稳定，历史数据≥12个月 |
| 因果回归法 | 找需求与外部变量（GDP、促销）的相关性，用外部变量预测需求 | 需求受明显外部因素驱动 |
二、时间序列法：移动平均 🟢 基础必掌握
简单移动平均（SMA）
取最近 N 期的实际需求算术平均值，作为下一期预测值。
示例（N=3，三期移动平均）：
| 月份 | 实际需求 | 3期移动平均预测 |
|---|---|---|
| 1月 | 100 | — |
| 2月 | 120 | — |
| 3月 | 110 | — |
| 4月（预测） | — | (100+120+110)/3 = 110 |
N 的选取原则：
- N 小（如 3）→ 对近期变化响应快，但波动大
- N 大（如 12）→ 预测平稳，但对趋势变化反应慢
局限性：所有历史期权重相同，无法区分”近期更重要”。
加权移动平均（WMA）
给近期数据更高的权重，较远期数据权重较低。
示例（权重：近1期0.5，近2期0.3，近3期0.2）：
- 4月预测 = 0.5×110 + 0.3×120 + 0.2×100 = 55+36+20 = 111
三、时间序列法：指数平滑 🟡 进阶了解
简单指数平滑（SES / Simple Exponential Smoothing）
核心思想：预测值 = 上期预测值 + α × (上期实际误差)，越近的数据权重越大，权重按指数衰减。
- α（平滑系数）：取值 0～1，越大越敏感
- α 大（如 0.8）→ 预测贴近最新数据，响应快，但波动大
- α 小（如 0.2）→ 预测平稳，但对变化反应慢
- 适用：无趋势、无季节性的平稳需求
Holt 双重指数平滑（含趋势）🟡 进阶了解
在简单指数平滑基础上，增加对**趋势（Trend）**的追踪。
适用：需求呈稳定上升或下降趋势的产品（如某新品持续增长阶段）。
Holt-Winters 三重指数平滑（含趋势+季节性）🟡 进阶了解
在 Holt 基础上，再增加对**季节性（Seasonality）**的追踪。
适用：有趋势且有季节波动的需求（如空调夏季高、冬季低；年货在春节前激增）。
为什么重要：Holt-Winters 是当前最广泛使用的时间序列预测模型之一，ERP 系统中的自动预测模块多采用此方法。
四、因果回归法 🔴 暂缓
暂缓原因：涉及统计回归分析，需要一定数学基础，建议有实际工作场景后再深入。
基本逻辑：找到需求与外部指标（GDP、行业指数、促销力度）的数学关系，用外部指标预测未来需求。
典型应用：
- 钢铁需求 ∝ 房地产开工量
- 芯片需求 ∝ 智能手机出货量
- 空调需求 ∝ 当年气温偏差
五、方法选择指引 🟢 基础必掌握
| 需求特征 | 推荐方法 |
|---|---|
| 稳定、无趋势、无季节性 | 简单移动平均 / SES |
| 有上升/下降趋势 | Holt 双重指数平滑 |
| 有趋势 + 有季节性 | Holt-Winters 三重指数平滑 |
| 需求受外部因素驱动 | 因果回归模型 |
| 无历史数据（新品） | 定性方法 |
六、实际工作中的注意事项 🟢 基础必掌握
- 数据清洗先行：促销期、缺货期的异常数据要先剔除再建模，否则模型会被”污染”
- 预测不是一次性：必须建立滚动更新机制（如每月更新一次，滚动预测未来12个月）
- 模型不是越复杂越好：简单方法在数据量少时往往比复杂模型更稳健
- 人工修正必不可少：定量模型给出基础预测，需叠加销售/市场的定性判断（已知的大客户下单、新品导入计划等）