04 季节性与趋势分解
📌 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、需求的四个组成部分 🟢 基础必掌握
任何产品的需求都可以分解为四个成分：
实际需求 = 趋势（T）× 季节因子（S）× 周期（C）× 随机误差（I）
| 成分 | 全称 | 含义 | 周期 |
|---|---|---|---|
| T（Trend，趋势） | 长期向上或向下的走势 | 手机销量逐年增长；DVD 播放机逐年萎缩 | 多年 |
| S（Seasonality，季节性） | 固定周期内有规律的波动 | 空调夏高冬低；年货春节前激增 | ≤1年 |
| C（Cycle，周期性） | 与经济周期相关的中长期波动 | 宏观经济繁荣期需求旺盛，衰退期萎缩 | 数年 |
| I（Irregular，随机误差） | 不可预测的随机波动 | 促销活动、突发事件、意外断货 | 无规律 |
💡 对采购人的意义：预测前必须识别并剥离季节性因素，否则会把”夏天空调需求激增”误判为”长期趋势上升”，导致冬天积压大量库存。
二、趋势（Trend）的识别与处理 🟢 基础必掌握
如何判断趋势？
将历史销量画成折线图，观察长期走向：
- 持续上升 → 正趋势（Growth）
- 持续下降 → 负趋势（Decline）
- 基本平稳 → 无明显趋势
趋势的采购影响
| 趋势类型 | 采购策略含义 |
|---|---|
| 正趋势（持续增长） | 需逐步扩大供应商产能预订，提前锁量 |
| 负趋势（持续萎缩） | 控制库存水位，缩短采购周期，避免积压 |
| 产品导入期（增长陡峭） | 预测偏差最大，需保留弹性产能和库存缓冲 |
| 产品成熟期（平稳） | 最适合定量预测，预测准确率最高 |
三、季节性（Seasonality）的识别与处理 🟢 基础必掌握
季节性指数（Seasonal Index）
季节性指数：某一时期（月/季度）实际需求相对于年均需求的比率。
示例（某空调品牌）：
| 月份 | 历史平均销量 | 年均月销量 | 季节性指数 |
|---|---|---|---|
| 1月（冬季） | 800台 | 2000台 | 0.4 |
| 7月（高峰） | 4500台 | 2000台 | 2.25 |
| 10月（平淡） | 1200台 | 2000台 | 0.6 |
使用方法：
- 用去季节化的数据建立趋势预测
- 用季节性指数还原预测值
中国市场特有的季节性模式
| 行业 | 季节性特征 | 采购提前期建议 |
|---|---|---|
| 消费电子 | 双11（11月）、618（6月）前大幅备货 | 提前2～3个月启动采购 |
| 空调/家电 | 夏季（5～8月）旺季，冬季淡季 | 提前3～4个月锁定供应商产能 |
| 年货/食品 | 春节前（1月底～2月初）爆发 | 提前1～2个月加大采购 |
| 半导体/电子元器件 | 随智能手机新品发布节奏（通常Q3 备货旺季） | 需跟踪品牌厂商新品发布计划 |
四、异常数据的识别与处理 🟡 进阶了解
预测建模前必须处理以下两类异常数据，否则会严重污染模型：
类型一：人为高峰（需剔除）
- 促销期数据：双11期间销量可能是平时的5～10倍，不代表真实需求水平
- 客户囤货：客户担心涨价临时大量采购，事后需求会长期低迷
- 处理方法：用周边正常期的平均值替换促销期数据
类型二：人为低谷（需剔除）
- 缺货期数据：库存断货期间销量为0，不是真实需求下降
- 关厂/疫情停工：供给端中断导致的销量缺失
- 处理方法：用同期历史平均值或插值方法填补
五、周期性（Cycle）vs 季节性（Seasonality）🟡 进阶了解
这两者经常被混淆：
| 维度 | 季节性（Seasonality） | 周期性（Cycle） |
|---|---|---|
| 周期长度 | 固定，≤1年（月/季） | 不固定，通常数年 |
| 可预测性 | 高（每年重复） | 低（受宏观经济影响，时间不固定） |
| 驱动因素 | 气候、节假日、消费习惯 | 经济景气度、行业周期 |
| 典型例子 | 夏天空调销量高 | 2008年金融危机后需求骤降，2010年复苏 |
💡 对采购人的提示：周期性变化（宏观经济波动）更多是供应链韧性和风险管理的议题，不适合用统计模型预测，需要结合宏观经济分析和高层战略判断。