3.1 需求预测与误差监控

3.1 需求预测与误差监控

本节摘要：预测的价值不在"准"，而在"误差可管理"。本节覆盖三件事：两种最常用的平滑类预测方法及其算例、预测误差的两级监控（MAPE 与追踪信号）、以及误差失控时的排查顺序。读完你能为一条稳定产品线搭起一套最小可行的预测流程，并知道它什么时候会失灵。

本章从链条第一环开始。承接章首的话：计划是在不确定性下做承诺，预测就是给这个承诺提供基准数字。先把丑话说完——任何方法都预测不准，本节教的全部内容可以概括为一句话：选一个不会系统性跑偏的方法，然后盯住它的误差。

一、预测的分层：先选战场再选武器

动手之前先分清预测对象。按时间跨度分：长期（一至五年，管产能与选址，靠趋势与产品线规划）、中期（三至十八个月，管计划与预算，靠时间序列加季节性）、短期（周与天，管排产与调拨，短期内需求结构相对稳定）。按需求性质分：独立需求（由市场决定，如整车销量，需要预测）与相关需求（由独立需求派生，如整车的轮胎数量，靠计算不靠预测）——这条区分是 3.3 节 MRP 的理论地基，这里先立住。

本节聚焦中期与短期的独立需求。方法上有两大流派：定量法吃历史数据，定性法吃市场判断（销售汇总、客户访谈、德尔菲轮询）。成熟企业的做法是定量打底、定性修正，且修正必须有记录——"销售说下月有大促"要变成可追溯的调整量，否则预测就成了各方博弈的 outputs，而不是分析的结论。

二、两种平滑方法：朴素却耐用

移动平均：取最近 n 期的均值当下期预测。n 越大越平稳、越迟钝；越小越敏感、越容易被噪声带偏。指数平滑：新预测＝旧预测 ＋ α ×（上期实际 − 旧预测），α 在 0 与 1 之间，本质是给"上一期预测错多少"加权修正，权重随数据变旧按 α 的幂次衰减。它比移动平均省数据、可调灵敏度，是多数计划系统的默认引擎。

一道双方法对照算例。某电动工具月销量近五期依次为：420、455、440、470、460 台。移动平均（n＝3）：(440＋470＋460) ÷ 3＝457 台。指数平滑（α＝0.3，上月预测 445）：445 ＋ 0.3 ×（460 − 445）＝449.5 台。两个数字都在合理带内，差别在性格：若下一期真实需求跳到 520，移动平均要等两三期才追上，指数平滑在 α＝0.3 下也要缓慢爬升；若把 α 调到 0.6，则 445 ＋ 0.6 × 15＝454，追得更快，代价是平时更容易被随机波动晃动。季节性明显的品类（羽绒服、空调）要在平滑之上叠季节指数：先用各月历史均值算出季节系数，把平滑结果乘回系数——方法不复杂，数据至少要两个完整年度周期。

指数平滑演算（α=0.3）
期   实际   旧预测   误差   新预测
1    420    430      -10    427
2    455    427      +28    435.4
3    440    435.4    +4.6   436.8
4    470    436.8    +33.2  446.8
5    460    446.8    +13.2  450.7
第6期预测 = 450.7 台
观察：预测始终滞后于趋势，α 偏小时尤甚——趋势品要用带趋势修正的模型
​

方法怎么选？给一个实用判据：需求平稳（无趋势无季节）用低 α 指数平滑；有趋势用 Holt 双参数；有季节用 Holt-Winters 或季节指数法；数据极少的品目，朴素法（上期实际当预测）反而最诚实。别小看朴素法——它是对抗"过度建模"的清醒剂，任何复杂模型在试点上都该先跟它比一比。

三、误差监控：MAPE 看大小，追踪信号看方向

预测没有误差监控等于裸奔。两级监控各司其职。

MAPE（平均绝对百分比误差）衡量误差的平均幅度：各期绝对百分比误差的均值。它的好处是与量纲无关，跨品类可比；坏处是需求接近零的品目会把 MAPE 撑爆，此类品目改用绝对误差均值。经验带：稳态品 MAPE 一成以内算好，两成以内可用，超过三成要检讨方法或干脆降级管理（如改按订单生产）。

追踪信号衡量误差的方向性偏移：累计代数误差除以平均绝对误差，正常波动下应在 ±4 左右的走廊内。一旦连续越界，说明预测在系统性跑偏——不是运气差，是模型或市场变了。这是比 MAPE 更重要的报警器，因为它捕捉的是"偏"而不是"大"。

误差监控表（近8期，单位：台）
期次    实际   预测   误差   绝对误差   绝对百分比误差
1       462    451    +11    11        2.4%
2       438    457    -19    19        4.3%
3       471    452    +19    19        4.0%
4       449    466    -17    17        3.8%
5       483    455    +28    28        5.8%
6       512    469    +43    43        8.4%
7       540    495    +45    45        8.3%
8       562    519    +43    43        7.7%
MAPE = (2.4+4.3+4.0+3.8+5.8+8.4+8.3+7.7)/8 ≈ 5.6%
追踪信号 = 累计误差196 ÷ 平均绝对误差28.1 ≈ +7.0 → 越过+4警戒线
判读：MAPE不大但信号越界 = 需求已上台阶，模型系统性低估，立即重设基准
​

图 3-1 预测误差监控的双仪表：MAPE 与追踪信号

四、误差失控排查：按顺序问四个问题

追踪信号越界之后干什么？按固定顺序排查，别上来就调 α。第一问：数据有没有问题——促销未录入、退货重复计算、新包装折算错误，一半以上的"预测失灵"是数据账没对齐。第二问：市场是否结构变了——竞品上市、渠道切换、大客户增减单，此时不是调参数，而是换基准期、做事件修正。第三问：模型形态是否匹配——趋势品用平稳模型、季节品没叠系数，属于选型错误，换模型而不是调参。第四问：才轮到调参数——α 与 n 的重估。这个顺序能防止最常见的闹剧：用调参数去弥补数据错误，越调越偏。

五、完整案例：小家电品牌的预测月会

背景：某小家电品牌月度预测偏差大，销售与供应链长期互相指责：销售说计划保守压货，供应链说销售虚报冲量。月会上两拨人各拿一套数，鸡同鸭讲。

操作：计划主管做了三件事。第一，统一口径：预测对象锁定为"标准箱量、按发货周分解"，销售侧的"销量"与供应链侧的"出货量"分开成两条曲线，不再混讲。第二，按品类分层管理：成熟电水壶品类交给指数平滑＋季节指数，追踪信号设 ±4 走廊；新品破壁机数据不足，改用销售 consensus 加权并标注置信度；长尾配件直接朴素法，不再浪费会议时间。第三，把月会流程改成"先看误差仪表、再谈修正"：会前十分钟人手一张追踪信号红黄榜，越界的品类先回答四问排查，再允许销售提修正，所有修正记录在案，次月复盘兑现率。

结果：三个月后成熟品类 MAPE 从 18% 降到 9%，追踪信号越界从每月七项降到两项；更重要的是会议性质变了——从互相指责变成对仪表负责。销售的真实大单信息被要求"提前量＋置信度"双标注，兑现率高的销售其修正权重自动上调。

解读：本案例没有引入任何高深模型，收益全部来自三件朴素的事：口径统一、分层管理、误差可见。预测体系建设的次序应当是先治理后算法——倒过来做，再好的算法也会死在脏数据和博弈流程上。

变式：B2B 设备行业可把预测下沉一层：与大客户签滚动九十天需求可视协议，客户的备货计划直接进预测池，预测误差立刻从"猜"变成"对表"。

六、易错点与自查

其一，只考准确性不考方向性：MAPE 达标而追踪信号越界，是最危险的组合——偏差被平均掉了。其二，用预测精度考核销售：预测是计划职能的产出，销售提供的是市场情报与修正意见，责任错位会让修正从此失真。其三，模型越换越勤：追踪信号越界先走四问排查，多数时候问题在数据与结构，不在模型。其四，忽略预测的滞后天性：平滑类方法天然追着趋势跑，趋势明确的品类必须用带趋势项的模型。

本节要点回顾

• 预测的目标是误差可管理，不是把数字猜准。
• 独立需求靠预测，相关需求靠计算：这条分界是 MRP 的地基。
• 方法按需选：平稳品低 α 平滑、趋势品加趋势项、季节品叠系数、长尾品朴素法。
• MAPE 看大小、追踪信号看方向：信号越界先查数据、再查结构、再换模型、最后调参数。
• 先治理后算法：口径、分层、误差可见，比选模型更决定成败。

预测给了需求基准，下一节回答缓冲问题：面对残余的不确定性，库存该怎么设岗、参数怎么算。